CN108596065A - 一种基于深度语义分割海洋溢油检测系统与方法 - Google Patents

一种基于深度语义分割海洋溢油检测系统与方法 Download PDF

Info

Publication number
CN108596065A
CN108596065A CN201810330536.8A CN201810330536A CN108596065A CN 108596065 A CN108596065 A CN 108596065A CN 201810330536 A CN201810330536 A CN 201810330536A CN 108596065 A CN108596065 A CN 108596065A
Authority
CN
China
Prior art keywords
oil spill
marine oil
image
pollution
deep
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
Application number
CN201810330536.8A
Other languages
English (en)
Inventor
李岩
杨小飞
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.)
Shenzhen Polytechnic
Original Assignee
Shenzhen Polytechnic
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 Shenzhen Polytechnic filed Critical Shenzhen Polytechnic
Priority to CN201810330536.8A priority Critical patent/CN108596065A/zh
Publication of CN108596065A publication Critical patent/CN108596065A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度语义分割海洋溢油检测系统，包括计算服务器、GPU集群、海洋污染遥感影像数据库、正常无污染图像数据库，所述计算服务器部署在GPU集群上，所述计算服务器存储了训练好的神经网络模型，进行输入图像的识别。本发明还提供了一种基于深度语义分割海洋溢油检测方法。本发明的有益效果是：可以实现快速准确监测海洋溢油污染。

Description

一种基于深度语义分割海洋溢油检测系统与方法
技术领域
本发明涉及溢油检测，尤其涉及一种基于深度语义分割海洋溢油检测方法。
背景技术
21世纪是全世界大规模开发利用海洋资源、扩大海洋产业、发展海洋经济的新时期。这也给海洋的生态环境带来了沉重的负担,尤其是海洋溢油污染对海洋环境造成了巨大的破环,同时也蒙受了巨大的经济损失。海洋溢油经常发生在恶劣的天气状况之下,这就给监测工作带来了许多困难。随着卫星遥感技术的发展,各种遥感平台和传感器性能的不断提高,使海洋溢油污染的快速准确监测成为可能。同时深度学习的兴起使得对遥感影像的特征提取的精度进一步提高，这是用深度学习进行污染监测的前提和基础，因为本身深度学习需要大量的数据进行训练，而丰富的高清遥感影像恰恰提供了数据。
深度学习是机器学习研究中的一个新的领域，通过模拟人脑建立分层模型结果，逐步提取从低维到高维的特征。目前深度学习已被广泛应用于语音识别、图像识别、自然语言处理等领域，并取得了显著进展。 深度学习中的语义分割分支则是利用网络对图像的每一个像素进行分类，这样极大地提高了分类效率，不需要任何的后处理就可以得到结果。因此，有必要设计一种新的基于深度学习语义分割的海洋油污染识别系统，以实现快速准确监测海洋溢油污染。
发明内容
为了解决现有技术中的问题，本发明提供了一种基于深度语义分割海洋溢油检测系统与方法，可以实现快速准确监测海洋溢油污染。
本发明提供了一种基于深度语义分割海洋溢油检测系统，包括计算服务器、GPU集群、海洋污染遥感影像数据库、正常无污染图像数据库，所述计算服务器部署在GPU集群上，所述计算服务器存储了训练好的神经网络模型，进行输入图像的识别。
本发明还提供了一种基于深度语义分割海洋溢油检测方法，包括以下步骤：
S1、数据集准备；
S2、数据预处理；
S3、网络结构设计；
S4、神经网络训练；
S5、模型预测。
作为本发明的进一步改进，在步骤S1中，进行遥感数据提取，输入是经过切片的遥感影像，每张图像都有其每个像素标签0或1，表示有污染或者无污染。
作为本发明的进一步改进，在步骤S2中，通过图像旋转、翻转、放缩实现数据增强，由一张原始图像得到多张不一样的训练图像。
作为本发明的进一步改进，在步骤S4中，利用深度学习网络结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,通过反卷积等trick实现输出图像即为输入图像的分类结果，并且图像大小保持不变。
作为本发明的进一步改进，在步骤S4中，提取光谱特征和多通道元的均值方差作为数据样本特征，统计机器学习算法对像元分类。
作为本发明的进一步改进，在步骤S4中，利用经过调整优化后的深度学习语义分割模型实现对目标海洋污染分割识别，组合深度学习网络模型和特征提取模型。
本发明的有益效果是：可以实现快速准确监测海洋溢油污染。
附图说明
图1是本发明一种基于深度语义分割海洋溢油检测方法的流程图。
具体实施方式
下面结合附图说明及具体实施方式对本发明作进一步说明。
本发明提供了一种基于深度语义分割海洋溢油检测系统，包括计算服务器、GPU集群、海洋污染遥感影像数据库、正常无污染图像数据库，所述计算服务器部署在GPU集群上，所述计算服务器存储了训练好的神经网络模型，进行输入图像的识别。
如图1所示，本发明还提供了一种基于深度语义分割海洋溢油检测方法，包括以下步骤：
S1、数据集准备；
S2、数据预处理；
S3、网络结构设计；
1. Vgg+FCN语义分割网络；
2. Googlenet + Fcn；
3. Resnet + FCN；
4. U-net；
S4、神经网络训练，通过已有的图像数据训练神经网络；
S5、模型预测并验证效果。
如图1所示，在步骤S1中，进行遥感数据提取，输入是经过切片的遥感影像，每张图像都有其每个像素标签0或1，表示有污染或者无污染。这一标注过程由官方数据中的经纬度确定。
如图1所示，在步骤S2中，通过图像旋转、翻转、放缩等方式实现数据增强，由一张原始图像可以得到数十张不一样的训练图像。
如图1所示，在步骤S4中，利用深度学习网络结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,通过反卷积等trick实现输出图像即为输入图像的分类结果，并且图像大小保持不变。
如图1所示，在步骤S4中，提取光谱特征和多通道元的均值方差等统计量作为数据样本特征，统计机器学习算法对像元分类。
如图1所示，在步骤S4中，利用经过调整优化后的深度学习语义分割模型实现对目标海洋污染分割识别，组合深度学习网络模型FCN和ResNet，VGG等特征提取模型。
本发明提供的一种基于深度语义分割海洋溢油检测系统，这种系统是端对端的，不需要中间的介入，只需要以原始图像为输入，分类结果图像为输出，实现了输入即判断的高效系统，解决人工识别效率低、代价高的问题，能够及时而精准地检测出油污染。
本发明提供的一种基于深度语义分割海洋溢油检测系统与方法，利用深度学习网络结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,通过反卷积等trick实现输出图像即为输入图像的分类结果，并且图像大小保持不变，可以直观的看到模型预测结果。
最大特点在于只需要通过图像以及图像标签进行处理，改善了传统方法中的图像预处理和人工参与进行特征提取的复杂性，降低了对数据集质量的要求。只需提供遥感影像即可立刻得知分类结果。与传统的人工识别相比，提高了检测效率，与传统的机器学习方法相比较，在准确度和泛化能力上有很大的优势。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种基于深度语义分割海洋溢油检测系统，其特征在于：包括计算服务器、GPU集群、海洋污染遥感影像数据库、正常无污染图像数据库，所述计算服务器部署在GPU集群上，所述计算服务器存储了训练好的神经网络模型，进行输入图像的识别。
2.一种基于深度语义分割海洋溢油检测方法，其特征在于，包括以下步骤：
S1、数据集准备；
S2、数据预处理；
S3、网络结构设计；
S4、神经网络训练；
S5、模型预测。
3.根据权利要求2所述的基于深度语义分割海洋溢油检测方法，其特征在于：在步骤S1中，进行遥感数据提取，输入是经过切片的遥感影像，每张图像都有其每个像素标签0或1，表示有污染或者无污染。
4.根据权利要求2所述的基于深度语义分割海洋溢油检测方法，其特征在于：在步骤S2中，通过图像旋转、翻转、放缩实现数据增强，由一张原始图像得到多张不一样的训练图像。
5.根据权利要求2所述的基于深度语义分割海洋溢油检测方法，其特征在于：在步骤S4中，利用深度学习网络结构深度和宽度,学习复杂噪声高光谱图像的隐高维特征表达,并在统一框架中训练Softmax分类器,通过反卷积等trick实现输出图像即为输入图像的分类结果，并且图像大小保持不变。
6.根据权利要求2所述的基于深度语义分割海洋溢油检测方法，其特征在于：在步骤S4中，提取光谱特征和多通道元的均值方差作为数据样本特征，统计机器学习算法对像元分类。
7.根据权利要求2所述的基于深度语义分割海洋溢油检测方法，其特征在于：在步骤S4中，利用经过调整优化后的深度学习语义分割模型实现对目标海洋污染分割识别，组合深度学习网络模型和特征提取模型。
CN201810330536.8A 2018-04-13 2018-04-13 一种基于深度语义分割海洋溢油检测系统与方法 Pending CN108596065A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810330536.8A CN108596065A (zh) 2018-04-13 2018-04-13 一种基于深度语义分割海洋溢油检测系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810330536.8A CN108596065A (zh) 2018-04-13 2018-04-13 一种基于深度语义分割海洋溢油检测系统与方法

Publications (1)

Publication Number Publication Date
CN108596065A true CN108596065A (zh) 2018-09-28

Family

ID=63622241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810330536.8A Pending CN108596065A (zh) 2018-04-13 2018-04-13 一种基于深度语义分割海洋溢油检测系统与方法

Country Status (1)

Country Link
CN (1) CN108596065A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472200A (zh) * 2018-09-29 2019-03-15 深圳市锦润防务科技有限公司 一种智能的海面垃圾检测方法、系统和存储介质
CN110322528A (zh) * 2019-06-26 2019-10-11 浙江大学 基于3t、7t的核磁共振脑部图像血管重建方法
CN113642651A (zh) * 2021-08-16 2021-11-12 长春理工大学 一种基于深度学习的偏振成像海上溢油识别装置及方法
CN113902748A (zh) * 2021-08-26 2022-01-07 中国石油大学(华东) 一种基于改进U-net的无人机海上溢油路径识别方法及装置
CN116912699A (zh) * 2023-09-06 2023-10-20 交通运输部天津水运工程科学研究所 一种基于图像处理的港口溢油扩散趋势预测方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080074431A1 (en) * 2003-11-19 2008-03-27 Reuven Bakalash Computing system capable of parallelizing the operation of multiple graphics processing units (GPUS) supported on external graphics cards
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
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法
CN103984310A (zh) * 2014-05-12 2014-08-13 华迪计算机集团有限公司 基于多源遥感数据的化工园区环境污染检测方法和装置
CN104462727A (zh) * 2014-12-31 2015-03-25 中国科学院遥感与数字地球研究所 一种基于动态遥感数据驱动的溢油仿真参数优化方法
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
CN106022288A (zh) * 2016-05-30 2016-10-12 电子科技大学 基于sar图像的海洋溢油信息识别与提取方法
CN106287241A (zh) * 2016-09-21 2017-01-04 钦州学院 一种精确定位管道泄露点的检测装置
CN107423576A (zh) * 2017-08-28 2017-12-01 厦门市厦之医生物科技有限公司 一种基于深度神经网络的肺癌识别系统
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080074431A1 (en) * 2003-11-19 2008-03-27 Reuven Bakalash Computing system capable of parallelizing the operation of multiple graphics processing units (GPUS) supported on external graphics cards
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
CN103984310A (zh) * 2014-05-12 2014-08-13 华迪计算机集团有限公司 基于多源遥感数据的化工园区环境污染检测方法和装置
CN103971370A (zh) * 2014-05-15 2014-08-06 中国科学院遥感与数字地球研究所 一种针对遥感大图像的海洋溢油智能检测方法
CN104462727A (zh) * 2014-12-31 2015-03-25 中国科学院遥感与数字地球研究所 一种基于动态遥感数据驱动的溢油仿真参数优化方法
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
CN106022288A (zh) * 2016-05-30 2016-10-12 电子科技大学 基于sar图像的海洋溢油信息识别与提取方法
CN106287241A (zh) * 2016-09-21 2017-01-04 钦州学院 一种精确定位管道泄露点的检测装置
CN107423576A (zh) * 2017-08-28 2017-12-01 厦门市厦之医生物科技有限公司 一种基于深度神经网络的肺癌识别系统
CN107679502A (zh) * 2017-10-12 2018-02-09 南京行者易智能交通科技有限公司 一种基于深度学习图像语义分割的人数估计方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109472200A (zh) * 2018-09-29 2019-03-15 深圳市锦润防务科技有限公司 一种智能的海面垃圾检测方法、系统和存储介质
CN109472200B (zh) * 2018-09-29 2022-04-05 深圳市锦润防务科技有限公司 一种智能的海面垃圾检测方法、系统和存储介质
CN110322528A (zh) * 2019-06-26 2019-10-11 浙江大学 基于3t、7t的核磁共振脑部图像血管重建方法
CN113642651A (zh) * 2021-08-16 2021-11-12 长春理工大学 一种基于深度学习的偏振成像海上溢油识别装置及方法
CN113642651B (zh) * 2021-08-16 2023-08-08 长春理工大学 一种基于深度学习的偏振成像海上溢油识别方法
CN113902748A (zh) * 2021-08-26 2022-01-07 中国石油大学(华东) 一种基于改进U-net的无人机海上溢油路径识别方法及装置
CN113902748B (zh) * 2021-08-26 2024-04-26 中国石油大学(华东) 一种基于改进U-net的无人机海上溢油路径识别方法及装置
CN116912699A (zh) * 2023-09-06 2023-10-20 交通运输部天津水运工程科学研究所 一种基于图像处理的港口溢油扩散趋势预测方法及系统
CN116912699B (zh) * 2023-09-06 2023-12-05 交通运输部天津水运工程科学研究所 一种基于图像处理的港口溢油扩散趋势预测方法及系统

Similar Documents

Publication Publication Date Title
CN108596065A (zh) 一种基于深度语义分割海洋溢油检测系统与方法
Amit et al. Disaster detection from aerial imagery with convolutional neural network
CN106529605B (zh) 基于免疫理论的卷积神经网络模型的图像识别方法
CN110136170A (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN109800736A (zh) 一种基于遥感影像和深度学习的道路提取方法
CN111767927A (zh) 一种基于全卷积网络的轻量级车牌识别方法及系统
CN107016405A (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN105956626A (zh) 基于深度学习的对车牌位置不敏感的车牌识别方法
CN107368787A (zh) 一种面向深度智驾应用的交通标志识别算法
CN103886285A (zh) 先验地理信息辅助下的光学遥感影像舰船检测方法
CN114419449B (zh) 一种自注意力多尺度特征融合的遥感图像语义分割方法
CN106096605A (zh) 一种基于深度学习的图像模糊区域检测方法及装置
CN105608454A (zh) 基于文字结构部件检测神经网络的文字检测方法及系统
CN104951554A (zh) 为风景照配上符合其意境的诗句的方法
CN112270331A (zh) 一种基于yolov5改进的广告牌检测方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN111639530B (zh) 一种输电线路的输电塔和绝缘子的检测和识别方法及系统
CN107463954A (zh) 一种模糊异谱图像的模板匹配识别方法
CN112906809A (zh) 一种利用组合损失函数HRnet解译高分辨率遥感影像的方法
CN111339935A (zh) 一种基于可解释cnn图像分类模型的光学遥感图片分类方法
CN105160342A (zh) 一种基于hmm-gmm的自动文字图片切分方法及系统
CN114140665A (zh) 一种基于改进YOLOv5的密集小目标检测方法
CN105931241A (zh) 一种自然场景图像的自动标注方法
CN115861756A (zh) 基于级联组合网络的大地背景小目标识别方法

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

Application publication date: 20180928

RJ01 Rejection of invention patent application after publication