CN113221818B - 一种海面溢油特征智能检测方法及*** - Google Patents
一种海面溢油特征智能检测方法及*** Download PDFInfo
- Publication number
- CN113221818B CN113221818B CN202110586283.2A CN202110586283A CN113221818B CN 113221818 B CN113221818 B CN 113221818B CN 202110586283 A CN202110586283 A CN 202110586283A CN 113221818 B CN113221818 B CN 113221818B
- Authority
- CN
- China
- Prior art keywords
- oil spill
- image
- sea surface
- surface oil
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003305 oil spill Substances 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 230000002146 bilateral effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000001931 thermography Methods 0.000 claims description 4
- 239000003921 oil Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
- Y02A20/204—Keeping clear the surface of open water from oil spills
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种海面溢油特征智能检测方法及***。方法包括：获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型；获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像；利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标。本发明通过对红外图像与可见光图像的识别，利用优化的双边检测网络训练出性能极好的海面溢油目标区域识别的模型，从而可以在待检测图像中实时的、准确的识别并标记出完整的溢油区域。
Description
技术领域
本发明涉及海面溢油检测技术领域，具体而言，尤其涉及一种海面溢油特征智能检测方法及***。
背景技术
随着人类的海洋活动越来越频繁，对海洋环境的影响越来越大，关于海洋环境的污染检测和海洋安全防护越发受到人们的重视。在海洋环境污染事件中，原油和其他成品油的泄漏是最严重的污染情况，对溢油的清除和回收一直是解决该类问题的主要手段。为更快捷、高效的进行溢油清除和回收，对溢油面积和体积进行估算是一个十分必要和重要的工作。
现有溢油目标提取，主要通过对样本图像中的目标及非目标纹理特征的提取，建立样本特征库。继而对检测图像的图像纹理特征的提取；根据样本库纹理特征比对，分割图像，完成海上溢油目标的识别。但该方法多数针对雷达识别图像，提取精度不高。
发明内容
根据上述提出目标提取精度差的技术问题，而提供一种海面溢油特征智能检测方法及***。本发明通过对红外图像与可见光图像的识别，利用优化的双边检测网络训练出性能极好的海面溢油目标区域识别的模型，从而可以在待检测图像中实时的、准确的识别并标记出完整的溢油区域。
本发明采用的技术手段如下：
一种海面溢油特征智能检测方法，包括：
获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型；
获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像；
利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标。
进一步地，所述环境监测参考特征为光照特征。
进一步地，所述监测图像类型包括红外热成像图像和可见光图像。
进一步地，训练所述海面溢油目标检测模型时，还包括包括对训练数据进行数据扩充操作，所述数据扩充操作包括旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
进一步地，所述海面溢油目标检测模型为优化的双边分割网络模型。
本发明还提供了一种海面溢油特征智能检测***，包括：
参考特征获取单元，用于获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型；
图像获取单元，用于获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像；
目标提取单元，利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标。
进一步地，所述环境监测参考特征为光照特征。
进一步地，所述监测图像类型包括红外热成像图像和可见光图像。
进一步地，训练所述海面溢油目标检测模型时，还包括包括对训练数据进行数据扩充操作，所述数据扩充操作包括旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
进一步地，所述海面溢油目标检测模型为优化的双边分割网络模型。
较现有技术相比，本发明具有以下优点：
本发明通过读取红外图像与可见光图像，利用优化的双边分割网络进行训练，可以将溢油区域完完整整的识别并标记出来；优化的双边分割网络既保证了识别精度的最大化也保证了实时性的最大化；识别监测文件为视频文件时更是可以直观的看到溢油区域的扩散趋势与形态变化。
基于上述理由本发明可在海洋环境污染检测和海洋安全防护等领域广泛推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种海面溢油特征智能检测方法流程图。
图2为实施例中海面溢油特征智能检测方法执行流程图。
图3为实施例中海面溢油特征智能检测装置结构图。
图4为实施例中优化的双边分割网络模型结构图。
图5a为实施例中输入的图像信息。
图5b为实施例中提取的溢油区域目标图像信息。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，本发明提供了一种海面溢油特征智能检测方法，包括：
S1、获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型。进一步地，所述环境监测参考特征为光照特征。所述监测图像类型包括红外热成像图像和可见光图像。
S2、获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像。其中，增强处理包括对检测图像进行旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
S3、利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标。
如图3所示，为实施例中海面溢油特征智能检测装置结构图，本申请方法基于该装置实现，将双光云台相机拍摄的图片传输至硬盘录像机存储；中心处理器通过环境检测模块检测的光照值，控制数据读取模块对硬盘录像机中存储的红外图像或可见光图像进行读取；识别海面溢油区域之后通过显示模块将识别结果输出可视；从而调动应急响应模块提醒工作人员。
下面通过具体的应用实例，对本发明的方法和效果做进一步说明。
本实施例中，海面溢油特征智能检测方法的执行过程如图2所示。主要包括：
步骤A：检测光照值，输入样本图像。具体来说，通过环境检测模块检测光照，根据读取的光照值，判断应该读取红外热成像图像还是可见光图像，在本实施例中光照值为0.3lx-50000lx选择读取可见光图像，否则选择读取红外图像。将双光可视云台相机拍摄到的对应图像输入到硬盘录像机中，同时保存该图像为样本图像。
步骤B：本申请中在模型训练的过程中需要对输入的样本图像进行数据扩充处理，以增加训练模型的数据集。具体来说，通过数据读取模块将输入的样本图像读取出，并利用albumentations包对其进行旋转，翻转以及透视变换，弹性变换，浮雕效果，扭曲，锐化等几种数据增强操作，以增加海面溢油目标检测的训练数据集，使网络具有更复杂的表征能力。进一步地，训练集数据包括原始图像以及扩充的图像，以及对应的已经标记好溢油区域的标签图像。
步骤C：对处理过的样本图像输入到海面溢油目标检测网络进行训练，得到海面溢油图像检测深度学习模型。具体来说，将步骤B处理后的样本图像输入到海面溢油目标检测网络，基于优化的双边分割网络对图像进行图像分割网络训练，得到以待测图像为输入，标记溢油区域图像为输出的海面溢油区域识别检测的深度学习模型。该模型通过对输入的训练图像中每一个像素进行密集的预测、推断标签来实现对溢油目标的推理，从而可以将不同类别的目标像素完全识别。具体来说，通过对图像中每一个像素进行检测，将多个像素聚集组成的图形进行预测，通过读取此时数据集中的标签来推断此图形的标签是否是溢油区域。
进一步地，本申请在原双边分割网络的基础上进行了优化，如图4所示，将双边分割网络与上下文特征网络相结合，利用双边分割网络的语义分支和细节分支处理输入图片，将细节分支得到的初略语义分割结果(Soft Object Regions)，和语义分支得到的网络最深层输出的像素特征(PixelRepresentations)输入到上下文特征网络中，最后得到已经提取出完整的海面溢油区域的输出图像
步骤D：将待测图像输入到检测网络中，完成海面溢油目标的识别检测。具体来说，将待测图像输入到海面溢油目标检测网络中，通过训练好的海面溢油图像检测模型将待测图像中的溢油目标准确的检测识别出来，并且标记出完整的溢油区域。将检测结果通过显示模块显示出来，如果显示图像中标记了溢油目标区域，则立即触发应急响应模块，提醒工作人员对其作出处理。
如图5a-5b所示，根据光照值确定需要读取的云台相机拍摄的可见光图像还是红外图像；如图所示，我们此时的光照值在0.3-500000lx之间，我们选择读取可见光图像；将其输入海面溢油识别模型，经过深度学习网络训练，最终输出已经准确识别并标记的溢油结果图像。
对应于本发明提供的海面溢油特征智能检测方法，本发明实施例的另一方面还提供了一种海面溢油特征智能检测***，包括：
参考特征获取单元，用于获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型。进一步地，所述环境监测参考特征为光照特征。所述监测图像类型包括红外热成像图像和可见光图像。
图像获取单元，用于获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像。其中，增强处理包括对检测图像进行旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
目标提取单元，用于利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标。
对于本发明实施例的而言，由于其与上面实施例中的相对应，所以描述的比较简单，相关相似之处请参见上面实施例中部分的说明即可，此处不再详述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种海面溢油特征智能检测方法，其特征在于，包括：
获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型；
获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像；
利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标，所述海面溢油目标检测模型在训练过程中通过对增强图像中每一个像素进行检测，将多个像素聚集组成的图形进行预测，通过读取此时数据集中的标签来推断此图形的标签是否是溢油区域，所述海面溢油目标检测模型被设置为将双边分割网络与上下文特征网络相结合，利用双边分割网络的语义分支和细节分支处理输入图片，将细节分支得到的初略语义分割结果和语义分支得到的网络最深层输出的像素特征输入到上下文特征网络中，最后得到已经提取出完整的海面溢油区域的输出图像。
2.根据权利要求1所述的海面溢油特征智能检测方法，其特征在于，所述环境监测参考特征为光照特征。
3.根据权利要求1所述的海面溢油特征智能检测方法，其特征在于，所述监测图像类型包括红外热成像图像和可见光图像。
4.根据权利要求1所述的海面溢油特征智能检测方法，其特征在于，训练所述海面溢油目标检测模型时，还包括对训练数据进行数据扩充操作，所述数据扩充操作包括旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
5.一种海面溢油特征智能检测***，用于实现权利要求1所述的方法，其特征在于，包括：
参考特征获取单元，用于获取环境监测参考特征；根据所述环境监测参考特征选择将要获取的监测图像类型；
图像获取单元，用于获取相应类型的检测图像，对所述检测图像进行增强处理，从而获得增强图像；
目标提取单元，利用预先训练的海面溢油目标检测模型对所述增强图像进行目标提取，从而获得溢油区域目标，所述海面溢油目标检测模型在训练过程中通过对增强图像中每一个像素进行检测，将多个像素聚集组成的图形进行预测，通过读取此时数据集中的标签来推断此图形的标签是否是溢油区域，所述海面溢油目标检测模型被设置为将双边分割网络与上下文特征网络相结合，利用双边分割网络的语义分支和细节分支处理输入图片，将细节分支得到的初略语义分割结果和语义分支得到的网络最深层输出的像素特征输入到上下文特征网络中，最后得到已经提取出完整的海面溢油区域的输出图像。
6.根据权利要求5所述的海面溢油特征智能检测***，其特征在于，所述环境监测参考特征为光照特征。
7.根据权利要求5所述的海面溢油特征智能检测***，其特征在于，所述监测图像类型包括红外热成像图像和可见光图像。
8.根据权利要求5所述的海面溢油特征智能检测***，其特征在于，训练所述海面溢油目标检测模型时，还包括对训练数据进行数据扩充操作，所述数据扩充操作包括旋转、翻转、透视变换、弹性变换、浮雕效果、扭曲以及锐化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586283.2A CN113221818B (zh) | 2021-05-27 | 2021-05-27 | 一种海面溢油特征智能检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110586283.2A CN113221818B (zh) | 2021-05-27 | 2021-05-27 | 一种海面溢油特征智能检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113221818A CN113221818A (zh) | 2021-08-06 |
| CN113221818B true CN113221818B (zh) | 2024-03-29 |
Family
ID=77099012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110586283.2A Active CN113221818B (zh) | 2021-05-27 | 2021-05-27 | 一种海面溢油特征智能检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113221818B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516657B (zh) * | 2021-09-14 | 2021-12-10 | 中国石油大学(华东) | 一种基于自适应权重的全极化sar影像海面溢油检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414009A (zh) * | 2008-11-15 | 2009-04-22 | 大连海事大学 | 便携式机载海上溢油遥感监测*** |
| CN101477631A (zh) * | 2009-01-20 | 2009-07-08 | 深圳先进技术研究院 | 图像中提取目标的方法、设备及人机交互*** |
| CN106770087A (zh) * | 2016-11-24 | 2017-05-31 | 大连海事大学 | 油污遥感探测模块、***及方法 |
| CN108710910A (zh) * | 2018-05-18 | 2018-10-26 | 中国科学院光电研究院 | 一种基于卷积神经网络的目标识别方法及*** |
| CN110118781A (zh) * | 2019-06-19 | 2019-08-13 | 南京帕维克新能源科技有限公司 | 一种可见光和红外线结合的溢油监测装置及其监测方法 |
| CN111601047A (zh) * | 2020-04-28 | 2020-08-28 | 汕头大学 | 一种油液泄漏图像采集方法 |
| WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测***及检测方法 |
-
2021
- 2021-05-27 CN CN202110586283.2A patent/CN113221818B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414009A (zh) * | 2008-11-15 | 2009-04-22 | 大连海事大学 | 便携式机载海上溢油遥感监测*** |
| CN101477631A (zh) * | 2009-01-20 | 2009-07-08 | 深圳先进技术研究院 | 图像中提取目标的方法、设备及人机交互*** |
| CN106770087A (zh) * | 2016-11-24 | 2017-05-31 | 大连海事大学 | 油污遥感探测模块、***及方法 |
| CN108710910A (zh) * | 2018-05-18 | 2018-10-26 | 中国科学院光电研究院 | 一种基于卷积神经网络的目标识别方法及*** |
| CN110118781A (zh) * | 2019-06-19 | 2019-08-13 | 南京帕维克新能源科技有限公司 | 一种可见光和红外线结合的溢油监测装置及其监测方法 |
| WO2021093283A1 (zh) * | 2019-11-14 | 2021-05-20 | 青岛理工大学 | 基于多传感融合的海面小面积溢油区域检测***及检测方法 |
| CN111601047A (zh) * | 2020-04-28 | 2020-08-28 | 汕头大学 | 一种油液泄漏图像采集方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度语义分割的多源遥感图像海面溢油监测;陈彦彤等;光学 精密工程;第28卷(第5期);第1168-1174页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113221818A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Işık et al. | SWCD: a sliding window and self-regulated learning-based background updating method for change detection in videos | |
| GB2607749A (en) | Fine-grained visual recognition in mobile augmented reality | |
| US9269105B2 (en) | Image processing | |
| CN110310264A (zh) | 一种基于dcnn的大尺度目标检测方法、装置 | |
| CN110889379B (zh) | 表情包生成方法、装置及终端设备 | |
| Jeong et al. | Fast horizon detection in maritime images using region-of-interest | |
| AU2013273829A1 (en) | Time constrained augmented reality | |
| CN111581423B (zh) | 一种目标检索方法及装置 | |
| JP7419080B2 (ja) | コンピュータシステムおよびプログラム | |
| Bergamasco et al. | Unsupervised change detection using convolutional-autoencoder multiresolution features | |
| CN113221818B (zh) | 一种海面溢油特征智能检测方法及*** | |
| Barbu | Novel automatic video cut detection technique using Gabor filtering | |
| CN113486856B (zh) | 一种驾驶员不规范行为检测方法 | |
| Meena et al. | Image splicing forgery detection techniques: A review | |
| Frantc et al. | Machine learning approach for objective inpainting quality assessment | |
| EP3396596B1 (en) | Heat ranking of media objects | |
| US20180307690A1 (en) | Heat ranking of media objects | |
| Xue et al. | Saliency detection using multiple region-based features | |
| CN112884866A (zh) | 一种黑白视频的上色方法、装置、设备及存储介质 | |
| CN113222963B (zh) | 一种非正射红外监测海面溢油面积估算方法及*** | |
| Gupta et al. | Techniques of Tracking and Recognition of Sports Players Jersey and Vehicle Licence Number Plate: A Review | |
| Truong et al. | A study on visual saliency detection in infrared images using Boolean map approach | |
| Xue et al. | Forensics of visual privacy protection in digital images | |
| Xiong et al. | Dual diversified dynamical Gaussian process latent variable model for video repairing | |
| Xue et al. | ISD-SSD: image splicing detection by using modified single shot MultiBox detector |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |