【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于深度学习的u-segformer石油溢油检测方法。
技术介绍
1、石油溢油是一种严重的环境污染事件，通常发生在石油运输、钻探和生产过程中。一旦发生溢油事故，石油会迅速扩散，污染海洋和沿海生态系统，严重影响海洋生物的生存环境，甚至对人类健康和经济活动造成极大损害。因此，及时、准确地检测和监测石油溢油是非常必要的。传统的石油溢油检测方法主要依赖于现场取样和实验室分析，这些方法虽然精确，但过程繁琐、耗时且成本高。此外，遥感技术和雷达技术也被广泛应用于石油溢油的检测和监测，但这些方法在分辨率和准确性方面仍存在一定的局限性。
2、随着深度学习技术的迅猛发展，尤其是卷积神经网络(cnn)和transformer在计算机视觉领域的广泛应用，基于深度学习的图像分割方法在石油溢油检测中展现出巨大的潜力。然而传统的图像分割方法，在处理复杂背景和变化多端的环境时表现不佳。而transformer模型虽然在捕捉全局信息方面表现出色，但计算复杂度较高，难以直接应用于高分辨率遥感图像的处理。
技术实现思路
1、针对上述领域应用效果不佳、计算复杂度高、分割结果不准确或不连续的技术问题，本技术方案提供了一种基于深度学习的u-segformer石油溢油检测方法，新构建的模型结构能够有效保留和利用高分辨率的空间信息，使得模型在处理复杂的石油溢油检测任务时，能够更好地保留和分割细节。提高模型训练速度的同时提高了模型分割精度；能有效的解决上述问题。
2、本专
3、一种基于深度学习的u-segformer石油溢油检测方法，包括步骤：
4、步骤1：数据准备：使用遥感卫星采集的溢油图像作为实验数据，并对溢油图像数据根据溢油级别进行人工标注，并制作成数据集；将数据集按照一定比例分割为训练集、验证集和测试集，确保训练集、验证集和测试集中包含相同比例的不同溢油级别的图像，以保证模型的泛化能力；
5、步骤2：搭建模型：u-segformer模型的网络架构可以分为编码器、瓶颈层和解码器三个主要部分；输入大小为h×w×1的图片进入编码器，h表示图像高度，w表示图像宽度，1表示图像通道数；编码器通过三个阶段逐步处理输入图像，并输出三个不同分辨率的特征图，最低分辨率的特征图进入瓶颈层，瓶颈层进一步提取全局特征，输出处理后的特征图进入解码器，解码器经过三个阶段最终输出生成最终分割结果；
6、步骤3：训练模型：使用公开数据集和步骤1中溢油图像数据集的训练集、验证集对u-segformer模型进行预训练和微调，得到分割模型y；
7、步骤4：分割后处理，使用步骤1中溢油图像数据集的测试集测试模型，得到初始分割结果，然后进行后处理，得到最终的分割结果。
8、进一步的，步骤2所述u-segformer模型的具体实现过程如下：
9、步骤2.1：输入大小为h×w×1的图像，经过编码器的三个阶段，每个阶段包含一个opm模块和两个effi-transformer模块，opm模块在u-segformer模型中的主要作用是优化特征图的处理和合并，通过提高特征的表达能力和计算效率，帮助模型在溢油图像分割任务中取得更好的效果；三个阶段会输出特征图xs1，xs2，xs3，其中
10、
11、步骤2.2：特征图通过一个opm模块进入瓶颈层，在瓶颈层通过一个effi-transformer模块处理最低分辨率的特征，输出特征图
12、步骤2.3：瓶颈层的输出通过patch expanding扩大特征图的分辨率，特征图通过两个effi-transformer模块处理，并结合的跳跃链连接特征，输出特征的大小为xr3通过patch expanding进一步扩大特征图的分辨率，特征通过两个effi-transformer模块处理，并结合的跳跃连接特征，此阶段的输出特征大小为xr2通过patch expanding进一步扩大特征图的分辨率，特征通过两个effi-transformer模块处理，并结合的跳跃链连接特征，此阶段的输出特征大小为xr1通过一个patch expanding，将特征图恢复到原始输入图像的分辨率，输出的特征大小为h×w×c0、。
13、进一步的，步骤2.1中所述effi-transformer模块的具体实现过程如下：
14、步骤2.1.1：将大小为h×w×1的图像作为effi-transformer模块的输入；
15、步骤2.1.2：使用自注意力机制self-attn来处理输入的特征图，捕捉全局信息；
16、步骤2.1.3：自注意力机制的输出通过一个混合前馈网络mix-ffn进行进一步处理；步骤2.1.4：最终输出的特征图用于后续处理。
17、进一步的，所述步骤2.1.2的具体操作方式为：
18、步骤2.1.2.1：输入大小为n×c的特征图，其中n是特征图的空间尺寸，如特征图的像素数；c是通道数；
19、步骤2.1.2.2：输入特征图通过三个线性变换分别生成查询q、键k和值v：
20、·q＝xwq：生成查询矩阵，大小为n×c；
21、·k＝xwk:生成键矩阵，大小为
22、·v＝xwv：生成值矩阵，大小为
23、其中，x是输入特征图，wq，wk和wv是对应的线性变换矩阵；
24、步骤2.1.2.3：计算查询矩阵和键矩阵的点积，并进行缩放和softmax操作以获得注意力权重：
25、点积：qkt，结果大小为
26、缩放：除以其中di是键矩阵的维度，通常等于c；
27、softmax:对缩放后的结果应用softmax函数，得到注意力权重矩阵，大小为
28、步骤2.1.2.4：加权求和：将注意力权重矩阵与值矩阵v相乘，得到加权求和的结果：
29、·结果大小为n×c。
30、进一步的，所述步骤2.1.3的具体操作方式为：
31、步骤2.1.3.1：通过自注意力机制处理过的特征图，先通过一个多层感知机(mlp)层对特征进行初步处理和变换；
32、步骤2.1.3.2：mlp输出的特征图经过一个3×3的卷积层捕捉局部空间特征；
33、步骤2.1.3.3：卷积层输出通过一个gelu激活函数进行变换；
34、步骤2.1.3.4：在卷积和激活函数之后，再通过另一个mlp层进行进一步的特征处理和变换。
35、进一步的，步骤2.3中所述patch expanding模块的具体实现过程如下：
36、步骤2.3.1：输入一个拼接后的特征图，大小为
37、步骤2.3.2：通过一个线性变换将输入特征图的通道数从4c减少到c，得到融合特征图，大小为
38、步骤2.3.3：将融合特征图通过另一个线性变换，通道数从c增加到2本文档来自技高网...
【技术保护点】
1.一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：包括步骤：
2.根据权利要求1所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：步骤2所述U-SegFormer模型的具体实现过程如下：
3.根据权利要求2所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：步骤2.1中所述Effi-Transformer模块的具体实现过程如下：
4.根据权利要求3所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：所述步骤2.1.2的具体操作方式为：
5.根据权利要求3所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：所述步骤2.1.3的具体操作方式为：
6.根据权利要求2所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：步骤2.3中所述Patch Expanding模块的具体实现过程如下：
7.根据权利要求1所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特
8.根据权利要求7所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：步骤3.2的具体操作方式为：
9.根据权利要求1所述的一种基于深度学习的U-SegFormer石油溢油检测方法，其特征在于：步骤4中所述的对初始分割模型进行后处理的具体实现过程如下：
...【技术特征摘要】
1.一种基于深度学习的u-segformer石油溢油检测方法，其特征在于：包括步骤：
2.根据权利要求1所述的一种基于深度学习的u-segformer石油溢油检测方法，其特征在于：步骤2所述u-segformer模型的具体实现过程如下：
3.根据权利要求2所述的一种基于深度学习的u-segformer石油溢油检测方法，其特征在于：步骤2.1中所述effi-transformer模块的具体实现过程如下：
4.根据权利要求3所述的一种基于深度学习的u-segformer石油溢油检测方法，其特征在于：所述步骤2.1.2的具体操作方式为：
5.根据权利要求3所述的一种基于深度学习的u-segformer石油溢油检测方法...
【专利技术属性】
技术研发人员：卢伟彬，于永涛，张蓝天，顾函竹，黄龙，吴庆国，陆军，罗晨风，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。