海洋油污事件是当石油泄漏到海洋环境中时发生的灾难性环境事故。油污对海洋生态系统、野生动物和沿海社区构成重大威胁,可能产生持久且深远的影响。由于到达受影响区域的后勤困难,清理油污是一项昂贵的工作。在派出清理队伍之前,精确测量油污的特征,如体积、厚度和范围,对于最大化资源利用和节约成本至关重要。这正是计算机视觉成为重要工具的地方。
本文将展示如何使用标记数据来训练一个实例分割模型,以远程理解和评估油污。通过从空中视角捕获高分辨率图像或视频,可以使用计算机视觉模型进行分析,从而准确测量油污。获取的信息有助于专家确定针对特定油污最合适和高效的清理方法。例如,如果油污相对稀薄且分布广泛,可能使用机械围堵和回收技术,如部署围油栏和撇油器就足够了。另一方面,如果油污更厚或分散在更大的区域,可能更适用燃烧或应用化学分散剂。
通过计算机视觉分析理解油污的特征,响应团队可以选择最具成本效益和环境友好的清理方法。一旦清理完成,计算机视觉还可以促进对受影响区域的后清理评估和监测。通过比较清理前后的图像,专家可以评估清理操作的有效性,识别任何残留污染,并在必要时计划进一步的补救措施。将计算机视觉集成到油污响应过程中,在成本节约、资源有效分配和改进决策方面提供了显著的好处。
在本项目中,目标是使用计算机视觉检测油污的厚度。厚度估计将基于水面上油污的视觉外观,特别是颜色特征。以下图像显示了油污的不同颜色代码的空中视角。油污数据收集和标记在本项目中,使用图像分割,特别是实例分割来检测油污厚度。以下三个类别用于标记数据集并检测油污厚度:彩虹光泽、光泽、真实颜色。本项目的油污数据集是从Roboflow Universe上的开源图像中获得的。以下是项目中使用的样本图像。
然后,使用Roboflow Annotate对数据集进行注释,以进行实例分割。在此项目中,使用Smart Polygon工具对图像进行标记。在注释完数据集中的所有图像后,生成数据集以进行下一步的模型训练。油污模型训练和测试在数据集准备好后,它已准备好使用Roboflow Train进行训练,这不仅促进了模型训练过程,还优化了无缝部署。在本项目中,重点是训练模型进行实例分割,以准确检测和描绘图像中的单个对象。
如以下图表所示,该模型经过训练,平均精度均值(mAP)得分为81.3%。这个得分证明了模型能够准确检测和分割其训练的图像中的对象。在Roboflow上的测试阶段,模型显示出有希望的结果,如下图表所示。值得注意的是,模型准确地识别了被归类为“彩虹”的油污,这证明了模型在从图像中检测和分类不同类型的油污方面是有效的。现在有了一个有效的模型,是时候使用该模型构建一个评估和监测油污的应用程序了。
油污监测系统概述在Roboflow云上训练的模型可以通过API访问,允许对接收的图像或视频进行预测。在油污检测系统的背景下,可以设计一个系统架构,将配备摄像头和GSM模块的无人机嵌入到系统中,以检查海域并捕获目标区域的图像。然后,这些图像被发送进行处理,利用部署的模型预测油污的存在和范围。然后,预测结果可以通知有关去除油污的适当行动的决策过程。决策应用程序接收预测结果,并应用预定义的标准或算法来评估油污的严重程度和范围。
基于这些信息,可以做出关于去除或减轻油污的适当行动的决定。这些决定可能涉及部署清理队伍、启动围堵措施或实施进一步的评估。通过集成无人机、油污推理应用程序和决策应用程序,系统为有效的油污检测和响应提供了全面的解决方案。