CN114022794A - 一种基于多机器学习算法融合的无人机海上油污监测方法 - Google Patents

一种基于多机器学习算法融合的无人机海上油污监测方法 Download PDF

Info

Publication number
CN114022794A
CN114022794A CN202111267660.2A CN202111267660A CN114022794A CN 114022794 A CN114022794 A CN 114022794A CN 202111267660 A CN202111267660 A CN 202111267660A CN 114022794 A CN114022794 A CN 114022794A
Authority
CN
China
Prior art keywords
neural network
svm
training set
aerial vehicle
unmanned aerial
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
CN202111267660.2A
Other languages
English (en)
Inventor
肖进丽
张志伟
王洋洋
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111267660.2A priority Critical patent/CN114022794A/zh
Publication of CN114022794A publication Critical patent/CN114022794A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

Landscapes

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

Abstract

本发明公开了一种基于多机器学习算法融合的无人机海上油污监测方法，包括：通过无人机采集海面图片，建立训练样本；对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；选取卷积神经网络训练集进行无监督学习；选取小波神经网络训练集进行训练；选取SVM训练集，输入特征向量对SVM训练建模；使用无人机在目标海域巡航拍照，获得海面图片；对海面图片进行识别，生成识别结果；选取识别结果中存在油污问题的对应海域，向监管中心进行报警。本发明能提升海上油污监测的效果。

Description

一种基于多机器学习算法融合的无人机海上油污监测方法
技术领域
本发明属于海洋污染监测技术领域，具体涉及一种基于多机器学习算法融合的无人机海上油污监测方法。
背景技术
近年来，随着原油需求量的日益增加和海洋交通运输业的不断进步，石油及其产品的海上运输量不断增加，而在海洋石油勘探、开发、运输过程中发生的溢油事故频次也随之不断增长，往往造成大规模的海洋污染，对海洋生态系统、渔业、公众健康和其他社会利益造成严重危害。我国海域面积472.7万km2，海岸线长度1.8万km，各个海域饱受大量的潜在溢油污染困扰。尽管人们针对溢油做了许多准备，但由于海洋溢油的不可预测性和突发性等特点，溢油所导致的海洋污染问题在我国形势依然严峻，如何在第一时间确定溢油的发生仍然是重中之重，海洋溢油污染监测工作意义重大。
海面溢油检测中，目前常用的技术有卫星遥感监测、航空遥感监测和巡逻船监测等。卫星遥感监测具有监测范围广，能够全天候实时探测，图像资料易于处理等优点，但存在需要借助昂贵且数量有限的卫星设备，重访周期长，空间分辨率低，受制于气候条件等问题。航空遥感监测具有机动性强，空间分辨率高，能够大面积实时监测等优点，但调用飞机的成本较高，且受制于复杂海洋环境、气候条件影响。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测，但监测范围小。
发明内容
本发明的目的在于，提供一种基于多机器学习算法融合的无人机海上油污监测方法，结合了无人机成本较低、实时便捷、机动性强的优势和卷积神经网络、小波神经网络、SVM在图像分类上的优秀能力，实现了较高的监测精度，降低了溢油检测工作的危险性，全天候、自动化的油污监测进一步节省了人力资源，同时使后续的围油工作更加精准、高效，可作为现有技术的有益补充。
为解决上述技术问题，本发明的技术方案为：一种基于多机器学习算法融合的无人机海上油污监测方法，包括以下步骤：
通过无人机采集多组海面图片，建立训练样本；
对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；
构建卷积神经网络模型并选取卷积神经网络训练集进行无监督学习，得到训练好的卷积神经网络；
构建小波神经网络模型并选取小波神经网络训练集进行训练，得到训练好的小波神经网络；
选取SVM训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器；
使用无人机在目标海域巡航拍照，获得未知有无油污的海面图片；
利用训练好的卷积神经网络和训练好的小波神经网络，对未知有无油污的海面图片进行识别，生成识别结果，将识别结果作为判断目标海域有无油污的依据；
选取识别结果中存在油污问题的对应海域，向监管中心进行报警。
建立卷积神经网络训练集的数据增强方法至少包括镜像翻转、随即旋转、随机剪裁和颜色扰动。
建立小波神经网络训练集的具体步骤为：对训练样本进行二维小波分解，提取其中的低频部分，量化编码；采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量。
SVM训练集选取的图像纹理特征值至少包括熵、能量、一致性、对比度和方差，并将图像纹理特征值作为输入SVM的特征向量。
卷积神经网络模型采用类Lenet-5结构，共包括以下7层网络结构：卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。
判断目标海域有无油污的方法为：将未知有无油污的海面图片交给卷积神经网络和小波神经网络并行识别,若两者的识别结果均为是，则判断目标海域有油污；若两者的识别结果均为否，则判断目标海域无油污；若两者的识别结果为一是一否，将无人机采集到的图像目标再交给SVM识别，若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污；其中，识别结果为是表示该神经网络或分类器判断目标海域有油污，识别结果为否表示该神经网络或分类器判断目标海域无油污。
还提供一种利用如上述所述的一种基于多机器学习算法融合的无人机海上油污监测方法的系统，包括：
采集模块，用于通过无人机采集多组海面图片，建立训练样本；
预处理模块，用于对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；
训练模块，用于构建卷积神经网络模型并选取卷积神经网络训练集进行无监督学习，得到训练好的卷积神经网络；构建小波神经网络模型并选取小波神经网络训练集进行训练，得到训练好的小波神经网络；选取SVM训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器；
判断模块，用于在训练模块完成训练后，使用采集模块在目标海域巡航拍照，获得未知有无油污的海面图片；利用训练好的卷积神经网络和训练好的小波神经网络，对未知有无油污的海面图片进行识别，生成识别结果，将识别结果作为判断目标海域有无油污的依据；选取识别结果中存在油污问题的对应海域，向监管中心进行报警。
预处理模块中建立卷积神经网络训练集的数据增强方法至少包括镜像翻转、随即旋转、随机剪裁和颜色扰动；建立小波神经网络训练集的具体步骤为：对训练样本进行二维小波分解，提取其中的低频部分，量化编码；采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量；SVM训练集选取的图像纹理特征值至少包括熵、能量、一致性、对比度和方差，并将图像纹理特征值作为输入SVM的特征向量。
训练模块中卷积神经网络模型采用类Lenet-5结构，共包括以下7层网络结构：卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。
判断模块中判断目标海域有无油污的方法为：将未知有无油污的海面图片交给卷积神经网络和小波神经网络并行识别,若两者的识别结果均为是，则判断目标海域有油污；若两者的识别结果均为否，则判断目标海域无油污；若两者的识别结果为一是一否，将无人机采集到的图像目标再交给SVM识别，若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污；其中，识别结果为是表示该神经网络或分类器判断目标海域有油污，识别结果为否表示该神经网络或分类器判断目标海域无油污。
与现有技术相比，本发明的有益效果为：
本发明提供的一种基于无人机和多重神经网络的海上油污监测方法，结合了无人机成本较低、实时便捷、机动性强的优势和卷积神经网络、小波神经网络、SVM在图像分类上的优秀能力，实现了较高的监测精度，降低了溢油检测工作的危险性，全天候、自动化的油污监测进一步节省了人力资源，同时使后续的围油工作更加精准、高效，可作为现有技术的有益补充。
附图说明
图1为本发明实施例的流程示意图；
图2(a)为本发明实施例中卷积神经网络训练集中某一训练样本的原始图像；图2(b)为本发明实施例中卷积神经网络训练集中某一训练样本的水平翻转图像；图2(c)为本发明实施例中卷积神经网络训练集中某一训练样本颜色扰动后的垂直翻转图像；图2(d)为本发明实施例中卷积神经网络训练集中某一训练样本颜色扰动后的随机剪裁图像；
图3为本发明实施例中SVM训练流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为实现该目的，本发明采用的技术方案步骤如下：
(1)使用无人机大量采集海面图片，建立训练样本。
(2)对训练样本进行图像预处理。通过数据增强建立卷积神经网络的训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络的训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理的特征值，建立SVM的训练集。
(3)构建卷积神经网络模型并选取与之对应的训练集进行无监督学习，得到训练好的卷积神经网络。
(4)构建小波神经网络模型并选取与之对应的训练集进行训练，得到训练好的小波神经网络。
(5)选取SVM的训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器。
(6)使用无人机在目标海域巡航拍照，获得未知有无油污的海面图片。
(7)利用训练好的多重神经网络对步骤(6)中无人机采集到的图像目标进行识别，将识别结果作为判断目标海域有无油污的依据。
(8)对存在油污问题的海域通过AIS向监管中心报警。
所述步骤(2)中，为卷积神经网络训练集使用的数据增强方法有镜像翻转、随机旋转、随机剪裁和颜色扰动等。为小波神经网络训练集使用的图像压缩方法是对图像进行二维小波分解，提取其中的低频部分，对之进行量化编码。对压缩后的图像采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量。为SVM训练集选取的图像纹理特征值包括熵、能量、一致性、对比度和方差，以这5个特征值构成输入SVM的特征向量。
所述步骤(3)中，卷积神经网络采用类Lenet-5结构，不含输入层共包括7层网络结构，分别是卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。
参照图1，本发明提供了一种基于多机器学习算法融合的无人机海上油污监测方法，具体应用到实际场景时，目标图像的识别判断按以下流程进行：将无人机采集到的图像目标首先交给卷积神经网络和小波神经网络并行识别。若识别结果均为是，判断目标海域有油污；若识别结果均为否，判断目标海域无油污；若识别结果一是一否，将无人机采集到的图像目标再交给SVM识别。若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污。将识别结果作为判断目标海域有无油污的依据，若识别结果有油污，对存在油污问题的海域通过AIS向监管中心报警。
参照图2，在建立训练集的过程中，本发明主要通过无人机巡航拍照的方式采集训练样本，但由于环境及设备的客观限制，在样本的多样性上距离深度学习网络的训练需要还有一定的差距。对于这个问题，本发明通过数据增强的方法，以采集海面图片为基础，来增加图片的多样性和训练的数据量。使用数据增强的方法的好处是能够提高溢油识别模型的环境适应性，增加抗噪能力，同时也能够提升溢油识别模型的鲁棒性与实用性。本发明使用的数据增强方法有：镜像翻转、随机旋转、随机剪裁和颜色扰动等，通过这些数据增强方法，可以形成原图的垂直、水平对称图；可以调整待识别的溢油图像的角度，形成不同角度的溢油图片；可以设置好剪裁后的图片大小，随机取原图像的一部分；可以生成与原图不同饱和度、亮度、对比度、锐度等参数的图像，达到在训练前获取大量数据的目的，建立起相对完整且多样的训练集。
对训练样本进行二维小波分解后，图像分为低频和高频两个部分。此时，图像的能量主要集中在低频分量，低频率的尺度空间描述了图像的近似特征，反映了图像整体的近似表示；高频部分仅包含其水平和垂直方向的边缘信息，具有明显的方向性。提取图像一级分解结构中的低频部分，对一级分解的低频部分进行量化编码。既能降低特征数据的维数，还能有效保存原始图像的关键信息，减少了特征提取的误差。图像的二维DCT变换特征系数不易受噪声、光照及旋转等因素的干扰，可有效减小外界环境对图像带来的不利影响。所以再对压缩后的图像采用DCT变换，选取系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量。
参照图3，灰度共生矩阵是一种广泛应用的纹理统计分析方法和纹理测量技术，它可以很好的获取纹理信息而不会丢失必要信息。对于每个灰度共生矩阵，可以得出纹理的几个特征值。本发明选择常用的5个纹理特征构造特征向量：
对比度，反映图像的清晰度和纹理沟纹深浅的程度，灰度差即对比度大的像素对越多，Con越大。
熵，主要描述图像的无序性，也描述了图像信源的平均信息量。
角二阶矩，对图像分布均匀性的度量。当纹理较粗时，其值较大。
一致性，反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。
相关性，其大小反映了图像纹理的细致程度，相关性小，说明是较大的纹理，相关性大，说明是较细致的纹理。
提取训练样本图像的这些纹理特征，然后对SVM训练，寻找最佳分类器，以实现对油污的识别判断。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，包括以下步骤：
通过无人机采集多组海面图片，建立训练样本；
对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；
构建卷积神经网络模型并选取卷积神经网络训练集进行无监督学习，得到训练好的卷积神经网络；
构建小波神经网络模型并选取小波神经网络训练集进行训练，得到训练好的小波神经网络；
选取SVM训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器；
使用无人机在目标海域巡航拍照，获得未知有无油污的海面图片；
利用训练好的卷积神经网络和训练好的小波神经网络，对未知有无油污的海面图片进行识别，生成识别结果，将识别结果作为判断目标海域有无油污的依据；
选取识别结果中存在油污问题的对应海域，向监管中心进行报警。
2.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，建立卷积神经网络训练集的数据增强方法至少包括镜像翻转、随即旋转、随机剪裁和颜色扰动。
3.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，建立小波神经网络训练集的具体步骤为：对训练样本进行二维小波分解，提取其中的低频部分，量化编码；采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量。
4.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，SVM训练集选取的图像纹理特征值至少包括熵、能量、一致性、对比度和方差，并将图像纹理特征值作为输入SVM的特征向量。
5.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，卷积神经网络模型采用类Lenet-5结构，共包括以下7层网络结构：卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。
6.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，判断目标海域有无油污的方法为：将未知有无油污的海面图片交给卷积神经网络和小波神经网络并行识别,若两者的识别结果均为是，则判断目标海域有油污；若两者的识别结果均为否，则判断目标海域无油污；若两者的识别结果为一是一否，将无人机采集到的图像目标再交给SVM识别，若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污；其中，识别结果为是表示该神经网络或分类器判断目标海域有油污，识别结果为否表示该神经网络或分类器判断目标海域无油污。
7.一种利用如权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法的系统，其特征在于，包括：
采集模块，用于通过无人机采集多组海面图片，建立训练样本；
预处理模块，用于对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；
训练模块，用于构建卷积神经网络模型并选取卷积神经网络训练集进行无监督学习，得到训练好的卷积神经网络；构建小波神经网络模型并选取小波神经网络训练集进行训练，得到训练好的小波神经网络；选取SVM训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器；
判断模块，用于在训练模块完成训练后，使用采集模块在目标海域巡航拍照，获得未知有无油污的海面图片；利用训练好的卷积神经网络和训练好的小波神经网络，对未知有无油污的海面图片进行识别，生成识别结果，将识别结果作为判断目标海域有无油污的依据；选取识别结果中存在油污问题的对应海域，向监管中心进行报警。
8.根据权利要求7所述的系统，其特征在于，预处理模块中建立卷积神经网络训练集的数据增强方法至少包括镜像翻转、随即旋转、随机剪裁和颜色扰动；建立小波神经网络训练集的具体步骤为：对训练样本进行二维小波分解，提取其中的低频部分，量化编码；采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量；SVM训练集选取的图像纹理特征值至少包括熵、能量、一致性、对比度和方差，并将图像纹理特征值作为输入SVM的特征向量。
9.根据权利要求7所述的系统，其特征在于，训练模块中卷积神经网络模型采用类Lenet-5结构，共包括以下7层网络结构：卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。
10.根据权利要求7所述的系统，其特征在于，判断模块中判断目标海域有无油污的方法为：将未知有无油污的海面图片交给卷积神经网络和小波神经网络并行识别,若两者的识别结果均为是，则判断目标海域有油污；若两者的识别结果均为否，则判断目标海域无油污；若两者的识别结果为一是一否，将无人机采集到的图像目标再交给SVM识别，若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污；其中，识别结果为是表示该神经网络或分类器判断目标海域有油污，识别结果为否表示该神经网络或分类器判断目标海域无油污。
CN202111267660.2A 2021-10-29 2021-10-29 一种基于多机器学习算法融合的无人机海上油污监测方法 Pending CN114022794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111267660.2A CN114022794A (zh) 2021-10-29 2021-10-29 一种基于多机器学习算法融合的无人机海上油污监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111267660.2A CN114022794A (zh) 2021-10-29 2021-10-29 一种基于多机器学习算法融合的无人机海上油污监测方法

Publications (1)

Publication Number Publication Date
CN114022794A true CN114022794A (zh) 2022-02-08

Family

ID=80058750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111267660.2A Pending CN114022794A (zh) 2021-10-29 2021-10-29 一种基于多机器学习算法融合的无人机海上油污监测方法

Country Status (1)

Country Link
CN (1) CN114022794A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661649A (zh) * 2022-10-26 2023-01-31 广东海洋大学 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661649A (zh) * 2022-10-26 2023-01-31 广东海洋大学 一种基于bp神经网络的船载微波雷达图像溢油探测方法及系统

Similar Documents

Publication Publication Date Title
Chitradevi et al. An overview on image processing techniques
CN110378308B (zh) 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法
CN110197231B (zh) 基于可见光和红外光图像融合的鸟情探测设备及识别方法
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪系统及方法
CN108960190B (zh) 基于fcn图像序列模型的sar视频目标检测方法
CN110866926B (zh) 一种红外遥感图像快速精细海陆分割方法
CN111709888B (zh) 一种基于改进的生成对抗网络的航拍图像去雾方法
CN108805057B (zh) 一种基于联合显著性分析的sar图像油库区检测方法
CN113920436A (zh) 一种基于改进YOLOv4算法的遥感图像海上船舶识别系统及其方法
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN111666801A (zh) 一种大场景sar图像舰船目标检测方法
CN112115871B (zh) 适用于行人目标检测的高低频交织边缘特征增强方法
CN113536963A (zh) 基于轻量化yolo网络的sar图像飞机目标检测方法
CN114821358A (zh) 光学遥感图像海上舰船目标提取与识别方法
Bansal et al. A review of image restoration based image defogging algorithms
CN114022794A (zh) 一种基于多机器学习算法融合的无人机海上油污监测方法
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
Ahmad et al. Image segmentation for pavement crack detection system
CN106971402B (zh) 一种基于光学辅助的sar图像变化检测方法
Wu et al. Research on crack detection algorithm of asphalt pavement
Zhen et al. A New Algorithm of Rain (Snow) Removal in Video.
OUYANG et al. Edge detection in pavement crack image with beamlet transform
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
CN115294392A (zh) 基于生成网络模型的可见光遥感图像云去除方法及系统

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