本公开涉及无人艇技术以及图像识别技术，尤其是一种无人艇海岛识别方法、装置、电子设备和存储介质。
背景技术：
1、海岛不仅是维护国家权益的重要战略前沿，更是人类居住生活的重要载体。它代表着人类对海洋开发的远涉基地和前进支点，是探索海洋、开发海洋资源的重要平台。由于海岛远离陆地，地理位置特殊，加之受到不规律潮汐的强烈影响，因此无人艇海岛识别方法面临着高精度和准实时的双重挑战。海岛的地理位置使其成为国家安全的重要屏障，同时也是人类探索和开发海洋资源的重要平台。由于远离陆地，海岛的地形和地貌往往复杂多变，这给无人艇的识别带来了极大的挑战。此外，不规律的潮汐也会对无人艇的识别精度产生影响，使得海岛识别更加困难。
2、为了解决海岛现场测绘的难题，雷达这一重要的观测工具以其无接触的大面积观测优势，为海岛的研究提供了重要的数据源。这些数据源如同照亮海岛研究之路的明灯，为我们了解海岛的地貌、植被、水文等信息提供了宝贵的依据。通过这些数据，我们能够更好地研究海岛的形成、演变以及变化趋势，从而更有针对性地保护和利用海岛资源。
3、随着科技的不断发展，新型的计算机技术为海岛地物信息的挖掘提供了重要的技术支撑。例如，通过计算机图像处理技术，我们可以实现海岛边界的精确识别、海岛地物类别的识别以及海岛的变化监测等。这些技术的应用，极大地提高了我们对海岛研究的效率和精度，为我们的海洋权益维护和开发提供了有力的技术支持。它们不仅能帮助我们准确地识别海岛的形状和边界，还能对海岛的地物类别进行智能分类，甚至能监测海岛的变化情况。这些技术不仅提高了研究的精度，还缩短了研究的时间。通过这些技术，我们可以更快速地获取和分析海岛地物信息，从而更好地理解和保护海洋资源。
4、深度学习是一种以神经网络为架构对数据进行表征学习的算法，其中图像处理方面应用较多的为深度卷积神经网络(deep convolutional neural network，dcnn)。
5、dcnn因其独特的局部连接及权值共享，提高了图像处理的速率及识别精度。但目前dcnn应用于雷达影像中海岛信息识别的研究报道较少，其主要原因为：
6、1)受不规律潮汐等影响，海岛边界具有不确定性，其识别的难度高且精度低。
7、2)影像的多波段特征有别于传统图像，直接进行卷积运算，将产生大量的冗余参数，影响计算效率。
8、因此，需要一种或多种方法解决上述问题。
9、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的目的在于提供无人艇海岛识别方法、装置、电子设备和存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
2、根据本公开的一个方面，提供无人艇海岛识别方法，包括：
3、构建包含1×1卷积核的卷积层，基于最大值池化重采样器大小为2×2窗口的池化层，基于softmax的分类器的改进的深度卷积神经网络；
4、基于训练数据集、验证数据集对所述改进的深度卷积神经网络进行训练、验证；
5、基于完成训练、验证的改进的深度卷积神经网络实现对无人艇海岛的识别。
6、在本公开的一种示例性实施例中，所述方法还包括：
7、改进的深度卷积神经网络设置3个卷积层，其中第一个卷积层为1×1卷积核，所述第一个卷积层为1×1卷积核用于实现对多波段雷达影像的降维。
8、在本公开的一种示例性实施例中，所述方法还包括：
9、改进的深度卷积神经网络的池化层包含基于最大值池化重采样器大小为2×2窗口，所述池化层用于基于重采样方法逐窗口实现雷达影像的特征值提取。
10、在本公开的一种示例性实施例中，所述方法中基于softmax的分类器为：
11、
12、其中，k为向量z的维度，softmax函数将一个含任意实数的k维向量z压缩至另一个k维实向量中，使得每一个元素的范围都在(0，1)之间，并且所有元素的和为1。
13、在本公开的一种示例性实施例中，所述方法中，所述softmax分类器以损失误差作为评价指标来估量网络的预测值与真实值的不一致程度，所述损失误差为：
14、
15、其中，x(i)，y(i)表示已标记的训练样本；m表示训练样本的个数；hθ(x)表示逻辑回归的假设函数；softmax的分类过程便是使损失误差j(θ)最小的过程。
16、在本公开的一种示例性实施例中，所述方法还包括：
17、基于预设雷达影像建立训练数据集、验证数据集；
18、将训练数据集中的预设雷达影像分别进行90°、180°、270°旋转处理，作为训练数据集中的训练数据。
19、在本公开的一种示例性实施例中，还包括：
20、基于验证数据集，采用10-折交叉验证法对所述改进的深度卷积神经网络进行验证。
21、在本公开的一个方面，提供无人艇海岛识别装置，包括：
22、模型构建模块，用于构建包含1×1卷积核的卷积层，基于最大值池化重采样器大小为2×2窗口的池化层，基于softmax的分类器的改进的深度卷积神经网络；
23、训练验证模块，用于基于训练数据集、验证数据集对所述改进的深度卷积神经网络进行训练、验证；
24、海岛识别模块，用于基于完成训练、验证的改进的深度卷积神经网络实现对无人艇海岛的识别。
25、在本公开的一个方面，提供一种电子设备，包括：
26、处理器；以及
27、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。
28、在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。
29、基于本公开实施例，构建包含1×1卷积核的卷积层，基于最大值池化重采样器大小为2×2窗口的池化层，基于softmax的分类器的改进的深度卷积神经网络；基于训练数据集、验证数据集对所述改进的深度卷积神经网络进行训练、验证；基于完成训练、验证的改进的深度卷积神经网络实现对无人艇海岛的识别。由此，本公开实施例提供了无人艇海岛识别方法，针对无人艇具体水上航行任务提出了解决方案，经过案例测试，该方法满足实际工程应用性能要求，解决了传统算法时间长等问题，可以实现对无人艇海岛的高效准确快速的识别。
30、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
31、下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
1.一种无人艇海岛识别方法，其特征在于，包括：
2.根据权利要求1所述的无人艇海岛识别方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的无人艇海岛识别方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的无人艇海岛识别方法，其特征在于，所述方法中基于softmax的分类器为：
5.根据权利要求1所述的无人艇海岛识别方法，其特征在于，所述方法中，所述基于softmax的分类器以损失误差作为评价指标来估量网络的预测值与真实值的不一致程度，所述损失误差为：
6.根据权利要求1所述的无人艇海岛识别方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的无人艇海岛识别方法，其特征在于，还包括：
8.一种无人艇海岛识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该计算机程序指令被处理器执行时，实现上述权利要求1-7中任一所述的方法。
