基于深度学习模型的海上溢油监测及油膜相对厚度估计研究

In the big data scenario, the traditional oil spill monitoring strategies based on specific physic models along with human analysis are not capable of precisely extracting and processing the huge amount of multi-source remote sensing data. To address this shortcoming, we exploit the deep learning models for automatically extracting features from oil spill remote sensing images. Specifically, We establish new energy minimization methods for oil spill detection based on deep learning models, which possibly avoids blurring the elongated oil spill in detection. The new deep learning models form solid theoretical and technical fundamentals for processing oil spill data in the big remote sensing data scenario, possibly lifting the performance for intelligent oil spill monitoring and oil film relative thickness estimation.

在当今遥感大数据环境下，传统的特定物理模型辅以人工分析的溢油监测方式已无法全面准确地挖掘出多源海量遥感数据中的有效溢油信息。本项目将突破特定溢油建模中物理约束的局限，开发深度学习在溢油遥感图像自组织数据表征方面的能力，构建面向溢油遥感图像处理的深度学习模型。研究要点为建立运用深度学习模型刻画不规则溢油区域的能量最小化新方法，设计基于深度学习的溢油区域鲁棒检测方法，解决细长线等不规则溢油区的漏检问题。本项目将为遥感图像大数据环境下的溢油监测提供新的理论方法和技术支撑，有效提升溢油监测和油膜厚度评估的精确性和智能化。

本项目以深度学习模型为基础方法，围绕海面溢油检测等实际背景，开展了一系列研究工作。在面向溢油检测的深度神经网络和多源图像增强方面，设计了基于聚类驱动的深度卷积神经网络及其图像增强应用、提出了基于博弈超图的多源图像匹配方法、延拓了面向遥感图像识别的深度卷积神经网络训练数据集扩增方式、开发了面向遥感图像识别的深度卷积神经网络快速鲁棒实现方案。在面向溢油区域检测的深度能量最小化方法方面，延伸了基于导向滤波的水平集能量最小化新模型、设计了基于单点模糊能量最小化初始化策略、设计了面向多源观测的图割能量最小化方案、提出了单层随机深度检索模型。..依托本项目，项目负责人发表6篇SCI期刊论文，在国际大会做2次学术报告，获批1项国家发明专利。..本项目的研究成果既延拓了深度学习模型的理论内涵，也形成了面向海面溢油遥感检测的新的技术支撑。