Введение. Обнаружение разливов нефти является важной задачей в деле мониторинга состояния морской экосистемы, защиты и минимизации последствий аварийных ситуаций. Для оперативной оценки и реагирования на чрезвычайные ситуации необходима разработка быстрых и точных методов обнаружения и картирования разливов нефти в море. Данные аэрофотосъемки с высоким пространственным разрешением предоставляют исследователям возможность удаленного наблюдения за цветностью вод. Улучшению и автоматизации процедур интерпретации и анализа снимков способствуют технологии искусственного интеллекта. Целью настоящей работы является разработка подходов к идентификации разлившейся на водной поверхности нефти с использованием нейросетей и машинного обучения.

Материалы и методы. Методами компьютерного анализа изображений и машинного обучения созданы алгоритмы, способные автоматически идентифицировать морские разливы нефти. Для задачи сегментации изображений применялась сверточная нейронная сеть U-Net. Для разработки архитектуры нейросети была использована библиотека PyTorch, написанная на языке Python. В качестве оптимизатора нейросети был выбран AdamW. Обучение нейронной сети проводилось с помощью датасета, созданного на основе 8700 изображений.

Результаты исследования. Оценка производительности обнаружения разлитой нефти на водной поверхности выполнена на основе метрик IoU, Precision, Recall, Accuracy и F1 score. Проведенные расчеты с использованием указанных метрик демонстрируют точность идентификации около 83–88 %, что позволяет сделать вывод об эффективности используемых алгоритмов.

Обсуждение и заключение. Сверточная сеть U-Net успешно обучена и способна давать высокую точность при обнаружении морских разливов нефти на заданном датасете. Перспективами дальнейших работ авторов является создание алгоритмов с использованием более сложной нейросетевой модели и методов аугментации изображений.