文摘

石油泄漏事故逐渐增加由于海洋运输和石油加工业的不断发展。监视和管理海洋石油泄漏重要的经济,社会和实际意义在防止海洋石油污染,维护生态平衡。无人机(UAV)已成为一个合适的载体低空石油泄漏检测因其快速部署和低成本。热红外遥感图像作为本研究的研究对象。方法在梯度直方图(猪)特性与支持向量机(SVM)相结合提出了识别海上石油泄漏改善海上低空溢油识别的准确性,实现全天候的监控在近海水域海上石油泄漏。步骤提取猪特征和支持向量机分类的基本原则首先调查。图像预处理,然后进行热红外图像数据收集生产样品。猪样本的特征提取,选择径向基函数作为核函数训练SVM分类器。猪的特征红外图像进行测试计算,然后发送到分类器识别石油泄漏。此外,该方法与反向传播(BP)神经网络方法和局部二值模式(LBP)结合支持向量机分类方法进行分析。 The results show that the oil film recognition method based on the HOG feature and SVM has a recognition accuracy of 91.3% in the environment of small infrared oil film samples, which is significantly better than the BP and LBP-SVM recognition methods, and obtains a shorter training time. The method proposed in this study has obvious advantages in terms of small sample size and processing efficiency, can meet the requirements of all-weather inspection of oil film pollutants by UAV in offshore port areas, and has great application potential in the field of maritime supervision informatization in the future.

1。介绍

石油可能泄漏到海里在其采矿、炼油、水路运输,存储,运输,对生态环境造成破坏,甚至威胁到人类社会的可持续发展。增加人类活动在海洋、海岸和近海地区的持续发展海洋经济增加了海洋石油泄漏发生的风险。根据国际油轮船东污染联合会的统计数据(ITOPFF),每年超过240的石油泄漏事故发生在世界各地在过去的40年。超过50吨的石油泄漏发生在全球112个国家的水域在同一时期(1]。石油泄漏事件严重破坏了海洋的生态环境区域,威胁沿海地区的工业和渔业生产的污染来源。海洋石油泄漏的识别提供了必要的经济和社会实际意义的石油泄漏污染的监测和治理(2- - - - - -5]。

目前,发达国家一般使用高空卫星和低空航空探测石油泄漏监测。利用卫星遥感监测大规模石油泄漏,而低空航拍监控应用来验证卫星遥感监测结果和详细观察石油泄漏区域。无人机(UAV)监测是一种有效的工具来识别海上石油泄漏由于其长期,低成本效益比,灵活的机动性,高清摄像机(6]。

迄今为止,许多研究人员进行了研究海洋石油泄漏检测。Fingas和棕色(7)概述了各种遥感方法被用来检测海上石油泄漏和指出,这些技术可以安装在飞机或卫星大面积的检验。雷达探测石油泄漏已广泛应用于航空飞机巡逻,和合成孔径雷达(SAR)能有效区分油、藻类和浮游生物8- - - - - -10]。然而,微型和轻型SAR可安装在小型无人机仍处于开发阶段,和石油泄漏检测结果仍未测试(11]。另一个是基于荧光检测方法。光源通常是一个紫外线(UV)使用荧光激光对准目标(12]。段et al。13)建造了一个检测系统监测激光荧光通过无人机在水下环境中。研究人员进行了示范遥感在一个固定的距离测量和记录自然水的量与荧光标记,浮油和染料的高度大约10米。然而,这项技术不适合白天的检测。方等。14)展示了不同反射系数的水和油膜在紫外波长范围。黄等。15)表明,紫外线反射图像的灵敏度用于石油泄漏检测显著高于可见光。然而,紫外线图像受到许多因素的干扰,如阳光、浮油和生物材料。提出的一些算法,如詹et al。16),可以用来降低干扰。安德里亚et al。17)利用阈值技术在近红外光谱检测石油泄漏(750 - 1000海里)虽然容易出现假阴性。侯et al。18记录反射数据在多个卫星提供的可见波长范围,如海星卫星的海景广角传感器辐射计。多光谱数据的使用是一个优势记录图像的可见范围。董et al。19)表明,光谱指数的碳氢化合物和海水是互补的。碳氢化合物的光谱指数可用来检测连续真彩色油电影虽然海水的光谱指数是用来探测海水。焦et al。20.RGB相机安装在一个无人机)用于检测和提出一个方法来自动检测石油泄漏。研究结果表明该方法是可行的,尽管它不能用于检测在黑暗中石油泄漏。我们证明了热红外图像监控是适合海上石油泄漏检测通过结合这些技术和具体要求,因为石油吸收光线在可见区,再反射光线在热红外光谱的一部分。石油将会出现比水冷却器,因为它显示了较低的红外发射率。当红外摄像机用于监视海面油膜,辐照温度可以显示来确定石油污染对海洋表面的分布(21]。基于这一原则,石油泄漏检测方法使用无人机红外热图像提出了本研究完成全天候检查在近海海域石油的电影。

在溢油遥感图像的识别算法,布莱克和索22)提出了一种贝叶斯分类方案溢油遥感图像的识别算法结合先验知识。Fiscella et al。23)使用线性判别分析方法基于距离。Nirchio et al。24)利用多元线性回归对漏油进行分类。Topouzelis et al。25)人工神经网络应用于近似黑暗区域特性和类标签之间的关系,实现油膜的识别。然而,前三个方案的附加条件非常苛刻,和识别结果不够准确。安了低水平的学习效率和收敛速度慢;相关参数的选择基于经验不足导致识别的准确性。基于深度学习识别方法已经成功地解决了一些问题在近年来遥感图像识别。这些方法适用于识别在复杂环境和能够成功总结的特征识别的内容(26- - - - - -28]。然而,遥感的精度和速度基于深度学习完全取决于初始样本的质量和数量。如果样品的数量不足,然后很快就会出现错误的结果。中间人和组织29日]提出的引入梯度直方图(猪)特性的行人检测领域已广泛应用在船舶识别,汽车,交通标志。猪结合支持向量机(SVM)分类算法应用到海上石油泄漏事件识别方法在本研究中。红外摄像头连接到一个无人机收集热红外图像快速、准确识别海洋石油泄漏在海港附近区域,可以有利于海洋管理部门在石油泄漏清理迅速做出决策。

本文的其余部分的结构如下。节2在这项研究中提出,数据源。节3本研究的技术路线进行了探讨。节4,介绍了实验的设计过程。节5在这项研究中,所使用的方法。节6,溢油遥感图像识别的结果和相应的讨论进行了分析。结论和未来的研究方向提出了部分7。

2。数据源

我们使用无人机配备热红外传感器实现全天候离岸地区海洋石油泄漏事故的鉴定和检测溢油图像。根据热辐射红外传感器检测到。水面上的浮油吸收太阳辐射然后发出辐射和太阳辐射的一部分。由于热能主要集中在红外热区域(8 - 14μ米),油在热红外发射率低于水,所以水油相比显得暗背景的红外图像在受污染的水域。

为了考虑天气的影响观察结果,观察实验的时间持续了从11月17日,2020年,2020年11月27日。我们选择不同的天气状况如晴天,阴天,阴天和公平继续多个观测实验为了收集更多的信息。如图1石油泄漏的位置观察实验位于湛江Yugang公园附近的海滩城市,中国(110.42°E, 21.22°N)。每当我们完成一个实验,我们在海滩上放置一个大水箱模拟石油泄漏。每次实验后,我们用油毡治疗,防止污染海洋环境。图2显示了石油泄漏的油膜样品进行航空摄影实验中午在海边罐在一个阳光明媚的一天。

3所示。技术路线

支持向量机分类方法适用于遥感由于其满意的泛化能力。这种方法也可以达到令人满意的识别,即使训练样本是有限的。支持向量机分类方法已广泛应用于土地覆盖识别研究[30.]。从样品提取的特征向量用于训练模型和识别石油和非石油类电影的红外图像根据培训模式的研究。数字图像处理,包括散斑噪声和图像增强的过滤,在获得大量的执行通过无人机红外图像。样品的石油和非石油类电影图像分别然后储存(31日]。溢油识别的技术路线实施这项研究是图所示3。分类样本识别使用猪的特性和支持向量机结合的检测算法。识别过程可分为以下模块:(1)训练模块主要包括提取阶段猪的特性。在这个过程中,细胞单位 像素,块单元 细胞,梯度方向角是除以9的过程。得到猪的特性用于训练分类器的模板。(2)检测模块首先计算猪特征样本进行测试和比较了SVM分类器使用的模板发送给它的检测。识别结果是维护和石油电影后的准确率进行了分析确定。支持向量机分类器的参数调试和选择确定合适的参数。

4所示。实验装置

收皇家2无人机用于收集测试区域的遥感图像。无人机可以最高飞行速度6米/秒和5 m / s自动飞行和手动操作,分别。它配备了一个热成像相机的分辨率 和可见光相机使用1/2英寸分辨率为4800万像素CMOS传感器。它可以执行点和区域温度测量,支持一键切换可见,红外,多画面图像。航空摄影的图像,无人机飞行高度设置为10米,地面样本距离(德牧)被设置为0.53厘米/像素,pin-top射击角度设置为垂直地面,航向重叠率为80%,重叠率为70%。实验结束后,一批红外遥感图像 获得了。图像数据实验中使用的是红外图像通过单镜头反射阳光明媚的天气条件下获得的。如图4,大量的图像数据收集使用无人机喷洒后浪费润滑油在实验水槽获得多角度摄影和拍摄。收集到的数据反复在白天和黑夜。

收集到的图像数据的预处理,包括图像翻译、翻转、旋转、调整,和筛选,实验中需要产生可用的示例数据。图像预处理是一个重要的步骤在海上目标的识别,因为噪声点和不显眼的边缘边界的现象在遥感图像将干扰后续的溢油识别过程。因此,处理图像,消除噪音,使用边缘增强算法,加强目标和背景的边缘,并进行初步的准备工作为后续目标识别是必要的。图像预处理是常用的改进支持向量机分类的可靠性。我们人为地使用图像数据创建图像增强与现实条件。基于这些原则,我们首先进行预处理主要收集到的热红外图像去噪,裁剪,校正和图像增强。某些图像数据的可视化处理如图5。

5。方法

图像特征提取中扮演一个重要的角色在遥感图像目标识别,如物体表面缺陷检测、模式识别、医学图像分析。在这项研究中,介绍了机器学习方法进行热红外遥感监测溢油图像,考虑到歧视表现等因素,计算复杂度和抗噪音的,旋转,和样本遥感图像的复杂性32]。

5.1。猪特征提取

猪的特性是disscription算子用于目标检测在图像处理中,通过计算结构特性和计算当地的猪的形象和可以忽略的变化引起的图像几何和光学变化。这个猪的特性具有良好的几何和光学不变性(33]。猪特征提取的过程可以表示为以下步骤。

5.1.1。标准化的颜色空间

整个图像受到伽马标准化处理。伽马表示压缩系数,其值通常是0.5。这种压缩处理可以迅速减少照明和改进算法的灵敏度算法对光照变化的稳定性。γ的数学公式表示为:

5.1.2中。计算梯度信息

每个像素的梯度方向值后得到连续图像的水平和垂直方向的梯度值分别解决。派生操作不仅可以学习的形状和纹理信息的一部分,但也削弱了干扰引起的光了。

梯度是垂直方向下定义的和水平方向操作如下: 在哪里 , , 代表了像素灰度,水平梯度值,和垂直梯度值,像素 输入图像的程度值。这个像素的方向和梯度的大小是表示为:

5.1.3。猪细胞的

图像分成大小相同的多个细胞,细胞是由几个单位像素。一个像素的梯度信息在细胞收集使用直方图的9箱。每个方向的块20°,单元中的所有像素乘以梯度幅值项目的梯度方向直方图。预测得到的总和,实现细胞的猪(34]。

5.1.4。归一化梯度直方图在一块

块单元由几个细胞可能不同区块之间的重叠。当地的猪特征图像面积是由所有的块。正常化块内是必要的,主要是为了避免局部照射和其他因素导致过度的变化梯度(35]。正常化过程表示如下:

的公式,是归一化的结果,代表一个块的非规范的特征向量,是一个进口参数对防止分母小价值等于0。

5.2。LBP特征提取的

局部二进制模式(LBP)是当地纹理特征的描述方法,它可以有效地反映图像的纹理特征(36]。LBP算子是像素点被发现是圆的中心,并在附近的像素数量是圆的半径。计算方法采用均匀地选择像素的圆,然后采用相应的测量方法来描述像素之间的对应关系的中心圆和选择的像素圆。在这一点上,获得的值LBP算子是LBP特征值,可以反映相应区域的纹理信息(37]。

LBP算子的定义为:

的公式,和代表点的横坐标和纵坐标对应圆检测中心,代表像素的灰度值来衡量,代表了样本像素的边缘,的灰度值吗在周长样本像素是符号函数:

设置选择的像素点的坐标 :

上述公式代表的中心圆的圆周半径的像素来衡量,和大小之间的像素数目选择的像素和像素的圆的中心38]。

5.3。支持向量机算法的分类原则

搜索支持向量机的核心概念是特征空间中的一个分类超平面作为决策函数,单独的数据采样点的不同类型,并最大化点之间的时间间隔不同类别达到分类的目的(39]。支持向量机是基于结构风险最小化原则,避免过度拟合问题,实现较强的泛化能力。

上述方法是可行的线性可分的样本,但不能做任何线性不可分的样本。选择合适的核函数 可以将非线性样本映射到高维区域来解决问题的线性indifferentiation样本。目标函数的数学关系是:

核函数的本质是搜索功能,使操作的结果在低维空间中一样的内积的结果映射到高维空间。通过这种方式,计算在高维空间中成功地避免和最后的结果是等价的。所以,分类函数可以定义为:

定义内核函数是函数的前提是对称的。因此, ,在哪里 是半正定。使用径向基函数RBF核函数作为核函数,当地的优势是可以影响支持向量机。RBF表示如下: 在哪里是控制径向宽度参数范围。

5.4。BP神经网络分类算法

反向传播(BP)神经网络是一种多层前馈网络的训练根据误差逆传播算法(40]。神经元的传播 - - - - - -类型函数,输出是连续量在0和1之间。它可以实现任何非线性从输入到输出的映射。通过学习与正确的答案,它可以自动提取合理的解决规则。它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权重和阈值,以减少网络的误差平方和。在实践中,通过培训和比较不同的神经元网络模型与基于最小化系统确定一个适当的规模大小,缩短系统学习时间,减少了系统的复杂性(41]。

5.5。精度评价

为了直观地验证油膜的分类结果,得到分类结果的准确性,油膜图像分类精度的定义是:

在上面的公式中,正确分类样本的数量和吗在测试集样本的数量。

6。结果与讨论

为了防止过度重复的样本数据,采集标本每隔两个数据集,和低质量图像被消除。图像处理之后,250年终于获得红外遥感图像。二百图像质量提高被选中作为训练集,和一些图片是随机抽样测试集的分类的样本。积极的和消极的示例数据标记样本数据后生产。在这个实验中,正样本和负样本的数量都是100。样本数据被导入到支持向量机分类器进行训练。其他培训后测试数据可以被识别。支持向量机分类器的相关参数设置后承受反复的实验和测试。一些测试样本图像随机选择识别检查检查该方法的检测性能42]。识别结果如图6。

的正负样本集的训练集用于调整RBF的宽度参数0.1,基于RBF分类模型。二十油膜上面介绍的测试集选择样本进行识别研究。使用支持向量机分类器识别20油膜样品,18石油电影,和2非石油类电影,90%的准确性。此外,猪的特征向量提取仍是用来训练支持向量机,和线性多项式,利用RBF核函数确定测试样本数据集。当选择RBF核函数,识别精度达到90%,高于其他类型的内核函数,和检测速度是惊人的。大量实验证明了厚浮油变得温暖而薄浮油出现在白天比附近的海水冷。这种现象是由于热红外相反的晚上。图像区分海面上的油通过热的比较。热产生对比,因为水和油的不同发射率。

验证模型的准确性通过使用上面描述的测试集。训练集由镜像转换扩展,亮度变化,和翻译转换示例数据的测试集,和100张照片是随机选择进行分类测试。图7显示了油膜的混淆矩阵分类结果。除了行和列的百分比图,混淆矩阵的纵坐标是真正的结果,横坐标是预测结果,和底部的百分比和右代表一定阶级的测试集的识别精度。数据不是对角线之和之间的数量差异,实际值和预测值,和底部的百分比表示整体的识别精度。如果48第一列的总和,即油膜样品的测试集的数量,这意味着45正确归类为石油的电影,和其他3非石油类电影。本文方法的识别准确率为93.7%,出错率是6.3%。对角线上的数据之和是92,这意味着有92个预测油膜图像,所以100红外图像样本的识别精度包含石油电影测试集是92.0%。

为了进一步分析该算法的特点,并与其他算法进行性能比较分析,识别准确性和错误检测率两个方面进行了讨论。BP神经网络,LBP-SVM分类算法,该算法用于计算和比较分析。在测试的样本数据集,一批 区域从图像随机裁剪,测试集是150年扩展到图像通过图像预处理。BP神经网络和LBP-SVM分类算法在本文用于识别测试样品来测试各种方法的适用性。如表所示1BP和枸杞多糖方法的识别精度,红外油膜图像是84.7%和86.7%,分别,而方法的识别和分类精度提出了是91.3%。比较的结果表明,该方法的识别准确率高于BP算法和LBP-SVM分类算法。该算法提高了检测率,降低了错误检测率与BP和LBP-SVM算法。重复测试和本研究的实验表明,该算法提高了溢油识别准确率的同时满足基本的实时识别和提供了一个理想的目标探测效果。与深度学习算法在遥感领域,本文方法没有高要求数量的样本数据,样本的训练时间是快,硬件的计算能力不高。因此,它在海上监督领域具有巨大的应用潜力在未来信息化和适用于遥感监测在近海海域的油膜污染结合无人设备。

7所示。结论

一个新的石油泄漏检测方法,它使用无人机和红外摄像机提出了研究。这种检测方法可以实现实时、有效的检测小石油泄漏在近海地区,如港口、港口当局可能被忽略。早期检测是至关重要的有效清理石油泄漏事件。与其他观测方法相比,如载人飞机、卫星、或海事巡逻船,该方法提供了低成本和缩短部署时间,可以实现全天候检测在一个小区域,从而节省人力而促进夜间巡逻,确保人员的安全。然而,应该指出,海上石油泄漏的监测无人机大大地受到天气和海洋条件,它不适合飞行的无人机在大风和暴雨天气。同时,无人机的忍耐力是有限的,所以多个无人机需要配合全天候监控。

针对问题的海上石油泄漏事件识别的准确率,本文提出了一种基于HOG-SVM溢油识别方法算法选用RBF核函数,实现高效的海上石油泄漏检测。与BP和LBP-SVM的识别方法相比,新方法达到更高的精度和速度。重复实验和测试表现出训练速度快,精度高,满意的模型的泛化能力。快速全天候检测可以实现当一个石油泄漏事故发生在离岸港口地区。

未来研究计划包括以下几方面:(1)图像将在很长一段时间,收集更多的天气条件来提高分类模型的稳定性。大量的样本集是在很长一段时间收集可用于海上石油泄漏事件识别基于深度学习算法的研究。(2)实验条件将进一步加强在随后的调查。本研究实验进行模拟溢油事故发生在平静的海上条件下水箱的海滩没有考虑海洋条件,如实际波浪和洋流。(3)海洋石油泄漏检测在无人机的帮助严重受气象条件的影响。模糊图像数据由于海雾的存在不利于探测石油泄漏事故。我们的后续调查将重点进行海洋雾清除研究无人机收集的图像数据。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

没有利益冲突是关于目前的研究报道。

确认

这项研究得到了福建省科技计划项目(2020 h0018和2021 h0020)和湛江城市科技发展专项资金竞争性分配项目(2021号a05034)。