[发明专利]一种结合多光谱图像与深度学习方法的漂浮HNS目标检测方法

说明书

本发明公开了一种结合多光谱图像与深度学习方法的漂浮HNS目标检测方法，该方法包括数据库准备、目标检测模型构建与模型应用检测阶段；数据库准备阶段包括HNS特征反射波段数据库、多光谱图像数据库和分类优选波段库；目标检测模型构建阶段包括区域检测图像数据集构建、图像预处理与标注、目标区域检测模型训练和目标类别检测模型训练；模型应用检测阶段包括检测图像获取与预处理、目标区域分割、目标类别检测和可视化检测。本发利用特征波段图像，具有针对性强、图像获取效率高以及检测准确度高等优点，用于多种HNS的运输船发生的泄漏事故的应急检测。

技术领域

本发明涉及一种漂浮HNS目标检测方法，尤其涉及一种结合多光谱图像与深度学习方法的漂浮HNS目标检测方法。

背景技术

HNS(Hazards and Noxious Substances)水上突发泄漏事故给生态环境与公共安全带来了巨大威胁。由于漂浮于水面的HNS通常颜色特征不明显，从普通RGB图像上看，其与水体背景差异以及类间差异较小，大大增加了目标快速自动化检测难度。

目前HNS的检测研究中，使用较多的是色谱法、分光光度法和电化学法等较为敏感和准确的分析技术。这些方法大多需要精密的仪器、繁琐的抽样过程，这限制了它们应用到泄漏事故现场的应急处理上。HNS突发事故的现场应急检测，需要快速确定漂浮HNS的区域与类别以采取相应的分级预警及应急处理措施，因而对检测手段的效率提出了较高要求。

自动化成像检测技术是一种快速、灵活和安全可靠的技术，在突发事故应急处理、环境检测上具有巨大的潜力和优势。目前，溢油事故应急检测方面已有采用成像检测技术的报道。中国专利CN 106370307 A公布了一种利用垂直偏振与水平偏振的差分热红外图像提取边缘的水面溢油成像探测方法与装置；中国专利CN 105844298 A公开了一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法；中国专利CN 103236063 A公开一种基于多尺度谱聚类及决策级融合的SAR图像溢油检测方法。溢油的成像检测显示了该方法的可行性，深度学习方法的发展更是大大提升了其自动化程度。然而，相对于溢油检测，HNS(如苯、甲苯、二甲苯、植物油等)常为高度透明液体与水的颜色差异小，且类间差异更小，难以使用自动化成像方法自动确定泄漏区域，且基于普通图像的HNS分类更为困难。

发明内容

本发明旨在针对现有技术的不足，提供一种结合多光谱图像与深度学习方法的漂浮HNS目标检测方法。

本发明的目的是通过以下技术方案来实现的：一种结合多光谱图像与深度学习方法的漂浮HNS目标检测方法，包括数据库准备、目标检测模型构建与模型应用检测阶段；

(1)数据库准备阶段，需要建立的数据库如下：

(1.1)HNS特征反射波段数据库：使用光谱反射率测量设备采集各类待检测HNS在自然水体下漂浮时的光谱反射率以及相应水体背景的光谱反射率，通过计算各类待检测HNS与水体的光谱反射率差值与夹角余弦计算等方法得到各类待检测HNS与水体反射率差异最大的特征波段；

(1.2)HNS多光谱图像数据库：使用多光谱成像设备获取各类待检测HNS多光谱图像构建其光谱图像数据库，测量的多光谱图像波段需包含步骤(1.1)中的特征反射波段；

(1.3)HNS分类优选波段库：从步骤(1.2)中选取各类待检测HNS的多光谱图像中对应于步骤(1.1)中的特征反射波段作为区域分割提取波段，进行图像处理分割获取HNS区域后，以此区域为依据提取其余各个光谱波段图像的HNS区域的光谱数据，利用机器学习方法训练常见HNS类别组合的多光谱分类模型，并进一步确定分类的优选波段，优选波段中需包含步骤(1.1)中的特征反射波段；

(2)目标检测模型构建阶段，包含如下步骤：