张天龙, 过 杰

基于改进Faster R-CNN模型的SAR图像溢油检测方法

张天龙1, 2, 3, 过 杰1, 2, 4

(1. 中国科学院烟台海岸带研究所 中国科学院环境过程与生态修复重点实验室, 山东 烟台 264003; 2. 中国科学院烟台海岸带研究所 山东省海岸带环境过程重点实验室, 山东 烟台 264003; 3. 中国科学院大学, 北京 100049; 4. 中国科学院海洋大科学中心, 山东 青岛 266071)

SAR(synthetic aperture radar)图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响, 本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点, 选用结构一致且实用性强的VGG16卷积网络获取图像特征, 并使用软化非极大值抑制算法(Soft-NMS)进行优化。同时基于相同的数据集, 提取常用的SAR图像几何特征、灰度特征和纹理特征, 构建反向传播(backpropagation, BP)人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明, 基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78, 且溢油检测虚警率低于0.25, 相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%, 溢油虚警率降低了5%。

SAR; Faster R-CNN; 溢油检测; BP神经网络

海洋石油平台泄漏、运输船只事故及非法排放等造成的海洋溢油污染, 严重威胁海洋生态环境安全以及海洋产业的发展[1-3]。因此, 如何及时监测溢油位置、面积, 准确识别油膜及估算溢油量, 是海洋溢油污染监测急需解决的问题, 这对于海洋溢油应急实施、保护海洋生态环境、减少溢油造成的经济损失具有重要的意义。……