论文部分内容阅读
HNS(Hazards and Noxious Substances)水上突发泄漏事故给生态环境与公共安全带来了巨大威胁。由于漂浮于水面的HNS通常颜色特征不明显,从普通RGB图像上看,其与水体背景差异以及类间差异较小,大大增加了目标快速自动化检测难度。本论文采用图像目标快速检测算法Faster R-CNN结合多光谱成像分类技术进行漂浮HNS检测与分类,在实现目标区域自动化快速检测的同时,通过光谱多维度的数据提升分类判别精度,为HNS水上突发泄漏事故的应急检测提供技术支撑。本文首先研究了苯、二甲苯和植物油这三类透明HNS漂浮于水面的反射光谱与图像特征。通过对采集的反射曲线(325-900 nm)以及多光谱图像(365、410、450、500、550、600、650、700和850nm)进行光谱的特征分析、光谱图像数据提取以及图像波段比较等,结果表明:HNS样品与水体背景的光谱反射率差分值在紫外波段处最大;光谱图像中,HNS区域与水体背景的对比度在365 nm紫外波段相对可见光波段更大,更利于目标识别和提取;不同样品在各个波段区间的光谱与图像特征具有一定的差别,说明了多光谱波段数据具有区分漂浮HNS样品的潜力。基于反射波段与图像特征的研究,进一步地,为快速自动检测目标区域,将Faster R-CNN(Regions with Convolutional Neural Networks Features)深度学习检测算法应用到UV(Ultravioletray)的365 nm图像中,通过与应用到RGB图像中的对比结果表明,UV图像检测模型预测区域与真实区域的平均目标框重叠度IOU(Intersection over Union)为 0.869,略高于 RGB 的 0.855;UV 图像检测模型的平均分类精度为86.66%明显优于RGB的68.33%,说明了 UV图像比传统RGB图像更适合用于进行漂浮HNS的目标检测。为进一步改进Faster R-CNN目标检测算法的分类结果,针对漂浮HNS区域的多光谱图像进行分割提取,建立基于多光谱图像数据的分类模型,结果表明,利用 365,410,450和 850nm仅这4个波段数据的 LS-SVM(Least-aqusres Support Vector Machine)模型能取得100%的分类准确率,比基于Faster R-CNN算法在漂浮HNS目标分类上的最优准确率(86.66%)得到了有效的提升。因此,Faster R-CNN结合多光谱成像检测技术的方法能有效实现透明HNS的检测。