详情

原文传递基于SAR图像的海上溢油区域检测方法研究

论文题名：	基于SAR图像的海上溢油区域检测方法研究
关键词：	海上溢油;SAR图像;语义分割;目标检测;油粒子模型
摘要：	随着科技的发展和工业的进步，我国的航运事业和海上石油开采项目也迅速发展，但同时由于船舶事故和海上石油开发和运输中操作失误导致的溢油事故也相对频发，漂浮在海面上的溢油严重威胁海上交通安全和海洋生态环境。合成孔径雷达（SyntheticApertureRadar,SAR）作为海洋环境监测的主要技术之一，通过对合成孔径雷达拍摄的图像信息进行处理和分析，可以有效地提高海上溢油检测识别的精度和应急处置能力。随着SAR系统在海洋环境监测方面的不断发展和应用，SAR图像数据不仅得到了丰富的积累，并包含了更多的极化散射信息，有利于实现海上溢油区域的提取和检测。但是，SAR溢油区域检测仍然存在不同SAR系统获取的图像信息和性能参数差异有待研究，SAR图像溢油区域检测与溢油自身物理特性关联性研究不足，溢油检测识别精度有待进一步提高等问题。本文针对SAR图像高噪声、边界模糊、强度不均匀的特点，以深度学习算法为基础，对不同SAR系统采集的图像信息进行溢油区域识别和分割工作；结合溢油的物理特性，基于“油粒子”溢油漂移扩散预测模型，构建一种油粒子参考部署方法。本文的主要研究工作如下：　　（1）针对不同SAR系统图像数据和性能参数差异问题，提出了一种双注意编码溢油检测网络(DualAttentionEncodingNetwork,DAENet)。该网络采用U型的编码器-解码器网络结构，采用了双注意编码器来自适应的捕捉局部特征和全局特征之间的相关性；并且在损失函数中加入GP（GradientProfile）Loss与DAENet组合使用。进一步，使用开源数据集SOS（DeepSAROilSpilldataset）对DAENet进行训练和测试工作，在SOS中的PALSAR测试集上获得了85%mIoU得分和的86.1%F1得分，在Sentinel-1测试集中获得了85.7%的mIoU得分和89.8%的F1得分。本文同时使用自制的Gaofen-3测试集对实验结果进行测试，在该数据集上获得了92.2%的mIoU得分和95.06%的F1得分，实验结果表明均为同类语义分割模型的最高得分。　　（2）针对深度学习语义分割模型区分溢油区域和类油膜区域精度低的问题，amp;nbsp;本文基于MKLab（MultimediaKnowledgeandSocialMediaAnalyticsLaboratory）实验室的多尺度SAR图像溢油数据集，基于TransUnet语义分割模型进行了实验，提出了一种改进的YOLOv5目标检测模型在其中加入注意力机制，用于区分SAR图像中的溢油区域和类溢油区域，进一步制作基于MKLab数据集的溢油目标检测数据集，用于溢油目标检测算法模型的训练和测试，结果表明改进的YOLOv5模型平均精度（mAP）为88%，实现了大尺度SAR图像溢油区域较为精确的提取。　　（3）针对油粒子模型缺乏实时溢油运动数据对预测进行校正问题，本文基于SAR图像与油粒子模型，结合溢油自身物理特性，并融合SAR图像中溢油区域的分割结果，提出了一种近正态分布矩阵与SAR图像矩阵相结合的油粒子部署算法，近正态分布矩阵用于描述溢油自身的物理特性，SAR图像矩阵则由图像灰度值直接得出，二者加权用以描述油粒子分布情况。该算法可以使油粒子的分布更接近真实情况，从而在油粒子模型建立时为其部署方法提供了一个新的参考方式，进一步提高海上溢油漂移扩散的预测精度。
作者：	翟基锭
专业：	计算机科学与技术
导师：	邱秀芹;牟春晓
授予学位：	硕士
授予学位单位：	烟台大学
学位年度：	2023