CN117115175A - 一种溢油在线监测预警方法与系统 - Google Patents
一种溢油在线监测预警方法与系统 Download PDFInfo
- Publication number
- CN117115175A CN117115175A CN202311390076.5A CN202311390076A CN117115175A CN 117115175 A CN117115175 A CN 117115175A CN 202311390076 A CN202311390076 A CN 202311390076A CN 117115175 A CN117115175 A CN 117115175A
- Authority
- CN
- China
- Prior art keywords
- oil spill
- trend analysis
- oil
- scale
- sea area
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003305 oil spill Substances 0.000 claims abstract description 466
- 238000004458 analytical method Methods 0.000 claims abstract description 259
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 109
- 238000009792 diffusion process Methods 0.000 description 11
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000010779 crude oil Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
- G01V9/005—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00 by thermal methods, e.g. after generation of heat by chemical reactions
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06T2207/10048—Infrared 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种溢油在线监测预警方法与系统，涉及水体油污监测技术领域，所述方法包括：基于多尺度图像采集设备在线采集目标海域红外图像，获得多尺度海域图像序列；通过溢油识别模块，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；溢油判断结果为是，对多尺度海域图像序列进行划分；训练获取多尺度溢油趋势分析器，对多尺度海域图像序列划分结果进行溢油趋势分析，获取对应溢油不同部分的多尺度溢油趋势分析结果；通过预警模块，根据上述溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据溢油事故级别进行预警。进而达成多尺度监测、提高监测效率及监测准确度、具有良好鲁棒性的技术效果。
Description
技术领域
本发明涉及水体油污监测技术领域，特别涉及一种溢油在线监测预警方法与系统。
背景技术
在原油的勘探、开采、炼制、运输过程中，因不可抗力、意外事故或操作失误，时常会导致原油或原油产品从生产现场或储运设备中泄漏至水体中，并扩散形成厚度不一的油膜，对水体及环境造成严重的污染。为控制溢油造成的环境危害，在原油利用全过程中需要对溢油现象进行准确及时的在线监测和预警。现有的溢油在线监测技术多基于油膜的光谱特性，对水体溢油进行监测及分析。存在监测尺度单一、难以兼顾监测效率与监测准确度、易受环境影响的技术问题。
发明内容
本申请的目的在于提供一种溢油在线监测预警方法与系统。用以解决现有技术中监测尺度单一、难以兼顾监测效率与监测准确度、易受环境影响的技术问题。
鉴于以上技术问题，本申请提供了一种溢油在线监测预警方法与系统。
第一方面，本申请提供了一种溢油在线监测预警方法，其中，所述方法包括：
通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；通过溢油识别模块，依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；在溢油趋势分析模块内，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；通过预警模块，根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
第二方面，本申请还提供了一种溢油在线监测预警系统，其中，所述系统包括：
多尺度图像采集模块，所述多尺度图像采集模块用于通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；溢油识别模块，所述溢油识别模块用于依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；图像序列划分模块，所述图像序列划分模块用于在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；溢油趋势分析模块，所述溢油趋势分析模块用于，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；预警模块，所述预警模块用于根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过多尺度图像采集设备在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；通过溢油识别模块，依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；在溢油趋势分析模块内，训练获取多尺度溢油趋势分析器，对第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；通过预警模块，根据中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据溢油事故级别进行预警。进而达成多尺度监测、提高监测效率及监测准确度、具有良好鲁棒性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：
图1为本申请一种溢油在线监测预警方法的流程示意图；
图2为本申请一种溢油在线监测预警方法中对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果的流程示意图；
图3为本申请一种溢油在线监测预警系统的结构示意图。
附图标记说明：多尺度图像采集模块11、溢油识别模块12、图像序列划分模块13、溢油趋势分析模块14、预警模块15。
具体实施方式
本申请通过提供一种溢油在线监测预警方法与系统，解决了现有技术面临的监测尺度单一、难以兼顾监测效率与监测准确度、易受环境影响的技术问题。
本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：
首先，基于多尺度图像采集设备在线采集待监测的目标海域红外图像，获得多尺度海域图像序列，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；接着，依据溢油像素特征阈值和溢油区域动态变化阈值，使用溢油识别模块对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；若判断结果为存在溢油现象，则对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；训练获取多尺度溢油趋势分析器，并分析第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列的溢油趋势，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；通过预警模块，根据中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，对溢油事故进行分类，获取事故等级，并根据溢油事故级别进行预警。进而达成多尺度监测、提高监测效率及监测准确度、具有良好鲁棒性的技术效果。
为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例
如图1所示，本申请提供了一种溢油在线监测预警方法，所述方法包括：
S100：通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；
其中，多尺度图像采集设备是指具有不同图像采集尺度的图像采集设备，用于对待进行溢油监测的目标海域进行在线采集，获取多尺度的多组海域图像。采集多个尺度红外图像的红外图像采集设备分别用于获取第一尺度、第二尺度和第三尺度的海域图像。以不同的尺度获取海上溢油的图像细节。
示例性的，海面上的油膜根据厚度或浓度特点可分为中央部分、连接部分、边缘部分，且中央部分油膜厚度相对最大，色彩与水体表面颜色差异最大。由于油膜的扩散，连接部分到边缘部分油膜厚度逐渐降低，油膜浓度逐渐减小。故对于油膜中央部分，通过第一尺度的红外图像采集设备获取的第一尺度海域图像即可满足中央油膜的分析精度要求，而对于油膜边缘部分及连接部分，则采用第三尺度及第二尺度的红外图像采集设备，以提高采集精度，满足油膜边缘部分及连接部分的分析精度需求。
可选的，多尺度图像采集设备为红外图像采集设备，红外图像采集技术手段具有受光线影响小，具有全天候采集能力的特点，进而得以适应不同环境条件下的海域图像采集任务。
S200：通过溢油识别模块，依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；
溢油识别模块用于对多尺度海域图像序列进行基于像素特征值的阈值分析，进而实现对溢油现象的识别和判断。可选的，溢油识别模块中的像素特征值识别阈值为动态识别阈值，这是通过对海域图像序列内的实时像素分布状态进行动态识别确定的。基于动态识别阈值进行海域图像的识别，将海域图像分为前景图像（溢油区域）和背景区域（海面图像），提高了溢油识别模块对于复杂环境条件下的海域图像进行识别的准确性和鲁棒性。
进一步的，如图2所示，步骤S200还包括：
对所述多尺度海域图像序列内的全部海域图像进行灰度化处理，获得灰度海域图像序列；
根据所述灰度海域图像序列内的灰度分布，确定识别溢油区域的第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，作为溢油像素特征阈值；
采用所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，分别对所述灰度海域图像序列内的灰度海域图像进行识别，获得第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列，其中，每个初步识别结果内包括溢油区域和背景区域；
对所述第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列内的初步识别结果内的溢油区域面积进行加权计算，获得溢油区域识别序列；
基于溢油区域动态变化阈值，对所述溢油区域识别序列进行识别，获得所述溢油判断结果。
灰度化处理是指将彩色图像转化为灰度图像的处理过程，在灰度图像中，每个像素的灰度值表示其亮度，而不包括颜色信息。这种处理方法有多个优点，包括简化图像数据、减少计算复杂性以及提取图像中的亮度信息，以便进行后续的图像分析和特征提取。常见的灰度图转换方法包括平均法、加权平均法、分量法和求和法等。
可选的，使用HIS（亮度、饱和度、色调）转换方法来实现图像的灰度化。HIS转换是将图像从RGB色彩空间转换为HIS色彩空间的一种处理方法。在HIS颜色空间中，亮度分量（L）表示图像的明暗程度，为图像的灰度信息。饱和度（S）则表示颜色的鲜艳程度或纯度，而色调（H）表示颜色的种类或基本色调。通过对多尺度海域图像序列内的全部海域图像应用HIS转换，可以提取它们的亮度分量，从而得到灰度海域图像序列。
进一步的，本实施例中将多尺度海域图像序列内的全部海域图像自RGB空间变换至HIS空间，获取亮度（L），获取公式如下：
根据灰度海域图像序列内的灰度分布，确定溢油像素特征阈值。其中，溢油像素特征阈值为图像的某一灰度值，包括第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，分别对应第一尺度海域图像、第二尺度海域图像和第三尺度海域图像。溢油像素特征阈值用于对多尺度海域图像进行图像划分，将多尺度海域图像分为溢油区域和背景区域。可选的，溢油区域可分为第一溢油区域、第二溢油区域和第三溢油区域。分别对应油膜的中央部分、连接部分和边缘部分。
可选的，对第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列内的初步识别结果内的溢油区域面积进行加权计算，获得溢油区域识别序列；其中，溢油区域识别序列包括多个时间点的溢油区域面积加权计算结果，且多个加权计算结果带有时间标记，得以反映溢油区域面积随时间变化的趋势。进一步的，基于多尺度红外图像采集设备的采集尺度比例，确定多个初步识别结果的加权求和权重系数值。权重系数值之比等于分辨率之比的倒数。通过加权计算，简化了图像配准步骤，实现了溢油区域面积的快速获取。进而提高了溢油区域识别的效率和速度，保证了在线监测的低延迟与良好时效性。
溢油区域动态变化阈值，用于根据溢油区域的面积变化情况判断上述图像中灰度分布是否为溢油现象，进而避免其他现象导致误判。其中，溢油区域的面积变化情况受到多方面的环境因素、油膜自身因素等影响，环境因素包括风向、风速、径流、随机扩散等，油膜自身因素包括溢油种类、粘度、比重、沸点温度等。此外，在油膜的漂移扩散过程中，受到油膜的蒸发因素影响。
进一步的，根据所述灰度海域图像序列内的灰度分布，确定识别溢油区域的第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，作为溢油像素特征阈值，步骤还包括：
基于所述目标海域及同类海域内的溢油监测数据记录，获取样本灰度海域图像的样本灰度分布集合，以及样本溢油区域内中央区域、连接区域和边缘区域的第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合；
采用所述样本灰度分布集合、第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合，分别构建并训练第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元；
基于训练收敛的第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元，获得动态阈值确定器；
采用所述动态阈值确定器，对所述灰度海域图像序列内的灰度分布进行识别，确定获得所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值。
可选的，样本溢油区域内中央区域、连接区域和边缘区域的第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合可以是目标海域及同类海域内的溢油监测数据记录中包含的，也可以基于样本灰度海域图像的样本灰度分布集合进行重标记获取。其中，第一样本灰度识别阈值用于划分获取油膜中央区域，第二样本灰度识别阈值和第三样本灰度识别阈值用于划分获取油膜连接区域和边缘区域。
可选的，动态阈值确定单元基于神经网络构建，用于确定灰度分布与识别阈值间的动态对应关系。进一步的，训练第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元，以样本灰度分布集合为识别阈值约束参数，第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合，为识别阈值响应参数。
可选的，第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元的网络结构包括输入层、隐藏层、全连接层、softmax层。其中，输入层用于接收识别阈值约束参数，输入层的输入分辨率与对应的图像分辨率一致。隐藏层包括多个卷积层与池化层，用于基于多维度参数的特征提取。全连接层起到分类器的作用，将特征提取得到的特征图非线性地映射成一维特征向量，该特征向量包含所有特征信息，可以转化为分类成各个类别的概率，进而通过softmax层得到多个识别阈值与对应的概率值。
通过构建并训练动态阈值确定单元，生成动态阈值确定器，实现了阈值的动态确定，提高了灰度海域图像识别的准确性，且可以通过引入不同海域的溢油监测数据记录，具有良好的可推广性。
进一步的，基于溢油区域动态变化阈值，对所述溢油区域识别序列进行识别，获得所述溢油判断结果，步骤还包括：
根据所述溢油区域识别序列，计算获取溢油区域面积平均变化率；
根据所述目标海域及同类海域的溢油事故监测数据记录，获取识别溢油区面积平均变化率的溢油区域动态变化阈值；
采用所述溢油区域动态变化阈值，对所述溢油区域面积平均变化率进行判断，获得所述溢油判断结果。
可选的，识别溢油区面积平均变化率的溢油区域动态变化阈值通过对目标海域及同类海域的溢油事故监测数据记录进行筛选获取。其中，筛选约束参数包括：溢油种类、气温、溢油面积、风速、太阳辐射、油膜初始厚度等。
可选的，识别溢油区面积平均变化率的溢油区域动态变化阈值通过基于目标海域及同类海域的溢油事故监测数据记录的模型模拟获取，模型模拟基于水动力三维数值模型ECOM-si及油膜漂移扩散模块，将油分成有限个粒子进行。
其中，示例性的，每个粒子的位置按以下公式计算：
中X0、Y0为某粒子的上一时刻坐标；X、Y为某质点的下一时刻坐标；U、V分别为X、Y方向的流速分量，由水动力数值模式计算得出；W10为海面上10m处的风速；A为风向；α为风漂移系数。在风的影响下，油膜漂移速度的增加量约为风速的2％～3％，漂移方向与风向成0°-40°夹角。由于油膜中心的漂移速度和方向是表面水流和风所引起的流速矢量之和，在模拟中使用风漂移系数α为风与海流的角度修正系数，在0．02～0．03之间；r为随机扩散项，r=RE，R为0～1之间的随机数，E为扩散系数，计算公式，其中Aα为水平扩散系数，由水动力模型提供；B为随机扩散方向，计算公式为B=2πR。
S300：在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；
可选的，对多尺度海域图像序列进行划分，基于多尺度海域图像序列中多幅图像的图像分辨率进行。用于将多尺度的海域图像划分为不同分辨率类别的图像序列，并分别输入不同的溢油趋势分析单元中。进而提高溢油趋势分析的效率与准确率。其中，对多尺度海域图像序列进行划分基于包括聚类算法、SVM支持向量机等技术原理进行。
S400：在溢油趋势分析模块内，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；
多尺度溢油趋势分析器用于在不同尺度下对海域图像序列进行综合性的分析，以及早发现和应对溢油事件。可选的，多尺度溢油趋势分析器基于适当的机器学习或深度学习模型来构建。包括卷积神经网络（CNN）、循环神经网络（RNN）、卷积循环神经网络（CRNN）等。
可选的，多尺度溢油趋势分析器内包括第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，分别基于第一尺度、第二尺度和第三尺度海域图像序列进行溢油趋势分析，进而获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果。
进一步的，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，步骤S400还包括：
对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行灰度化处理，并根据溢油像素特征阈值，识别获取第一溢油区域序列、第二溢油区域序列和第三溢油区域序列；
基于溢油监测数据记录，训练多尺度溢油趋势分析器，所述多尺度溢油趋势分析器内包括第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，每个溢油趋势分析单元内包括溢油速度趋势分析分支和溢油方向趋势分析分支；
采用所述多尺度溢油趋势分析器，对所述第一溢油区域序列、第二溢油区域序列和第三溢油区域序列进行识别，获得中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果，作为所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果。
其中，对第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行灰度化处理，并根据溢油像素特征阈值，识别获取第一溢油区域序列、第二溢油区域序列和第三溢油区域序列，基于上述同样的思路方法进行。需理解的是，为了说明书的简介，在此不做进一步的展开。
可选的，每个单元内都包含了溢油速度趋势分析分支，该分支用于分析在给定尺度下溢油的速度趋势，即溢油的扩散速度和变化，确定溢油的扩散速度和范围。同样，每个单元内也包含了溢油方向趋势分析分支。该分支用于分析在给定尺度下溢油的方向趋势，即溢油朝着何方扩散，确定溢油的扩散路径。通过将溢油趋势分析单元分为溢油速度趋势分析分支和溢油方向趋势分析分支，实现了模型深度的缩减，进而确保了趋势分析的效率与时效性。
进一步的，训练多尺度溢油趋势分析器，步骤还包括：
基于目标海域及同类海域的溢油监测数据记录，处理获取多个样本第一溢油区域序列、多个样本第二溢油区域序列和多个样本第三溢油区域序列，以及多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果；
构建所述第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，并采用样本数据对每个溢油趋势分析单元内的溢油速度趋势分析分支和溢油方向趋势分析分支进行监督训练，直到收敛；
基于收敛的第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，获得所述多尺度溢油趋势分析器。
可选的，对每个溢油趋势分析单元内的溢油速度趋势分析分支和溢油方向趋势分析分支进行监督训练，其中样本数据包括以样本第一溢油区域序列、样本第二溢油区域序列和样本第三溢油区域序列为监督训练约束参数的自变量集以及样本中央溢油速度趋势分析结果、样本中央溢油方向趋势分析结果、样本连接溢油趋势速度分析结果、样本连接溢油趋势方向分析结果、样本边缘溢油速度趋势分析结果和样本边缘溢油方向趋势分析结果为监督训练响应参数的因变量集。且自变量集与因变量集中多组参数一一对应。
可选的，监督训练的收敛基于损失函数、验证集的输出准确度、回归率、召回率、F1分数等参数值作为收敛约束进行判断。若连续预设次数的验证集参数值瞒住收敛约束的规定，则视为监督训练收敛。
S500：通过预警模块，根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
可选的，基于多尺度趋势分析结果，预警模块执行溢油事故级别的分类。分类判别条件包括各个趋势分析结果的强度、方向、速度等。其中，分类可以分为多个级别，示例性的包括无风险、低风险、中风险、高风险等级别，溢油事故级别分类反映了溢油趋势的严重性。
可选的，根据溢油事故级别，预警模块触发适当的预警操作。其中，不同级别的溢油事故对应不同的应对措施。示例性的，对于高风险的溢油事故，需要立即采取行动，如派遣清污船只或通知相关部门。对于低风险或无风险的情况，选择相对宽松的应对策略，如继续进行跟踪监测或准备应急计划等。
进一步的，根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警，步骤S500还包括：
基于目标海域及同类海域的溢油监测数据记录，获取多个样本溢油事故级别；
采用中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果作为决策分类特征，采用溢油事故级别作为决策结果；
基于决策树，根据多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果，以及多个样本溢油事故级别作为构建数据，构建包括多层决策节点的溢油事故分类器；
采用溢油事故分类器，逐层对输入的所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果进行决策判断分类，获得所述溢油事故级别。
可选的，基于上述多个趋势分析结果及对应的溢油事故级别标签，构建一个多层的决策树模型。决策树模型通过对每个决策节点的特征进行分析，逐步划分数据集，以最终对样本进行分类。其中，决策树的每个节点代表一个特征和一个阈值，决策树的叶节点代表最终的分类结果，即溢油事故级别。通过决策树模型根据不同趋势分析结果快速准确地判断溢油事故的严重程度，并便采取适当的行动和预警。
综上所述，本发明所提供的一种溢油在线监测预警方法具有如下技术效果：
通过多尺度图像采集设备在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；通过溢油识别模块，依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；在溢油趋势分析模块内，训练获取多尺度溢油趋势分析器，对第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；通过预警模块，根据中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据溢油事故级别进行预警。进而达成多尺度监测、提高监测效率及监测准确度、具有良好鲁棒性的技术效果。
实施例
基于与所述实施例中一种溢油在线监测预警方法同样的构思，如图3所示，本申请还提供了一种溢油在线监测预警系统，所述系统配置于一溢油在线监测预警装置，所述装置包括多尺度图像采集设备、溢油识别模块、溢油趋势分析模块和预警模块，所述系统包括：
多尺度图像采集模块11，用于通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；
溢油识别模块12，用于依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；
图像序列划分模块13，用于在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；
溢油趋势分析模块14，用于，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；
预警模块15，用于根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
进一步的，溢油识别模块12还包括：
灰度处理单元，用于对所述多尺度海域图像序列内的全部海域图像进行灰度化处理，获得灰度海域图像序列；
阈值选取单元，用于根据所述灰度海域图像序列内的灰度分布，确定识别溢油区域的第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，作为溢油像素特征阈值；
初步识别单元，用于采用所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，分别对所述灰度海域图像序列内的灰度海域图像进行识别，获得第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列，其中，每个初步识别结果内包括溢油区域和背景区域；
面积累积单元，用于对所述第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列内的初步识别结果内的溢油区域面积进行加权计算，获得溢油区域识别序列；
识别判定单元，用于基于溢油区域动态变化阈值，对所述溢油区域识别序列进行识别，获得所述溢油判断结果。
进一步的，阈值选取单元还包括：
样本数据获取单元，用于基于所述目标海域及同类海域内的溢油监测数据记录，获取样本灰度海域图像的样本灰度分布集合，以及样本溢油区域内中央区域、连接区域和边缘区域的第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合；
动态阈值训练单元，用于采用所述样本灰度分布集合、第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合，分别构建并训练第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元；
动态阈值确定器确定单元，用于基于训练收敛的第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元，获得动态阈值确定器；
动态阈值识别单元，用于采用所述动态阈值确定器，对所述灰度海域图像序列内的灰度分布进行识别，确定获得所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值。
进一步的，识别判定单元还包括：
变化率计算单元，用于根据所述溢油区域识别序列，计算获取溢油区域面积平均变化率；
变化阈值获取单元，用于根据所述目标海域及同类海域的溢油事故监测数据记录，获取识别溢油区面积平均变化率的溢油区域动态变化阈值；
变化率判别单元，用于采用所述溢油区域动态变化阈值，对所述溢油区域面积平均变化率进行判断，获得所述溢油判断结果。
进一步的，溢油趋势分析模块14还包括：
区域灰度处理单元，用于对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行灰度化处理，并根据溢油像素特征阈值，识别获取第一溢油区域序列、第二溢油区域序列和第三溢油区域序列；
溢油趋势分析器训练单元，用于基于溢油监测数据记录，训练多尺度溢油趋势分析器，所述多尺度溢油趋势分析器内包括第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，每个溢油趋势分析单元内包括溢油速度趋势分析分支和溢油方向趋势分析分支；
溢油趋势分析单元，用于采用所述多尺度溢油趋势分析器，对所述第一溢油区域序列、第二溢油区域序列和第三溢油区域序列进行识别，获得中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果，作为所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果。
进一步的，溢油趋势分析器训练单元还包括：
样本提取单元，用于基于目标海域及同类海域的溢油监测数据记录，处理获取多个样本第一溢油区域序列、多个样本第二溢油区域序列和多个样本第三溢油区域序列，以及多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果；
构建训练单元，用于构建所述第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，并采用样本数据对每个溢油趋势分析单元内的溢油速度趋势分析分支和溢油方向趋势分析分支进行监督训练，直到收敛；
趋势分析单元设定单元，用于基于收敛的第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，获得所述多尺度溢油趋势分析器。
进一步的，预警模块还包括：
事故级别样本单元，用于基于目标海域及同类海域的溢油监测数据记录，获取多个样本溢油事故级别；
变量设定单元，用于采用中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果作为决策分类特征，采用溢油事故级别作为决策结果；
决策构建单元，用于基于决策树，根据多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果，以及多个样本溢油事故级别作为构建数据，构建包括多层决策节点的溢油事故分类器；
溢油事故分类单元，用于采用溢油事故分类器，逐层对输入的所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果进行决策判断分类，获得所述溢油事故级别。
应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的一种溢油在线监测预警系统，为了说明书的简洁，在此不做进一步的展开。
应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。
Claims (8)
1.一种溢油在线监测预警方法，其特征在于，所述方法应用于一溢油在线监测预警装置，所述装置包括多尺度图像采集设备、溢油识别模块、溢油趋势分析模块和预警模块，所述方法包括：
通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；
通过溢油识别模块，依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；
在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；
在溢油趋势分析模块内，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；
通过预警模块，根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
对所述多尺度海域图像序列内的全部海域图像进行灰度化处理，获得灰度海域图像序列；
根据所述灰度海域图像序列内的灰度分布，确定识别溢油区域的第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，作为溢油像素特征阈值；
采用所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值，分别对所述灰度海域图像序列内的灰度海域图像进行识别，获得第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列，其中，每个初步识别结果内包括溢油区域和背景区域；
对所述第一初步识别结果序列、第二初步识别结果序列和第三初步识别结果序列内的初步识别结果内的溢油区域面积进行加权计算，获得溢油区域识别序列；
基于溢油区域动态变化阈值，对所述溢油区域识别序列进行识别，获得所述溢油判断结果。
3.根据权利要求2所述的方法，其特征在于，所述方法包括：
基于所述目标海域及同类海域内的溢油监测数据记录，获取样本灰度海域图像的样本灰度分布集合，以及样本溢油区域内中央区域、连接区域和边缘区域的第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合；
采用所述样本灰度分布集合、第一样本灰度识别阈值集合、第二样本灰度识别阈值集合和第三样本灰度识别阈值集合，分别构建并训练第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元；
基于训练收敛的第一动态阈值确定单元、第二动态阈值确定单元和第三动态阈值确定单元，获得动态阈值确定器；
采用所述动态阈值确定器，对所述灰度海域图像序列内的灰度分布进行识别，确定获得所述第一动态识别阈值、第二动态识别阈值和第三动态识别阈值。
4.根据权利要求2所述的方法，其特征在于，所述方法包括：
根据所述溢油区域识别序列，计算获取溢油区域面积平均变化率；
根据所述目标海域及同类海域的溢油事故监测数据记录，获取识别溢油区面积平均变化率的溢油区域动态变化阈值；
采用所述溢油区域动态变化阈值，对所述溢油区域面积平均变化率进行判断，获得所述溢油判断结果。
5.根据权利要求1所述的方法，其特征在于，所述方法包括：
对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行灰度化处理，并根据溢油像素特征阈值，识别获取第一溢油区域序列、第二溢油区域序列和第三溢油区域序列；
基于溢油监测数据记录，训练多尺度溢油趋势分析器，所述多尺度溢油趋势分析器内包括第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，每个溢油趋势分析单元内包括溢油速度趋势分析分支和溢油方向趋势分析分支；
采用所述多尺度溢油趋势分析器，对所述第一溢油区域序列、第二溢油区域序列和第三溢油区域序列进行识别，获得中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果，作为所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果。
6.根据权利要求5所述的方法，其特征在于，所述方法包括：
基于目标海域及同类海域的溢油监测数据记录，处理获取多个样本第一溢油区域序列、多个样本第二溢油区域序列和多个样本第三溢油区域序列，以及多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果；
构建所述第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，并采用样本数据对每个溢油趋势分析单元内的溢油速度趋势分析分支和溢油方向趋势分析分支进行监督训练，直到收敛；
基于收敛的第一溢油趋势分析单元、第二溢油趋势分析单元和第三溢油趋势分析单元，获得所述多尺度溢油趋势分析器。
7.根据权利要求6所述的方法，其特征在于，所述方法包括：
基于目标海域及同类海域的溢油监测数据记录，获取多个样本溢油事故级别；
采用中央溢油速度趋势分析结果、中央溢油方向趋势分析结果、连接溢油速度趋势分析结果、连接溢油方向趋势分析结果、边缘溢油速度趋势分析结果和边缘溢油方向趋势分析结果作为决策分类特征，采用溢油事故级别作为决策结果；
基于决策树，根据多个样本中央溢油速度趋势分析结果、多个样本中央溢油方向趋势分析结果、多个样本连接溢油趋势速度分析结果、多个样本连接溢油趋势方向分析结果、多个样本边缘溢油速度趋势分析结果和多个样本边缘溢油方向趋势分析结果，以及多个样本溢油事故级别作为构建数据，构建包括多层决策节点的溢油事故分类器；
采用溢油事故分类器，逐层对输入的所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果进行决策判断分类，获得所述溢油事故级别。
8.一种溢油在线监测预警系统，其特征在于，所述系统配置于一溢油在线监测预警装置，所述装置包括多尺度图像采集设备、溢油识别模块、溢油趋势分析模块和预警模块，所述系统包括：
多尺度图像采集模块，所述多尺度图像采集模块用于通过多尺度图像采集设备，在线采集待进行溢油监测的目标海域内的红外图像，获得多尺度海域图像序列，其中，多尺度图像采集设备内包括采集多个尺度红外图像的红外图像采集设备，每组多尺度海域图像包括分辨率依次增大的第一尺度海域图像、第二尺度海域图像和第三尺度海域图像；
溢油识别模块，所述溢油识别模块用于依据溢油像素特征阈值和溢油区域动态变化阈值，对多尺度海域图像序列进行溢油现象识别，获得溢油判断结果；
图像序列划分模块，所述图像序列划分模块用于在溢油判断结果为是时，对多尺度海域图像序列进行划分，获得第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列；
溢油趋势分析模块，所述溢油趋势分析模块用于，训练获取多尺度溢油趋势分析器，对所述第一尺度海域图像序列、第二尺度海域图像序列和第三尺度海域图像序列进行溢油趋势分析，获取中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果；
预警模块，所述预警模块用于根据所述中央溢油趋势分析结果、连接溢油趋势分析结果和边缘溢油趋势分析结果，进行溢油事故级别分类，获取溢油事故级别，并根据所述溢油事故级别进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311390076.5A CN117115175B (zh) | 2023-10-25 | 2023-10-25 | 一种溢油在线监测预警方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311390076.5A CN117115175B (zh) | 2023-10-25 | 2023-10-25 | 一种溢油在线监测预警方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115175A true CN117115175A (zh) | 2023-11-24 |
| CN117115175B CN117115175B (zh) | 2024-01-09 |
Family
ID=88798827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311390076.5A Active CN117115175B (zh) | 2023-10-25 | 2023-10-25 | 一种溢油在线监测预警方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115175B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 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 |
| CN113901945A (zh) * | 2021-10-29 | 2022-01-07 | 中国石油大学(华东) | 一种基于Faster RCNN的海面溢油检测方法及系统 |
| CN114063074A (zh) * | 2021-11-22 | 2022-02-18 | 江苏科技大学 | 一种基于小波阈值变换的sar图像溢油检测方法 |
| CN115471749A (zh) * | 2022-09-06 | 2022-12-13 | 北京控制工程研究所 | 地外探测无监督学习的多视角多尺度目标识别方法及系统 |
| CN116580326A (zh) * | 2023-06-25 | 2023-08-11 | 易创智芯(西安)科技有限公司 | 一种航空环境安全风险防控检测及预警系统 |
-
2023
- 2023-10-25 CN CN202311390076.5A patent/CN117115175B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113177929A (zh) * | 2021-05-18 | 2021-07-27 | 中国石油大学(华东) | 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 |
| CN113901945A (zh) * | 2021-10-29 | 2022-01-07 | 中国石油大学(华东) | 一种基于Faster RCNN的海面溢油检测方法及系统 |
| CN114063074A (zh) * | 2021-11-22 | 2022-02-18 | 江苏科技大学 | 一种基于小波阈值变换的sar图像溢油检测方法 |
| CN115471749A (zh) * | 2022-09-06 | 2022-12-13 | 北京控制工程研究所 | 地外探测无监督学习的多视角多尺度目标识别方法及系统 |
| CN116580326A (zh) * | 2023-06-25 | 2023-08-11 | 易创智芯(西安)科技有限公司 | 一种航空环境安全风险防控检测及预警系统 |
Non-Patent Citations (2)
| Title |
|---|
| 薛浩洁, 种劲松: "基于反对称二进小波的SAR图像海洋表面油膜检测方法", 电子与信息学报, no. 04 * |
| 马百雪;潘宏侠;韩吉衢;: "海洋SAR图像分割及边缘梯度特征的提取", 计算机工程与设计, no. 08 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115175B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN111563473B (zh) | 基于密集特征融合和像素级注意力的遥感舰船识别方法 | |
| CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
| CN112836713A (zh) | 基于图像无锚框检测的中尺度对流系统识别与追踪方法 | |
| CN105825511A (zh) | 一种基于深度学习的图片背景清晰度检测方法 | |
| CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
| CN112052817A (zh) | 基于迁移学习的改进YOLOv3模型侧扫声纳沉船目标自动识别方法 | |
| CN112365468A (zh) | 基于AA-gate-Unet的海上风电塔筒涂层缺陷检测方法 | |
| CN110110765B (zh) | 一种基于深度学习的多源数据融合目标识别方法 | |
| CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
| CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
| CN112784757B (zh) | 海上sar舰船目标显著性检测与识别方法 | |
| CN111340116A (zh) | 一种转炉火焰识别方法、系统、电子设备及介质 | |
| CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
| CN113052215A (zh) | 基于神经网络可视化的声呐图像自动目标识别方法 | |
| CN113379737A (zh) | 基于图像处理及深度学习的管道缺陷智能检测方法及应用 | |
| CN115965862A (zh) | 基于掩码网络融合图像特征的sar舰船目标检测方法 | |
| CN117576079A (zh) | 一种工业产品表面异常检测方法、装置及系统 | |
| CN116152678A (zh) | 小样本条件下基于孪生神经网络的海洋承灾体识别方法 | |
| CN108734122A (zh) | 一种基于自适应样本选择的高光谱城区水体检测方法 | |
| CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
| CN113870224A (zh) | 一种洪水监测方法、系统、设备和介质 | |
| CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| CN117115175B (zh) | 一种溢油在线监测预警方法与系统 | |
| CN116434258A (zh) | 一种表格数据的自动识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |