使用深度學(xué)習(xí)進(jìn)行海上雷達(dá)數(shù)據(jù)質(zhì)量管控自動(dòng)化

本文說明Miros公司設(shè)計(jì)的一套Wavex傳感器系統(tǒng)，如何精準(zhǔn)測(cè)量波浪、洋流、以及對(duì)水航速，并使用深度學(xué)習(xí)網(wǎng)絡(luò)來自動(dòng)辨識(shí)測(cè)量下取得的雷達(dá)數(shù)據(jù)，進(jìn)一步提升Wavex系統(tǒng)的表現(xiàn)與可靠度。

對(duì)海上船只而言，海浪、洋流、對(duì)水航速（speed through water）等量測(cè)數(shù)據(jù)的準(zhǔn)確性，對(duì)于船只執(zhí)行各種任務(wù)，如燃料優(yōu)化、或在受限區(qū)域內(nèi)導(dǎo)航等，具有很高的價(jià)值。舉例來說，對(duì)水航速量測(cè)錯(cuò)誤，即使只是一些微小誤差，就有可能對(duì)船艦效能的計(jì)算帶來重大錯(cuò)誤，讓每天的燃料使用量多出好幾十噸。傳統(tǒng)上，對(duì)水航速是透過水下的測(cè)速儀器來測(cè)量，這類儀器使用船體承受的水壓差異（水壓計(jì)程儀），通過聲納訊號(hào)的都卜勒偏移（都卜勒測(cè)速儀；Doppler velocity log），或通過藉由通電的線圈與移動(dòng)水體的交互作用產(chǎn)生的訊號(hào)（電磁式測(cè)速儀；electromagnetic log）來估計(jì)船速。這些系統(tǒng)維護(hù)起來的成本高昂，而且容易因?yàn)榕菽?、亂流或其他船只運(yùn)動(dòng)產(chǎn)生的干擾受到影響。

在Miros公司，我們?cè)O(shè)計(jì)了一套稱為Wavex的傳感器系統(tǒng)，它可以精準(zhǔn)地測(cè)量波浪、洋流、及對(duì)水航速。我們這一個(gè)系統(tǒng)處理從常見的海用X波段導(dǎo)航雷達(dá)的數(shù)字化影像，消除干擾問題以及與水下傳感器有關(guān)的維護(hù)費(fèi)用。我們也使用深度學(xué)習(xí)網(wǎng)絡(luò)來自動(dòng)辨識(shí)，例如下大雨等在較差量測(cè)條件下所取得的雷達(dá)影像，以進(jìn)一步提升Wavex的表現(xiàn)與可靠度（圖1）。


 
圖1 : 雷達(dá)影像上半部的波浪的型態(tài)出現(xiàn)因大雨造成的干擾。

在這一個(gè)降雨的案例，我們可以忽略雷達(dá)影像中受到干擾的區(qū)域，只使用未被干擾的區(qū)域來取得量測(cè)值。我們使用MATLAB和Deep Learning Toolbox（深度學(xué)習(xí)工具箱），結(jié)果是所建立的網(wǎng)絡(luò)以高于97%的準(zhǔn)確度精準(zhǔn)地辨識(shí)降雨，而辨識(shí)風(fēng)降的準(zhǔn)確率更高于99%。

不同于傳統(tǒng)的圖像處理算法需要依不同的量測(cè)條件、幾何條件、與雷達(dá)類型來進(jìn)行校正，利用MATLAB所設(shè)計(jì)出來的深度學(xué)習(xí)網(wǎng)絡(luò)，在各種量測(cè)情境都可以達(dá)到很高的準(zhǔn)確度，不需要再另外調(diào)整或校正。

在MATLAB完成深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)之后，再使用MATLAB Compiler將該網(wǎng)絡(luò)作為一個(gè)獨(dú)立的應(yīng)用程序部署在Wavex系統(tǒng)，這系統(tǒng)能對(duì)水航速、洋流、經(jīng)過分級(jí)的方向波譜、以及經(jīng)過整合的波浪參數(shù)如波浪高度等，提供近乎實(shí)時(shí)量測(cè)數(shù)據(jù)（圖2）。

 
圖2 : Wavex用戶接口范例，顯示了對(duì)水船速、風(fēng)、浪的量測(cè)資料。

以雷達(dá)為基礎(chǔ)的海象量測(cè)和風(fēng)雨效應(yīng)
使用典型的海用X波段雷達(dá)天線、每分鐘以15到48圈的速率轉(zhuǎn)動(dòng)，所產(chǎn)生的數(shù)字化影像可清晰地看見波浪型態(tài)如圖3，Wavex系統(tǒng)從該數(shù)字化影像中擷取笛卡兒影像區(qū)段（Cartesian image sections），接著使用MATLAB來開發(fā)處理這些區(qū)段的算法。

這些算法運(yùn)用噪聲過濾，并且以笛卡兒影像的時(shí)間序列執(zhí)行3-D快速傅立葉變換（fast Fourier transforms；FFTs），產(chǎn)生帶有關(guān)于出現(xiàn)在于各種波數(shù)和頻率的功率數(shù)據(jù)的3-D波譜，接著算法使用波數(shù)-頻率頻譜來估計(jì)洋流與對(duì)水航速，以及經(jīng)過分級(jí)的波譜和整合的波浪參數(shù)。

 
圖3 : 來自海用X波段導(dǎo)航雷達(dá)的數(shù)字化影像輸出，顯示擷取出的笛卡兒區(qū)段

某些特定的環(huán)境條件，像是低風(fēng)速和降雨，會(huì)導(dǎo)致數(shù)字化影像的失真，難以從中擷取出有意義的信息（圖4）。而設(shè)定的深度學(xué)習(xí)目標(biāo)是要建立一個(gè)網(wǎng)絡(luò)（network）來自動(dòng)辨識(shí)那些嚴(yán)重失真、難以使用于各種海象量測(cè)的笛卡兒區(qū)段。

 
圖4 : 在降雨期間（上）與風(fēng)速下降（下）期間拍攝到的數(shù)字化雷達(dá)影像。

運(yùn)用深度學(xué)習(xí)于影像分類
以深度學(xué)習(xí)來處理影像分類問題的第一個(gè)步驟，要取得各種特性的影像數(shù)據(jù)并且進(jìn)行標(biāo)記，用來訓(xùn)練之后的深度學(xué)習(xí)網(wǎng)絡(luò)。為此，我們從六個(gè)不同的Wavex系統(tǒng)中收集了一組時(shí)間超過十年、數(shù)量超過7百萬的笛卡兒影像區(qū)段。我們將每一個(gè)影像區(qū)段進(jìn)行標(biāo)記，并歸類到下列五種類別：無風(fēng)降或降雨、顯著降雨、顯著風(fēng)降、顯著降雨和風(fēng)降、以及未分類。為了減少需要的工作，讓標(biāo)記更方便執(zhí)行，使用整合的視覺評(píng)估，并將對(duì)從其他來源的有效數(shù)據(jù)，例如從船板傳感器收集到風(fēng)的數(shù)據(jù)，也進(jìn)行自動(dòng)化的標(biāo)記工作。

如同團(tuán)隊(duì)中的其他成員一樣，對(duì)于MATLAB和較為通用的機(jī)器學(xué)習(xí)有一些經(jīng)驗(yàn)，但完全沒有任何深度學(xué)習(xí)的應(yīng)用開發(fā)經(jīng)驗(yàn)。為了學(xué)習(xí)，我從MATLAB產(chǎn)品家族的Deep Learning Toolbox（深度學(xué)習(xí)工具箱）的教學(xué)課程和范例開始，先使用簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行影像分類的深度學(xué)習(xí)。

第一步，我們嘗試一些預(yù)先訓(xùn)練的模型，但很快地發(fā)現(xiàn)如果是依照之前看過的程序范例來建立我們自己的深度學(xué)習(xí)網(wǎng)絡(luò)的話，效果可能會(huì)更好。我透過幾種網(wǎng)絡(luò)架構(gòu)來進(jìn)行實(shí)驗(yàn)，直到建置起一個(gè)有123層的網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)有著相當(dāng)標(biāo)準(zhǔn)的結(jié)構(gòu)。影像輸出層后面有五個(gè)群組，每個(gè)群組各配有一個(gè)2-D卷積層、一個(gè)批量標(biāo)準(zhǔn)化層、一個(gè)線性整流函式（rectified linear unit；ReLU）層、以及一個(gè)最大池化層。在最后一個(gè)群組，則以一個(gè)全連接層來取代最大池化層。這個(gè)群組后面接著一個(gè)softmax層和一個(gè)分類輸出層（圖5）。


 
圖5 : 雷達(dá)影像分類的網(wǎng)絡(luò)架構(gòu)。

一開始，使用從各個(gè)Wavex系統(tǒng)收集來的數(shù)據(jù)分別對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后確認(rèn)它可以將影像精準(zhǔn)地從其他系統(tǒng)區(qū)別出來。接著，再加上使用所有系統(tǒng)的影像進(jìn)行訓(xùn)練，以改善網(wǎng)絡(luò)在各種雷達(dá)種類和操作條件下的精確度。舉例來說，嘗試在第一個(gè)卷積層的尺寸進(jìn)行變化，也嘗試各種網(wǎng)絡(luò)的深度、不同的影像輸出層標(biāo)準(zhǔn)化方法。

部署與未來的規(guī)劃
為了將經(jīng)過訓(xùn)練的最終深度學(xué)習(xí)網(wǎng)絡(luò)和算法整合到Wavex系統(tǒng)，使用MATLAB Compiler來產(chǎn)生一個(gè)獨(dú)立的應(yīng)用程序，如此可以將R&D的心力亦即模型的開發(fā)與訓(xùn)練?快速地轉(zhuǎn)移到生產(chǎn)環(huán)境來進(jìn)行自動(dòng)質(zhì)量管控。而產(chǎn)生的應(yīng)用程序會(huì)掃描從每一個(gè)運(yùn)行雷達(dá)系統(tǒng)產(chǎn)生的極性影像中所擷取出來的笛卡兒影像區(qū)段，接著會(huì)將它們分類，并且將結(jié)果與其他所有量測(cè)值儲(chǔ)存在Wavex軟件存取的數(shù)據(jù)庫。完成這樣的整合之后，使用MATLAB的可視化工具來驗(yàn)證系統(tǒng)在各種條件下的效能，將使用自動(dòng)進(jìn)行風(fēng)降和降雨偵測(cè)時(shí)的性能表現(xiàn)，與未啟用自動(dòng)偵測(cè)時(shí)的基準(zhǔn)來做比較。

圖6展示一個(gè)包含許多事件的時(shí)期的范例，可看到以深度學(xué)習(xí)為基礎(chǔ)的應(yīng)用程序能準(zhǔn)確地辨識(shí)各種情況，且可為數(shù)據(jù)加上正確的卷標(biāo)，讓用戶可以取得優(yōu)化的流程和經(jīng)過改善的數(shù)據(jù)。



 
圖6 : 波浪高度量測(cè)值圖表，包含以深度學(xué)習(xí)為基礎(chǔ)的降雨和風(fēng)降偵測(cè)被啟用（藍(lán)色線段）與未被啟用（紅色線段）時(shí)的結(jié)果。

我們所開發(fā)的這個(gè)獨(dú)立的深度學(xué)習(xí)應(yīng)用程序，現(xiàn)在已經(jīng)運(yùn)行在一些船只上的Wavex系統(tǒng)進(jìn)行生產(chǎn)端的測(cè)試，而團(tuán)隊(duì)目前也正試圖運(yùn)用類似的深度學(xué)習(xí)方法來為幾種不同的新應(yīng)用進(jìn)行影像和訊號(hào)分類。

（本文由鈦思科技提供；作者Rune Gangeskar任職于Miros公司）