Offshore Oil Slicks Detection From SAR Images Through The Mask-RCNN Deep Learning Model
Détection d'hydrocarbures sur la surface demer à partir d'images SAR grâce au modèle d'apprentissage en profondeur Mask-RCNN
Résumé
This paper introduces a method for offshore oil slick detection. At present, Synthetic Aperture Radar (SAR) is an image acquisition technology useful for oil slick detection in all weather conditions. It is used to carry out the detection, with notable limitations under certain conditions (surfaces, weather conditions). Manual SAR images analysis is expensive and, given the increasing amount of data collected from available sensors, automation becomes mandatory. To achieve this objective, instance object detection relying on deep neural networks is interesting to adapt to the data variability.
Relying on such an approach, this article explores the capabilities of generalizing the detection of slicks on large datasets using the Mask-RCNN model. A detailed performance analysis is established in two complementary directions: (i) the impact of the SAR image characteristics(sensor, geographical areas, lookalike presence), (ii) the impact of the neural network architecture, transferred capabilities and training procedures. The main findings of this analysis show that Mask-RCNN features promising performance for pollution detection.
Ce document présente une méthode de détection d'hydrocarbures sur la surface de mer. A présent, le radar à ouverture synthétique (SAR) est une technologie d'acquisition d'images utile pour la détection des nappes de pétrole dans toutes les conditions météorologiques. Il est utilisé pour effectuer la détection, avec des limitations notables dans certaines conditions (surfaces, conditions météorologiques). L'analyse manuelle des images SAR est coûteuse et, étant donné la quantité croissante de données collectées par les capteurs disponibles, l'automatisation devient obligatoire. Pour atteindre cet objectif, la détection d'objets par exemple en s'appuyant sur des réseaux neuronaux profonds est intéressante pour s'adapter à la variabilité des données.
S'appuyant sur une telle approche, cet article explore les possibilités de généraliser la détection des nappes sur de grands ensembles de données en utilisant le modèle Mask-RCNN. Une analyse détaillée des performances est établie dans deux directions complémentaires : (i) l'impact des caractéristiques de l'image SAR (capteur, zones géographiques, présence de sosies), (ii) l'impact de l'architecture du réseau neuronal, des capacités transférées et des procédures de formation. Les principaux résultats de cette analyse montrent que le Mask-RCNN présente des performances prometteuses pour la détection de la pollution.
Origine | Fichiers produits par l'(les) auteur(s) |
---|