CN113901945A - 一种基于Faster RCNN的海面溢油检测方法及系统 - Google Patents
一种基于Faster RCNN的海面溢油检测方法及系统 Download PDFInfo
- Publication number
- CN113901945A CN113901945A CN202111269685.6A CN202111269685A CN113901945A CN 113901945 A CN113901945 A CN 113901945A CN 202111269685 A CN202111269685 A CN 202111269685A CN 113901945 A CN113901945 A CN 113901945A
- Authority
- CN
- China
- Prior art keywords
- oil
- oil spill
- image
- sea surface
- detection
- 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
- 239000003305 oil spill Substances 0.000 title claims abstract description 112
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000011176 pooling Methods 0.000 claims abstract description 9
- 230000002776 aggregation Effects 0.000 claims abstract description 4
- 238000004220 aggregation Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 58
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007429 general method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10044—Radar image
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于FasterRCNN的海面溢油检测方法，包括：将海面溢油图像作为数据集输入至海面溢油检测网络中，提取图像的多尺度特征信息，通过RPN获取疑似溢油区域；采用ROI池化聚合输入图像的特征图和溢油区域，提取多尺度特征并进行融合；利用损失函数对图像特征和疑似溢油区域的聚合信息进行分类和回归，得到预测信息；利用损失函数对网络进行训练和优化得到海面溢油检测模型。在环境照片存在油膜的情况下，则判定海面现场存在溢油现象。本发明提取了图像的溢油区域和多尺度特征，解决了疑似溢油区域和尺度变化问题，可快速准确地进行现场照片中的油膜识别。
Description
技术领域
本发明属于计算机视觉领域，尤其涉及一种基于Faster RCNN的海面溢油检测方法及系统。
背景技术
溢油是海洋钻井平台开发、船舶和输油管道运输过程中，造成各种油类泄露而形成的。近年来，海面溢油事故频繁，给海洋环境、生物及人类健康和海面活动带来了极大的危害。对海面溢油进行精准监控是第一时间控制并解决泄漏事故，将污染造成的损失降到最低的基础和前提。
溢油监测可以通过在船舶、飞机和卫星上搭载雷达等设备进行。目前溢油监测手段主要有船测/浮标、航空监测和卫星遥感监测等。近年来随着卫星技术的进步，通过卫星遥感图像进行溢油监测的技术已逐渐成熟。在应用于溢油卫星遥感监测的各类传感器中，合成孔径雷达(SAR)以其全天候、全天时、分辨率相对较高的优点在溢油卫星遥感监测中应用广泛，但其存在难以区分溢油与疑似溢油的研究难点。目前重点利用SAR数据对海洋溢油进行特征提取、识别溢油与疑似溢油现象以及分类海湾地区溢油进行研究。
SAR图像普遍存在斑点噪声和强度不均匀等问题，其特殊性使得难以找到一种通用的图像分割方法，传统的分割算法简单易操作，但人工参与过多且分割效果受各种因素的影响。深度神经网络是机器学习领域的前沿，能够自动地学习得到深层次的特征信息。卷积神经网络是其中最突出的模型，目前广泛应用于目标分类、检测和分割任务中。
发明内容
本发明的目的是在于针对现有溢油检测方法存在的人工干扰多、分割效果差导致检测精度低的，提供了一种基于Faster RCNN的海面溢油检测方法及系统，自动的提取特征，减少人工参与。在将分割和检测任务统一的情况下提升油膜的检测精度。
为了实现上述目的，本发明采用下述技术方案：
一方面，本发明提供一种基于Faster RCNN的海面溢油检测方法，该方法包括：
采用图像处理技术对SAR图像进行预处理。
构建基于Faster RCNN的溢油检测模型并选取训练样本对溢油检测模型进行训练及优化；
通过图像利用训练好的溢油检测模型进行海面溢油检测；
将待检测图像输入至训练好的溢油检测模型，得到溢油检测信息；
根据所述溢油检测信息判定海面溢油的严重程度，依据判断结果生成预警信号并存储检测及判定信息。
优选地，采用图像处理技术对SAR图像进行预处理具体为：
采用自适应直方图均衡化以增强SAR图像的对比度，然后利用Lee滤波抑制SAR图像的斑点噪声，同时保留图像的细节，有利于图像特征的提取。
所述Lee滤波为：
乘性噪声经过对数变换可以近似为线性模型，根据最小均方误差准则，可得到Lee滤波器的公式：
其中，
为I(t)的均值，W(t)＝1-Cu 2/Ct 2是权函数，Cu,Ct分别为U(t),I(t)的标准方差。
优选地，所述基于Faster RCNN的溢油检测模型包含：
主干网，用以提取图像的特征；
区域生成网(Region Proposal Network，RPN)，用于生成所述疑似溢油区域。通过softmax函数判断所述疑似溢油区域属于正样本或负样本，再利用边框回归修正所述疑似溢油区域以获得精确的溢油区域；
ROI池化，聚合输入图像的特征图和溢油区域后，提取多尺度特征并进行融合，输入至全连接层判定溢油区域类别。
分类回归模块利用所述多尺度特征计算油膜的类别，同时再次进行边框回归获得检测框的最终精确位置。
优选地，所述主干网包含1个输入层、2个卷积层、2个下采样层及跳跃连接。
优选地，所述卷积层通过ReLU函数激活。
优选地，所述下采样层采用最大池化法。
优选地，2个卷积层特征图的通道数分别为10和8，尺寸分别为24×24和8×8，卷积核的尺寸均为3×3。
优选地，2个下采样层特征图的通道数分别为10和8，尺寸分别为12×12和8×8，采样尺寸分别为2×2和1×1。
优选地，所述RPN主要包括两个分支，分别得到输入图像的特征图和溢油区域，将其融合作为ROI池化的输入。
优选地，溢油区域类别为溢油区域与非溢油区域。
第二方面，本发明提供一种基于Faster RCNN放入海面溢油检测识别处理系统，该系统包括：
图像处理模块，用于增强SAR图像对比度和抑制斑点噪声和生成训练数据集；
检测模块，用于使用溢油检测模型对所述SAR图像进行分析和处理，提取溢油图像的特征和疑似溢油区域，输出溢油图像的预测信息；
判定存储模块，根据所述检测信息判断海面溢油严重程度，并存储检测和判定信息。
优选地，所述图像处理模块主要实现SAR图像的去噪和增强功能。
优选地，所述检测模型包含特征提取单元，区域提取单元，分类回归单元以及训练优化单元。
优选地，所述特征提取单元，用于利用预先构建的溢油检测模型中的主干网提取多尺度图像特征并融合；
所述区域提取单元，用于利用所述预先构建的溢油检测模型中的RPN获取所述疑似溢油区域；
所述分类回归单元，用于利用损失函数对所述图像特征和所述疑似溢油区域的聚合信息进行分类和回归，得到预测信息；
所述训练优化单元，用于利用所述训练数据集对所述预先构建的检测模型进行训练和优化得到所述溢油检测模型。
优选地，所述判定存储模块，在溢油检测模型输出检测信息后，根据检测信息判定溢油的严重程度，并存储油膜的类别、大小、位置信息以及判定信息。
本发明提出的基于Faster RCNN的海面溢油检测方法有益效果：任务统一、易于训练及便于优化等特点；考虑了传统分割方法的局限性导致难以准确获取和识别所述疑似溢油区域，Faster RCNN网络结构可以自动提取特征，其中RPN可以作为一个通用方法获取所述疑似溢油区域，进一步可以准确的识别油膜的类别和具体位置，并可以部署到海面溢油检测系统中，实现海面溢油的自动检测和判定，提高溢油检测的精度和效率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所述的基于Faster RCNN的海面溢油检测方法原理框图。
图2为本发明实施例2所述的基于Faster RCNN的海面溢油检测方法流程图。
图3为本发明实施例3所述的基于Faster RCNN的海面溢油检测网络的网络结构示意图。
图4为本发明实施例3所述的基于Faster RCNN的海面溢油检测网络中的RPN结构示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1所示，本发明实施例1提供一种基于Faster RCNN的海面溢油检测框架图，包括：
图像处理模块，用于增强SAR图像对比度和抑制斑点噪声和生成训练数据集；
检测模块，用于使用溢油检测模型对所述SAR图像进行分析和处理，提取溢油图像的特征和疑似溢油区域，输出溢油图像的预测信息；
判定存储模块，根据所述检测信息判断海面溢油严重程度，并存储检测和判定信息。
在本实施例1中，所述图像处理模块主要用于对SAR图像进行去噪和增强。
在本实施例1中，所述检测模型包含特征提取单元，区域提取单元，分类回归单元以及训练优化单元。
所述特征提取单元，用于利用预先构建的溢油检测模型中的主干网提取多尺度图像特征并融合；
所述区域提取单元，用于利用所述预先构建的溢油检测模型中的RPN获取所述疑似溢油区域；
所述分类回归单元，用于利用损失函数对所述图像特征和所述疑似溢油区域的聚合信息进行分类和回归，得到预测信息；
所述训练优化单元，用于利用所述训练数据集对所述预先构建的检测模型进行训练和优化得到所述溢油检测模型。
在本实施例1中，所述判定存储模块，在溢油检测模型输出检测信息后，判定溢油的严重程度，并存储油膜的类别、大小、位置信息以及判定信息。
实施例2
图2为本发明所提供的基于Faster RCNN的海面溢油检测方法，该方法具体操作步骤如下：
步骤S01：采用图像处理技术对SAR图像进行预处理。
步骤S02：构建基于Faster RCNN的溢油检测模型；
步骤S03：RPN用于生成疑似溢油区域并进行判定；
步骤S04：选取训练样本对溢油检测模型进行训练及优化；
步骤S05：将待检测图像输入至已训练好的溢油检测模型，得到溢油检测信息；
步骤S06：根据溢油检测信息判定海面溢油的严重程度，并依据判断结果生成预警信号并存储检测及判定信息。
在本实施例2中，所述图像处理技术对SAR图像进行预处理具体为：
采用自适应直方图均衡化以增强SAR图像的对比度，然后利用Lee滤波抑制SAR图像的斑点噪声，同时保留图像的细节，有利于图像特征的提取。
所述Lee滤波为：
乘性噪声经过对数变换可以近似为线性模型，根据最小均方误差准则，可得到Lee滤波器的公式：
其中，
为I(t)的均值，W(t)＝1-Cu 2/Ct 2是权函数，Cu,Ct分别为U(t),I(t)的标准方差。
在本实施例2中，如图3所示，所述基于Faster RCNN的溢油检测模型包含：
主干网，用以提取图像的特征；
区域生成网(Region Proposal Network，RPN)，如图4所示，用于生成所述疑似溢油区域。通过softmax函数判断所述疑似溢油区域属于正样本或负样本，再利用边框回归修正所述疑似溢油区域以获得精确的溢油区域；
ROI池化，聚合输入图像的特征图和溢油区域后，提取多尺度特征并进行融合，输入至全连接层判定溢油区域类别。
分类回归模块利用所述多尺度特征计算油膜的类别，同时再次进行边框回归获得检测框最终的精确位置。
在本实施例2中，所述主干网包含1个输入层、2个卷积层、2个下采样层及跳跃连接。
所述卷积层通过ReLU函数激活。
所述下采样层采用最大池化法。
所述2个卷积层的特征图通道数分别为10和8，尺寸分别为24×24和8×8，卷积核的尺寸均为3×3。
所述2个下采样层的特征图通道数分别为10和8，尺寸分别为12×12和8×8，采样尺寸分别为2×2和1×1。
所述跳跃连接为将底层特征图与深层图特征进行连接，避免梯度消失或爆炸。
在本实施例2中，所述RPN主要包括两个分支，分别得到输入图像的特征图和溢油区域，将其融合作为ROI池化的输入。
所述溢油区域类别为溢油区域与非溢油区域。
本实施例提供了一种基于Faster RCNN的海面溢油检测方法，开发了一套基于Faster RCNN的检测网络架构，避免了传统分割方法的使用，采用一种通用的方法提取疑似溢油区域和提取SAR图像特征以实现海面溢油的检测，通过将所有任务统一到一个网络架构中，使得检测模型可以实现端到端的训练和优化，并可以部署到海面溢油检测系统中，实现海面溢油的自动检测和判定。
实施例3
本发明实施例3提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行基于Faster RCNN的海面溢油检测方法，该方法包括如下流程步骤：
采用图像处理技术对SAR图像进行预处理；
使用基于Faster RCNN的溢油检测模型对待检测图像进行分析，确定所述待检测图像中是否有油膜；其中，所述基于Faster RCNN的溢油检测模型为使用多组数据通过机器学习训练得出；所述多组数据包括第一类数据和第二类数据；所述第一类数据中的每组数据均包括：包含油膜的图像和标识该图像中包含油膜的标签；第二类数据中的每组数据均包括：不包含油膜的照片和标识该照片中不包含油膜的标签；其中，所述油膜分为自然油膜与非自然油膜。
在所述待检测图像存在油膜的情况下，则判定海面存在溢油现象，并根据检测信息判定溢油严重程度，并存储检测和判定信息。
实施例4
本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现基于Faster RCNN的海面溢油检测方法，该方法包括如下流程步骤：
采用图像处理技术对SAR图像进行预处理；
使用基于Faster RCNN的溢油检测模型对待检测图像进行分析，确定所述待检测图像中是否有油膜；其中，所述基于Faster RCNN的溢油检测模型为使用多组数据通过机器学习训练得出；所述多组数据包括第一类数据和第二类数据；所述第一类数据中的每组数据均包括：包含油膜的图像和标识该图像中包含油膜的标签；第二类数据中的每组数据均包括：不包含油膜的照片和标识该照片中不包含油膜的标签；其中，所述油膜分为自然油膜与非自然油膜
在所述待检测图像存在油膜的情况下，则判定海面存在溢油现象，并根据检测信息判定溢油严重程度，并存储检测和判定信息。
综上所述，本发明实施例所述的基于Faster RCNN的溢油检测方法，将待检测SAR图像输入至海面溢油检测网络，输出所述待检测SAR图像的溢油检测信息。根据所述溢油检测信息可判断海面是否存在溢油现象，依据判断结果生成预警信号并存储检测及判定信息。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于Faster RCNN的海面溢油检测方法，其特征在于，包括：
采用图像处理技术对SAR图像进行预处理。
构建基于Faster RCNN的溢油检测模型，并选取训练样本对溢油检测模型进行训练及优化；
将待检测图像输入至训练好的溢油检测模型，得到溢油检测信息；
根据所述溢油检测信息判定海面溢油的严重程度，依据判断结果生成预警信号并存储检测及判定信息。
2.根据权利要求1所述的一种基于Faster RCNN的海面溢油检测方法，其特征在于，所述采用图像处理技术对SAR图像进行预处理包括：
采用自适应直方图均衡化以增强SAR图像的对比度，然后利用Lee滤波抑制SAR图像的斑点噪声，同时保留图像的细节，有利于图像特征的提取。
所述Lee滤波为：
乘性噪声经过对数变换可以近似为线性模型，根据最小均方误差准则，可得到Lee滤波器的公式：
其中，
为I(t)的均值，W(t)＝1-Cu 2/Ct 2是权函数，Cu,Ct分别为U(t),I(t)的标准方差。
3.根据权利要求1所述的一种基于Faster RCNN的海面溢油检测方法，其特征在于，所述基于Faster RCNN的溢油检测模型包括：
主干网，用以提取图像的特征；
区域生成网(Region Proposal Network，RPN)，用于生成所述疑似溢油区域。通过softmax函数判断所述疑似溢油区域属于正样本或负样本，再利用边框回归修正所述疑似溢油区域以获得精确的溢油区域；
ROI池化，聚合输入图像的特征图和溢油区域后，提取多尺度特征并进行融合，输入至全连接层判定溢油区域类别。
分类回归模块利用所述多尺度特征计算油膜的类别，同时再次进行边框回归获得检测框最终的精确位置。
4.根据权利要求3所述的一种基于Faster RCNN的海面溢油检测方法，其特征在于，所述主干网包含1个输入层、2个卷积层、2个下采样层及跳跃连接。所述溢油区域类别为溢油区域与非溢油区域，所述油膜的类别为自然油膜和非自然油膜。
5.根据权利要求4所述的一种基于Faster RCNN的海面溢油检测方法，其特征在于，所述2个卷积层的特征图通道数分别为10和8，尺寸分别为24×24和8×8，卷积核的尺寸均为3×3。2个下采样层的特征图通道数分别为10和8，尺寸分别为12×12和8×8，采样尺寸分别为2×2和1×1。卷积层通过ReLU函数激活，下采样层采用最大池化法。
6.一种基于Faster RCNN的海面溢油检测系统，其特征在于，包括：
图像处理模块，用于增强SAR图像对比度和抑制斑点噪声和生成训练数据集；
检测模块，用于使用溢油检测模型对所述SAR图像进行分析和处理，提取溢油图像的特征和疑似溢油区域，输出溢油图像的预测信息；
判定存储模块，根据所述检测信息判断海面溢油严重程度，并存储检测和判定信息。
7.根据权利要求6所述的一种基于Faster RCNN的海面溢油检测系统，其特征在于，所述图像处理模块主要实现SAR图像的去噪和增强功能。
8.根据权利要求6所述的一种基于Faster RCNN的海面溢油检测系统，其特征在于，所述检测模型包含特征提取单元，区域提取单元，分类回归单元以及训练优化单元。
9.根据权利要求8所述的一种基于Faster RCNN的海面溢油检测系统，其特征在于，所述特征提取单元，用于利用预先构建的溢油检测模型中的主干网提取多尺度图像特征并融合；
所述区域提取单元，用于利用所述预先构建的溢油检测模型中的RPN获取所述疑似溢油区域；
所述分类回归单元，用于利用损失函数对所述图像特征和所述疑似溢油区域的聚合信息进行分类和回归，得到预测信息；
所述训练优化单元，用于利用所述训练数据集对所述预先构建的检测模型进行训练和优化得到所述溢油检测模型。
10.根据权利要求7所述的一种基于Faster RCNN的海面溢油检测系统，其特征在于，所述判定存储模块的功能为：在溢油检测模型输出检测信息后，判定溢油的严重程度，并存储油膜的类别、大小、位置信息以及判定信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269685.6A CN113901945A (zh) | 2021-10-29 | 2021-10-29 | 一种基于Faster RCNN的海面溢油检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269685.6A CN113901945A (zh) | 2021-10-29 | 2021-10-29 | 一种基于Faster RCNN的海面溢油检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113901945A true CN113901945A (zh) | 2022-01-07 |
Family
ID=79027515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111269685.6A Pending CN113901945A (zh) | 2021-10-29 | 2021-10-29 | 一种基于Faster RCNN的海面溢油检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113901945A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546199A (zh) * | 2022-11-09 | 2022-12-30 | 烟台大学 | 利用自注意力分析sar图像获取海上溢油区域的方法 |
| CN117115175A (zh) * | 2023-10-25 | 2023-11-24 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与系统 |
-
2021
- 2021-10-29 CN CN202111269685.6A patent/CN113901945A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546199A (zh) * | 2022-11-09 | 2022-12-30 | 烟台大学 | 利用自注意力分析sar图像获取海上溢油区域的方法 |
| CN115546199B (zh) * | 2022-11-09 | 2024-03-15 | 烟台大学 | 利用自注意力分析sar图像获取海上溢油区域的方法 |
| CN117115175A (zh) * | 2023-10-25 | 2023-11-24 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与系统 |
| CN117115175B (zh) * | 2023-10-25 | 2024-01-09 | 天津东泉石油技术开发有限公司 | 一种溢油在线监测预警方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110310264B (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
| CN109583369B (zh) | 一种基于目标区域分割网络的目标识别方法及装置 | |
| CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
| CN102867196B (zh) | 基于Gist特征学习的复杂海面遥感影像舰船检测方法 | |
| CN109472200B (zh) | 一种智能的海面垃圾检测方法、系统和存储介质 | |
| CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
| CN107993215A (zh) | 一种天气雷达图像处理方法及系统 | |
| CN109086818B (zh) | 海洋锋面识别方法和装置 | |
| CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
| CN113901945A (zh) | 一种基于Faster RCNN的海面溢油检测方法及系统 | |
| US20050270905A1 (en) | System and method for identification and quantification of sonar targets in a liquid medium | |
| You et al. | A sea-land segmentation scheme based on statistical model of sea | |
| CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
| CN109359661B (zh) | 一种基于卷积神经网络的Sentinel-1雷达图像分类方法 | |
| CN109902618A (zh) | 一种海面船只识别方法和装置 | |
| CN105844298A (zh) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 | |
| CN106845347A (zh) | 海上油膜识别提取方法及系统 | |
| Poliyapram et al. | Deep learning model for water/ice/land classification using large-scale medium resolution satellite images | |
| Kim et al. | Can a computer see what an ice expert sees? Multilabel ice objects classification with convolutional neural networks | |
| CN113177929B (zh) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| Kathiravan et al. | Ship detection from satellite images using deep learning | |
| CN113505712A (zh) | 基于新型损失函数的卷积神经网络的海面溢油检测方法 | |
| CN116109942A (zh) | 一种可见光遥感图像舰船目标检测方法 | |
| CN116052206A (zh) | 融合视觉显著性的鸟类识别方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |