【摘要】：HNS(Hazards and Noxious Substances)水上突發(fā)泄漏事故給生態(tài)環(huán)境與公共安全帶來了巨大威脅。由于漂浮于水面的HNS通常顏色特征不明顯,從普通RGB圖像上看,其與水體背景差異以及類間差異較小,大大增加了目標快速自動化檢測難度。本論文采用圖像目標快速檢測算法Faster R-CNN結合多光譜成像分類技術進行漂浮HNS檢測與分類,在實現(xiàn)目標區(qū)域自動化快速檢測的同時,通過光譜多維度的數(shù)據(jù)提升分類判別精度,為HNS水上突發(fā)泄漏事故的應急檢測提供技術支撐。本文首先研究了苯、二甲苯和植物油這三類透明HNS漂浮于水面的反射光譜與圖像特征。通過對采集的反射曲線(325-900 nm)以及多光譜圖像(365、410、450、500、550、600、650、700和850nm)進行光譜的特征分析、光譜圖像數(shù)據(jù)提取以及圖像波段比較等,結果表明:HNS樣品與水體背景的光譜反射率差分值在紫外波段處最大;光譜圖像中,HNS區(qū)域與水體背景的對比度在365 nm紫外波段相對可見光波段更大,更利于目標識別和提取;不同樣品在各個波段區(qū)間的光譜與圖像特征具有一定的差別,說明了多光譜波段數(shù)據(jù)具有區(qū)分漂浮HNS樣品的潛力。基于反射波段與圖像特征的研究,進一步地,為快速自動檢測目標區(qū)域,將Faster R-CNN(Regions with Convolutional Neural Networks Features)深度學習檢測算法應用到UV(Ultravioletray)的365 nm圖像中,通過與應用到RGB圖像中的對比結果表明,UV圖像檢測模型預測區(qū)域與真實區(qū)域的平均目標框重疊度IOU(Intersection over Union)為 0.869,略高于 RGB 的 0.855;UV 圖像檢測模型的平均分類精度為86.66%明顯優(yōu)于RGB的68.33%,說明了 UV圖像比傳統(tǒng)RGB圖像更適合用于進行漂浮HNS的目標檢測。為進一步改進Faster R-CNN目標檢測算法的分類結果,針對漂浮HNS區(qū)域的多光譜圖像進行分割提取,建立基于多光譜圖像數(shù)據(jù)的分類模型,結果表明,利用 365,410,450和 850nm僅這4個波段數(shù)據(jù)的 LS-SVM(Least-aqusres Support Vector Machine)模型能取得100%的分類準確率,比基于Faster R-CNN算法在漂浮HNS目標分類上的最優(yōu)準確率(86.66%)得到了有效的提升。因此,Faster R-CNN結合多光譜成像檢測技術的方法能有效實現(xiàn)透明HNS的檢測。
【圖文】：

ＨＮＳ進行區(qū)域檢測與光譜分類，從而為漂�。龋危有孤妒鹿实膽睓z測預警提供技逡逑術支持。應用漂�。龋危拥墓庾V成像自動化檢測系統(tǒng)進行漂�。龋危討睓z測的示意逡逑圖見圖１．２。逡逑２逡逑

了一種利用薄層色譜（Ｔｈｉｎ邋Ｌａｙｅｒ邋Ｃｈｒｏｍａｔｏｇｒａｐｈｙ，邋ＴＬＣ）結合表面增強拉曼光逡逑譜（Ｓｕｒｆａｃｅ－Ｅｎｈａｎｃｅｄ邋Ｒａｍａｎ邋Ｓｐｅｃｔｒｏｓｃｏｐｙ，邋ＳＥＲＳ）現(xiàn)場檢測水中取代芳香族污染物逡逑的簡便方法，如圖１．３所示，該方法通過ＴＬＣ法分離污水中的各種芳香族化合物，，逡逑然后使用便攜式拉曼光譜儀進行定性與定量檢測，結果表明該方法能有效縮短常逡逑規(guī)化學儀器的整體分析時間，便于現(xiàn)場受污染水體的快速檢測。使用光譜儀器進逡逑行ＨＮＳ檢測，與傳統(tǒng)的化學分析或生化反應等檢測方法相比，具有快速、簡便、逡逑成本低等優(yōu)點，但沒法對水上突發(fā)污染事故的現(xiàn)場迅速獲取整體的污染位置、污逡逑染面積等關鍵預警信息。與單純的光譜檢測儀器相比，光譜成像的檢測方法既包逡逑含了普通圖像的空間位置信息，又包含了可用于污染物定性分析的光譜維度信息，逡逑在水上突發(fā)污染事故中更為適用。逡逑Ｓａｍｐｌｉｒｖｇ邋ｗａｓｔｅ邋ｗａｔｅｒ邋ＴＬＣ邋ｓｅｐａｒａｔｉｏｎ邐ＳＥＲＳ邋ｄｅｔｅｃｔｉｏｎ逡逑＾邐｜邋0邋Ｉ邐＼逡逑秦逡逑，邋ｔｏｎｔＴＩＣｐＵｌｅ邋，邐Ａ９ＮＰＳ邋Ｏｅｐｏｖｔｆｄ邋ＴＵ邋ｐＵｔｅ逡逑圖１．３基于ＴＬＣ結合ＳＥＲＳ法現(xiàn)場檢測水中取代芳香族污染物示意圖［３１］逡逑４逡逑
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U698.7;TP391.41;TP18

【參考文獻】

相關期刊論文 前10條

1 葉舟;劉力;魏傳新;顧群;安平凹;趙sヰ

本文編號：2588235