【技术实现步骤摘要】
本专利技术涉及海上溢油，特别是涉及一种小尺度水域水面溢油信息识别方法。
技术介绍
1、石油作为重要珍惜资源，主要靠海上钻井平台开采石油以及世界上几大产油国产出石油。目前石油的主要运输方式靠的是海上船舶运输。随着时代的发展，现代化工业社会对石油的需求量越来越大，石油贸易额逐步的增大，极大的推动了海上运输事业的发展，在过去的几十年里船舶海上运输因为其运输的稳定性以运输成本低廉的特点得到大力发展。与海上运输业同时发展的还有海上石油的开采，世界各国为了满足经济发展的需要，投入了越来越多海上钻井平台用于开采海洋中的石油资源。但是与此同时也伴随着海上溢油事故的频繁发生。
2、海上溢油对海洋环境的危害严重，提升防范举措和加强溢油事故发生后的应急响应能力至关重要，这对减少事故的影响具有显著作用。一旦溢油事故发生，快速而准确地识别水面上的溢油信息，是实施高效应急措施的首要步骤，对于迅速控制事故发展态势具有决定性意义。目前常用的海上溢油监测方法有卫星遥感监测、飞机巡逻监测、巡逻船监测、固定点监测和浮标监测等方式。卫星遥感监测具有全天候、大范围、高精度等优点，是监测环境的有力方式；飞机巡逻监测具有实时性强、准确性高的优点，但需要消耗较多的人力同时范围小，区域性强；巡逻船监测具有机动性强等优点，但受天气和环境条件影响较大；固定点监测具有反应灵敏、能全天候监测的优点，但是范围小、设备易损坏以及机动性差；海洋浮标监测可以有效地、自动地、全天地采集、标识和发送海洋环境数据，但是无法直观的显示溢油区域的现场情况。
3、因此近年来国内外研
技术实现思路
1、本专利技术的目的是提供一种小尺度水域水面溢油信息识别方法，利用深度学习的u-net模型对sar图像进行溢油区域检测，能准确地识别出sar图像中的溢油区域，实现对小尺度水域sar图像中溢油区域的分割。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种小尺度水域水面溢油信息识别方法，包括：
4、采集目标水域水面的sar图像；
5、将所述sar图像输入预设的识别模型中，获取包含溢油区域和非溢油区域的分割图像，其中，所述识别模型通过训练集训练u-net模型获得，所述训练集中包括若干标注有溢油区域和非溢油区域的溢油图像；
6、对所述分割图像进行细化处理，获取最终分割图像，完成所述目标水域水面的溢油信息识别。
7、可选地，通过训练集训练所述u-net模型之前还包括对所述训练集进行预处理，进行所述预处理包括：
8、将所述溢油图像中的溢油区域表示为掩码的形式；
9、将所述溢油图像及其掩码转换为灰度图，再将所述灰度图转换成数组后进行归一化。
10、可选地，所述u-net模型包括编码器、解码器和瓶颈层，所述编码器用于通过逐层降低分辨率并增加特征通道数，提取包含所述溢油图像上下文信息的特征图；所述瓶颈层用于将所述特征图输入所述解码器，所述解码器与所述编码器跳跃连接，用于逐层减半特征通道数对所述特征图进行信息恢复，并将所述特征图进行像素级分类，输出包含溢油区域和非溢油区域的分割图像。
11、可选地，所述编码器包括依次连接的四个卷积块，且每个卷积块后连接最大池化层，其中，每个卷积块包含两个结构相同的第一卷积层，每个第一卷积层使用relu激活函数和he_normal初始化。
12、可选地，所述解码器包括四个上采样层，每个上采样层后连接两个结构相同的第二卷积层，最后采用第三卷积层通过sigmoid激活函数输出最终图像，所述第二卷积层与第三卷积层大小不同。
13、可选地，所述瓶颈层包括两个相同结构的第四卷积层，所述瓶颈层和所述编码器的最后一个卷积块中均加入一个dropout层，用于减少过拟合。
14、可选地，通过训练集训练所述u-net模型时采用adam优化器，损失函数采用二元交叉熵，同时采用准确率作为性能评估指标，当损失值和准确率均达到预设要求，训练完成。
15、可选地，对所述分割图像进行细化处理包括：
16、对所述分割图像进行膨胀、腐蚀、平滑处理，获取所述最终分割图像。
17、本专利技术的有益效果为：
18、本专利技术利用深度学习的u-net模型对sar图像进行溢油区域检测，利用开源的sos数据集作为模型的训练集和测试集，模型采用准确率作为评估指标，训练后模型的准确率达到90％；使用训练后的u-net模型对sar图像进行溢油区域识别，能准确地识别出sar图像中的溢油区域，实现对小尺度水域sar图像中溢油区域的分割。
本文档来自技高网...【技术保护点】
1.一种小尺度水域水面溢油信息识别方法，其特征在于，包括：
2.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，通过训练集训练所述U-Net模型之前还包括对所述训练集进行预处理，进行所述预处理包括：
3.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，所述U-Net模型包括编码器、解码器和瓶颈层，所述编码器用于通过逐层降低分辨率并增加特征通道数，提取包含所述溢油图像上下文信息的特征图；所述瓶颈层用于将所述特征图输入所述解码器，所述解码器与所述编码器跳跃连接，用于逐层减半特征通道数对所述特征图进行信息恢复，并将所述特征图进行像素级分类，输出包含溢油区域和非溢油区域的分割图像。
4.根据权利要求3所述的小尺度水域水面溢油信息识别方法，其特征在于，所述编码器包括依次连接的四个卷积块，且每个卷积块后连接最大池化层，其中，每个卷积块包含两个结构相同的第一卷积层，每个第一卷积层使用ReLU激活函数和he_normal初始化。
5.根据权利要求3所述的小尺度水域水面溢油信息识别方法，其特征在于，所述解码器包括四个上
6.根据权利要求3所述的小尺度水域水面溢油信息识别方法，其特征在于，所述瓶颈层包括两个相同结构的第四卷积层，所述瓶颈层和所述编码器的最后一个卷积块中均加入一个Dropout层，用于减少过拟合。
7.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，通过训练集训练所述U-Net模型时采用Adam优化器，损失函数采用二元交叉熵，同时采用准确率作为性能评估指标，当损失值和准确率均达到预设要求，训练完成。
8.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，对所述分割图像进行细化处理包括：
...【技术特征摘要】
1.一种小尺度水域水面溢油信息识别方法，其特征在于，包括：
2.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，通过训练集训练所述u-net模型之前还包括对所述训练集进行预处理，进行所述预处理包括：
3.根据权利要求1所述的小尺度水域水面溢油信息识别方法，其特征在于，所述u-net模型包括编码器、解码器和瓶颈层，所述编码器用于通过逐层降低分辨率并增加特征通道数，提取包含所述溢油图像上下文信息的特征图；所述瓶颈层用于将所述特征图输入所述解码器，所述解码器与所述编码器跳跃连接，用于逐层减半特征通道数对所述特征图进行信息恢复，并将所述特征图进行像素级分类，输出包含溢油区域和非溢油区域的分割图像。
4.根据权利要求3所述的小尺度水域水面溢油信息识别方法，其特征在于，所述编码器包括依次连接的四个卷积块，且每个卷积块后连接最大池化层，其中，每个卷积块包含两个结构相同的第一卷积层，每个第一卷积层使用...
【专利技术属性】
技术研发人员：李凯，王健华，罗小青，刘乔，贾宝柱，
申请(专利权)人：广东海洋大学，
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。