[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

摘要

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。

主权项

1.一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，其特征在于，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；(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：(2.1)区域检测图像数据集构建：使用多光谱成像设备在太阳半平面下获取待检测区域对应步骤(1.3)中的优选波段图像，并从中选取其对应于步骤(1.1)中的特征反射波段图像构建区域检测图像数据集；(2.2)图像预处理与标注：对步骤(2.1)中的数据集进行统一的光照校正平滑处理后，对区域检测图像数据集的漂浮HNS区域进行区域标注，同时从所有优选波段区域图像选定相应的标注区域分割漂浮HNS区域，并提取HNS区域的光谱数据构成类别检测图像数据集，对每组类别检测图像数据集对应的HNS类别进行分类标签标注；(2.3)目标区域检测模型训练：将区域检测图像数据集及标注数据输入深度学习神经网络模型中进行模型训练，获得HNS深度学习区域检测模型；(2.4)目标类别检测模型训练：应用类别检测图像数据集及类别标签到机器学习方法中进行分类模型训练，获得HNS的机器学习分类模型；(3)模型应用检测阶段，包含如下步骤：(3.1)检测图像获取与预处理：使用带GPS模块的多光谱成像设备在太阳半平面下同时获取待检测区域对应步骤(1.3)中的优选波段图像以及GPS定位信息，并对获取图像进行统一的光照校正平滑处理；(3.2)目标区域分割：使用步骤(2.3)中获得的HNS深度学习目标区域检测模型对检测图像进行目标区域检测，并进一步获取分割的目标区域；(3.3)目标类别检测：从步骤(3.2)获得的目标分割区域中提取优选波段多光谱图像的光谱数据，并将数据输入步骤(2.4)中获得的机器学习分类模型进行目标HNS分类，得到相应HNS区域的类别标签，确定泄漏HNS的种类；(3.4)可视化检测：结合步骤(3.1)‑步骤(3.3)的检测结果，构建漂浮HNS泄漏区域、类别的可视化检测结果图。