[發明專利]一種基于多機器學習算法融合的無人機海上油污監測方法

在審

• 申請號: 202111267660.2
• 申請日: 2021-10-29
• 公開（公告）號: CN114022794A
• 公開（公告）日: 2022-02-08
• 發明（設計）人: 肖進麗;張志偉;王洋洋
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06V20/17
• 分類號: G06V20/17;G06V10/44;G06V10/46;G06V10/52;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 王丹

1.一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，包括以下步驟：

通過無人機采集多組海面圖片，建立訓練樣本；

對訓練樣本進行圖像預處理，通過數據增強建立卷積神經網絡訓練集；通過圖像壓縮和DCT變換提取特征向量，建立小波神經網絡訓練集；通過計算訓練樣本的灰度共生矩陣，選取圖像紋理特征值，建立SVM訓練集；

構建卷積神經網絡模型并選取卷積神經網絡訓練集進行無監督學習，得到訓練好的卷積神經網絡；

構建小波神經網絡模型并選取小波神經網絡訓練集進行訓練，得到訓練好的小波神經網絡；

選取SVM訓練集，輸入特征向量對SVM訓練建模，得到訓練好的SVM分類器；

使用無人機在目標海域巡航拍照，獲得未知有無油污的海面圖片；

利用訓練好的卷積神經網絡和訓練好的小波神經網絡，對未知有無油污的海面圖片進行識別，生成識別結果，將識別結果作為判斷目標海域有無油污的依據；

選取識別結果中存在油污問題的對應海域，向監管中心進行報警。

2.根據權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，建立卷積神經網絡訓練集的數據增強方法至少包括鏡像翻轉、隨即旋轉、隨機剪裁和顏色擾動。

3.根據權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，建立小波神經網絡訓練集的具體步驟為：對訓練樣本進行二維小波分解，提取其中的低頻部分，量化編碼；采用二維DCT提取特征系數矩陣，選取特征系數矩陣中包含大量能量的部分作為小波神經網絡模型的輸入向量。

4.根據權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，SVM訓練集選取的圖像紋理特征值至少包括熵、能量、一致性、對比度和方差，并將圖像紋理特征值作為輸入SVM的特征向量。

5.根據權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，卷積神經網絡模型采用類Lenet-5結構，共包括以下7層網絡結構：卷積層C1、池化層S2、卷積層C3、池化層S4、卷積層C5、全連接層F6和輸出層。

6.根據權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法，其特征在于，判斷目標海域有無油污的方法為：將未知有無油污的海面圖片交給卷積神經網絡和小波神經網絡并行識別,若兩者的識別結果均為是，則判斷目標海域有油污；若兩者的識別結果均為否，則判斷目標海域無油污；若兩者的識別結果為一是一否，將無人機采集到的圖像目標再交給SVM識別，若SVM識別結果為是，判斷目標海域有油污；若SVM識別結果為否，判斷目標海域無油污；其中，識別結果為是表示該神經網絡或分類器判斷目標海域有油污，識別結果為否表示該神經網絡或分類器判斷目標海域無油污。

7.一種利用如權利要求1所述的一種基于多機器學習算法融合的無人機海上油污監測方法的系統，其特征在于，包括：

采集模塊，用于通過無人機采集多組海面圖片，建立訓練樣本；

預處理模塊，用于對訓練樣本進行圖像預處理，通過數據增強建立卷積神經網絡訓練集；通過圖像壓縮和DCT變換提取特征向量，建立小波神經網絡訓練集；通過計算訓練樣本的灰度共生矩陣，選取圖像紋理特征值，建立SVM訓練集；

訓練模塊，用于構建卷積神經網絡模型并選取卷積神經網絡訓練集進行無監督學習，得到訓練好的卷積神經網絡；構建小波神經網絡模型并選取小波神經網絡訓練集進行訓練，得到訓練好的小波神經網絡；選取SVM訓練集，輸入特征向量對SVM訓練建模，得到訓練好的SVM分類器；

判斷模塊，用于在訓練模塊完成訓練后，使用采集模塊在目標海域巡航拍照，獲得未知有無油污的海面圖片；利用訓練好的卷積神經網絡和訓練好的小波神經網絡，對未知有無油污的海面圖片進行識別，生成識別結果，將識別結果作為判斷目標海域有無油污的依據；選取識別結果中存在油污問題的對應海域，向監管中心進行報警。