一种基于多机器学习算法融合的无人机海上油污监测方法技术

本发明专利技术公开了一种基于多机器学习算法融合的无人机海上油污监测方法，包括：通过无人机采集海面图片，建立训练样本；对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；选取卷积神经网络训练集进行无监督学习；选取小波神经网络训练集进行训练；选取SVM训练集，输入特征向量对SVM训练建模；使用无人机在目标海域巡航拍照，获得海面图片；对海面图片进行识别，生成识别结果；选取识别结果中存在油污问题的对应海域，向监管中心进行报警。本发明专利技术能提升海上油污监测的效果。本发明专利技术能提升海上油污监测的效果。本发明专利技术能提升海上油污监测的效果。

【技术实现步骤摘要】
一种基于多机器学习算法融合的无人机海上油污监测方法


[0001]本专利技术属于海洋污染监测
，具体涉及一种基于多机器学习算法融合的无人机海上油污监测方法。

技术介绍

[0002]近年来，随着原油需求量的日益增加和海洋交通运输业的不断进步，石油及其产品的海上运输量不断增加，而在海洋石油勘探、开发、运输过程中发生的溢油事故频次也随之不断增长，往往造成大规模的海洋污染，对海洋生态系统、渔业、公众健康和其他社会利益造成严重危害。我国海域面积472.7万km2，海岸线长度1.8万km，各个海域饱受大量的潜在溢油污染困扰。尽管人们针对溢油做了许多准备，但由于海洋溢油的不可预测性和突发性等特点，溢油所导致的海洋污染问题在我国形势依然严峻，如何在第一时间确定溢油的发生仍然是重中之重，海洋溢油污染监测工作意义重大。
[0003]海面溢油检测中，目前常用的技术有卫星遥感监测、航空遥感监测和巡逻船监测等。卫星遥感监测具有监测范围广，能够全天候实时探测，图像资料易于处理等优点，但存在需要借助昂贵且数量有限的卫星设备，重访周期长，空间分辨率低，受制于气候条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，包括以下步骤：通过无人机采集多组海面图片，建立训练样本；对训练样本进行图像预处理，通过数据增强建立卷积神经网络训练集；通过图像压缩和DCT变换提取特征向量，建立小波神经网络训练集；通过计算训练样本的灰度共生矩阵，选取图像纹理特征值，建立SVM训练集；构建卷积神经网络模型并选取卷积神经网络训练集进行无监督学习，得到训练好的卷积神经网络；构建小波神经网络模型并选取小波神经网络训练集进行训练，得到训练好的小波神经网络；选取SVM训练集，输入特征向量对SVM训练建模，得到训练好的SVM分类器；使用无人机在目标海域巡航拍照，获得未知有无油污的海面图片；利用训练好的卷积神经网络和训练好的小波神经网络，对未知有无油污的海面图片进行识别，生成识别结果，将识别结果作为判断目标海域有无油污的依据；选取识别结果中存在油污问题的对应海域，向监管中心进行报警。2.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，建立卷积神经网络训练集的数据增强方法至少包括镜像翻转、随即旋转、随机剪裁和颜色扰动。3.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，建立小波神经网络训练集的具体步骤为：对训练样本进行二维小波分解，提取其中的低频部分，量化编码；采用二维DCT提取特征系数矩阵，选取特征系数矩阵中包含大量能量的部分作为小波神经网络模型的输入向量。4.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，SVM训练集选取的图像纹理特征值至少包括熵、能量、一致性、对比度和方差，并将图像纹理特征值作为输入SVM的特征向量。5.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，卷积神经网络模型采用类Lenet
‑
5结构，共包括以下7层网络结构：卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6和输出层。6.根据权利要求1所述的一种基于多机器学习算法融合的无人机海上油污监测方法，其特征在于，判断目标海域有无油污的方法为：将未知有无油污的海面图片交给卷积神经网络和小波神经网络并行识别,若两者的识别结果均为是，则判断目标海域有油污；若两者的识别结果均为否，则判断目标海域无油污；若两者的识别结果为一是一否，将无人机采集到的图像目标再交给SVM识别，若SVM识别结果为是，判断目标海域有油污；若SVM识别结果为否，判断目标海域无油污；其中，识别结果为是表示该神经网络或分类器...

【专利技术属性】
技术研发人员：肖进丽，张志伟，王洋洋，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：