[go: up one dir, main page]

CN111323418A - 基于无人艇的海面油污监测系统 - Google Patents

基于无人艇的海面油污监测系统 Download PDF

Info

Publication number
CN111323418A
CN111323418A CN202010117978.1A CN202010117978A CN111323418A CN 111323418 A CN111323418 A CN 111323418A CN 202010117978 A CN202010117978 A CN 202010117978A CN 111323418 A CN111323418 A CN 111323418A
Authority
CN
China
Prior art keywords
module
oil pollution
unmanned boat
sea surface
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202010117978.1A
Other languages
English (en)
Inventor
张安民
胡英俊
张佳丽
张豪
徐唐进
刘帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202010117978.1A priority Critical patent/CN111323418A/zh
Publication of CN111323418A publication Critical patent/CN111323418A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无人艇的海面油污监测系统，其特征在于：包括无人艇、导航模块、主控制模块、自动避障模块、数据传输模块、数据处理模块、电源模块、油污分析模块和摄像模块。本发明结合了可航行于较浅水域、岛礁水域且具有较远续航里程的的无人艇巡航、成熟的图像RGB分解技术和残差神经网络分析技术，能够实现油污存在与否的自动分析与判断，相对现有的监测方法更为便捷、长效、精确且易实现，对于保护海洋环境具有重要意义。

Description

基于无人艇的海面油污监测系统
技术领域
本发明涉及海洋信息采集技术领域，尤其涉及一种基于无人艇的海面油污监测系统。
背景技术
随着经济的高速发展，石油的需求量在我们的生产生活中迅猛增长，即全球海上石油勘探与石油运输事业蓬勃发展。同时，在石油进行储存和运输时也造成了诸多溢油事故。目前，石油泄入海洋而造成的溢油事故，已成为一种世界性的严重海洋污染；此外也有一些船舶在临近港口进出航道等禁止排放油污的海域进行违法排放。海面油污会对一下方面造成巨大危害：对渔业和水产品带来巨大危害；对海岸带的生态造成巨大威胁等等。对海面的溢油污染实时监测具有重要意义。当今，海面监测常用的技术有卫星遥感监测、航空监测和巡逻船监测等。航空遥感技术监测范围大，全天候，图像资料易于处理和解译，能够实时连续地进行监测，但存在重复观测周期长，空间分辨率低，溢油监测卫星的数量有限等限制且成本较高。巡逻船监测具有一定机动性，能够实现雨天雾天对海上溢油的监视，但由于是人工巡逻，受到人作息规律等因素的影响和限制且不能航行于过浅的海域。无人艇搭载高清摄像模块具有机动灵活、续航里程长、可进行小范围海域油污检测、谱和空间分辨率高的优点。由此可见，目前常用的技术虽各有优势但仍存在较多缺点，不便于广泛使用。因此，一种实时便捷的、成本较低易实现的、油污监测准确的海面油污监测系统是迫切需要的。
发明内容
本发明的目的在于克服背景技术中的缺点，提供一种新型的基于无人艇的海面油污监测系统。
为实现上述目的，本发明采用以下技术方案：
一种基于无人艇的海面油污监测系统，其特征在于：包括无人艇、导航模块、主控制模块、自动避障模块、数据传输模块、数据处理模块、电源模块、油污分析模块和摄像模块；
所述导航模块通过数据传输模块接收来自岸基基准位置的信号，并且还利用无人艇搭载的GNSS天线采集定位数据；
所述主控制模块用于接收岸基操控人员的指令，根据指令进行无人艇的自动控制；
所述的自动避障模块使无人艇在执行监测任务时对障碍物的避让，包括静态障碍物和动态障碍物；
所述摄像模块安装在无人艇上，用于拍摄海面图像信息；
所述的数据处理模块是对摄像模块采集回的图像信息进行处理，将采集的图像信息建立样本，采用RGB分离图片的红色、绿色、蓝色三通道数据集；
所述图像油污分析模块采用残差神经网络的预测结果作为海面是否有油污的判断依据，将采集的图像信息建立一个样本库；
所述的电源模块是为无人艇的推进和各个模块提供电源。
一种基于无人艇的海面油污监测方法，其特征在于：包括以下步骤：步骤一、采用无人艇搭载双目高清摄像机对已知发生油污和未知发生有油污的海域进行拍照，采集海面图像信息；
步骤二、将步骤一所得的海面图片进行RGB分解，得到图像红绿蓝三通道数据集，建立残差神经网络的训练样本库；
步骤三、构建残差神经网络，将训练样本库的三维矩阵训练集输入残差神经网络进行训练，得到训练好的残差神经网络；
步骤四、无人艇对未知有无油污的海域进行巡航拍摄，得到未知有无油污的海面图像；
步骤五、将步骤四得到的海面图片进行RGB分解，得到图像的红绿蓝三通道数据集，整理得到的数据集作为残差神经网络的学习集；
步骤六、将步骤三得到的训练好的残差神经网络对学习集进行学习，得到学习的结果；
步骤七、步骤六中残差神经网络学习的结果作为判断未知海域有无油污的依据；
步骤八、若判断存在油污，将此信息传回地面控制中心，根据岸基控制人员指令进行水样采集。
本发明的有益效果是：本发明结合了可航行于较浅水域、岛礁水域且具有较远续航里程的的无人艇巡航、成熟的图像RGB分解技术和残差神经网络分析技术，能够实现油污存在与否的自动分析与判断，相对现有的监测方法更为便捷、长效、精确且易实现，对于保护海洋环境具有重要意义。
附图说明
图1为本发明系统原理图；
图2为本发明的流程图。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
如图1所示，本发明一种基于无人艇的海面油污监测系统，包括导航模块、主控制模块、自动避障模块、数据传输模块、数据处理模块、电源模块、油污分析模块和摄像模块；
摄像模块通过无人艇搭载高清摄像机拍摄获得海面图像信息。自动避障模块采用激光雷达进行实时避让决策。主控制模块主要根据岸基控制中心的规划指令进行自动路线规划、采样。数据处理模块采用RGB分解图片的红绿蓝三通道数据集。油污分析模块采用残差神经网络的学习结果作为海面是否有油污的判断依据，若判断拍摄的海面存在油污，自动将信息传到岸基控制中心。
为了区分有油污和无油污区域，图像RGB分离所得数据越大代表亮度越高，该处无油污；数据越小代表亮度越低，该处有油污。对于已经有油污分析的图片和无油污分析的图片，其RGB分解的数据集作为残差神经网络的训练集，对于未知有无油污的图片，其RGB分解的数据作为残差神经网络的学习集。
为了减小残差神经网络的预测误差，残差神经网络应对已知有油污图片和已知无油污图片的RGB数据集即训练集进行训练，使神经网络输出不断逼近期望分类输出，最终得到训练好的残差神经网络。
学习结果即可作为判断海面是否有油污的依据，从而实现油污存在与否的自动分析与判断。
参见图2，本发明提供的一种基于无人艇的海面油污监测方法，通过无人艇搭载高清摄像机获取已知发生油污和已知未发生油污的各种情况海域的海面图像信息，将图像数据处理模块进行数据的分解、提取和分析；残差神经网络的学习结果可作为判断有无油污的判断依据；根据残差神经网络的学习结果对图像进行油污分析，若确定所监测海面是否存在油污问题，并实时向岸基控制中心传回采集分析结果；具体步骤为：
步骤一、采用无人艇搭载双目高清摄像机对已知发生油污和未知发生有油污的海域进行拍照，采集海面图像信息；
步骤二、将步骤一所得的海面图片进行RGB分解，得到图像红绿蓝三通道数据集，建立残差神经网络的训练样本库；
步骤三、构建残差神经网络，将训练样本库的三维矩阵训练集输入残差神经网络进行训练，得到训练好的残差神经网络；
步骤四、无人艇对未知有无油污的海域进行巡航拍摄，得到未知有无油污的海面图像；
步骤五、将步骤四得到的海面图片进行RGB分解，得到图像的红绿蓝三通道数据集，整理得到的数据集作为残差神经网络的学习集；
步骤六、将步骤三得到的训练好的残差神经网络对学习集进行学习，得到学习的结果；
步骤七、步骤六中残差神经网络学习的结果作为判断未知海域有无油污的依据；
步骤八、若判断存在油污，将此信息传回地面控制中心，进行反馈，根据岸基控制人员指令进行水样采集。
海面图像信息采集模块采用无人艇搭载高清摄像机。使用无人艇巡航比卫星遥感的成本低，且无人艇巡航可更好的巡航一些受限水域，相比人工驾驶船舶监测机动灵活，且不受人员作息的限制，更容易实现；搭载的高清摄像机能清晰获得海面图像。
图像分解与数据处理模块采用RGB分解实现。将无人机巡航拍照得到的海面图片输入RGB程序，分解出图像的红绿蓝的数据集，已知有油污的图片和已知无油污的图片的RGB数据集为训练集，未知有无油污图片的RGB数据三维矩阵为学习集。
图像油污分析模块采用残差神经网络的学习结果为判断依据。训练好的残差神经网络可对未知油污的图片RGB数据集进行学习，进入不同的样本库，自动识别有无油污。
若判断存在油污的图像信息，将自动传回岸基控制中心，并根据岸基控制人的指令进行水样采集。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于无人艇的海面油污监测系统，其特征在于：包括无人艇、导航模块、主控制模块、自动避障模块、数据传输模块、数据处理模块、电源模块、油污分析模块和摄像模块；
所述导航模块通过数据传输模块接收来自岸基基准位置的信号，并且还利用无人艇搭载的GNSS天线采集定位数据；
所述主控制模块用于接收岸基操控人员的指令，根据指令进行无人艇的自动控制；
所述的自动避障模块使无人艇在执行监测任务时对障碍物的避让，包括静态障碍物和动态障碍物；
所述摄像模块安装在无人艇上，用于拍摄海面图像信息；
所述的数据处理模块是对摄像模块采集回的图像信息进行处理，将采集的图像信息建立样本，采用RGB分离图片的红色、绿色、蓝色三通道数据集；
所述图像油污分析模块采用残差神经网络的预测结果作为海面是否有油污的判断依据，将采集的图像信息建立一个样本库；
所述的电源模块是为无人艇的推进和各个模块提供电源。
2.一种利用权利要求1所述的基于无人艇的海面油污监测系统的监测方法，其特征在于：包括以下步骤：步骤一、采用无人艇搭载双目高清摄像机对已知发生油污和未知发生有油污的海域进行拍照，采集海面图像信息；
步骤二、将步骤一所得的海面图片进行RGB分解，得到图像红绿蓝三通道数据集，建立残差神经网络的训练样本库；
步骤三、构建残差神经网络，将训练样本库的三维矩阵训练集输入残差神经网络进行训练，得到训练好的残差神经网络；
步骤四、无人艇对未知有无油污的海域进行巡航拍摄，得到未知有无油污的海面图像；
步骤五、将步骤四得到的海面图片进行RGB分解，得到图像的红绿蓝三通道数据集，整理得到的数据集作为残差神经网络的学习集；
步骤六、将步骤三得到的训练好的残差神经网络对学习集进行学习，得到学习的结果；
步骤七、步骤六中残差神经网络学习的结果作为判断未知海域有无油污的依据；
步骤八、若判断存在油污，将此信息传回地面控制中心，根据岸基控制人员指令进行水样采集。
CN202010117978.1A 2020-02-26 2020-02-26 基于无人艇的海面油污监测系统 Withdrawn CN111323418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010117978.1A CN111323418A (zh) 2020-02-26 2020-02-26 基于无人艇的海面油污监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010117978.1A CN111323418A (zh) 2020-02-26 2020-02-26 基于无人艇的海面油污监测系统

Publications (1)

Publication Number Publication Date
CN111323418A true CN111323418A (zh) 2020-06-23

Family

ID=71167178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010117978.1A Withdrawn CN111323418A (zh) 2020-02-26 2020-02-26 基于无人艇的海面油污监测系统

Country Status (1)

Country Link
CN (1) CN111323418A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113483742A (zh) * 2021-09-07 2021-10-08 大连理工江苏研究院有限公司 一种海面污染物的监测系统及方法
KR20230116234A (ko) * 2022-01-28 2023-08-04 한국해양대학교 산학협력단 색 감지센서를 이용한 저조도에서의 실시간 선박 기름누출 감지시스템
CN117944837A (zh) * 2024-02-23 2024-04-30 江苏海事职业技术学院 一种无人驾驶船舶溢油监测系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4438325A1 (de) * 1994-10-27 1996-05-02 Dornier Gmbh Verfahren zur Überwachung des Schiffsverkehrs auf See mit Erkennung von Ölverschmutzungen und potentiellen Schiffskollisionen
CN103177608A (zh) * 2013-03-01 2013-06-26 上海海事大学 海上可疑船舶与船舶油污发现系统
CN105905248A (zh) * 2016-04-22 2016-08-31 四方继保（武汉）软件有限公司 双m五体无人船
CN108376460A (zh) * 2018-04-04 2018-08-07 武汉理工大学 基于无人机和bp神经网络的海上油污监测系统及方法
CN108562913A (zh) * 2018-04-19 2018-09-21 武汉大学 一种基于三维激光雷达的无人艇假目标检测方法
CN109024522A (zh) * 2018-09-06 2018-12-18 西北工业大学 一种水上油污处理无人船
CN110146674A (zh) * 2019-05-24 2019-08-20 广东交通职业技术学院 一种智能监测无人船
CN110702162A (zh) * 2018-07-10 2020-01-17 北京方位智能系统技术有限公司 自组网海洋环境多参数测量方法
CN110737272A (zh) * 2019-10-25 2020-01-31 集美大学 一种智慧港区海事执法无人艇系统及其操作方法
CN210037782U (zh) * 2019-05-24 2020-02-07 广东交通职业技术学院 一种智能监测无人船

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4438325A1 (de) * 1994-10-27 1996-05-02 Dornier Gmbh Verfahren zur Überwachung des Schiffsverkehrs auf See mit Erkennung von Ölverschmutzungen und potentiellen Schiffskollisionen
CN103177608A (zh) * 2013-03-01 2013-06-26 上海海事大学 海上可疑船舶与船舶油污发现系统
CN105905248A (zh) * 2016-04-22 2016-08-31 四方继保（武汉）软件有限公司 双m五体无人船
CN108376460A (zh) * 2018-04-04 2018-08-07 武汉理工大学 基于无人机和bp神经网络的海上油污监测系统及方法
CN108562913A (zh) * 2018-04-19 2018-09-21 武汉大学 一种基于三维激光雷达的无人艇假目标检测方法
CN110702162A (zh) * 2018-07-10 2020-01-17 北京方位智能系统技术有限公司 自组网海洋环境多参数测量方法
CN109024522A (zh) * 2018-09-06 2018-12-18 西北工业大学 一种水上油污处理无人船
CN110146674A (zh) * 2019-05-24 2019-08-20 广东交通职业技术学院 一种智能监测无人船
CN210037782U (zh) * 2019-05-24 2020-02-07 广东交通职业技术学院 一种智能监测无人船
CN110737272A (zh) * 2019-10-25 2020-01-31 集美大学 一种智慧港区海事执法无人艇系统及其操作方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113483742A (zh) * 2021-09-07 2021-10-08 大连理工江苏研究院有限公司 一种海面污染物的监测系统及方法
CN113483742B (zh) * 2021-09-07 2021-12-14 大连理工江苏研究院有限公司 一种海面污染物的监测系统及方法
KR20230116234A (ko) * 2022-01-28 2023-08-04 한국해양대학교 산학협력단 색 감지센서를 이용한 저조도에서의 실시간 선박 기름누출 감지시스템
KR102644188B1 (ko) 2022-01-28 2024-03-05 국립한국해양대학교산학협력단 색 감지센서를 이용한 저조도에서의 실시간 선박 기름누출 감지시스템
CN117944837A (zh) * 2024-02-23 2024-04-30 江苏海事职业技术学院 一种无人驾驶船舶溢油监测系统及方法

Similar Documents

Publication Publication Date Title
CN100538723C (zh) 多视觉传感器信息融合的内河船舶自动识别系统
Zhang et al. Research on unmanned surface vehicles environment perception based on the fusion of vision and lidar
CN109725310A (zh) 一种基于yolo算法以及岸基雷达系统的船舶定位监管系统
CN116310689B (zh) 一种无人智能多模态信息融合与目标感知系统及作业方法
CN111323418A (zh) 基于无人艇的海面油污监测系统
CN112644646A (zh) 大水域鱼类资源调查的水下机器人智能系统及工作方法
CN110908394A (zh) 一种海事水域污染监管无人机系统及监管方法
CN108376460A (zh) 基于无人机和bp神经网络的海上油污监测系统及方法
CN108547272B (zh) 一种无人驾驶的溢油自动回收系统的工作方法
CN115439745A (zh) 一种面向船舶图像特征的航标搭载式监视系统及方法
Gambin et al. Exploring the Phoenician shipwreck off Xlendi bay, Gozo. A report on methodologies used for the study of a deep-water site
Okamoto et al. Visual and Autonomous Survey of Hydrothermal Vents Using a Hovering‐Type AUV: Launching Hobalin into the Western Offshore of Kumejima Island
CN116280039B (zh) 一种无人艇垃圾回收方法及系统
CN117036887A (zh) 一种基于红外与可见光图像融合的水面溢油检测算法
CN113484864B (zh) 面向无人艇的航海雷达与光电吊舱协同环境感知方法
Massot-Campos et al. Assessing benthic marine habitats colonized with posidonia oceanica using autonomous marine robots and deep learning: A Eurofleets campaign
Gonzalez-Cid et al. Autonomous marine vehicles and CNN: Tech tools for posidonia meadows monitoring
Stein How the micro ROV class will change the maritime sector: An introductory analysis on ROV, big data and AI
WO2025093661A1 (en) Advanced system and process for acquisition, analysis and dissemination of geolocalized data refereed to the cleaning and safeguarding of the marine, lake and river waters, by a specialized boat
Fossum et al. Underwater autonomous mapping and characterization of marine debris in urban water bodies
CN119107570A (zh) 基于多光谱图像的水面漂浮物检测方法、装置及存储介质
CN112326917B (zh) 一种水环境污染溯源系统
CN116797660A (zh) 一种无需gnss工作的无人机全天候地理定位方法及系统
McCormick et al. Deep Neural Network-Based Visual Identification of Naval Surface Vessels
Lu et al. An accurate inland water garbage recognition network for USV camera images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20200623