一种基于深度学习的方法来检测海洋油污泄漏及其在无人机图像中的应用
Luhao He1, Yongzhang Zhou1, Huanrong Yang2
1Sun Yat-sen University, Center for Earth Environment and Earth Resources, Zhuhai, 519000, Guangdong Province, China; Sun Yat-sen University, School of Earth Sciences and Engineering, Zhuhai, 519000, Guangdong Province, China; Key Laboratory of Geological Processes and Mineral Resources Exploration, Zhuhai, 519000, Guangdong Province, China; Sun Yat-sen University, Institute of Carbon Neutrality and Green Development, Zhuhai, 519000, Guangdong Province, China.
Marine pollution bulletin
|October 30, 2025
概括
本研究介绍了一种YOLOv12框架,用于使用无人机 (UAV) 图像检测海洋石油泄漏. 这种先进的模型改善了对污染事件的早期预警和应对,保护了海洋生态系统和经济.
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:
- 由于资源开发的增加,海洋石油泄漏对生态系统和经济构成重大威胁.
- 传统的检测方法缺乏效率和准确性,需要先进的预警和反应解决方案.
- 生态影响包括息地退化,大规模死亡率和热带级联破坏,强调了快速检测的必要性.
研究的目的:
- 使用无人机 (UAV) 图像开发一个高效和智能的漏油检测框架.
- 提高石油泄漏检测的准确性和边界划分的精度,以保护海洋生态.
- 为海洋污染监测和应对工作提供技术支持.
主要方法:
- 一个基于YOLOv12的石油泄漏检测框架被开发用于无人机图像.
- 建立了一个全面的遥感图像数据集,包括各种溢出形态和海洋条件.
- 模型训练包含了高分辨率输入,预训练的重量和共弦回火学习速率调度.
主要成果:
- 在测试组件上,YOLOv12框架获得了0.7929的F1评分和0.8334的mAP@0.5.
- 该模型展示了精确的漏油检测和精确的边界回归,具有光滑的精确召回曲线.
- 在静态图像和动态视频场景中证实了稳定的检测能力,包括目标跟踪.
结论:
- YOLOv12框架提供了一个强大的解决方案,用于从无人机图像中智能检测漏油.
- 这项技术为生态风险评估,污染监测和野生动物保护提供了基本支持.
- 该研究强调了开发的框架对现实世界海洋污染管理应用的有希望的潜力.
