CN108376460A - 基于无人机和bp神经网络的海上油污监测系统及方法 - Google Patents
基于无人机和bp神经网络的海上油污监测系统及方法 Download PDFInfo
- Publication number
- CN108376460A CN108376460A CN201810296017.4A CN201810296017A CN108376460A CN 108376460 A CN108376460 A CN 108376460A CN 201810296017 A CN201810296017 A CN 201810296017A CN 108376460 A CN108376460 A CN 108376460A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sea
- greasy dirt
- unmanned plane
- picture
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于无人机和BP神经网络的海上油污监测系统及方法,系统包括海面图像信息采集模块,图像分解与数据处理模块,图像油污分析模块和报警模块;海面图像信息采集模块采用无人机搭载高清摄像机进行低空巡航得到海上图像信息;图像分解与数据处理模块采用RGB分解对图像进行数据的分解和提取,将已进行油污分析的图片进行RGB分解所得的数据利用BP神经网络进行训练,再将未知有无油污的图片进行RGB分解所得到的数据作为BP神经网络的学习数据;图像油污分析模块采用BP神经网络的学习结果作为海面有无油污的判断依据;报警模块采用VHF通信技术实时报警。本发明能够实现油污存在与否的自动分析与判断,相对现有的监测方法更为便捷、长效、精确且易实现,对于保护海洋环境具有重要意义。
Description
技术领域
本发明涉及海上环境监测领域,更具体地说,涉及一种基于无人机和BP神经网络的海上油污监测系统及方法。
背景技术
近年来,随着世界航运经济的快速发展,石油运输量大幅增加,船舶溢油事故时有发生。我国进口的石油有90%来自海上运输。2017年我国进口原油约4.2亿吨,人均进口量达到843万桶,成为全球最大石油进口国和第二大原油消费国。超大型油轮的频繁出入使沿海通航环境更加复杂,溢油污染事故发生概率大大增加。海面石油污染对海洋生态环境造成巨大危害,主要体现在:对渔业和水产业带来严重危害,毒性较大的油进入浅水湾时,不论是自然降解还是使用分解剂,都会对该水域的幼鱼和扇贝等造成多方面危害,威胁海洋生物的生存,对物种多样性和生态平衡造成沉重负担。因此,对海面溢油污染进行实时监测已成为保护海洋环境、维护海洋生态最重要的一种手段。目前,海面监测常用的技术有卫星遥感监测、航空监测和巡逻船监测等。航空遥感技术监测范围大,全天候,图像资料易于处理和解译,能够实时连续地进行监测,但存在重复观测周期长,空间分辨率低,溢油监测卫星的数量有限等限制且成本较高。巡逻船监测具有一定机动性,能够实现雨天雾天对海上溢油的监视,但由于是人工巡逻,受到人作息规律等因素的影响和限制。航空监测具有速度快,机动灵活,覆盖面广、范围较宽,谱和空间分辨率高的优点,但调用飞机的成本较高,且易受到天气因素和环境条件的影响。由此可见,目前常用的技术虽各有优势但仍存在较多缺点,不便于广泛使用。因此,一种实时便捷的、成本较低易实现的、油污监测准确的海面油污监测方法是迫切需要的。
发明内容
本发明要解决的技术问题在于,提供一种基于无人机和BP神经网络的海上油污监测系统及方法,能够实时、便捷、精确地监测海面油污情况。
本发明解决其技术问题所采用的技术方案是:构造一种基于无人机和BP神经网络的海上油污监测系统,包括海面图像信息采集模块、图像分解与数据处理模块、图像油污分析模块和报警模块;
所述海面图像信息采集模块采用无人机低空巡航拍照获得海面图像信息;
所述图像分解与数据处理模块采用RGB分离图片的红色(R)、绿色(G)、蓝色(B)三通道数据;
所述图像油污分析模块采用BP神经网络的预测结果作为海面是否有油污的判断依据;
所述报警模块实现海面油污的实时自动报警。
上述方案中,所述图像油污分析模块对于已经进行油污分析的图片,其RGB分解的数据作为BP神经网络的训练集,对于未知有无油污的图片,其RGB分解的数据作为BP神经网络的学习集。
上述方案中,所述BP神经网络应对已分析油污图片的RGB数据即所述训练集进行训练,通过大量数据训练不断返回权值、阈值,使神经网络输出不断逼近期望输出,最终得到训练好的BP神经网络。
上述方案中,所述训练好的BP神经网络应对学习集即未知有无油污的海面图片RGB数据进行学习,输出学习结果,所述学习结果作为判断海面是否有油污的依据。
本发明还提供了一种基于无人机和BP神经网络的海上油污监测方法,包括以下步骤:
第一步、采用无人机搭载高清摄像机对已知发生油污的海域进行拍照,采集海面图像信息;
第二步、将步骤一所得的海面图片进行RGB分解,得到图像的R(红)G(绿)B(蓝)三通道数据,建立BP神经网络的训练数据库;
第三步、构建BP神经网络,确定神经网络输入层、隐含层和输出层的节点数;
第四步、将训练数据库的三维矩阵训练集输入BP神经网络进行训练,得到训练好的BP神经网络;
第五步、无人机对未知有无油污的海域进行低空巡航拍照,得到未知有无油污的海面图像;
第六步、将步骤五得到的海面图片进行RGB分解,得到图像的红色(R)、绿色(G)、蓝色(B)三通道数据,整理得到的三维矩阵作为BP神经网络的学习集;
第七步、将步骤四得到的训练好的BP神经网络对学习集进行学习,得到学习的结果;
第八步、步骤七中BP神经网络学习的结果作为判断未知海域有无油污的依据;
第九步、对存在油污问题的海域及时向监控中心自动报警。
上述方案中,所述BP神经网络为三维输入、一维输出,所以输入层和输出层的节点数分别为3和1,隐含层节点数其中n为输入层节点数3,m为输出层节点数1,α为1-10的常数,所以隐含层节点数为3-13。
上述方案中,所述步骤七中BP神经网络的预测结果应为一维矩阵,所述一维矩阵有油污的点输出1,无油污的点输出0。
上述方案中,所述步骤九中采用VHF通信技术向监控中心进行及时自动报警。
实施本发明的基于无人机和BP神经网络的海上油污监测系统及方法,具有以下有益效果:
本发明结合了机动灵活、便捷且易实现的无人机巡航、成熟的图像RGB分解技术和BP神经网络预测分析技术,能够实现油污存在与否的自动分析与判断,相对现有的监测方法更为便捷、长效、精确且易实现,对于保护海洋环境具有重要意义。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明基于无人机和BP神经网络的海上油污监测系统的示意图;
图2是BP神经网络的输入三维矩阵;
图3是BP神经网络的学习结果矩阵;
图4是基于无人机和BP神经网络的海上油污监测方法的处理流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
如图1所示,本发明基于无人机和BP神经网络的海上油污监测系统包括海面图像信息采集模块、图像分解与数据处理模块、图像油污分析模块和报警模块。
海面图像信息采集模块采用无人机低空巡航时搭载的高清摄像机拍照获得海面图像信息。图像分解与数据处理模块采用RGB分解图片的R(红色)G(绿色)B(蓝色)三通道数据。图像油污分析模块采用BP神经网络的学习结果作为海面是否有油污的判断依据。报警模块采用VHF通信技术向监控中心进行海面油污的实时自动报警。
为了区分有油污和无油污区域,图像RGB分离所得数据越大代表亮度越高,该处无油污;数据越小代表亮度越低,该处有油污。对于已经进行油污分析的图片,其RGB分解的数据作为BP神经网络的训练集,对于未知有无油污的图片,其RGB分解的数据作为BP神经网络的学习集。
为了减小BP神经网络的预测误差,BP神经网络应对已分析油污图片的RGB数据即训练集进行训练,通过训练数据库的训练不断返回权值、阈值,使神经网络输出不断逼近期望输出,最终得到训练好的BP神经网络。
训练好的BP神经网络应对未知有无油污的海面图片RGB数据进行学习,将学习集的三维矩阵输入,如图2所示,经过BP神经网络模拟,输出学习结果,如图3所示。
学习结果即可作为判断海面是否有油污的依据,从而实现油污存在与否的自动分析与判断。预测结果存在一定误差,一维矩阵的元素不完全为准确的1或0,而是相对接近的小数,如0.9904可视为有油污,0.0054可视为无油污,对判断有无油污并无影响。
参见图4,本发明提供的一种基于无人机和BP神经网络的海上油污监测方法通过无人机搭载高清摄像机获取已知发生油污的海域的海面图像信息,将图像输入图像分解与数据处理模块进行数据的分解、提取和分析;BP神经网络的学习结果可作为判断有无油污的判断依据;根据BP神经网络的学习结果对图像进行油污分析,确定所监测海面是否存在油污问题,并通过VHF通信技术及时向监控中心自动报警;具体步骤为:
第一步、采用无人机搭载高清摄像机对已知发生油污的海进行拍照,采集海面图像信息;
第二步、将步骤一所得的海面图片进行RGB分解,得到图像的R(红)G(绿)B(蓝)三通道数据,数值越大代表亮度越高,无油污存在;数值越小代表亮度越低,有油污存在,建立BP神经网络的训练数据库;
第三步、构建BP神经网络,确定神经网络输入层、隐含层和输出层的节点数,因为构建的BP神经网络为三维输入、一维输出,所以输入层和输出层的节点数分别为3和1,隐含层节点数其中n为输入层节点数3,m为输出层节点数1,α为1-10的常数,所以隐含层节点数为3-13;
第四步、将训练数据库的三维矩阵训练集输入BP神经网络进行训练,得到训练好的BP神经网络;
第五步、无人机对未知有无油污的海域进行低空巡航拍照,得到未知有无油污的海面图像;
第六步、将步骤五得到的海面图片进行RGB分解,得到图像的R(红)G(绿)B(蓝)三通道数据,整理得到的三维矩阵作为BP神经网络的学习集;
第七步、将步骤四得到的训练好的BP神经网络对学习集进行学习,得到学习的结果,BP神经网络的学习结果应为一维矩阵,有油污的点输出1,无油污的点输出0;
第八步、步骤七中BP神经网络学习的结果作为判断未知海域有无油污的依据;
第九步、对存在油污问题的海域及时向监控中心自动报警;
海面图像信息采集模块采用无人机搭载高清摄像机。无人机相对飞机巡航或卫星遥感的成本较低,相比人工船舶监测机动灵活,且不受人员作息的限制,更容易实现;高清摄像机能获得海面的清晰图片。
图像分解与数据处理模块采用RGB分解实现。将无人机巡航拍照得到的海面图片输入RGB程序,分解出图像的R(红)G(绿)B(蓝)三通道数据并整理成三维矩阵,已分析油污图片的RGB数据三维矩阵为训练集,未知有无油污图片的RGB数据三维矩阵为学习集。
图像油污分析模块采用BP神经网络的学习结果为判断依据。训练好的BP神经网络可对未知油污的图片RGB三维矩阵进行学习,得到的学习结果为一维矩阵,一维矩阵可作为判断海面有无油污的依据,1代表有油污,0代表无油污。
报警模块采用VHF通信技术实现。判断海面存在油污问题后,立即通过VHF通信技术向监控中心进行实时自动报警。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于无人机和BP神经网络的海上油污监测系统,其特征在于,包括海面图像信息采集模块、图像分解与数据处理模块、图像油污分析模块和报警模块;
所述海面图像信息采集模块采用无人机低空巡航拍照获得海面图像信息;
所述图像分解与数据处理模块采用RGB分离图片的红色(R)、绿色(G)、蓝色(B)三通道数据;
所述图像油污分析模块采用BP神经网络的预测结果作为海面是否有油污的判断依据;
所述报警模块采用VHF通信技术实现海面油污的实时自动报警。
2.根据权利要求1所述的基于无人机和BP神经网络的海上油污监测系统,其特征在于,所述图像油污分析模块对于已经进行油污分析的图片,其RGB分解的数据作为BP神经网络的训练集,对于未知有无油污的图片,其RGB分解的数据作为BP神经网络的学习集。
3.根据权利要求2所述的基于无人机和BP神经网络的海上油污监测系统,其特征在于,所述BP神经网络应对已分析油污图片的RGB数据即所述训练集进行训练,通过大量数据训练不断返回权值、阈值,使神经网络输出不断逼近期望输出,最终得到训练好的BP神经网络。
4.根据权利要求3所述的基于无人机和BP神经网络的海上油污监测系统,其特征在于,所述训练好的BP神经网络应对学习集即未知有无油污的海面图片RGB数据进行学习,输出学习结果,所述学习结果作为判断海面是否有油污的依据。
5.一种基于无人机和BP神经网络的海上油污监测方法,其特征在于,包括以下步骤:
第一步、采用无人机搭载高清摄像机对已知发生油污的海域进行拍照,采集海面图像信息;
第二步、将步骤一所得的海面图片进行RGB分解,得到图像的R(红)G(绿)B(蓝)三通道数据,建立BP神经网络的训练数据库;
第三步、构建BP神经网络,确定神经网络输入层、隐含层和输出层的节点数;
第四步、将训练数据库的三维矩阵训练集输入BP神经网络进行训练,得到训练好的BP神经网络;
第五步、无人机对未知有无油污的海域进行低空巡航拍照,得到未知有无油污的海面图像;
第六步、将步骤五得到的海面图片进行RGB分解,得到图像的红色(R)、绿色(G)、蓝色(B)三通道数据,整理得到的三维矩阵作为BP神经网络的学习集;
第七步、将步骤四得到的训练好的BP神经网络对学习集进行学习,得到学习的结果;
第八步、步骤七中BP神经网络学习的结果作为判断未知海域有无油污的依据;
第九步、对存在油污问题的海域及时向监控中心自动报警。
6.根据权利要求5所述的基于无人机和BP神经网络的海上油污监测方法,其特征在于,所述BP神经网络为三维输入、一维输出,所以输入层和输出层的节点数分别为3和1,隐含层节点数其中n为输入层节点数3,m为输出层节点数1,α为1-10的常数,所以隐含层节点数为3-13。
7.根据权利要求5所述的基于无人机和BP神经网络的海上油污监测方法,其特征在于,所述步骤七中BP神经网络的预测结果应为一维矩阵,所述一维矩阵有油污的点输出1,无油污的点输出0。
8.根据权利要求5所述的基于无人机和BP神经网络的海上油污监测方法,其特征在于,所述步骤九中采用VHF通信技术向监控中心进行及时自动报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296017.4A CN108376460A (zh) | 2018-04-04 | 2018-04-04 | 基于无人机和bp神经网络的海上油污监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810296017.4A CN108376460A (zh) | 2018-04-04 | 2018-04-04 | 基于无人机和bp神经网络的海上油污监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108376460A true CN108376460A (zh) | 2018-08-07 |
Family
ID=63031954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810296017.4A Pending CN108376460A (zh) | 2018-04-04 | 2018-04-04 | 基于无人机和bp神经网络的海上油污监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108376460A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110646390A (zh) * | 2019-09-27 | 2020-01-03 | 昆山智易知信息科技有限公司 | 一种基于无人机平台的水面油污监测系统及方法 |
CN111323418A (zh) * | 2020-02-26 | 2020-06-23 | 天津大学 | 基于无人艇的海面油污监测系统 |
CN111445468A (zh) * | 2020-04-13 | 2020-07-24 | 广东电网有限责任公司东莞供电局 | 一种变电器地面油污的检测方法、装置、设备及存储介质 |
CN113483742A (zh) * | 2021-09-07 | 2021-10-08 | 大连理工江苏研究院有限公司 | 一种海面污染物的监测系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6084510A (en) * | 1997-04-18 | 2000-07-04 | Lemelson; Jerome H. | Danger warning and emergency response system and method |
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 |
CN105929845A (zh) * | 2016-05-18 | 2016-09-07 | 中国计量大学 | 基于无人机网络的河道巡航系统与巡航方法 |
CN105955302A (zh) * | 2016-06-20 | 2016-09-21 | 武汉理工大学 | 一种多旋翼无人机环境自主监测控制系统及方法 |
CN106149651A (zh) * | 2016-08-30 | 2016-11-23 | 武汉大学深圳研究院 | 一种海洋石油泄漏应急处理系统及方法 |
CN106985977A (zh) * | 2017-03-31 | 2017-07-28 | 武汉理工大学 | 一种无人机、艇无线充电装置及联合巡航搜救方法 |
CN107401149A (zh) * | 2017-08-08 | 2017-11-28 | 中国科学院新疆理化技术研究所 | 一种水面溢油回收方法 |
CN107449780A (zh) * | 2017-06-30 | 2017-12-08 | 南京理工大学 | 基于无人机的水面污染物监测预警方法及系统 |
US20180025217A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Liveness detection for antispoof face recognition |
-
2018
- 2018-04-04 CN CN201810296017.4A patent/CN108376460A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6084510A (en) * | 1997-04-18 | 2000-07-04 | Lemelson; Jerome H. | Danger warning and emergency response system and method |
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 |
CN105929845A (zh) * | 2016-05-18 | 2016-09-07 | 中国计量大学 | 基于无人机网络的河道巡航系统与巡航方法 |
CN105955302A (zh) * | 2016-06-20 | 2016-09-21 | 武汉理工大学 | 一种多旋翼无人机环境自主监测控制系统及方法 |
US20180025217A1 (en) * | 2016-07-22 | 2018-01-25 | Nec Laboratories America, Inc. | Liveness detection for antispoof face recognition |
CN106149651A (zh) * | 2016-08-30 | 2016-11-23 | 武汉大学深圳研究院 | 一种海洋石油泄漏应急处理系统及方法 |
CN106985977A (zh) * | 2017-03-31 | 2017-07-28 | 武汉理工大学 | 一种无人机、艇无线充电装置及联合巡航搜救方法 |
CN107449780A (zh) * | 2017-06-30 | 2017-12-08 | 南京理工大学 | 基于无人机的水面污染物监测预警方法及系统 |
CN107401149A (zh) * | 2017-08-08 | 2017-11-28 | 中国科学院新疆理化技术研究所 | 一种水面溢油回收方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110646390A (zh) * | 2019-09-27 | 2020-01-03 | 昆山智易知信息科技有限公司 | 一种基于无人机平台的水面油污监测系统及方法 |
CN111323418A (zh) * | 2020-02-26 | 2020-06-23 | 天津大学 | 基于无人艇的海面油污监测系统 |
CN111445468A (zh) * | 2020-04-13 | 2020-07-24 | 广东电网有限责任公司东莞供电局 | 一种变电器地面油污的检测方法、装置、设备及存储介质 |
CN113483742A (zh) * | 2021-09-07 | 2021-10-08 | 大连理工江苏研究院有限公司 | 一种海面污染物的监测系统及方法 |
CN113483742B (zh) * | 2021-09-07 | 2021-12-14 | 大连理工江苏研究院有限公司 | 一种海面污染物的监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | UAV remote sensing applications in marine monitoring: Knowledge visualization and review | |
CN108376460A (zh) | 基于无人机和bp神经网络的海上油污监测系统及方法 | |
Kelaher et al. | Assessing variation in assemblages of large marine fauna off ocean beaches using drones | |
CN108830242A (zh) | 基于卷积神经网络的sar图像海洋目标分类检测方法 | |
CN111652149A (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
Andriolo et al. | Drones for litter mapping: An inter-operator concordance test in marking beached items on aerial images | |
CN106816038A (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
Bonin-Font et al. | Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv | |
Castro et al. | Exploring marine invasions connectivity in a NE Atlantic Island through the lens of historical maritime traffic patterns | |
Seiler et al. | Image-based continental shelf habitat mapping using novel automated data extraction techniques | |
CN108388916A (zh) | 一种基于人工智能的水体漂浮物自动识别方法和系统 | |
CN112766202A (zh) | 基于卫星遥感的蓝藻信息实时指示方法、存储介质及设备 | |
CN111310640A (zh) | Landsat8影像绿潮自适应阈值分区智能检测方法 | |
Scarpetta et al. | Monitoring of seagrass meadows using satellite images and U-Net convolutional neural network | |
Duarte et al. | Automatic detection and identification of floating marine debris using multispectral satellite imagery | |
Simpson | Remote sensing in fisheries: a tool for better management in the utilization of a renewable resource | |
CN111323418A (zh) | 基于无人艇的海面油污监测系统 | |
Grant | Coastal communities, participatory research, and far-field effects of aquaculture | |
Van der Reijden et al. | Conservation implications of Sabellaria spinulosa reef patches in a dynamic Sandy-bottom environment | |
CN115311678A (zh) | 一种背景抑制和dcnn相结合的红外视频机场飞鸟检测方法 | |
CN113505699A (zh) | 一种基于RetinaNet算法的船舶检测方法 | |
Johnsen et al. | Operative habitat mapping and monitoring in the polar night | |
Tran | Applying segmentation and neural networks to detect and quantify marine debris from aerial images captured by unmanned aerial system and mobile device | |
Vighi et al. | Monitoring of floating marine macro litter | |
CN114119630A (zh) | 基于耦合图谱特征的海岸线深度学习遥感提取方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180807 |