Идентификация морских разливов нефти на основе нейросетевых технологий

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.

1. Сидорякина В.В. Математическая модель процесса распространения нефтяных загрязнений в прибрежных морских системах. Computational Mathematics and Information Technologies. 2023;7(4):39–46. https://doi.org/10.23947/2587-8999-2023-7-4-39-46

2. Sidoryakina V., Filina A. A set of tools for predictive modeling of the spatial distribution of oil pollution. E3S Web of Conferences. 2024;592:04017. https://doi.org/10.1051/e3sconf/202459204017

3. Муратов М.В., Конов Д.С., Петров Д.И., Петров И.Б. Применение сверточных нейронных сетей для поиска и определения физических характеристик неоднородностей в геологической среде по сейсмическим данным. Математические заметки СВФУ. 2023;30(1):101–113. https://doi.org/10.25587/SVFU.2023.87.50.008

4. Huang X., Zhang B., Perrie W., Lu Y., Wang C. A novel deep learning method for marine oil spill detection from satellite synthetic aperture radar imagery. Marine Pollution Bulletin. 2022;179:11366. https://doi.org/10.1016/j.marpolbul.2022.113666

5. Rousso R., Katz N., Sharon G., Glizerin Y., Kosman E., Shuster A. Automatic Recognition of Oil Spills Using Neural Networks and Classic Image Processing. Water. 2022;14:1127. https://doi.org/10.3390/w14071127

6. Favorskaya M., Nishchhal N. Verification of Marine Oil Spills Using Aerial Images Based on Deep Learning Methods. Informatics and Automation. 2022; 21(5):937‒962. https://doi.org/10.15622/ia.21.5.4

7. Zeng K., Wang Y. A Deep Convolutional Neural Network for Oil Spill Detection from Spaceborne SAR Images. Remote Sens. 2020;12:1015. https://doi.org/10.3390/rs12061015

8. Yekeen S.T., Balogun A.L. Automated Marine Oil Spill Detection Using Deep Learning Instance Segmentation Model. Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci. 2020;XLIII-B3-2020:1271–1276. https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-1271-2020

9. Сафин М.А., Бикбулатов Р.И., Пирогова А.М. Повышение эффективности автоматической идентификации разливов нефти с помощью беспилотных летальных аппаратов. Инженерный вестник Дона. 2022;12. URL: ivdon.ru/ru/magazine/archive/n12y2022/8046 (дата обращения: 25.11.2024).

10. Sukhinov A., Sidoryakina V., Solomakha D. Identification of plankton populations in the surface waters of the Azov Sea based on neural network structures of various architectures. BIO Web of Conferences. 2024;141:03003. https://doi.org/10.1051/bioconf/202414103003

11. Sukhinov A.I., Sidoryakina V.V., Solomakha D.A. Identification of plankton populations on the surface of marine systems based on machine learning methods. Priority areas for the development of science and education in the context of the formation of technological sovereignty: materials of the International scientific and practical conference. Rostovon-Don: DSTU-Print; 2024. P. 272‒277. (In Russ.)

12. Bui N.A., Oh Y.G., Lee I.P. Oil spill detection and classification through deep learning and tailored data augmentation. International Journal of Applied Earth Observation and Geoinformation. 2024;129:103845. https://doi.org/10.1016/j.jag.2024.103845