基于单图像生成对抗网络和YOLO-v8在小样本下的自动化海洋石油泄漏检测算法
Yuepeng Cai1, Lusheng Chen2, Xuebin Zhuang1
1School of Systems Science and Engineering, Sun Yat-sen University, Guangzhou, Guangdong, 510006, China.
Marine pollution bulletin
|May 18, 2024
概括
这项研究利用有限的卫星数据加强了海上石油泄漏检测. 一个生成对抗网络 (SinGAN) 扩展了数据集,提高了YOLO-v8模型的准确性,以更好地保护生态系统.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 越来越多的海洋石油泄漏威胁着生态系统和人类安全.
- 准确和快速的检测对于海洋环境保护至关重要.
- 石油泄漏检测的深度学习模型受到有限的现实世界样本数据的阻碍.
研究的目的:
- 为有限的样本场景开发一种有效的海洋石油泄漏检测方法.
- 为应对石油泄漏识别深度学习模型培训数据不足的挑战.
- 通过使用增强数据集,提高海上石油泄漏检测的效率和准确性.
主要方法:
- 利用Landsat-8卫星图像用于一个小型海洋石油泄漏数据集.
- 采用单一的图像生成对抗网络 (SinGAN) 来增强数据,生成多样化的油污样本.
- 使用转移学习预训练了一个YOLO-v8模型,并将其训练在原始和增强数据集上进行检测.
主要成果:
- 在增强数据集上训练的YOLO-v8模型显示出显著的改进:回忆率为12.3%,精度为6.3%,平均精度为11.3%.
- 与未扩展数据集上训练的模型相比,增强数据集带来了更高的性能.
- 基于SinGAN的数据增强技术对于其他物体检测算法证明是有益的.
结论:
- 拟议的基于YOLO-v8的海洋石油泄漏检测模型显示了领先的或可比的性能指标 (召回,精度,AP).
- 使用SinGAN的数据增强有效地克服了在训练深度学习模型中小样本大小的局限性.
- 这种方法提供了一个可行的解决方案,用于在数据稀缺的环境中准确和高效地检测海洋石油泄漏.
