一种新颖的TSM-RBF驱动的混合检测范式:用于船载雷达图像中的海洋溢油检测

《Expert Systems with Applications》:A novel TSM-RBF–driven hybrid detection paradigm for marine oil spills in shipborne radar images

【字体: 大 中 小 】 时间:2026年08月29日 来源:Expert Systems with Applications 9.4

编辑推荐:

   ## 摘要 全球海上运输的持续扩张导致海上溢油事故风险显著增加,对海洋环境和社会经济安全构成严重威胁。海洋雷达图像中普遍存在油膜与海水背景对比度低以及强杂波干扰等问题。因此,现有检测方法在目标可分性和边界定位精度方面仍存在明显不足。为解决上述问题,本文提出了一种优化的拓扑粘

  

## 摘要

全球海上运输的持续扩张导致海上溢油事故风险显著增加,对海洋环境和社会经济安全构成严重威胁。海洋雷达图像中普遍存在油膜与海水背景对比度低以及强杂波干扰等问题。因此,现有检测方法在目标可分性和边界定位精度方面仍存在明显不足。为解决上述问题,本文提出了一种优化的拓扑粘菌算法-径向基函数(TSM–RBF)混合溢油检测算法。从预处理图像中建立SBR特征空间,采用滑动窗口方法评估局部多维特征值,以增强油膜与周围海水之间的亮度对比度。随后引入优化的TSM算法对SBR特征图进行全局聚类优化。通过融合基于种群的搜索信息构建自适应搜索模型,以识别与灰度空间中像素灰度分布高度匹配的聚类中心。进一步引入RBF神经网络对边界像素分类结果进行非线性映射修正。实验结果表明,所提出的TSM–RBF混合算法在海面油膜检测方面优于对比方法。

## 引言

海洋环境在全球生态系统的稳定运行和沿海地区的可持续发展中占据关键地位(Prasad等,2020)。其安全性与稳定性直接影响资源利用效率以及人类活动空间的可持续性(Rao和Suneel,2025)。随着海上油气资源开发强度不断提高以及海上运输体系稳步扩展,石油相关工程活动在更广泛的海洋区域展开(Cao等,2021;Liu等,2022),其作业环境和工况日益复杂。尽管工程技术和管理体系不断完善,但海洋溢油事故仍不可避免(Jaruwatanadilok等,2023)。由于其潜在影响范围广且处置难度高,海洋溢油已成为海洋环境领域长期关注的核心问题之一(Androulidakis等,2020)。

海洋溢油事故发生后,原油在海洋动力环境的驱动下迅速发生迁移和扩散(Fusco等,2022)。其演变过程受洋流、风场、波浪和油类性质等多因素共同控制,表现出显著的时空动态变化特征和高不确定性(Haule和Freda,2021)。油膜快速扩散改变了海面的物理特性,并可诱发海洋环境过程的持续性扰动(Chiri等,2020)。因此,污染影响能够在相对较短的时间内从局部扩散到更大尺度(Liu等,2023)。这种高度动态的演变特征对溢油过程的实时感知、范围界定和影响评估构成了显著挑战(Dhavalikar和Choudhari,2022;Wang等,2022)。从整体影响角度而言,溢油污染往往会在环境、资源和人类活动等多个层面产生累积性负面影响(Rajendran等,2021)。原油及其各种风化产物在海洋环境中的长期残留可能导致水质下降、生态功能受损和资源利用受限等问题(Zhao等,2022)。由此对沿海地区的工业运作和公共安全形成持续压力(Wan等,2024)。即使在应急响应措施完成后,残余油污和生态功能恢复过程仍可能持续相当长的时间,从而对区域发展构成隐性制约。

为实现对溢油事件的及时响应和有效控制,大规模全天候海洋溢油检测被提出作为关键技术支持。该检测方法被认为对溢油事件的应急响应具有重要的工程意义。与光学遥感技术相比,海洋雷达在复杂气象条件和低能见度环境下仍保持稳定的成像能力,被公认为海洋溢油检测的关键技术手段之一。在此背景下,研究者开发了多尺度条件对抗网络(MCAN),其核心架构由多尺度对抗网络模块组成(Li、Lyu等,2021),该网络能够全面捕获溢油特征并生成高保真的溢油检测图。结合空间-光谱信息的图卷积架构也被用于构建适用于实际溢油场景的检测模型(Yang等,2023)。实验结果表明,所提模型在真实海洋环境的溢油检测中表现出优异的鲁棒性。此外,还设计了一种长波红外偏振检测设备,实现溢油的准确检测和类型识别(Sun等,2023),该设备能够有效提升溢油事件的应急响应效率。为增强模型训练,研究者开发了自适应长期矩估计(ALTME)优化器(Jiang、Zhang等,2021),该优化器累积溢油的光谱特征,并用于构建一维卷积神经网络模型进行海洋溢油检测。实验结果表明,该模型在强光条件下的溢油检测中具有潜力。此外,还开发了基于海洋雷达图像的海洋杂波拟合模型用于溢油检测(Liu等,2023),该方法能够实现无人工干预的溢油检测,所提取的溢油区域与目视解译结果一致,检测精度较高。最新深度学习方法也被用于构建能够在海洋环境中准确应用的鲁棒溢油检测模型(Akhmedov等,2024),经过训练后该模型能够准确识别和分割海洋环境中的溢油区域。与此同时,研究者开发了一种适用于太阳反射光学成像的大规模溢油检测方法,并将其应用于2009年Montara溢油事件的MODIS图像,取得了良好效果(Sun等,2022)。此外,还开发了一种结合X波段船载雷达图像与机器学习的海洋溢油检测方案(Li等,2022),与改进的活动轮廓模型相比,该方案表现出更优异的智能性能。在实际应用场景中,海洋雷达图像中的油膜区域回波特征明显较弱,与周围海水对比度低,且容易受到海杂波以及风浪动态变化等外部干扰因素的影响,从而对溢油目标的准确检测和边界精确划分构成了较大挑战。

随着检测技术和计算能力的不断进步,基于遥感的海洋溢油检测方法逐渐成为该领域的研究重点。光学遥感和SAR技术已被广泛用于溢油的识别和空间范围划分。其中,雷达遥感数据由于其全天候、全天时成像能力,在复杂海况下表现出独特优势,因此在海洋溢油检测中被更广泛地采用。研究者利用Sentinel-1卫星数据对印度洋地区的四起溢油事件进行了系统分析(Naz等,2021),进一步验证了基于SAR的溢油检测技术的高性价比,并能够有效应用于海洋溢油的精确制图。基于偏振散射熵(H)和改进的各向异性参数,研究者开发了一种改进的偏振特征组合方法(Li、Li等,2021),其主要目标是增强溢油、溢油类目标与背景海水之间的区分能力,该方法有效表征了溢油信息并显著抑制了海杂波和类油干扰信号。此外,还开发了一种基于恒虚警率(CFAR)的改进检测方法,用于SAR图像中海洋溢油的准确检测(Wang等,2015),该方法通过融合边缘检测技术和CFAR检测理论,显著增强了非均匀背景SAR图像中溢油目标的检测性能。研究还表明,在中低风速条件下,C波段SAR图像中海洋溢油的检测概率显著高于L波段SAR图像(Zheng等,2017)。此外,新的偏振参数和偏振基座高度在C波段SAR图像溢油检测中的表现优于其他偏振参数组合。此外,研究者构建了多源知识图谱以辅助海洋溢油检测,实现多源数据的融合整合(Liu、Zhang等,2023)。通过融合多源数据,该图谱能够有效解决溢油检测中的信息孤岛问题,同时也为遥感相关领域知识图谱的构建提供了参考范式。多特征语义互补网络(MFSCNet)也被用于实现SAR图像中海洋溢油区域的同时定位和分割(Fan等,2023),该网络在单一框架内同时实现海洋溢油区域的定位和精确分割,有效提升了油膜与周围海水之间的区分度。

近年来,计算智能和数据驱动方法被引入该领域。因此,机器学习和深度学习技术逐渐被应用于海洋溢油检测和预测任务。水下图像处理技术被用于构建无监督海洋溢油检测算法,以检测水下管道的漏油情况(Song等,2020),定性和定量分析证实了所提算法能够精确检测溢油区域。CBD-Net也被用于海洋环境中的原油泄漏场景分析和边界检测(Zhu等,2021),该网络集成了多尺度特征提取模块,实现了溢油区域的精细分割,实验结果表明该网络能够从复杂海洋场景图像中提取鲁棒且准确的溢油边界。此外,基于YOLO深度神经网络开发了一种海洋溢油自动检测方法(Li等,2023),该模型能够准确识别有效的溢油检测区域,且检测效率高于现有方法。在此基础上,研究者利用YOLOv8深度神经网络开发了一种自动溢油检测方法(Xu等,2024),该方法结合模拟退火-粒子群优化(SA-PSO)算法,实现已知泄漏区域内油膜的精确提取。实验结果表明,该方法为海上溢油检测提供了有效可靠的数据支持。为实现快速准确检测,研究者基于Faster R-CNN开发了一种SAR图像溢油检测方法(Huang等,2022),该模型能够实现高精度的端到端溢油识别。通过将无人机遥感与深度学习和传统图像处理算法相结合,研究者开发了一种海洋溢油检测方法(Jiao等,2019),该方法将溢油检测任务划分为三个独立子任务,能够有效应对复杂海洋场景中的溢油检测问题,且与传统人工巡检相比检测成本显著降低。

标注样本稀缺和人工标注成本高昂已成为实际监控场景中图像检测和分割任务的主要挑战。为减轻对大规模标注数据集的依赖,近年来研究者开发了多种小样本学习策略。儒家三元学习引入了互导学习和对抗学习机制,以挖掘有限标注样本之外的额外训练信息,其改进的泛化能力和更紧的VC界证明了其在小样本图像分析任务中的有效性(Han等,2026)。在此思想基础上,半监督学习进一步扩展了对未标注数据的利用。

三分支对比学习框架仅使用少量标注样本便实现了显著的性能提升,凸显了半监督学习在减少雷达应用中标注需求方面的潜力(Sun et al., 2025)。在半监督范式之外,越来越多的关注被投入到自监督学习和对比学习技术中,用于有限数据条件下的表示学习。超分辨率重建结合自监督对比学习丰富了合成孔径声纳图像中的结构信息,并在小样本条件下提高了分类精度(Cao et al., 2025)。类似地,多模态对比学习引入了分割语义信息和散射中心重建特征以增强SAR目标表示,其优异的识别性能和鲁棒的泛化能力证明了该策略在标注数据稀缺条件下的有效性(Li et al., 2025)。这些方法的成功促进了其在海洋目标检测任务中的应用。基于CycleGAN的数据增强方法生成了伪声纳图像以弥补训练样本的不足,而改进的检测网络则进一步提升了侧扫声纳图像中的目标定位性能(Zheng et al., 2025)。在SAR溢油监测中也经常面临类似的挑战,即大规模标注数据集通常不可用。结合混合注意力和类别感知机制的少样本学习策略提高了溢油与相似现象之间的区分能力,并在有限训练数据条件下实现了高检测精度(Song et al., 2025)。这些研究共同表明,半监督学习、自监督学习、数据增强和少样本学习为小样本和高标注成本条件下的图像分析任务提供了有效的解决方案。

尽管在海洋溢油检测方面取得了相当大的进展,但弱油膜响应和强海杂波干扰仍然是从海洋雷达图像中准确提取溢油的重大挑战。油膜与周围海水之间的有限可分性往往导致特征表示不稳定和边界定位不准确,从而降低了复杂海洋环境中的检测可靠性。因此,开发了一种优化的TSM-RBF混合框架,通过特征增强、智能聚类优化和非线性分类细化来提高油膜特征判别能力和检测鲁棒性。主要贡献总结如下:

(1)开发了一种基于SBR的特征增强策略,以提高油膜与周围海水之间的对比度,从而在复杂海况下增强油膜特征可分性。

(2)引入了一种优化的TSM聚类算法,以自适应地表征灰度空间中油膜像素的分布,提高聚类稳定性和目标判别能力。

(3)建立了TSM-RBF混合检测框架,通过非线性映射细化边界像素分类,从而实现更准确的油膜提取和边界定位。

特征增强、聚类优化和非线性分类细化的集成方案为海洋雷达溢油检测提供了有效的解决方案,并为复杂海洋环境中的自动溢油监测提供了新的技术支持。

实验数据

舰载雷达图像数据由大连海事大学训练船"育鲲"号采集。数据采集涵盖了常规巡航任务和专门的溢油检测巡逻任务。数据来源于大连湾沿海港口附近的一起真实溢油事件(图1a)。数据采集的核心硬件为具有实时检测能力的X波段雷达,有效检测范围为0.75海里(图1b)。

SBR特征提取图像

计算预处理图像的分形维数并进行归一化,从而显著增强了目标区域与背景之间的特征对比度,生成了初始SBR特征图(图7a)。沿连通区域边界的移动平均滤波窗口参数基于SBR特征进行了自适应优化,有效抑制了离散噪声点,从而增强了边界平滑度,为精细处理提供了可靠依据。

传统TSM算法对比

尽管传统TSM算法能够对油膜区域进行基本提取,但在实际应用场景中存在显著局限性。为进行对比分析,将传统TSM算法应用于相同的图像数据集,同时保持其他实验条件完全一致,从而获得溢油提取结果(图11)。虽然传统TSM算法能够相对清晰地检测出溢油区域,但存在大量噪声。

结论

基于对复杂海洋条件下溢油检测技术难点和现有溢油分割算法缺陷的分析,提出了TSM-RBF混合算法,用于溢油区域的准确检测及阈值的自适应优化。借助TSM提供的图像特征多维精确表示,构建了数据驱动的自动分割范式。RBF核函数的强非线性拟合能力使得……

作者贡献声明

Jin Xu:概念构思、方法论、调查研究、撰写初稿、项目管理、资金获取。Bo Xu:概念构思、方法论、验证、调查研究、资源、数据整理、撰写初稿、可视化。Hao Zhang:方法论、资源、数据整理、项目管理、资金获取。Lihui Qian:形式分析、资源、资金获取。Boxi Yao:软件、验证、调查研究。Zekun Guo:软件、监督。

资金支持

本研究得到以下资金支持:广东省基础与应用基础研究基金,项目编号2025A1515010886、2023A1515011212;国家自然科学基金,项目编号52271359;广东省普通高校重点领域专项计划项目,项目编号2022ZDZX3005;深圳市科技计划项目,项目编号JCYJ20220530162200001;广东海洋大学研究生教育创新项目,项目编号202421、202539。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所报告工作的情况。

Jin Xu | Bo Xu | Hao Zhang | Lihui Qian | Boxi Yao | Zekun Guo | Haixia Wang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号