SGDBNet:一个场景级的引导双分支网络,用于港口无人机图像,漏油检测

科学领域:

• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 无人驾驶飞行器 (UAV) 在低海拔港口漏油检测 (OSD) 中至关重要.
• 复杂的港口背景和不规则的,有模糊边界的小型油污泄漏挑战了现有的检测方法.
• 准确的OSD对于环境保护和港口地区高效的资源管理至关重要.

研究的目的:

• 开发一种先进的深度学习模型,以使用无人机图像在具有挑战性的港口环境中准确检测漏油.
• 为了解决检测小型,不规则的漏油和模糊边界的局限性.
• 提高OSD系统对复杂的背景干扰的稳定性.

主要方法:

• 提出了一个场景级引导的双分支网络,集成语义细分和图像分类.
• 引入了多尺度任意形状卷积模块,以处理不规则形状和模糊的漏油边界.
• 实现了联合损失功能,以管理石油泄漏和背景之间的像素不平衡.

主要成果:

• 在公共无人机OSD数据集上,在最先进的方法上取得了优越的性能.
• 获得的高精度指标:mIoU为90.22%,精度为96.03%,精度为91.99%,回忆率为92.56%,F1得分为92.28%.
• 废弃实验证实了拟议网络的各个组件的有效性.

结论:

• 开发的双分支网络证明了使用无人机图像进行港口泄漏油探测 (OSD) 的可行性和有效性.
• 该方法为减少环境监测中手工劳动和材料成本提供了一个有希望的解决方案.
• 该方法有效地处理复杂的背景和具有挑战性的石油泄漏特征,为更可靠的OSD系统铺平了道路.