近年来,海上运输、石油开发等行业持续发展,给经济增长带来新活力的同时,也促使了海洋溢油事故的频繁发生。港口作为贸易枢纽,发生溢油事故的频率也不容乐观。溢油事故本身具有不可预测性,且在事故发生后,大面积的油污扩散会造成巨大的危害,而及时、快速地识别溢油并获取重要的定位信息能够使后续的围油工作更加精准、高效,防止溢油二次扩散,是亟待解决的重大问题。本文基于YOLOv3(You Only Look Once:version 3)溢油识别模型与轮廓提取算法,分别实现溢油的识别与边缘的检测,主要完成了以下几个部分的工作:(1)对比分析目前应用广泛的几种基于卷积神经网络(Convolutional Neural Network,CNN)的图像识别算法,根据港口溢油自身的特点,选择YOLOv3模型作为溢油识别的基础框架,并利用无人机采集溢油图像和视频,构建图像数据集。(2)基于YOLOv3算法框架,搭建溢油识别模型。利用MobileNetv1轻量级网络替代YOLOv3模型默认的主干网络Darknet-53,改善Darknet-53在识别单一且面积较大的目标时存在的网络冗余问题,缩短了溢油识别的计算时间。通过K-means聚类算法生成多个预测框尺寸,分析尺寸个数对预测准确率的影响,确定适合溢油识别的预测框数量。引入GIOU Loss的思想计算损失函数,解决了交并比IOU(Intersection over Union)与损失函数之间转化受限的问题。使用Soft-NMS算法替代非极大值抑制NMS(Non-maximum suppression)算法,改善了NMS算法在预测框筛选过程中存在的缺陷,提高了溢油识别的准确度。(3)对溢油图像做灰度化、均值滤波、二值化等图像预处理,分别采用canny边缘检测算法和OpenCV轮廓提取函数两种方法对预处理后的图片做边缘检测,对比分析两者的效果,选择轮廓提取函数作为边缘检测的方法,并生成溢油边缘的定位。随机输入参考点,计算参考点与所有边缘定位的距离,筛选出溢油边缘最远距离及对应点坐标。(4)设计溢油识别与定位系统的GUI界面,通过测试实验验证算法可行性。