| 基于深度学习和决策层信息融合的 SAR 图像溢油检测研究 |
| 其他题名 | Study on Oil Spill Detection in SAR Images Based on Deep Learning and Decision Level Information Fusion
|
| 张天龙
|
| 学位类型 | 硕士
|
| 导师 | 过杰
|
| 2020-05-22
|
| 学位授予单位 | 中国科学院大学
|
| 学位授予地点 | 中国科学院烟台海岸带研究所
|
| 学位名称 | 工程硕士
|
| 学位专业 | 环境工程
|
| 关键词 | 溢油检测
主观贝叶斯
Faster-RCNN
D-S 证据理论
SAR 数据
|
| 摘要 | 随着全球经济的快速发展，海上油气开采及船舶运输活动激增，使得海上溢油事故频发。由于溢油污染具有影响范围广、持续时间长且污染形式多样的特点，严重破坏了海洋生态环境，制约着海洋渔业、旅游业等经济产业的发展。美国科学院报告指出到2030年，海洋溢油仍是全球32个海洋问题之一。如何及时有效的识别油膜，追溯源头，监测溢油漂移、扩散方向及溢油量，为油污及时清理、合理评估溢油灾害及生态修复提供数据支持是我们面临的重要任务。在快速发展的卫星遥感技术中，合成孔径雷达（Synthetic Aperture Radar, SAR）以其全天时、全天候连续观测能力，快速有效的监测海上溢油，已经成为海上溢油监测重要手段之一。
准确区分SAR图像上的溢油和疑似溢油暗斑是SAR图像溢油检测的重点和难点，为此论文以溢油和疑似溢油暗斑为研究对象，开展了基于深度学习和决策层信息融合的SAR图像溢油检测方法研究。主要研究内容如下：（1）基于专家先验知识及多源遥感数据辅助目视解译的方式实现了溢油和疑似溢油样本数据库的建立；（2）利用主观贝叶斯方法将环境因素识别溢油的分析过程模型化，建立环境因素驱动的溢油检测方法；（3）使用Faster-RCNN神经网络模型（Faster Region-based Convolutional Neural Network）将SAR图像溢油和疑似溢油暗斑特征提取、特征选择的过程高度自动化，从图像特征角度建立了基于Faster-RCNN神经网络的溢油检测方法，并使用软化非极大值抑制算法对Faster-RCNN溢油检测方法进行了优化；（4）使用模糊集理论改进的D-S证据理论（Dempster-Shafer evidence theory）将主观贝叶斯方法和Faster-RCNN神经网络方法溢油检测结果进行决策层融合，实现了一种决策层信息融合溢油检测方法。
基于样本数据库中2100个溢油和疑似溢油样本及样本对应的风速、暗斑与石油平台及航道距离信息，对上述三种溢油检测方法的溢油检测效果进行了实验验证，实验结果表明主观贝叶斯方法溢油检测率、样本识别率和溢油虚警率分别为59.87%，67.70%和37.24%。Faster-RCNN神经网络相比主观贝叶斯方法溢油检测率、样本识别率分别提高了约14%和10%，溢油虚警率降低了约10%。决策层信息融合方法相比Faster-RCNN神经网络方法溢油检测率虽降低了1.32%，但样本识别率提高了1.04%，溢油虚警率降低了2.39%。使用7景溢油SAR影像验证了决策层信息融合溢油检测方法的有效性，在简单海况背景下溢油检测率和样本识别率可达到80%，在复杂海况背景下溢油检测率和样本识别率分别为60.86%和73.68%。SAR影像溢油检测结果表明决策层信息融合法能够有效检测溢油，具有较强的业务化溢油检测潜力。 |
| 目录 | 第1章 引言 1
1.1 研究背景及意义 1
1.2 国内外SAR溢油检测研究进展 2
1.3 研究内容与技术路线 7
1.3.1 研究内容 7
1.3.2 技术路线 8
1.4 论文章节安排 9
第2章 SAR溢油检测原理及数据预处理 11
2.1 SAR图像溢油检测原理 11
2.2 SAR数据介绍 14
2.3 SAR数据预处理 16
2.3.1 辐射校正 16
2.3.2 几何校正 17
2.4 SAR图像溢油暗斑解译辅助数据介绍及数据预处理 18
2.4.1 ECMWF风场数据介绍及预处理 19
2.4.2 TRMM、GPM降雨数据介绍及预处理 19
2.4.3 石油平台和航道数据介绍及预处理 20
2.4.4 光学遥感影像处理 20
2.5 本章小结 20
第3章 基于深度学习和决策层信息融合的SAR图像溢油检测 21
3.1 溢油与疑似溢油样本数据库建立 21
3.1.1 SAR图像暗斑解译 21
3.1.2 SAR图像样本数据库和样本统计信息数据库建立 23
3.2 主观贝叶斯方法 26
3.3 Faster-RCNN神经网络模型 30
3.4 基于模糊集理论改进的D-S证据理论 35
3.5 实验环境介绍与评价指标 38
3.6 本章小结 39
第4章 溢油检测方法实验结果及分析 41
4.1 主观贝叶斯方法溢油检测结果及分析 41
4.1.1 风速因素影响分析 41
4.1.2 石油平台因素影响分析 46
4.1.3 航道因素影响分析 51
4.1.4 多因素综合影响分析 55
4.2 Faster-RCNN神经网络模型溢油检测结果及对比分析 56
4.2.1 Faster-RCNN神经网络与BP神经网络对比分析案例 56
4.2.2 Faster-RCNN神经网络模型溢油检测结果及分析 58
4.3 基于改进的D-S证据理论信息融合结果及分析 63
4.3.1 基于改进的D-S证据理论信息融合溢油检测 63
4.3.2 决策层信息融合方法溢油实例验证及结果分析 64
4.4 溢油检测方法对比分析 67
4.5 本章小结 71
第5章 结论与展望 73
5.1 本文结论 73
5.2 本文创新点 74
5.3 研究展望 75
参考文献 77
致 谢 85
作者简历及攻读学位期间发表的学术论文与研究成果 87 |
| 页数 | 101
|
| 语种 | 中文
|
| 文献类型 | 学位论文
|
| 条目标识符 | http://ir.yic.ac.cn/handle/133337/24238
|
| 专题 | 中国科学院烟台海岸带研究所知识产出_学位论文
|
推荐引用方式
GB/T 7714 |
张天龙. 基于深度学习和决策层信息融合的 SAR 图像溢油检测研究[D]. 中国科学院烟台海岸带研究所. 中国科学院大学,2020.
|
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论