《基于深度学习的海面风力等级机器视觉识别》这篇论文关注的是如何运用深度学习技术对海面风力等级进行视觉识别，这对于涉海土木工程的建设与安全至关重要。传统观测方法，如卫星遥感和雷达测量，虽然专业但成本高昂，不适用于所有工程实践。因此，该研究提出了一种创新的机器学习方法，旨在提高观测的实用性和效率。
研究通过实验数据采集，包括海面风速、波高以及近海图像，以此为基础构建特征选取表和风速转换表。例如，风级1至4对应不同的风速和波高范围，这些数据经过整理后用于训练机器学习模型。实验数据显示，选取的风速范围覆盖了不同风级，验证了数据的合理性。
研究采用卷积神经网络（CNN）模型AlexNet进行学习。AlexNet以其深度结构和高效性能在图像识别任务中表现出色。论文中，AlexNet的前22层参数被冻结，仅训练最后三层，以优化识别效果。网络训练在有限的时间内完成，验证集的确认率达到100%，证明了模型的训练效率和识别准确性。
通过训练完成的AlexNet模型对随机选择的海面图像进行风级预测，结果显示了模型在识别不同风级的海面图像时具有较高的准确率，从而证实了这种方法在海面风力等级识别中的可行性。
该研究成功地应用深度学习技术解决了海面风力等级的自动识别问题，为涉海土木工程提供了一种经济有效的监测手段，有望改善风力等级观测的实时性和精确性，提升结构物的安全性和耐久性评估。这项工作对于推进海洋工程领域的科技进步和智能化发展具有重要意义。
