实战 | 基于计算机视觉实现海面漏油检测|大模型|漏油检测|石油泄漏|算法|计算机视觉

来源：市场资讯

（来源：OpenCV与AI深度学习）

视觉/图像重磅干货，第一时间送达！

海上石油泄漏是石油泄漏到海洋环境中造成的灾难性环境事件。石油泄漏对海洋生态系统、野生动物和沿海社区构成重大威胁，并可能造成长期深远的影响。

由于到达受影响地区的后勤困难，清理漏油是一项昂贵的工作。在派出清理人员之前，必须精确测量泄漏的特征，例如体积、厚度和范围，以最大限度地利用资源并节省成本。这时计算机视觉就成为必不可少的工具。

本将向您展示如何使用标记数据来训练实例分割模型，以便远程了解和评估漏油事件。

计算机视觉如何帮助清理漏油

从空中拍摄的石油泄漏高分辨率图像或视频可以使用计算机视觉模型进行分析，从而准确测量泄漏量。获取的信息可帮助专家确定特定泄漏最合适、最有效的清理方法。

例如，如果泄漏量相对较薄且分布广泛，则机械遏制和回收技术（如部署围油栏和撇油器）可能就足够了。另一方面，如果泄漏量较大或分布范围较大，则焚烧或使用化学分散剂可能更合适。

通过计算机视觉分析了解泄漏的特性，响应团队可以选择最具成本效益和环保的清理方法。

清理完成后，计算机视觉还可以促进对受影响区域的后期评估和监控。通过比较清洁前后的图像，专家可以评估清洁操作的有效性，识别任何残留污染，并在必要时规划进一步的补救措施。

将计算机视觉整合到石油泄漏应对流程中，在节省成本、高效分配资源和改善决策方面带来了显著的好处。

石油泄漏数据收集和标记

在本项目中，使用图像分割（特别是实例分割）来检测油的厚度。以下三个类用于标记数据集并检测油厚度：

彩虹
光泽
真彩色

本项目的漏油数据集来自Roboflow Universe上的开源图像。以下是项目中使用的示例图像。

https://universe.roboflow.com/tim-4ijf0/oil-spill-segmentation?ref=blog.roboflow.com

然后使用Roboflow Annotate或labelme对数据集进行标注：

在标注数据集中的所有图像之后，将生成数据集，以便下一步进行模型训练。

石油泄漏模型训练与测试

数据集准备好后，即可使用Roboflow Train进行训练，这不仅促进了模型训练过程，而且还对其进行了优化以实现无缝部署。

在这个项目中，重点是训练模型进行实例分割，从而能够准确检测和描绘图像中的各个物体。

如下图所示，该模型经过训练后，平均精度(mAP) 得分高达 81.3%。该得分证明该模型能够准确地检测和分割训练图像中的对象。

在 Roboflow 的测试阶段，该模型表现出了良好的结果，如下图所示。值得注意的是，该模型准确识别了被归类为“彩虹”的漏油，这证明该模型能够有效地从图像中检测和分类不同类型的漏油。

石油泄漏监测系统概述

Roboflow 云上训练的模型可通过 API 访问，从而对收到的图像或视频进行预测。

在石油泄漏检测系统中，可以设计一个系统架构，将嵌入摄像头和 GSM 模块的无人机用于检查海域并捕捉目标区域的图像。然后利用部署的模型将这些图像发送进行处理，以预测石油泄漏的存在和范围。

由此得出的预测结果可以为有关采取适当行动消除漏油的决策过程提供参考。

图像推理：

from ultralytics import YOLOmodel = YOLO("best.pt")model.predict(source="oil_spill_drone.jpg", show=True, save=True, hide_labels=False, hide_conf=False, conf=0.5, save_txt=False, save_crop=False, line_thickness=2)

视频推理：

from ultralytics import YOLOmodel = YOLO("best.pt")model.predict(source="drone_footage_oil_spill_original.mp4", show=True, save=True, hide_labels=False, hide_conf=False, conf=0.5, save_txt=False, save_crop=False, line_thickness=2)