CN113642651A - 一种基于深度学习的偏振成像海上溢油识别装置及方法 - Google Patents
一种基于深度学习的偏振成像海上溢油识别装置及方法 Download PDFInfo
- Publication number
- CN113642651A CN113642651A CN202110937548.9A CN202110937548A CN113642651A CN 113642651 A CN113642651 A CN 113642651A CN 202110937548 A CN202110937548 A CN 202110937548A CN 113642651 A CN113642651 A CN 113642651A
- Authority
- CN
- China
- Prior art keywords
- polarization
- oil spill
- guide rail
- bearing
- deep learning
- 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
Links
Images
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
- Y02A20/204—Keeping clear the surface of open water from oil spills
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于深度学习的偏振成像海上溢油识别装置及方法,属于探测识别技术领域,包括偏振光产生装置、探测装置、导轨、海洋模拟池、计算机系统、轴承以及底座,底座的中心位置设置有承载台及支架;导轨为圆弧形,导轨的两端部均与轴承连接;轴承竖向设置在底座的中心;海洋模拟池设置在承载台的上部,海洋模拟池内设置有溢油产生装置以及造浪装置;偏振光产生装置以及探测装置均设置在导轨上;偏振光产生装置以及探测装置均与计算机系统连接。本发明适用于偏振图像特征提取的神经网络架构,进一步提高目标识别准确率,并且可以直接通过计算机系统显示出海上溢油种类。同时本装置还可定性定量测试不同风浪条件海面目标的偏振特性。
Description
技术领域
本发明属于探测识别技术领域,特别是涉及到一种基于深度学习的偏振成像海上溢油识别装置及方法。
背景技术
近年来,我国经济迅速发展,海上石油工业发展迅猛,由于触礁,机械故障,人为因素等,再加上油井和输油管道破裂等因素,海上溢油事件时有发生。石油污染在海洋污染中是范围最大,危害程度最高的。海洋溢油造成水质污染,海洋生物死亡,造成严重的经济损失甚至危害人体健康。
测量溢油种类可以为后续治理带来方便,现在测量溢油种类的方法主要是高光谱测量,卫星遥感测量。高光谱遥感具有较高的分辨率,但是容易造成数据冗余,需要进行去噪处理,大大提高了工作量。卫星遥感测量受大气影响较大,且实时性较差。
目前,探测目标方法层出不穷。其中,利用物体的光谱特性进行目标探测是比较常用的一种手段。但是,光谱探测也存在一些难以消除的缺点,从而限制了光谱识别在目标识别领域的广泛应用。比如,(1)对于同谱异物或者同物异谱的某些物体,采用光谱探测不能很好的进行目标识别。(2)光谱探测容易受到气候和天空漫射光的影响,只能在特定时间进行探测,不能全天候观测。(3)光谱探测容易受到大气散射的影响,对目标探测造成严重影响。这些缺点导致了光谱探测对诸如海雾天气,耀斑影响或者大气散射等复杂环境下的目标难以探测。目标被自然光或激光主动照明后,其反射信号会提供目标的光强图像无法显示的表面粗糙度,纹理走向,表面取向,材料理化特征等。大大增加了被探测目标的信息量。因此,将偏振技术应用到目标探测中,不仅可以获取目标的强度信息,还可以获得目标的偏振信息。在复杂的自然环境中,通过偏振成像获得的偏振图像具有更丰富的信息。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。近年来,深度学习在计算机视觉领域越来越热门,多个领域采用深度学习来进行目标识别工作。
深度学习在目标识别领域具有以下优势:(1)深度学习通过卷积计算的方式,自动学习同类目标中的潜在目标特征。(2)深度学习训练大量样本,可以识别不同场景,不同姿态下的目标。(3)深度学习可以进行十分复杂的非线性映射,具有强大的拟合能力。可进行高纬度的特征提取,具有强大的学习能力。
偏振成像目标识别是一种极具潜力的识别方法,他将偏振成像与深度学习结合起来,它可在复杂坏境中进行目标识别,进一步提高识别的准确率。
发明内容
本发明所要解决的技术问题是:提供一种基于深度学习的偏振成像海上溢油识别装置及方法,适用于偏振图像特征提取的神经网络架构,进一步提高目标识别准确率,并且可以直接通过计算机系统显示出海上溢油种类。同时本装置还可定性定量测试不同风浪条件海面目标的偏振特性。
一种基于深度学习的偏振成像海上溢油识别装置,其特征是:包括偏振光产生装置、探测装置、导轨、海洋模拟池、计算机系统、轴承以及底座,所述底座的顶面为圆形,放置在平面上,底座的中心位置设置有承载台及支架;所述导轨为圆弧形,圆弧形导轨的两端部均与轴承连接;所述轴承竖向设置在底座的中心,且与底座垂直;所述海洋模拟池设置在承载台的上部,海洋模拟池内设置有溢油产生装置以及造浪装置;所述偏振光产生装置以及探测装置均设置在导轨上,沿导轨移动;所述偏振光产生装置以及探测装置均与计算机系统连接。
所述偏振光产生装置包括可调谐激光器消色差消偏器、积分球、偏振片以及1/4波片Ⅰ。
所述探测装置包括可见光偏振探测装置以及红外偏振探测装置,所述可见光偏振探测装置包括全斯托克斯偏振相机,所述红外偏振探测装置包括1/4波片Ⅱ以及红外偏振相机。
所述计算机系统设置有深度学习算法、图像处理系统以及偏振特性分析系统。
所述承载台及支架为一体式结构,承载台及支架的支架可调节高度;
所述导轨以及轴承上均设置有角度标识,导轨包括一个以上半圆导轨,半圆导轨具有公共圆心,上下两端连接轴承,可绕支架移动;导轨相对于水平面夹角从-90°到90°,间隔1°;轴承角度标识从0°到360°,间隔1°,用于获得不同入射角度,接收角度与方位角。
一种基于深度学习的偏振成像海上溢油识别方法,其特征是:采用所述的一种基于深度学习的偏振成像海上溢油识别装置进行海上溢油识别,包括以下步骤,且以下步骤顺次进行,
步骤一、采集不同种类的油的偏振图像作为训练集,每种油类的偏振图像大于50张,将偏振图像裁剪为224*224大小的图片,把裁剪之后的图片作为输入端输入计算机系统中进行训练,各个批次训练包含128张图片,每一个批次分成32次送入训练器;采用卷积神经网络以及Mask-RCNN架构进行目标检测;
步骤二、打开溢油产生装置和造浪装置,模拟海洋表面溢油情况,在海洋模拟池4边缘使用风扇,模拟不同风速的海洋表面;
步骤三、固定偏振光产生装置光源,改变探测装置的俯仰角和方位角,对海面溢油及其他目标进行探测;改变偏振光产生装置光源俯仰角,重复上述过程,获得海上溢油及其他目标的偏振图片;通计算机系统过数据处理后分析海上溢油及其他目标的偏振特性。
通过上述设计方案,本发明可以带来如下有益效果:一种基于深度学习的偏振成像海上溢油识别装置及方法,建立的一种基于深度学习的偏振成像海上溢油识别装置,可以获得连续激光偏振谱段照射下的不同入射角,接收角以及方位角的溢油目标偏振信息,可进行多次实验,增加训练样本的多样性,提高精度;可以对海上目标进行全部偏振参量探测,获取海上溢油更为完善的全偏振特性;可定性定量模拟海面风浪、溢油流量,从水面上进行目标探测,弥补了真实海面环境测试环境不可控的缺陷;可以对海上溢油种类进行识别,并在计算机上直接显示,为后续治理带来方便。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明:
图1为本发明一种基于深度学习的偏振成像海上溢油识别装置结构示意图。
图2为本发明一种基于深度学习的偏振成像海上溢油识别装置偏振光产生装置结构示意图。
图3为本发明一种基于深度学习的偏振成像海上溢油识别装置探测装置结构示意图。
图4为本发明一种基于深度学习的偏振成像海上溢油识别方法Mask-RCNN架构示意框图。
图中1-偏振光产生装置、2-探测装置、3-导轨、4-海洋模拟池、5-溢油产生装置、6-计算机系统、7-造浪装置、8-承载台及支架、9-轴承、10-底座、11-可调谐激光器、12-消色差消偏器、13-积分球、14-偏振片、15-1/4波片Ⅰ、21-全斯托克斯偏振相机、22-1/4波片Ⅱ、23-红外偏振相机。
具体实施方式
一种基于深度学习的偏振成像海上溢油识别装置,如图1所示,包括偏振光产生装置1、探测装置2、导轨3、海洋模拟池4、溢油产生装置5、计算机系统6、造浪装置7、承载台及支架8、轴承9以及底座10,所示导轨3为圆弧形,所述偏振光产生装置1和探测装置2安装在导轨3上;偏振光产生装置1与探测装置2沿导轨3移动,获得不同入射角度与接收角度;导轨3上下连接轴承9,可以360°旋转,获得不同的方位角。造浪装置7为一造浪机,可以产生不同程度的海浪,模拟真实海洋表面,引起表面的粗糙度不同,进而可以探测不同粗糙度海面溢油的偏振特性。偏振光产生装置1,探测装置2溢油产生装置5,造浪装置7与计算机系统6相连;此装置不仅可以探测溢油种类,还可探测粗糙海面的油膜的偏振特性。对于海上目标,比如赤潮,船舶,岛屿等,本装置也能识别并且通过计算机系统6直接显示。
如图2所示,偏振光产生装置1包括可调谐激光器11、消色差消偏器12、积分球13、偏振片14、1/4波片15。其中可调谐激光器11发出400nm~2300nm的宽波段光线,消色差消偏器12用来把线偏振激光变成非偏振光,积分球13使激光器发出的光变成非偏振均匀光,偏振片14,1/4波片15使非偏振光变成线偏振光或圆偏振光,使得可以获得不同偏振光产生的偏振图像。
如图3所示,所述探测装置2包括可将光偏振探测装置和红外偏振探测装置。可见光偏振探测装置为一全斯托克斯偏振相机21,全斯托克斯偏振相机21用来获取水面的全偏振图像。红外偏振探测装置包括1/4波片22和红外偏振相机23,光线照射在溢油上反射光经过1/4波片22后进入红外偏振相机23,首先获取不经过1/4波片22的水面0°,45°,90°,135°线偏振图片,再将1/4波片22旋转45°,获取其偏振图像,再经过图像处理融合成全偏振图像,获取其全偏振信息。探测装置2与计算机系统相连。
一种基于深度学习的偏振成像海上溢油识别方法,包括以下步骤,
步骤一:采集不同种类的油的偏振图像作为训练集,每种油类的偏振图像不低于50张,将偏振图像裁剪为224*224大小的图片,把裁剪之后的图片作为输入端输入计算机系统6中进行训练,各个批次训练包含128张图片,每一个批次分成32次送入训练器。目标检测算法采用卷积神经网络,采用Mask-RCNN架构。
步骤二:打开溢油产生装置5和造浪装置7,用来模拟海洋表面和海上轮船失事溢油或者海底输油管道破裂等溢油情况。此时也可在海洋模拟池4边缘使用风扇,模拟不同风速的海洋表面。
步骤三:固定偏振光产生装置1光源,改变探测装置2的俯仰角和方位角,对海面溢油及其他目标进行探测,然后改变偏振光产生装置1光源俯仰角,重复上述过程,获得海上溢油及其他目标的偏振图片。并可通过数据处理后分析海上溢油及其他目标的偏振特性。
步骤四:将步骤三得到的图片输入计算机对其进行检测,通过计算机系统5直接显示出溢油或者海上其他目标的种类。
具体的Mask-RCNN架构的方法如图4所示,其流程如下,
1、输入图片,进行预处理。采集不同种类的油的偏振图像作为训练集,每种油类的偏振图像不低于50张,将偏振图像裁剪为224*224大小的图片。
2、主干网络采用Res Net+FPN。将预处理后得图片输入到神经网络架构中,获得对应的特征图feature map。因为偏振图像是灰度图像,所以将输入端口设置成为单通道,可减少数据冗余,神经网络采用Res Net101。输出后会接FPN。FPN是特征金字塔网络,可以在多个尺度上更好地表征目标。它允许每一级的特征都可以和高级、低级特征互相结合。
3、对该特征图feature map中的每个点设定预定好数量的区域特征集ROI,从而获得多个候选ROI。
4、将这些候选ROI送入RPN网络进行二值分类(前景或背景)和BBOX回归,过滤掉一些候选的ROI。RPN是一个轻量的神经网络,它用滑动窗口来扫描图像,并寻找存在目标的区域。
5、对这些剩下的ROI进行ROIAlign操作。Faster RCNN中ROI Pooling有2次量化操作导致了没有对齐。为了解决ROI Pooling缺点,提出了ROI Align这一方法。ROI Align的思路为取消量化操作,使用双线性插值的方法获得坐标为浮点数的像素点上的图像数值,从而将整个特征聚集过程转化为一个连续的操作。
6、对这些ROI进行分类(N类别分类),BBOX回归和MASK生成(在每个ROI里面进行FCN操作)。FCN为全卷积神经网络,它可以接受任意尺寸的输入图像,采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入图像相同的尺寸,从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。
综上,本发明提出的基于深度学习的偏振成像海上溢油识别装置可以模拟真实海面,可以控制溢油速率与流量,模拟轮船失事溢油或者海底输油管道破裂。此装置不仅可以探测溢油种类,还可探测粗糙海面的油膜的偏振特性,将深度学习与偏振技术相结合,增加了海面溢油识别技术手段。
Claims (7)
1.一种基于深度学习的偏振成像海上溢油识别装置,其特征是:包括偏振光产生装置(1)、探测装置(2)、导轨(3)、海洋模拟池(4)、计算机系统(6)、轴承(9)以及底座(10),所述底座(10)的顶面为圆形,放置在平面上,底座(10)的中心位置设置有承载台及支架(8);所述导轨(3)为圆弧形,圆弧形导轨的两端部均与轴承(9)连接;所述轴承(9)竖向设置在底座(10)的中心,且与底座(10)垂直;所述海洋模拟池(4)设置在承载台及支架(8)的上部,海洋模拟池(4)内设置有溢油产生装置(5)以及造浪装置(7),所述油产生装置(5)以及造浪装置(7)均与计算机系统(6)连接;所述偏振光产生装置(1)以及探测装置(2)均设置在导轨(3)上,沿导轨(3)移动;所述偏振光产生装置(1)以及探测装置(2)均与计算机系统(6)连接。
2.根据权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置,其特征是:所述偏振光产生装置(1)包括可调谐激光器(11)、消色差消偏器(12)、积分球(13)、偏振片(14)以及1/4波片Ⅰ(15)。
3.根据权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置,其特征是:所述探测装置(2)包括可见光偏振探测装置以及红外偏振探测装置,所述可见光偏振探测装置包括全斯托克斯偏振相机(21),所述红外偏振探测装置包括1/4波片Ⅱ(22)以及红外偏振相机(23)。
4.根据权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置,其特征是:所述计算机系统(6)设置有深度学习算法、图像处理系统以及偏振特性分析系统。
5.根据权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置,其特征是:所述承载台及支架(8)为一体式结构,承载台及支架(8)的支架可调节高度。
6.根据权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置,其特征是:所述导轨(3)以及轴承(9)上均设置有角度标识,导轨(3)包括一个以上半圆导轨,半圆导轨具有公共圆心,上下两端连接轴承(9),可绕支架移动;导轨(3)相对于水平面夹角从-90°到90°,间隔1°;轴承(9)角度标识从0°到360°,间隔1°,用于获得不同入射角度,接收角度与方位角。
7.一种基于深度学习的偏振成像海上溢油识别方法,其特征是:采用权利要求1所述的一种基于深度学习的偏振成像海上溢油识别装置进行海上溢油识别,包括以下步骤,且以下步骤顺次进行,
步骤一、采集不同种类的油的偏振图像作为训练集,每种油类的偏振图像大于50张,将偏振图像裁剪为224*224大小的图片,把裁剪之后的图片作为输入端输入计算机系统(6)中进行训练,各个批次训练包含128张图片,每一个批次分成32次送入训练器;采用卷积神经网络以及Mask-RCNN架构进行目标检测;
步骤二、打开溢油产生装置(5)和造浪装置(7),模拟海洋表面溢油情况,在海洋模拟池4边缘使用风扇,模拟不同风速的海洋表面;
步骤三、固定偏振光产生装置(1)光源,改变探测装置(2)的俯仰角和方位角,对海面溢油及其他目标进行探测;改变偏振光产生装置(1)光源俯仰角,重复上述过程,获得海上溢油及其他目标的偏振图片;通计算机系统(6)过数据处理后分析海上溢油及其他目标的偏振特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937548.9A CN113642651B (zh) | 2021-08-16 | 2021-08-16 | 一种基于深度学习的偏振成像海上溢油识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110937548.9A CN113642651B (zh) | 2021-08-16 | 2021-08-16 | 一种基于深度学习的偏振成像海上溢油识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642651A true CN113642651A (zh) | 2021-11-12 |
CN113642651B CN113642651B (zh) | 2023-08-08 |
Family
ID=78422034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110937548.9A Active CN113642651B (zh) | 2021-08-16 | 2021-08-16 | 一种基于深度学习的偏振成像海上溢油识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642651B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290572A (zh) * | 2022-10-08 | 2022-11-04 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
CN115656051A (zh) * | 2022-12-09 | 2023-01-31 | 长春理工大学 | 基于一阶矢量扰动理论的多涂层目标偏振测量装置与方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257264A1 (en) * | 2003-06-20 | 2004-12-23 | Peter Moeller-Jensen | Method and apparatus for monitoring and measuring oil spills |
US20120089332A1 (en) * | 2010-10-08 | 2012-04-12 | Korea Meteorological Administration | System for Detecting Oil Spills and Method Thereof |
CN107167296A (zh) * | 2017-06-22 | 2017-09-15 | 交通运输部天津水运工程科学研究所 | 实验室水面溢油运动规律测定方法和装置 |
CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测系统与方法 |
CN111380809A (zh) * | 2020-05-06 | 2020-07-07 | 长春理工大学 | 一种基于偏振特性测试油膜种类的方法 |
CN111380473A (zh) * | 2020-05-06 | 2020-07-07 | 长春理工大学 | 一种基于偏振特性测试油膜厚度的装置及方法 |
CN112432908A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于偏振特性的实验室模拟海面溢油检测方法 |
CN113176184A (zh) * | 2021-04-16 | 2021-07-27 | 长春理工大学 | 一种海面目标pBRDF测量的模拟装置及其使用方法 |
CN113189016A (zh) * | 2021-04-21 | 2021-07-30 | 中国石油大学(华东) | 基于四元数的海面溢油识别方法及系统 |
-
2021
- 2021-08-16 CN CN202110937548.9A patent/CN113642651B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257264A1 (en) * | 2003-06-20 | 2004-12-23 | Peter Moeller-Jensen | Method and apparatus for monitoring and measuring oil spills |
US20120089332A1 (en) * | 2010-10-08 | 2012-04-12 | Korea Meteorological Administration | System for Detecting Oil Spills and Method Thereof |
CN107167296A (zh) * | 2017-06-22 | 2017-09-15 | 交通运输部天津水运工程科学研究所 | 实验室水面溢油运动规律测定方法和装置 |
CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测系统与方法 |
CN112432908A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于偏振特性的实验室模拟海面溢油检测方法 |
CN111380809A (zh) * | 2020-05-06 | 2020-07-07 | 长春理工大学 | 一种基于偏振特性测试油膜种类的方法 |
CN111380473A (zh) * | 2020-05-06 | 2020-07-07 | 长春理工大学 | 一种基于偏振特性测试油膜厚度的装置及方法 |
CN113176184A (zh) * | 2021-04-16 | 2021-07-27 | 长春理工大学 | 一种海面目标pBRDF测量的模拟装置及其使用方法 |
CN113189016A (zh) * | 2021-04-21 | 2021-07-30 | 中国石油大学(华东) | 基于四元数的海面溢油识别方法及系统 |
Non-Patent Citations (4)
Title |
---|
SHAMSUDEEN TEMITOPE YEKEEN: "A novel deep learning instance segmentation model for automated marine oil spill detection", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, vol. 167, pages 2 - 5 * |
XINZHE WANG: "Detection of Oil Spill Using SAR Imagery Based on AlexNet Model", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》, pages 1 - 14 * |
李清灵: "水面溢油偏振特性及紫外偏振成像技术研究", 《中国博士学位论文全文数据库(基础科学丛书)》, no. 03, pages 005 - 23 * |
李英超: "基于偏振特性的海洋溢油油种识别研究", 《光子学报》, vol. 50, no. 07, pages 1 - 10 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115290572A (zh) * | 2022-10-08 | 2022-11-04 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
CN115290572B (zh) * | 2022-10-08 | 2023-01-10 | 长春理工大学 | 一种基于主动照明的赤潮偏振监测装置及其监测方法 |
CN115656051A (zh) * | 2022-12-09 | 2023-01-31 | 长春理工大学 | 基于一阶矢量扰动理论的多涂层目标偏振测量装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642651B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN109460753B (zh) | 一种检测水上漂浮物的方法 | |
Wang et al. | Sea ice concentration estimation during melt from dual-pol SAR scenes using deep convolutional neural networks: A case study | |
CN111415329B (zh) | 一种基于深度学习的工件表面缺陷检测方法 | |
CN113642651B (zh) | 一种基于深度学习的偏振成像海上溢油识别方法 | |
CN101561932B (zh) | 一种动态复杂背景下的实时运动目标检测方法和装置 | |
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 | |
CN115077414B (zh) | 一种水下航行器测量海面目标物底部轮廓的装置和方法 | |
CN110208880A (zh) | 一种基于深度学习和卫星遥感技术的海雾检测方法 | |
CN103149163A (zh) | 基于多光谱图像纹理特征的检测牛肉嫩度的装置及其方法 | |
CN111240226A (zh) | 一种用于船载视觉感知设备的仿真测试系统及方法 | |
CN116091505B (zh) | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 | |
CN109145962A (zh) | 一种基于数字图像的大气参数反演观测方法 | |
CN112418028A (zh) | 一种基于深度学习的卫星图像中船舶识别与分割方法 | |
Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
CN114998308A (zh) | 一种基于光度立体的缺陷检测方法及系统 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN109409285B (zh) | 基于重叠切片的遥感视频目标检测方法 | |
CN112766381B (zh) | 有限样本下属性引导的sar图像生成方法 | |
Wei et al. | Texture feature analysis in oil spill monitoring by SAR image | |
CN115375945A (zh) | 一种水面油污识别和污染面积测算方法 | |
CN113780117B (zh) | 一种快速识别并提取河口羽状流轮廓相关参数的方法 | |
Cao | Detection of fruit surface defects based on machine vision | |
Gao et al. | An improved fog concentration detection method for waterway based on FADE | |
CN116309410A (zh) | 一种猕猴桃外部缺陷无损检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |