基于人工神经网络的无人岛异常识别系统∗

赵文洋 解玉琪 李学强 郭防铭

（中国石油大学（华东）计算机与通信工程学院 青岛 266580）

1 引言

无人岛是我国重要的自然资源财富，也是我国海洋可持续发展的重要基地。众多无人岛是我国领土的重要组成部分，其具有的社会、经济、政治和军事价值是无可估量的：无人岛的资源、环境有很大的潜在价值，岛上的植被可供鸟类、蛇类及其他珍稀动物栖息生存；有些无人岛蕴藏着丰富的矿物，尤其是处于油气资源盆地的岛屿更被人们视为海上明珠；有些无人岛是军事天然屏障，一旦启用将成为海上屹立不倒的前沿阵地；有些岛屿位于领海前沿，成为维护海洋权益的重要标志［1～3］。因此，有必要引入现代化科技手段来实现对无人岛的保护，保障我国无人岛屿的合法使用权益。其中无人遥感技术［4～5］就是海洋岛屿权益保障的重要武器，利用无人遥感技术实现对无人岛屿的异常状况识别进而保障国家无人岛屿权益就是一种重要方法。

无人驾驶飞机（Unmanned Aerial Vehicle，UAV），也称为无人机，是由“飞行员”从地面控制的飞机，或者逐渐地，在预先规划的任务之后自主飞行。由于无人机具有许多优点，被广泛应用于民用和军事领域，如航空监视、遥感、货物运输等。与大型飞机和卫星不同，无人机系统可以组成低成本的遥感应用系统。从无人机获得的图像适用于环境监测、野火监测、野生动物种群跟踪、边界巡逻、灾祸救援等领域［6～8］。而高光谱（HSI，Hyperspectral Image）成像技术是遥感中常使用的方法之一。高光谱分辨率遥感，也称为高光谱遥感［9］，是在成像光谱学（Imaging Spectroscopy）的基础上发展起来的一种相对较新的技术，广泛应用与食品安全、医学诊、航天航空等领域。由于成像分辨率相较于传统方法有显著提高，其探测能力也有明显进步，因此高光谱成像技术可以成为检测应用中可靠的数据载体。

如果想要通过对航拍所得高光谱的检测来实现对无人岛屿的快速异常检测。那么在从UAV 开始接收HSI的图像处理，到通过预处理和后续的决策过程中，对于反应时间的把握是相当重要的，但是采用传统的统计性方法来处理HSI 异常检测的时间代价是巨大的。所以我们需要寻求一种可以降低时间成本但不会降低准确性的方案，因为准确性对于异常检测是至关重要的，特别是在军事应用中，发现异常的准确性和及时性是极为重要的。考虑到这些要求，本文中将设计一种在保证不降低准确性的前提下快速检测异常和识别目标过程的方法，一种利用两阶段人工神经网络（ANN）进行异常检测和目标识别的新方法。这种方法结合了HSI的高价值密度和人工神经网络的高泛化与分类能力，能够快速、可靠地完成检测过程。

本文提出了一种利用二阶段人工神经网络（ANN）进行基于高光谱图像（HSI）的异常检测新方法。该方法结合了HSI 的高信息承载能力和人工神经网络的高泛化与分类能力，能够快速、可靠地完成检测过程，实现对无人岛屿的异常检测与识别功能。

2 基于ANN的无人岛异常识别算法

2.1 人工神经网络（ANN）

人 工 神 经 网 络［10］（Artificial Neural Network，ANN），是基于生物学中神经网络的基本原理，在理解和抽象了人脑结构和外界刺激响应机制后，以网络拓扑知识为理论基础，模拟人脑的神经系统对复杂信息的处理机制的一种数学模型。该模型以并行分布的处理能力、高容错性、智能化和自学习等能力为特征，将信息的加工和存储结合在一起，以其独特的知识表示方式和智能化的自适应学习能力，引起各学科领域的关注。它实际上是一个有大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。

这个系统实质上是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激活函数（Activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重（weight），神经网络就是通过这种方式来模拟人类的记忆。网络的输出则取决于网络的结构、网络的连接方式、权重和激活函数。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。神经网络的构筑理念是受到生物的神经网络运作启发而产生的。人工神经网络则是把对生物神经网络的认识与数学统计模型相结合，借助数学统计工具来实现。另一方面在人工智能学的人工感知领域，我们通过数学统计学的方法，使神经网络能够具备类似于人的决定能力和简单的判断能力，这种方法是对传统逻辑学演算的进一步延伸。

2.2 ANN异常识别模型系统结构

为了满足无人岛异常检测的高准确性和低时间代价的双重要求，本文采用了二阶段多层神经网络［11～13］，可以针对高光谱图像的特点，采用基于像素的光谱匹配方法实现要求，所提出的模型的运算流程如图1所示。

图1 识别系统流程图

第一阶段神经网络（ANN-Ⅰ）被训练用来检测输入的高光谱图像是否存在异常，第二阶段的神经网络（ANN-Ⅱ）被训练用来区分异常的类型。第一阶段是称为ANN-Ⅰ的多层神经网络。该网络被训练来检测高光谱图像中是否存在异常。第二阶段的方法是被称为ANN-Ⅱ的多层神经网络，该网络用来确定ANN-Ⅰ识别的异常是否属于预先定义的目标种类。

在网络ANN-Ⅰ在该方法中，输入层的输入为HSI 数据集可用波段数，隐藏层有十个神经元，输出层只有一个输出。这个网络被训练只是为了识别包含异常的像素。因此，可以通过使用这些像素中的光谱特征来检测异常。利用ANN 的一般性特征，可以确定未知异常。

ANN-Ⅰ的输出可以是“0”或“1”。如果输出为“0”，则相应像素被评估为无异常数据，但是如果输出为“1”，则认为该像素具有异常。与ANN-Ⅰ不同，在此模型中ANN-Ⅱ网络被训练来识别特定目标，输出值为0-9，代表着对应的10 种预先定义好的异常类型。仅对ANN-Ⅰ识别出异常的像素运行ANN-Ⅱ，从而控制模型运行的时间代价。

3 数据处理及模型训练

与黑白图像和RGB 图像相比，使用高光谱图像需要更多的时间。因为传统的图像具有较少的频谱数据，并且使用有限数量的框架来执行。换句话说，频带的数目是相当多的，并且对于HSI 中的所有像素执行操作。尽管时间成本很高，但是与其他图像相比，使用高光谱图像的方法可以在目标识别中产生更精确的结果。特别考虑到由一个或多个像素表示的小尺寸目标，HSI 显然是更有利的技术。因此，本实验还是采用了HIS数据作为输入样本。

实验中采用的是于山东省荣成市的镆铘岛上采集而来的数据，数据采集过程利用大疆四旋翼无人机携带高光谱成像仪采集完成，数据采集路线如图2所示。

采集完毕后，从磁盘读取HSI 数据集。而后，清洗掉因天气条件、传感器条件和大气效应等而不能被使用的频带［14］。然后对数据作归一化处理［15］。

因为缺少目标和背景先验知识，所以处理完的数据还需要先使用异常检测算法进行处理，本实验采用的有Reed 和Yu 提出的RX 算法［16］，这是一种局部目标检测算法，算法的监测窗口包括目标窗口和背景窗口，且后者远大于前者。RX 算法假设数据空间白化且服从高斯分布，在此基础上通过分析窗口的统计量（均值和方差），并与设定的阈值比较判断是否为异常值。从用RX算法处理后的数据集中选择出异常级别最高的110 个像素作为异常。这些数据被加以异常与否的标签后作为模型的最终数据集。

图2 数据采集路线图

数据集被分为三组：训练60%、验证20%和随机测试20%。然后使用加完标签后的数据来训练ANN-Ⅰ，使之能够正确识别异常样本。而后使用异常的110个像素来创建ANN-Ⅱ的训练集。因为ANN-Ⅱ是训练被用来识别异常目标的，训练集数据只需要包括异常样本，其标签也应该是异常样本的类型。所以我们先使用自组织特征映射神经网络（SOM）［17～18］对输入的异常数据进行分类。这些异常像素被分为10种类型，作为ANN-Ⅱ训练集的标签，从而对ANN-Ⅱ进行训练。

4 实验结果与分析

为了验证模型的可用性，我们使用人工加工后总共含有70 个异常目标的数据样本进行验证。在实验中采用随机选择方式注入到随机坐标地点，再使用我们的模型进行异常检测与识别［19］，实验结果如表1所示。

表1 实验结果展示

从表中结果可以看出，模型的可行性得到了充分验证，在实验中的所有异常目标都得到了识别和正确分类。实验结果表明，人工神经网络在使用高光谱数据对无人岛的异常识别中可以表现出良好的效果［20］。

5 结语

本文提出了一种新的无人岛屿异常目标检测与识别的方法，建立一种基于人工神经网络的无人岛屿异常识别模型。提出的模型包括有两个神经网络，第一个用来异常检测，第二个用于异常数据的目标识别。原始的高光谱数据经清洗、归一化后再利用RX 算法和SOM 算法处理形成训练集，并经过实验验证了模型的可行性。这种方法有效解决了无人岛异常检测要求的高准确性和低时间代价之间的矛盾，能够让用户在极短的时间内高准确率地识别出无人岛屿的实际状况。