一种基于图像处理的港口溢油扩散趋势预测方法及系统技术方案

本申请公开了一种基于图像处理的港口溢油扩散趋势预测方法及系统，涉及水污染识别技术领域。所述方法包括：获取遥感图像、对遥感图像进行标注、对标注后的图像集进行数据处理、处理好图像集输入训练好的港口溢油扩散趋势预测模型、输出港口溢油扩散趋势。本申请按照预设标签类别对遥感图像进行标注，选取对事故废水图像有影响的标签类别，提高了港口溢油扩散趋势预测的准确性，且训练的数据包含了大量复杂环境下的遥感数据，使得已训练的港口溢油扩散趋势预测模型学习到了复杂背景下事故废水边界的数据特征，对于突发性事故的废水遥感图像具有较好的泛化性能。图像具有较好的泛化性能。图像具有较好的泛化性能。

【技术实现步骤摘要】
一种基于图像处理的港口溢油扩散趋势预测方法及系统


[0001]本申请涉及水污染识别
，尤其涉及一种基于图像处理的港口溢油扩散趋势预测方法及系统。

技术介绍

[0002]溢油通常是指水上船舶碰撞、触礁或浪损使货轮燃料油泄漏造成水域污染事故。突发性的溢油事件具有性质复杂、发生突然、危害严重、处理处置困难等特性，不但给当地渔业、水产养殖业、旅游业等造成经济损失，也严重损害了水域以及沿岸的自然环境和生态环境。
[0003]港口周围环境相较于海洋更为复杂多变，污染事故发生后，港口溢油会随环境的变化而发生扩散，例如水流、风向、地形等环境因素，使得港口溢油扩散趋势的预测十分困难，特别是在复杂的地理环境中，废水扩散时更容易受到周围环境的影响。尤其是港口建筑、陆地沿岸、周围水域，这些区域环境复杂，甚至水草丛生、杂物堆积，使得溢油扩散趋势的预测及时性差，且准确率低。一般情况下，水草、杂物处溢油扩散速度最慢，周围水域扩散最快，港口建筑、陆地沿岸等也会对溢油扩散产生一定的影响。如果不能充分考虑这些因素的影响，就无法及时的、更为准确的预测出港口溢油扩散趋势，有可能会失去最佳的治理污染的时机，严重威胁附近水质及水生态环境。
[0004]因此如何根据事故周围的地理环境及周围环境对溢油的影响，及时、准确的对事故溢油扩散趋势的预测至关重要。

技术实现思路

[0005]有鉴于此，本申请提出一种基于图像处理的港口溢油扩散趋势预测方法及系统，以解决现有技术中废水图像无法得到实时准确的识别的问题。
[0006]本申请具体的技术方案如下：一种基于图像处理的港口溢油扩散趋势预测方法，包括步骤：步骤1，获取待测港口事故区域的遥感图像；步骤2，按照预设标签类别对所述遥感图像进行标注，所述预设标签类别包括：建筑类、水域类、陆地类、以及油污水类，获得4个标注后的图像集；步骤3，对4个所述标注后的图像集进行数据处理，得到4个尺寸统一的图像集；步骤4，将4个所述尺寸统一的图像集输入训练好的港口溢油扩散趋势预测模型，输出港口溢油扩散趋势。
[0007]进一步的，所述步骤2中，所述预设标签类别中，建筑类为港口溢油处周边建筑、桥梁、码头，水域类为港口溢油处周边的水生植物及陆地植物，陆地类为港口溢油处周围的港岸，油污水类为港口溢油区域。
[0008]进一步的，所述步骤3中，所述数据处理公式为：X
H
=Ec(X,4
×
conv( ),1
×
max_pooling( ),4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）
X'
H
=Bl(X
H
,5
×
conv( ))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）X
L
=Dc(X'
H
+S,1
×
up_sampling( ),4
×
conv( ),4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，Ec为对图像进行编码操作，包含四次压缩操作，每次压缩操作包含4次卷积操作和1次池化；Bl为对图像进行瓶颈操作，包含5次卷积操作；Dc为对图像进行译码操作，包含四次解压，每次解压操作包含1次上采样操作和4次卷积操作；S为X经过四次压缩时，每次生成的值X
K
的集合，S={X
K
}，K=0,1,2,3,4；K为压缩次数；X为输入图像集；X
H
为编码操作后的高维的图像集；X'
H
为瓶颈操作后的降低图像数量后的图像集；X
L
为译码操作后的低维的图像集；conv为卷积操作；max_pooling为池化操作；up_sampling为上采样操作。
[0009]进一步的，所述步骤4中，所述港口溢油扩散趋势预测模型的训练步骤如下：步骤4.1，采用神经网络构建港口溢油扩散趋势预测模型，设置所述港口溢油扩散趋势预测模型的训练参数；步骤4.2，获取用于所述港口溢油扩散趋势预测模型训练的样本图像集；步骤4.3，用所述样本图像集对所述港口溢油扩散趋势预测模型进行训练。
[0010]进一步的，所述步骤4.1中，港口溢油扩散趋势预测模型的训练参数设置如下：训练的迭代次数为6000，每次训练的批量大小为16，激活函数为Relu，学习率LR初始值为10
‑2，迭代次数是2000的整数倍时，对学习率LR自动降低10倍。
[0011]进一步的，所述步骤4.2中，所述样本图像集获取方法如下；步骤4.2.1，获取历史港口事故区域的遥感图像；步骤4.2.2，对所述遥感图像进行数据扩展，增加样本数量；步骤4.2.3，按照预设标签类别对所述遥感图像进行标注，所述预设标签类别包括：建筑类、水域类、陆地类、以及油污水类，获得4个标注后的图像集；步骤4.2.4，对4个所述标注后的图像集进行数据处理，得到4个尺寸统一的图像集。
[0012]进一步的，所述步骤4.2.2中，港口溢油扩散趋势预测模型数据扩展的公式为：X'=AX(RC(X,rd
1seed
),rd
2seed
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）其中，RC为随机裁剪；AX为图像随机生成函数；rd
1seed
、rd
2seed
为随机种子数；X为输入图像集；
X'为输出图像集。
[0013]一种基于图像处理的港口溢油扩散趋势预测系统，使用如上任一项所述的基于图像处理的港口溢油扩散趋势预测方法，包括：数据获取模块：用于获取待测港口事故区域的遥感图像；标注模块：与所述数据获取模块连接，按照预设标签类别对所述遥感图像进行标注，所述预设标签类别包括：建筑类、水域类、陆地类、以及油污水类，获得4个标注后的图像集；数据处理模块：与所述标注模块连接，用于对4个所述标注后的图像集进行数据处理，得到4个尺寸统一的图像集；扩散趋势预测模块：与所述数据处理模块连接，用于将4个所述尺寸统一的图像集输入训练好的港口溢油扩散趋势预测模型，输出港口溢油扩散趋势。
[0014]本申请的有益效果在于：（1）本申请按照预设标签类别对遥感图像进行标注，选取对事故废水图像有影响的标签类别，包括建筑类、水域类、陆地类、以及油污水类，充分考虑了复杂的地理环境对港口溢油扩散的影响，提高了港口溢油扩散趋势预测的准确性；（2）通过数据扩展，使得训练的数据包含了大量复杂环境下的遥感数据，进而已训练的港口溢油扩散趋势预测模型学习到了复杂背景下事故废水边界的数据特征，对于突发性事故的废水遥感图像具有较好的泛化性能；（3）本申请采用了特殊的数据处理方法，对图像集进行编码操作、瓶颈操作、译码操作，使得在保证图像集数据的多样性的同时对数据量进行了控制，提升模型预测的准确率，也提升了模型训练的速度；（4）通过对港口溢油扩散趋势预测模型不断实验确定最终的模型参数，可以实现较好的预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理的港口溢油扩散趋势预测方法，其特征在于，包括步骤：步骤1，获取待测港口事故区域的遥感图像；步骤2，按照预设标签类别对所述遥感图像进行标注，所述预设标签类别包括：建筑类、水域类、陆地类、以及油污水类，获得4个标注后的图像集；步骤3，对4个所述标注后的图像集进行数据处理，得到4个尺寸统一的图像集；步骤4，将4个所述尺寸统一的图像集输入训练好的港口溢油扩散趋势预测模型，输出港口溢油扩散趋势。2.根据权利要求1所述的基于图像处理的港口溢油扩散趋势预测方法，其特征在于，所述步骤2中，所述预设标签类别中，建筑类为港口溢油处周边建筑、桥梁、码头，水域类为港口溢油处周边的水生植物及陆地植物，陆地类为港口溢油处周围的港岸，油污水类为港口溢油区域。3.根据权利要求1所述的基于图像处理的港口溢油扩散趋势预测方法，其特征在于，所述步骤3中，所述数据处理公式为：X
H
=Ec(X,4
×
conv( ),1
×
max_pooling( ),4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）X'
H
=Bl(X
H
,5
×
conv( ))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）X
L
=Dc(X'
H
+S,1
×
up_sampling( ),4
×
conv( ),4)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中，Ec为对图像进行编码操作，包含四次压缩操作，每次压缩操作包含4次卷积操作和1次池化操作；Bl为对图像进行瓶颈操作，包含5次卷积操作；Dc为对图像进行译码操作，包含四次解压，每次解压操作包含1次上采样操作和4次卷积操作；S为X经过四次压缩时，每次生成的值X
K
的集合，S={X
K
}，K=0,1,2,3,4；K为压缩次数；X为输入图像集；X
H
为编码操作后的高维的图像集；X'
H
为瓶颈操作后的降低图像数量后的图像集；X
L
为译码操作后的低维的图像集；conv为卷积操作；max_pooling为池化操作；up_sampling为上采样操作。4.根据权利要求1所述的基于图像处理的港口溢油扩散趋势预测方法...

【专利技术属性】
技术研发人员：李广涛，王建功，曹丽华，李阳，韩雪，李秀利，常明玥，赵红艳，
申请(专利权)人：交通运输部天津水运工程科学研究所，
类型：发明
国别省市：