海洋生物淤积是海洋生物的不必要的殖民化和增长沉浸人工结构( 1]。表面的快速调节后,随后的污染是一个动态的过程,依赖于可用性,殖民者对在位者的关系,和生物的速度可以附加 2),尽管它通常被描述为连续性[ 3]。关于运输,船体性能的主要问题是摩擦阻力的增加,需要增加力量保持速度,因此增加燃料消耗和气体排放( 4, 5]。船体污染也是主要矢量易位nonindigenous物种( 6]。因此海洋经济增长的早期检测和识别最重要的,以避免这些问题。本文研究海洋探测和识别使用增长转移学习和深卷积神经网络(CNN)的方法。

人工智能(AI)使用机器学习从一个类似的测试数据 n 维空间。在大多数实际应用中,需要大量的计算资源和资本来获取所需的数据重建模型( 7]。因此,转移学习使用。它可以减少需要收集资源和资本,同时使用pretrained模型从不同的应用程序在当前的应用程序工作。学习使用学习转移前的训练模式。CNN模型最初训练学习的特性在一个巨大的数据集可以用来执行认知任务在特定领域的数据集 8- - - - - - 10]。几个方法转移学习取得了良好效果,有很大的文学学习和CNN转移。例如,Devikar [ 1111日)采用转移学习类型的狗,为每个类25个图片。他调整后再培训从狗数据集和谷歌的《盗梦空间》V3模型实现了96%的准确识别的犬种。的效用的方法也已经证明植物图像( 12, 13)、医疗数据集( 14- - - - - - 16),和一个国营农场的数据集( 17)的准确性高达98%的餐前小吃( 13)的研究。在所有这些情况下,一个大的高质量图像,并有很强的数据库和特色被要求产生良好的分类结果。学习转移删除图形处理单元(GPU)的需要培训尽管缩短训练时间的优势。CNN的转移学习超过完整的训练模型的分类精度。它也减少了需要标签数据通过使用功能已经从先前的模型。

虽然这种方法也被应用于水过滤和热污染的调查,例如,预测污染饮用水的过滤( 18),热交换器( 19)和加热器( 20.),转移学习和深CNN没有应用于船的船体等海洋结构的生物淤积。值得注意的是,上述分类结果精度超过70%在使用学习方法在CNN转移。这个值被用作基准在目前的研究中,这是集中部署转移学习使用谷歌的《盗梦空间》V3模式[ 21, 22)与Softmax污染数据库与十个类别和1825张照片。再培训的污染数据库进行使用TensorFlow [ 23, 24)码头工人形象深度学习的图书馆。

总之,将Softmax转移的应用学习和深卷积神经网络对海洋污染识别还没有文献报道。海洋经济增长的早期检测通过图像识别提供了一种方法对船的主人安排维修,例如,通过船体梳理( 25, 26),在海洋经济增长严重的损害船体性能。因此,本文作出的贡献如下。从船上拍摄的图像的污染可以远程转移到陆上污染识别。转移学习和深卷积神经网络可用于分类污染的类型和密度对早期发现污染使用捕获的图像。

剩下的部分组织如下。部分 2描述了污染图像识别系统之后,提出深卷积神经网络部分 3。最后,部分 4总结了纸。

该项目旨在拍照特定区域的船体表面通过摄像头模块的单片机。由于实地测试的限制,捕获的图像从网上获得。的一些图像并不真正代表实际的污染在船的船体。捕获的图像将存储在云存储通过4 g /长期演进(LTE)电子狗。它会自动上传到云在图 1。图像将用于污染分析通过深度学习和CNN。如图 2,第一阶段的项目将确定是否存在任何macrofouling生物体表面的船体在覆盆子π使用相机。它是由使用初始V3模型进行图像识别,训练了ImageNet大规模视觉识别的挑战[ 21]。如果结果表明没有macrofouling生物体,算法将会停止。表面macrofouling或污染密度的百分比将会决定。否则,它将继续下一个阶段macrofouling生物将分类根据不同类型的海洋污染见表 1和图 3。总共有1825张图片到数据库中。海洋污染的类并不详尽,有超过4000种已知的污垢。污染在表 1决定了适应船舶上的一些常见类型的污染,使得模型学习足够的特征分类器来执行其任务。由于不一致的图像大小,质量,和不同的污染图像、数字污染图像的每个类都是不平等的。图像将被提炼更具代表性的海洋生物淤积在船的船体和早期的发展阶段。在最后阶段,该算法将检测macrofouling生物体的总面积的百分比的图像称为污染密度。这是通过计算机视觉处理的图像通过开源库(OpenCV)使用基于颜色的分割方法。不同的结果在整个程序能得救。一个图形用户界面(GUI)旨在促进的过程运行的不同阶段算法。

安排图像识别系统的生物淤积图所示 4。不可能安排测试在船。相反,一个实验室安装使用。污染的照片被固定在墙上来模拟船舶船体上的污垢的存在。左边显示的是微处理器通过移动连接连接(位于“船”)到云存储和本地机器右边。主机设备(“在岸”)用于污染识别和分析。微处理器(即。,覆盆子π3模型B) operates on Raspbian OS (see Figure 5),在本地机器使用Ubuntu操作系统。它可以作为电脑有内置摄像头用于构建智能设备如污染识别系统。出于完整性的考虑,表 2和 3显示该系统的硬件和软件组件。

卷积神经网络(CNN)是一种深度学习神经网络(NN)图像识别和分类。这种神经网络是由层与人工神经元层之间的连接形式。有价值的链接权重调整在整个训练过程中,训练网络。层构造,第一层标识一组简单的输入模式。这样的标准CNN包含5到25层,结束于一个输出层( 27]。图 6显示了一个典型的CNN用于本文的体系结构。

卷积在第一层,输入提取的特征,如边缘、线条和图像的角落。采取一种 3 × 3 特征提取器在一个 n × n 大小的图像,为例,从图像的左上角开始,特征提取器执行矩阵乘法和加法的像素值,然后总结他们。总结价值将进入第一个隐层,这也被称为第一个特性映射。特征提取器现在幻灯片本身通过步等于1,重复这个过程。当特征提取器达到最右边的图片,它将垂直下降步等于1,回到最左边的形象,并再次重复这个过程。这个过程将继续,直到 3 × 3 图像的特征提取器到达右下角( 27]。

池层是卷积层。池层建立抵抗噪声和失真特性。最大池和平均池两种方法来执行这一任务。的例子 4 × 4 特征映射输入池层, 2 × 2 池, 4 × 4 输入将会分成四个矩阵不重叠。在马克斯•池 2 × 2 池只会考虑在自己输出的最大价值。平均分担的 2 × 2 池将考虑内部四个值的平均值输出。池在图像识别的优势是它不变的轻微移动和旋转图像。因此,池是一个过程,浓缩卷积层( 27]。

应用非线性层是一个额外的功能,每次卷积。这个函数的CNN利用提出的著名的分类可能隐藏层中相似的特征。CNN也使用各种非线性函数和最受欢迎的功能是解决线性单元(ReLU)。ReLU作用于一个函数的每个像素和替代品-特征映射的像素值0。需要ReLU如卷积是一种线性的操作和数据引入非线性(CNN总是 27]。

完全连接层作为CNN的最后一层。完全连接层执行从其前一层重量的特性的总和。这意味着输出从先前的卷积和的高级特征池被分类基于输入图像和CNN的数据集训练。这种分类将在输出层,结果将显示结果的概率或类概率如表 4和 5。

拟议的《盗梦空间》V3模型由三个卷积层汇聚层,三个卷积层,十《盗梦空间》模块,和一个完全连接层。总共有17层在这个模型中包含的特性与ImageNet从最初的训练。最初的完全连接层将由一个新的图层重新训练。瓶颈的催化剂层用于生产瓶颈值放在将Softmax分类器。新的Softmax函数将输入图像数据映射到获得分类结果( 28]。

海洋生物淤积有负面影响对海洋船舶运营性能和成本。通过图像识别分类的快速和低成本的实现通过转移学习pretrained卷积神经网络(CNN)模型(名为《盗梦空间》V3)提供了一个潜在的解决方案。船舶污染的早期检测。无线传输通过移动网络能使污染图像上传到Google Drive云存储容易,随后用于图像识别。图形用户界面与功能开发,促进流动污染污染识别算法的识别和污染分类通过CNN污垢的密度和开源的计算机视觉库(OpenCV)。藤壶是可以接受验证识别和分类精度。污染的比例将在给定藤壶表面积也是决定成功。

这项研究已经在最后的污染所需的基准分类准确性和污染密度。未来的工作将开发一个数据库的“真实世界”的图像更大的污损生物的多样性在不同的发展阶段和检查潜在的污染的CNN远程评估方法。其他类型的非监督机器学习技术将用于与该CNN的方法。开口的形状的物种将被纳入macrofouling认可。图像识别的测试系统将进行船上通过海事卫星宽带系统网络连线或SEVSAT等。