CN108257119A - 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 - Google Patents

一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 Download PDF

Info

Publication number
CN108257119A
CN108257119A CN201810016724.3A CN201810016724A CN108257119A CN 108257119 A CN108257119 A CN 108257119A CN 201810016724 A CN201810016724 A CN 201810016724A CN 108257119 A CN108257119 A CN 108257119A
Authority
CN
China
Prior art keywords
image
harmful influence
early warning
detection
near ultraviolet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810016724.3A
Other languages
English (en)
Other versions
CN108257119B (zh
Inventor
黄慧
张德钧
王超
詹舒越
宋宏
王杭州
徐韧
刘材材
蒋晓山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810016724.3A priority Critical patent/CN108257119B/zh
Publication of CN108257119A publication Critical patent/CN108257119A/zh
Application granted granted Critical
Publication of CN108257119B publication Critical patent/CN108257119B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法，该方法包括训练准备阶段和检测预警阶段；训练准备阶段包括训练图像获取与合成、图像预处理与标注、模型训练和全景地图准备；检测预警阶段包括检测图像获取、检测图像预处理、目标区域检测与判断、GPS匹配与图像融合和分级预警；本发明对近紫外图像中的危化品建立快速深度神经网络置信检测模型，充分利用无色危化品与水在近紫外波段存在的明显反射率差距，克服了漂浮危化品因为无色而难以进行成像检测的难题；对判定存在漂浮危化品图像进行GPS信息与全景地图的匹配，对相邻序号的有危化品的图像进行拼接融合，大大减少了危化品图像的处理量，具有快速、准确、高效的特点。

Description

一种基于近紫外图像处理的近岸海域漂浮危化品检测预警 方法
技术领域
本发明涉及一种漂浮危化品检测预警方法，尤其涉及一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法。
背景技术
随着世界化学工业的发展，近20年来的危化品运输量大幅增长。危化品庞大的水上运输量，增加了重大污染事故的风险。危化品水上泄露事故包括水上运输事故、港口仓库意外事故以及工厂排污，具有突发性和偶然性，造成了应急处理的艰巨性，尤其是近岸海域的泄露事故对公共安全具有严重的威胁。
目前危化品的检测研究中，使用较多的是色谱法、分光光度法和电化学法等较为敏感和准确的分析技术。这些方法大多需要精密的仪器、繁琐的抽样过程，这限制了它们应用到泄漏事故现场的应急处理上。危险化学品突发事故的现场应急检测，需要快速确定漂浮危险化学品的位置、泄露面积和分布以采取相应的分级预警及应急处理措施，因而对检测手段在位置、范围及分布的信息获取上的效率上提出了较高要求。
自动化成像检测技术是一种快速、灵活和安全可靠的技术，在突发事故应急处理、环境监测上具有巨大的潜力和优势。目前，溢油事故应急检测方面已有采用成像检测技术的报道。中国专利CN 106370307 A公布了一种利用垂直偏振与水平偏振的差分热红外图像提取边缘的水面溢油成像探测方法与装置；中国专利CN 105844298 A公开了一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法；中国专利CN 103236063 A公开一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法。然而，相对于溢油检测，危化品(如苯、甲苯、二甲苯等)常为无色液体，与水的颜色差异远比溢油小，使用常规的图像处理及分类方法无法进行有效检测，目前在危化品对海洋环境、尤其是近岸海域影响的分级评价以及监测应急等方面的研究较少，尚缺乏此方面的应急技术。
发明内容
本发明旨在针对现有技术的不足，提供一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法。
本发明的目的是通过以下技术方案来实现的：一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法，该方法包括训练准备阶段和检测预警阶段；
(1)训练准备阶段，包含如下步骤：
(1.1)训练图像获取与合成：使用带GPS模块的近紫外成像设备预先获取近岸海域多处水体的近紫外图片及其GPS定位信息后，在近岸海域上围取特定区域的试验场地，倒入适量待检测危化品，获取一定量的危化品实验图像，利用获取的多处水体图像为背景，漂浮危化品实验图像为目标区域在图像融合生成网络中生成足量的待训练近紫外图像；
(1.2)图像预处理与标注：对步骤(1.1)中的待训练近紫外图像进行统一的光照校正平滑处理后，对所有漂浮危化品区域进行标签标注；
(1.3)模型训练：将待训练近紫外图像及标注数据输入深度神经网络模型中进行模型训练，获得危化品的深度学习检测模型；
(1.4)全景地图准备：通过联网或者卫星图像读取的方法获得近岸海域的包含细致地理信息的全景地图，对全景地图中的重点保护区域进行位置记录，并设定重点保护区域的敏感度；
(2)检测预警阶段，包含如下步骤：
(2.1)检测图像获取：使用带GPS模块的近紫外成像设备在太阳半平面下同时获取待检测区域的近紫外图像以及GPS定位信息；
(2.2)检测图像预处理：对获取图像进行与步骤(1.2)相同的光照校正平滑处理，将待检测图像按获取时间进行排序，并使用根据相似度的自适应设定法设定检测置信度分数阈值c；所述自适应设定法具体为：首先读取待检测图像的GPS定位信息，然后找到与训练准备阶段的步骤(1.1)中相应的GPS定位差距最小的水体图像，计算该水体图像与实验图像中的相应危化品区域的相似度t，则置信度分数阈值c的计算公式如下式所示，
c＝a+b*t
其中，置信度分数阈值c的经验允许取值范围为a至b；
(2.3)目标区域检测与判断：利用训练好的检测模型对步骤(1)获取的待检测图像进行实时检测，若模型检测区域置信度分数高于c则判定存在漂浮危化品，否则，将判定不存在漂浮危化品；对存在漂浮危化品的区域进行标记并在同一位置继续获取一张图像，两张图像的获取时间间隔为T，相同标记区域位置间隔为D，则可获得漂流速度x(其中x＝D/T)，并根据位置变化方向获得漂流方向k；
(2.4)GPS匹配与图像融合：将存在漂浮危化品的图像按照其GPS位置信息匹配于预先准备的近岸海域全景地图中，并对存在漂浮危化品且排序相邻的图像进行拼接和融合处理，获得危化品分布区域图；
(2.5)分级预警：对危化品分布区域图中的漂浮危化品区域进行计算以获取分布面积，并结合其所在区域的地理位置敏感性以及水流速度方向，对各个漂浮危化品分布区域进行分级预警。
进一步地，所述的漂浮危化品为密度不大于水，且不溶或微溶于水的危化品。
进一步地，所述的训练准备阶段的步骤(1.1)中的图像融合生成网络为深度学习生成式对抗网络(GAN)或者图像仿射、相似、变形等基本处理法组成的网络。
进一步地，所述的检测预警阶段的步骤(2.5)中的分布面积计算方法可以为图像参考区域比例法，相机参数及成像高度的几何计算法，双目成像几何计算法。
进一步地，所述的检测预警阶段的步骤(2.5)中，分级预警的预警级数计算方法为：
其中，h为某个危化品区域的预警级数，h越大则预警严重程度越高，s为该危化品区域面积，ai、di和xi分别为全景地图中的重点保护区域i的敏感度、该危化品区域位置与重点保护区域i的距离以及漂流速度，n为重点保护区域的数量，ki为相对漂流方向系数，计算公式如下：
其中，θi为漂流方向与由危化品区域位置指向重点保护区域i的方向的夹角，取值范围为0°至180°，可得ki在1与-1之间取值。
进一步地，该方法通过漂浮危化品检测预警系统来实现，所述漂浮危化品检测预警系统包含无人机平台、近紫外成像系统、电控三维云台、通讯模块、控制模块和地面基站；
所述无人机平台包括无人机、GPS定位模块、IMU惯性测量单元和电源系统；所述近紫外成像系统包括成像传感器和近紫外滤光片，用于采集近紫外波段图像；所述电控三维云台用于调节近紫外成像的观测几何；所述通讯模块用于传输图像以及地面基站指令；所述控制模块用于根据指令进行成像及系统控制；所述地面基站用于近紫外图像处理及系统控制。
进一步地，在进行图像获取时，近紫外成像设备始终处于太阳平面内对目标进行成像。
本发明的有益效果是：
1、本发明提供的方法对近紫外图像中的危化品建立快速深度神经网络置信检测模型，充分利用了无色危化品与水在近紫外波段存在的明显反射率差距，创造性地克服了漂浮危化品因为无色而难以进行成像检测的难题。
2、本发明提供的方法对模型判定存在漂浮危化品图像进行GPS信息与全景地图的匹配，并对相邻序号的有危化品的图像进行拼接融合，大大减少了危化品图像的处理量，具有快速、准确、高效的特点。
3、本发明提供的方法根据区域水色与漂浮危化品的差异度情况设定检测置信度分数阈值c，克服了模型在跨情景应用中准确率降低的问题，提高了检测方法的鲁棒性。
4、本发明根据实验图像进一步采用图像生成网络合成的方式来补充模型训练图像数据量，减少了实验量以及对环境造成的影响，同时达到了满足模型训练的数据要求。
5、本发明针对获取的危化品分布区域图中的漂浮危化品分布面积，并结合其所在区域的地理位置敏感性以及水流方向，多因素决定分级预警，为应急抢救工作的安排带来了极大的便利。
附图说明
图1为本发明方法流程图；
图2为示例危化品二甲苯365nm紫外图像及其RGB通道图，(a)为365nm紫外图像，(b)为R通道图，(c)为G通道图，(d)为B通道图；
图3为太阳半平面与反射半平面示意图；
图4为在太阳半平面与反射半平面下对示例危化品的成像示意图，(a)为太阳半平面下样张，(b)为反射半平面下样张；
图5为实现本发明方法的一种漂浮危化品检测预警系统示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
以对水上运输常见的无色危化品(二甲苯等)作为示例危化品进行检测为例，来详细说明本发明方法的实现过程(见图1)：通过文献调研与实验验证，常见漂浮危化品在接近紫外波段时比水具有差异更明显的反射率，利用这一结论可以对漂浮危化品进行近紫外成像检测，如图2所示，二甲苯等常见无色危化品的365nm近紫外图像比普通RGB图像具有更好的对比度，因此本实施例将采集漂浮危化品的365nm近紫外图像进行检测，具体检测预警操作步骤如下：
(1)首先，在未发生事故时的训练准备阶段，对监测的近岸海域进行以下步骤的准备工作：
S1-1、训练图像获取与合成：地面基站控制无人机在目标近岸海域飞行，获取该近岸海域的水面背景365nm紫外图像及其GPS定位信息后，并在目标监测近岸海域选择一块成像实验区域，在该区域设置围油栏，并倒入适量的二甲苯等示例危化品采集相应的365nm紫外图像，由于实验图像难以代表面积较大且不同区域水体存在差异的整个待监测近岸海域，且鉴于实验场地需要繁琐的污染处理流程而不宜进行多处海域的实验，为了保证具有足量的训练图像，本发明将利用多处水体背景图像辅助进行图像融合生成更多的待训练图像，具体为通过图像处理或手动提取的方法将所得目标图像的示例危化品区域提取出来，结合近岸海域水面背景的365nm紫外图像，利用深度学习生成式对抗网络GAN生成足量的漂浮危化品检测模型训练图像。
S1-2、图像预处理与标注：采用Gamma校正法对获取的图像进行颜色空间的标准化(归一化)并将校正图像中示例危化品的图像位置及大小信息进行标注记录；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰，校正公式如下：
I(x,y)＝I(x,y)gamma
其中，I(x,y)为像素坐标点为(x,y)处的灰度值，gamma为摄像机非线性补偿伽玛值。
S1-4、模型训练：将待训练的365nm紫外图像及标注数据输入深度神经网络模型中，设定相应的训练参数进行模型训练，获得漂浮危化品365nm紫外图像检测模型。
S1-5、全景地图准备：通过卫星数据读取，并结合S1-1的水面背景365nm紫外图像，获取目标近岸海域的全景地图，对全景地图中的n个重点保护区域进行位置记录，并设定敏感度分别为a1、a2、…、an；。
(2)在事故发生的检测预警阶段，对近岸海域进行以下步骤的检测预警工作：
S2-1、检测图像获取：如图3、4所示，当拍摄位置处于反射半平面时，会存在太阳耀光的严重干扰，为避免水面的太阳耀光对成像的干扰，地面基站通过日期时间及探测区域的经纬度信息计算太阳天顶角和方位角，通讯模块向无人机发送控制指令，无人机上的控制模块通过控制电控三维云台调节365nm紫外成像系统的探测天顶角和探测方位角使其设备处于太阳半平面内进行图像获取，并联合GPS模块记录获取图像的位置信息；
S2-2、检测图像预处理：对获取的待检测365nm紫外图像进行与步骤S1-2相同的光照校正处理，将待检测图像按获取时间进行排序；由于，不同区域水体颜色不同的情况会造成与漂浮危化品的差异度不同，因此利用单一的检测置信度分数阈值会降低检测模型的跨情景应用时的准确性，所以本发明提供的方法将利用自适应设定法，针对背景与目标的颜色差异度设定置信度分数阈值；具体操作如下：首先读取待检测图像的GPS定位信息，然后找到与训练准备阶段步骤S1-1中相应的GPS定位差距最小的水体背景图像，计算该水体背景图像与步骤S1-3中提取的相应危化品区域的相似度t，并计算置信度分数阈值c，计算公式分别如下：
c＝0.3+0.4*t
其中，I1、I2分别为水体背景与示例危化品在365nm紫外图像上的像素均值，置信度分数阈值c的取值范围为30％至70％。
S2-3、检测判断：利用训练好的检测模型对待检测图像进行检测，若模型检测区域置信度分数高于c则判定存在漂浮危化品，对存在漂浮危化品的区域进行标记并在同一位置继续获取一张图像，两张图像的获取时间间隔为T，相同标记区域位置间隔为D，则可获得漂流速度x(其中x＝D/T)，并根据获得位置变化方向获得漂流方向k，接着进行步骤S2-4；否则，将判定不存在漂浮危化品，把图像存储备用并继续进行S2-3的检测步骤；
S2-4、GPS匹配与图像融合：由于将所有图像进行拼接融合处理会造成图像处理量大，影响检测预警的实时性，因此本发明提供的方法对危化品区域检测与判断后，对存在目标的图像进行处理，改善了这一情况；对步骤S2-3中存在漂浮危化品的图像按照其GPS位置信息匹配于预先准备的近岸海域全景地图中，根据步骤S2-2的图像排序序号对存在漂浮危化品的图像进行分析，若序号相邻的图像均被检测存在危化品则对图像进行拼接和融合处理，继续进行步骤S2-3的检测步骤，最后获得漂浮危化品分布区域图；
S2-5、分级预警：通过区域泄露面积、地理位置敏感性，水流方向三因素进行分级预警，其中常见敏感地理位置为海滩、海洋牧场等公共场合或生态环境保护场合，漂浮危化品区域泄露面积的计算方法为地图区域参考比例法，具体计算方法为：选定图像中一个匹配地图的明显区域，根据地图比例尺确定该区域的实际面积S，对应图像的像素数量为N，漂浮危化品待测区域的像素数量为N1，则可计算的待测区域面积S1＝S*N1/N，相应预警级数h的计算公式为如下：
其中，h为某个危化品区域的预警级数，h越大则预警严重程度越高，s为该危化品区域面积，ai、di和xi分别为全景地图中的重点保护区域i的敏感度、该危化品区域位置与重点保护区域i的距离以及漂流速度，n为重点保护区域的数量，ki为相对漂流方向系数，计算公式如下：
其中，θi为漂流方向与由危化品区域位置指向重点保护区域i的方向的夹角，取值范围为0方至180的，可得ki在1与-1之间取值。
在危化品分布区域图中，某处漂浮危化品区域面积为1000平方米，距离某海滩(敏感度定为10)距离为1000米，某海洋牧场(敏感度定为5)距离为500米，漂流方向与海滩相对危化品的方向夹角为0°，漂流方向与海洋牧场相对危化品的方向夹角为180°，漂流速度为10米/s，代入公式计算得该处危化品区域的预警级数h可计算得约为20，在危化品分布区域图中，计算得另一处的漂浮危化品的预警级数为10，则相比较下优先对级数为20的某处漂浮危化品区域开展应急处理。
如图5所示，本实施例中，采用包含无人机平台、近紫外成像系统、电控三维云台、通讯模块、控制模块和地面基站的漂浮危化品检测预警系统来实现本发明方法，但不限于此。所述无人机平台包括无人机、GPS定位模块、IMU惯性测量单元和电源系统；所述近紫外成像系统包括成像传感器和近紫外滤光片，用于采集近紫外波段图像；所述电控三维云台用于调节近紫外成像的观测几何；所述通讯模块用于传输图像以及地面基站指令；所述控制模块用于根据指令进行成像及系统控制；所述地面基站用于近紫外图像处理及系统控制。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (7)

1.一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法，其特征在于，该方法包括训练准备阶段和检测预警阶段；
(1)训练准备阶段，包含如下步骤：
(1.1)训练图像获取与合成：使用带GPS模块的近紫外成像设备预先获取近岸海域多处水体的近紫外图片及其GPS定位信息后，在近岸海域上围取特定区域的试验场地，倒入适量待检测危化品，获取一定量的危化品实验图像，利用获取的多处水体图像为背景，漂浮危化品实验图像为目标区域在图像融合生成网络中生成足量的待训练近紫外图像；
(1.2)图像预处理与标注：对步骤(1.1)中的待训练近紫外图像进行统一的光照校正平滑处理后，对所有漂浮危化品区域进行标签标注；
(1.3)模型训练：将待训练近紫外图像及标注数据输入深度神经网络模型中进行模型训练，获得危化品的深度学习检测模型；
(1.4)全景地图准备：通过联网或者卫星图像读取的方法获得近岸海域的包含细致地理信息的全景地图，对全景地图中的重点保护区域进行位置记录，并设定重点保护区域的敏感度；
(2)检测预警阶段，包含如下步骤：
(2.1)检测图像获取：使用带GPS模块的近紫外成像设备在太阳半平面下同时获取待检测区域的近紫外图像以及GPS定位信息；
(2.2)检测图像预处理：对获取图像进行与步骤(1.2)相同的光照校正平滑处理，将待检测图像按获取时间进行排序，并使用根据相似度的自适应设定法设定检测置信度分数阈值c；所述自适应设定法具体为：首先读取待检测图像的GPS定位信息，然后找到与训练准备阶段的步骤(1.1)中相应的GPS定位差距最小的水体图像，计算该水体图像与实验图像中的相应危化品区域的相似度t，则置信度分数阈值c的计算公式如下式所示，
c＝a+b*t
其中，置信度分数阈值c的经验允许取值范围为a至b；
(2.3)目标区域检测与判断：利用训练好的检测模型对步骤(1)获取的待检测图像进行实时检测，若模型检测区域置信度分数高于c则判定存在漂浮危化品，否则，将判定不存在漂浮危化品；对存在漂浮危化品的区域进行标记并在同一位置继续获取一张图像，两张图像的获取时间间隔为T，相同标记区域位置间隔为D，则可获得漂流速度x(其中x＝D/T)，并根据位置变化方向获得漂流方向k；
(2.4)GPS匹配与图像融合：将存在漂浮危化品的图像按照其GPS位置信息匹配于预先准备的近岸海域全景地图中，并对存在漂浮危化品且排序相邻的图像进行拼接和融合处理，获得危化品分布区域图；
(2.5)分级预警：对危化品分布区域图中的漂浮危化品区域进行计算以获取分布面积，并结合其所在区域的地理位置敏感性以及水流速度方向，对各个漂浮危化品分布区域进行分级预警。
2.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：所述的漂浮危化品为密度不大于水，且不溶或微溶于水的危化品。
3.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：所述的训练准备阶段的步骤(1.1)中的图像融合生成网络为深度学习生成式对抗网络(GAN)或者图像仿射、相似、变形等基本处理法组成的网络。
4.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：所述的检测预警阶段的步骤(2.5)中的分布面积计算方法可以为图像参考区域比例法，相机参数及成像高度的几何计算法，双目成像几何计算法。
5.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：所述的检测预警阶段的步骤(2.5)中，分级预警的预警级数计算方法为：
其中，h为某个危化品区域的预警级数，h越大则预警严重程度越高，s为该危化品区域面积，ai、di和xi分别为全景地图中的重点保护区域i的敏感度、该危化品区域位置与重点保护区域i的距离以及漂流速度，n为重点保护区域的数量，ki为相对漂流方向系数，计算公式如下：
其中，θi为漂流方向与由危化品区域位置指向重点保护区域i的方向的夹角，取值范围为0°至180°，可得ki在1与-1之间取值。
6.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：该方法通过漂浮危化品检测预警系统来实现，所述漂浮危化品检测预警系统包含无人机平台、近紫外成像系统、电控三维云台、通讯模块、控制模块和地面基站；
所述无人机平台包括无人机、GPS定位模块、IMU惯性测量单元和电源系统；所述近紫外成像系统包括成像传感器和近紫外滤光片，用于采集近紫外波段图像；所述电控三维云台用于调节近紫外成像的观测几何；所述通讯模块用于传输图像以及地面基站指令；所述控制模块用于根据指令进行成像及系统控制；所述地面基站用于近紫外图像处理及系统控制。
7.根据权利要求1所述的漂浮危化品检测预警方法，其特征在于：在进行图像获取时，近紫外成像设备始终处于太阳平面内对目标进行成像。
CN201810016724.3A 2018-01-08 2018-01-08 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 Active CN108257119B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810016724.3A CN108257119B (zh) 2018-01-08 2018-01-08 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810016724.3A CN108257119B (zh) 2018-01-08 2018-01-08 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法

Publications (2)

Publication Number Publication Date
CN108257119A true CN108257119A (zh) 2018-07-06
CN108257119B CN108257119B (zh) 2020-09-01

Family

ID=62726027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810016724.3A Active CN108257119B (zh) 2018-01-08 2018-01-08 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法

Country Status (1)

Country Link
CN (1) CN108257119B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法
CN109493421A (zh) * 2018-11-19 2019-03-19 东北石油大学 一种数据处理方法和系统
CN109583509A (zh) * 2018-12-12 2019-04-05 南京旷云科技有限公司 数据生成方法、装置及电子设备
CN110348456A (zh) * 2019-04-30 2019-10-18 浙江大学 一种结合多光谱图像与深度学习方法的漂浮hns目标检测方法
CN110375860A (zh) * 2019-07-09 2019-10-25 浙江大学 一种基于红外图像处理的近海岸发电站温排水环境检测装置和方法
CN111967490A (zh) * 2020-06-29 2020-11-20 北京百度网讯科技有限公司 用于地图检测的模型训练方法和地图检测方法
CN112463804A (zh) * 2021-02-02 2021-03-09 湖南大学 一种基于KDTree的图像数据库数据处理方法
CN116129362A (zh) * 2023-04-14 2023-05-16 四川三思德科技有限公司 一种基于坐标横向断面图的河流漂浮污染物的监测方法
CN116310354A (zh) * 2023-05-24 2023-06-23 青岛海关技术中心 基于红外图像处理的漂浮危化品识别方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050059504A (ko) * 2003-12-15 2005-06-21 한국 해양오염방제조합 원격조종 무인방제보트 장치
CN101414009A (zh) * 2008-11-15 2009-04-22 大连海事大学 便携式机载海上溢油遥感监测系统
CN102096070A (zh) * 2010-11-16 2011-06-15 苏州科技学院 一种全极化合成孔径雷达海面溢油检测方法
CN103236063A (zh) * 2013-05-03 2013-08-07 河海大学 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN104034270A (zh) * 2014-06-12 2014-09-10 江苏恒创软件有限公司 一种基于无人机的水面油污监测方法和装置
CN104618689A (zh) * 2015-01-19 2015-05-13 环境保护部卫星环境应用中心 基于无人机的近海溢油监测方法及系统
CN104713851A (zh) * 2015-03-24 2015-06-17 吉林大学 小型化实时在线海上溢油检测系统
CN104914082A (zh) * 2015-05-20 2015-09-16 中国石油大学(华东) 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法
CN105630882A (zh) * 2015-12-18 2016-06-01 哈尔滨工业大学深圳研究生院 基于遥感数据深度学习的近海污染物识别与跟踪方法
CN105844298A (zh) * 2016-03-23 2016-08-10 中国石油大学(华东) 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法
CN106370307A (zh) * 2016-10-12 2017-02-01 青岛市光电工程技术研究院 一种水面溢油成像探测方法与装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050059504A (ko) * 2003-12-15 2005-06-21 한국 해양오염방제조합 원격조종 무인방제보트 장치
CN101414009A (zh) * 2008-11-15 2009-04-22 大连海事大学 便携式机载海上溢油遥感监测系统
CN102096070A (zh) * 2010-11-16 2011-06-15 苏州科技学院 一种全极化合成孔径雷达海面溢油检测方法
CN103236063A (zh) * 2013-05-03 2013-08-07 河海大学 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法
CN104034270A (zh) * 2014-06-12 2014-09-10 江苏恒创软件有限公司 一种基于无人机的水面油污监测方法和装置
CN104618689A (zh) * 2015-01-19 2015-05-13 环境保护部卫星环境应用中心 基于无人机的近海溢油监测方法及系统
CN104713851A (zh) * 2015-03-24 2015-06-17 吉林大学 小型化实时在线海上溢油检测系统
CN104914082A (zh) * 2015-05-20 2015-09-16 中国石油大学(华东) 一种紫外诱导荧光多光谱成像的海洋溢油油种识别方法
CN105630882A (zh) * 2015-12-18 2016-06-01 哈尔滨工业大学深圳研究生院 基于遥感数据深度学习的近海污染物识别与跟踪方法
CN105844298A (zh) * 2016-03-23 2016-08-10 中国石油大学(华东) 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法
CN106370307A (zh) * 2016-10-12 2017-02-01 青岛市光电工程技术研究院 一种水面溢油成像探测方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TANG L 等: "Deep ultraviolet photoluminesecence of water-soluble self-passivated graphene quantum dots", 《ACS NANO》 *
丁倩: "海洋溢油卫星遥感图像处理", 《中国优秀硕士学位论文全文数据库-工程科技 I辑》 *
王栋: "SAR图像海洋溢油检测技术研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145794B (zh) * 2018-08-10 2021-09-24 大连理工大学 一种海洋牧场网箱的健康监测方法
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法
CN109493421A (zh) * 2018-11-19 2019-03-19 东北石油大学 一种数据处理方法和系统
CN109493421B (zh) * 2018-11-19 2023-05-12 东北石油大学 一种数据处理方法和系统
CN109583509A (zh) * 2018-12-12 2019-04-05 南京旷云科技有限公司 数据生成方法、装置及电子设备
CN109583509B (zh) * 2018-12-12 2020-11-03 南京旷云科技有限公司 数据生成方法、装置及电子设备
CN110348456B (zh) * 2019-04-30 2022-04-29 浙江大学 一种结合多光谱图像与深度学习方法的漂浮hns目标检测方法
CN110348456A (zh) * 2019-04-30 2019-10-18 浙江大学 一种结合多光谱图像与深度学习方法的漂浮hns目标检测方法
CN110375860A (zh) * 2019-07-09 2019-10-25 浙江大学 一种基于红外图像处理的近海岸发电站温排水环境检测装置和方法
CN111967490A (zh) * 2020-06-29 2020-11-20 北京百度网讯科技有限公司 用于地图检测的模型训练方法和地图检测方法
CN112463804A (zh) * 2021-02-02 2021-03-09 湖南大学 一种基于KDTree的图像数据库数据处理方法
CN116129362A (zh) * 2023-04-14 2023-05-16 四川三思德科技有限公司 一种基于坐标横向断面图的河流漂浮污染物的监测方法
CN116129362B (zh) * 2023-04-14 2023-06-30 四川三思德科技有限公司 一种基于坐标横向断面图的河流漂浮污染物的监测方法
CN116310354A (zh) * 2023-05-24 2023-06-23 青岛海关技术中心 基于红外图像处理的漂浮危化品识别方法
CN116310354B (zh) * 2023-05-24 2023-08-01 青岛海关技术中心 基于红外图像处理的漂浮危化品识别方法

Also Published As

Publication number Publication date
CN108257119B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN108257119A (zh) 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法
Asadzadeh et al. UAV-based remote sensing for the petroleum industry and environmental monitoring: State-of-the-art and perspectives
Lin et al. Automatic water-level detection using single-camera images with varied poses
Xu et al. Satellite observations and modeling of oil spill trajectories in the Bohai Sea
US10378905B2 (en) Auxiliary berthing method and system for vessel
Husson et al. Unmanned aircraft systems help to map aquatic vegetation
Kim et al. Comparison of aerosol optical depth between CALIOP and MODIS‐Aqua for CALIOP aerosol subtypes over the ocean
WO2016112708A1 (zh) 一种船舶辅助泊岸方法和系统
CN102262092B (zh) 能见度测量系统及方法
CN108230316B (zh) 一种基于偏振差分放大图像处理的漂浮危化品检测方法
Kako et al. Low altitude remote-sensing method to monitor marine and beach litter of various colors using a balloon equipped with a digital camera
CN103885067B (zh) 星载激光雷达用于卫星海雾遥感比测验证的方法
CN110044338A (zh) 一种溃堤溃坝场景的无人机监测方法及系统
Carlson et al. Surface ocean dispersion observations from the ship-tethered aerostat remote sensing system
CN110751645B (zh) 一种输油码头溢油监测系统及方法
Obaid et al. Deep Learning Approach for Oil Pipeline Leakage Detection Using Image-Based Edge Detection Techniques.
Eisele et al. FESTER: a propagation experiment, overview and first results
AL-BATTBOOTTI et al. Detection and Analysis of Oil Spill using Image Processing
CN110348456A (zh) 一种结合多光谱图像与深度学习方法的漂浮hns目标检测方法
CN115410151A (zh) 一种基于卫星遥感与无人船的海上溢油突发事件监控方法
Nazirova et al. Monitoring of marine pollution in the gulf of lion based on remote sensing data
RU2720050C1 (ru) Способ обнаружения загрязнений прибрежных вод и береговой полосы нефтью или нефтепродуктами с использованием беспилотного летательного аппарата
Herndon Development of a Portable Multispectral Aerial Sensor for Real-time Oil Spill Thickness Mapping in Coastal and Offshore Waters.
KR102238421B1 (ko) 증강현실을 이용한 부표 모니터링 방법 및 단말기
Topouzelis et al. Detection, Tracking, and Remote Sensing: Satellites and Image Processing (Spaceborne Oil Spill Detection)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant