在带有注释不确定性的航空影像中，对海洋石油泄漏进行像素级检测与分类

《Marine Pollution Bulletin》：Pixel-level detection and classification of marine oil spills in aerial imagery with annotation uncertainty handling

　　油污检测与分类框架及数据集构建

　　油污泄漏是全球范围内亟需关注的环境问题之一，尤其是在沿海和海洋生态系统中，其影响尤为严重。由于油污在水面上的扩散速度较快，且可能对海洋生物、渔业资源以及人类健康造成威胁，因此，快速、准确的油污检测和分类方法对于减轻其带来的负面影响至关重要。传统的油污监测方式主要依赖于人工分析，这不仅效率低下，还容易受到环境因素和人为误差的影响。随着科技的进步，特别是深度学习技术的发展，自动化油污监测已经成为可能，为环境管理和应急响应提供了新的工具。

本研究提出了一种基于深度学习的框架，利用卷积神经网络（CNN）实现对油污的自动检测与分类。通过构建两个像素级别的RGB图像数据集，研究团队致力于解决当前油污检测中存在的数据不足问题。其中一个数据集来源于实际的海洋监测操作，而另一个则由网络上收集的图像组成。这些数据集的多样性有助于提高模型在不同环境条件下的泛化能力。通过使用U-Net架构进行语义分割，该框架不仅能够识别油污的存在，还能对不同类型的油污进行分类，例如银色、彩虹色和乳化油等。这些信息对于制定针对性的应对措施具有重要意义。

研究团队还针对模型的性能和泛化能力进行了多方面的优化。首先，他们对不同网络主干（如ResNet-18、ResNet-34、ResNet-50、MobileNet-V2和EfficientNet-B4）进行了比较分析，探讨了它们在性能和复杂度上的权衡。其次，他们提出了一种处理标注不确定性的策略，引入了一个名为“未定义”的额外标注类别，用于标记那些油污类型或存在性无法通过视觉确认的区域。这样做的目的是在训练过程中避免使用不确定的数据，从而提升模型的可靠性。

在实验过程中，研究团队通过一系列消融实验，评估了关键设计选择对模型性能的影响。这些实验包括对网络主干预训练的使用以及如何处理视觉上模糊的区域。通过对这些实验的分析，他们能够更好地理解不同设计决策对模型表现的具体影响，并据此优化模型结构。此外，研究团队还对模型的泛化能力进行了测试，包括在同一数据集内的评估以及跨数据集的评估，以确保其在不同环境条件下的适用性。

为了进一步验证模型的有效性，研究团队进行了定量和定性的分析。他们不仅关注模型在检测油污和分类油污类型方面的准确率，还分析了模型在实际应用场景中的表现。通过这些分析，他们能够证明深度学习技术在复杂海洋环境下的可行性，特别是在处理高分辨率光学图像时的优势。相比于合成孔径雷达（SAR）图像，光学图像能够提供更丰富的颜色信息和细节，这对于区分不同类型的油污尤为重要。然而，光学图像也面临一些挑战，例如光照条件的变化、镜面反射以及不同油污类型之间的视觉相似性。因此，研究团队在模型设计和训练过程中，特别关注了这些问题，并通过数据增强等技术加以解决。

实验结果表明，所提出的模型在二分类任务中取得了较高的性能指标，包括平均交并比（mIoU）为0.738和准确率为86.9%。而在多分类任务中，模型的mIoU为0.351，准确率为81.6%。这些结果不仅验证了模型的有效性，还突显了数据集质量和模型配置在实际部署中的重要性。此外，研究团队还指出，尽管当前已有多种方法用于油污检测，但大多数方法主要依赖于SAR图像，这些方法在处理高分辨率光学图像时存在一定的局限性。因此，本研究提出的框架为油污监测提供了一种新的视角，特别是在利用无人机采集的高分辨率光学图像进行分析时。

在实际应用中，无人机配备光学相机为油污监测提供了诸多优势。它们可以在较低的高度飞行，从而捕捉到更高分辨率的彩色图像，这对于识别油污的边界和类型至关重要。同时，无人机采集的图像较少受到云层覆盖的影响，相较于卫星光学传感器更具灵活性和实时性。这些特性使得无人机成为一种理想的工具，用于战术和操作层面的支持。然而，无人机的稳定性可能会受到强风的影响，因此在实际部署中需要考虑环境因素对飞行安全的影响。

综上所述，本研究通过构建高质量的像素级别数据集，并采用U-Net架构进行语义分割，为油污的自动检测与分类提供了一种可行的解决方案。该框架不仅能够有效识别油污的存在，还能区分不同类型的油污，从而为环境管理和应急响应提供更加精确的信息。研究团队的贡献在于提出了两种新型数据集，引入了“未定义”类别以处理标注不确定性，并对不同网络主干进行了比较分析，为未来的研究提供了重要的参考。通过这些努力，他们希望推动油污监测技术的发展，使其在复杂和动态的海洋环境中发挥更大的作用。