21468

21468

شناسايي لكه هاي نفتي تصاوير رادار SAR با استفاده از شبكه هاي عصبي كانولوشني

كارشناسي ارشد

الكترونيك ديجيتال

1396

1398/7/14

دكتر برادران شكوهي

دكتر اكبري زاده

برق

نشت نفتي اثرات مضري بر اقتصاد و محيط زيست مبتني بر دريا دارد. آلودگي غير قانوني مستلزم نظارت مداوم و فن آوري سنجش از راه دور است كه گزينه جذابي براي كشف نشت نفت عملياتي است و نظارت بر چنين آلودگي يك كار وقت گير و گران قيمت است. همچنين آلودگي نشت نفت باعث آسيب جدي به اكوسيستم هاي دريايي مي شود كه جمعيت جانوران را كاهش مي دهد. نفت براي اهداف صنعتي گوناگون مورد نياز بوده كه در درياهاو اقيانوس ها حمل مي شوند كه آلودگي نفتي در طول اين حمل و نقل اتفاق مي افتد. حوادث تانكر و تخليه آب باطله از عوامل اصلي ايجاد لكه هاي نفتي است. به دليل بسياري از عوامل محيطي لكه هاي نفتي دريايي بسيار خطرناك هستند و به راحتي مي توانند در يك منطقه گسترده منفجر شوند. پس مهم است كه لكه نفتي را تشخيص داده و دسته بندي شود تا از آلودگي آبها جلوگيري شود. تشخيص سريع نشت نفت مي تواند اين اثرات نامطلوب را كاهش دهد. مطالعات قبلي نشان داده اند كه رادار دهانه تركيبي SAR براي تشخيص وطبقه بندي نشت نفت مفيد است. SAR يك گزينه مناسب براي تشخيص سريع نفت است زيرا پوشش دهي گسترده نواحي، جمع آوري داده ها در فواصل زماني كوتاه و امكان گرفتن تصاوير در هر شرايط آب و هوايي در تمام طول روز را ارائه مي دهد. مي توان گفت شناسايي لكه هاي نفتي از تصاوير رادار روزنه تركيبي SAR يك كار پيچيده اي است كه به تازگي مورد استفاده قرار گرفته است. در اين پروژه قصد داريم لكه نفتي تصاوير رادار SAR را با استفاده از شبكه عصبي كانولوشني جداسازي كنيم. در اين پروژه با استفاده از ديتاست 9801 تايي از تصاوير لكه نفتي رادار SAR و با استفاده اززبان برنامه نويسي پايتون و شبكه هاي كانولوشنيU-NET ، DeepLabV3و SegNetو اجرا برروي سرور GoogleColab لكه هاي نفتي را با دقت شناسايي كرديم. دقت شناسايي لكه نفتي در شبكه U-NET 78.8% ، در شبكه DeepLabV3 54% است و در شبكه SegNet هيچ شناسايي صورت نگرفت. برهمين اساس نتيجه مي گيريم كه بيشترين دقت شناسايي لكه هاي نفتي رادار SAR متعلق به شبكه U-NET است.

1398/10/03

Oil Spill Detection in SAR Images Using CNN

12/24/2019 12:00:00 AM

Oil spills have detrimental effects on the marine economy and environment. Illegal pollution requires continuous monitoring and remote sensing technology. But, operational oil spill detection and monitoring such pollution is a time consuming and expensive task. Oil spill pollution also causes serious damage to marine ecosystems that reduce population of animals. Oil is necessary requirement for various industrial purposes that to be transported by ships on oceans where oil pollution occurs during this transportation. Tanker accidents and tailings discharge are major causes of oil spills. Because of many environmental factors, marine oil spills are very dangerous and can easily explode in a wide area. So it is important to identify and classify the oil stain to prevent water pollution. Rapid detection of oil spills can reduce these adverse effects. Previous studies have shown that the SAR composite radar is useful for detecting and classifying oil spill. SAR is a good option for rapid oil detection because it offers extensive coverage of the area, data collection over short intervals, and the ability to capture images in all weather conditions throughout the day. It can be said that detecting oil stains from SAR images is a complex task that has been used recently. In this project, a new method has been proposed to isolate the oil spills on SAR radar images based on convolutional neural network. This method can accurately identify oil spills from the 9801 SAR images database. Python programming language has been applied to find the results. Also, the U-NET, DeepLabV3, and SegNet convolutional neural networks are developes for this reason which have been tested on Google Colab server. The accuracy of the oil spill detection is about 78.8% in the U-NET network and 54% in the DeepLabV3 network. On this basis, the most accurate detection of SAR radar oil spills belongs to the U-NET network