基于CNN,DBSCAN和高光谱成像的海上石油泄漏检测
Ce Zhan1,2,3, Kai Bai1,2,3, Binrui Tu1,2,3
1Hubei Key Laboratory of Drilling and Production Engineering for Oil and Gas, Yangtze University, Jingzhou 430023, China.
Sensors (Basel, Switzerland)
|January 23, 2024
概括
本研究介绍了使用卷积神经网络 (CNN) 和DBSCAN集群实时海上油污检测的更快方法. 这种方法提高了检测效率,这对于生态保护至关重要.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 计算机科学 计算机科学
背景情况:
- 海上石油泄漏带来了重大的生态风险,需要快速检测和修复.
- 目前用于石油泄漏检测的超光谱成像和深度学习方法由于模型速度缓慢而缺乏实时功能.
- 现有的复杂模型在关键的离岸场景中难以及时检测.
研究的目的:
- 开发一种高效的实时方法来检测海上石油泄漏地区.
- 克服目前用于油污泄漏检测的深度学习模型的速度限制.
- 为及时识别和管理石油泄漏提供可行的解决方案.
主要方法:
- 一种新的方法,将卷积神经网络 (CNN) 用于像素分类与DBSCAN集群算法用于细分.
- 在基于CNN的分类之前,涉及光谱数据的预特征选择步骤.
- 通过实验室模拟的海上石油泄漏的验证,使用超光谱成像.
主要成果:
- 拟议的CNN-DBSCAN方法在实时检测漏油区域方面表现出更高的效率.
- 对DRSNet,CNN-Visual Transformer和GCN模型进行比较分析显示了新方法的优点和局限性.
- 通过使用组合方法,成功地对漏油地区进行了细分.
结论:
- 开发的CNN-DBSCAN方法在实时海上漏油检测速度和效率方面取得了显著的改进.
- 这种方法为及时的生态风险管理提供了一个有希望的解决方案.
- 进一步的研究可以探索优化模型的各种离岸条件.
