海面溢油检测方法、装置、电子设备及存储介质与流程

1.本发明涉及海洋溢油检测技术领域，尤其涉及一种海面溢油检测方法、装置、电子设备及存储介质。


背景技术：

2.近年来，溢油泄露事件频繁发生，这些事故大多由船舶碰撞、触礁等海上石油运输活动以及石油开采、加工等海岸石油生产活动引起。溢油事故不仅造成了经济损失，更是危害了海洋生态环境，因此，对油膜进行有效的识别就显得尤为重要。
3.相关技术可知，基于全极化特征的溢油检测方法进行油膜检测，往往依赖极化特征的质量。然而，人工提取的极化特征存在质量参差不齐等问题。又者，基于深度学习算法的溢油检测方法进行油膜检测，经常受限于样本量。样本量不足时容易使模型过拟合，从而导致溢油检测结果的精确度不高。


技术实现要素：

4.本发明提供一种海面溢油检测方法、装置、电子设备及存储介质，用以解决现有技术中基于深度学习和全极化特征的溢油检测方案中样本量过小、人工提取的极化特征质量参差不齐的缺陷，实现在溢油样本数量较少的前提下，解决了基于极化特征进行溢油检测的信息冗余量过高问题，提高了溢油检测结果的准确度。
5.本发明提供一种海面溢油检测方法，包括：获取待检测图像，并将所述待检测图像输入至溢油检测模型，其中，所述溢油检测模型通过第一数量的海上油膜训练样本集训练得到，所述第一数量小于或等于第一阈值；基于所述溢油检测模型的输出结果，确定所述待检测图像的检测结果。
6.根据本发明提供的一种海面溢油检测方法，其特征在于，所述溢油检测模型采用以下方式训练得到：基于图像数据集预先训练vgg16网络模型，并获取所述vgg16网络模型的模型参数；基于所述模型参数初始化所述溢油检测模型，并基于所述第一数量的海上油膜训练样本集对所述溢油检测模型的全连接层参数进行调整，得到训练后的溢油检测模型。
7.根据本发明提供的一种海面溢油检测方法，其特征在于，所述海上油膜训练样本集通过以下方式得到：提取训练图像的原始散射矩阵，并基于所述原始散射矩阵提取极化相干矩阵；获取所述极化相干矩阵的共极化项，并基于所述共极化项获取所述海上油膜训练样本集。
8.根据本发明提供的一种海面溢油检测方法，其特征在于，所述基于所述共极化项获取所述海上油膜训练样本集，包括：基于金字塔原理对所述共极化项进行处理，得到处理后数据集，并将所述处理后数据集作为所述海上油膜训练样本集。
9.根据本发明提供的一种海面溢油检测方法，其特征在于，基于所述第一数量的海上油膜训练样本集对所述溢油检测模型的全连接层参数进行调整，包括：对所述第一数量
的海上油膜训练样本集中各样本进行图像分割，得到第二数量的分割后海上油膜训练样本集，其中，所述第一数量小于所述第二数量；基于所述第二数量的分割后海上油膜训练样本集，对所述溢油检测模型的全连接层参数进行调整。
10.根据本发明提供的一种海面溢油检测方法，其特征在于，所述溢油检测模型包括分类器，所述分类器包括径向基函数支持向量机分类器。
11.本发明还提供一种海面溢油检测装置，包括：获取模块，用于获取待检测图像，并将所述待检测图像输入至溢油检测模型，其中，所述溢油检测模型通过第一数量的海上油膜训练样本集训练得到，所述第一数量小于或等于第一阈值；处理模块，用于基于所述溢油检测模型的输出结果，确定所述待检测图像的检测结果。
12.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述海面溢油检测方法的步骤。
13.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述海面溢油检测方法的步骤。
14.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述海面溢油检测方法的步骤。
15.本发明提供的海面溢油检测方法、装置、电子设备及存储介质，可以基于溢油检测模型对待检测图像进行油膜检测，其中，溢油检测模型通过样本数量较少的第一数量海上油膜训练样本集训练得到。在溢油样本数量较少的前提下，通过本发明可以解决基于极化特征进行溢油检测的信息冗余量过高问题，进而提高了溢油检测结果的准确度。
附图说明
16.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明提供的海面溢油检测方法的流程示意图之一；
18.图2是本发明提供的溢油检测模型训练过程的流程示意图之一；
19.图3是本发明提供的溢油检测模型训练过程的示意图之一；
20.图4是本发明提供的溢油检测模型的结构示意图之一；
21.图5是本发明提供的获取海上油膜训练集的流程示意图之一；
22.图6是本发明提供的基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整的流程示意图之一；
23.图7(a)是基于h特征进行训练得到的网络模型的示意图之一；
24.图7(b)是基于p特征进行训练得到的网络模型的示意图之一；
25.图7(c)是基于span特征进行训练得到的网络模型的示意图之一；
26.图7(d)是基于polsar特征进行训练得到的网络模型的示意图之一；
27.图7(e)是本发明提供的基于原始共极化特征t进行训练得到的网络模型的示意图之一；
28.图8(a)是基于h特征训练得到的网络模型的影像输出结果示意图之一；
29.图8(b)是基于p特征训练得到的网络模型的影像输出结果示意图之一；
30.图8(c)是基于span特征训练得到的网络模型的影像输出结果示意图之一；
31.图8(d)是基于polsar特征训练得到的网络模型的影像输出结果示意图之一；
32.图8(e)是基于原始共极化特征t训练得到的网络模型的影像输出结果示意图之一
33.图9(a)是基于h特征训练得到的vgg16和rbfsvm结合的网络模型的影像输出结果示意图之一；
34.图9(b)是基于p特征训练得到的vgg16和rbfsvm结合的网络模型的影像输出结果示意图之一；
35.图9(c)是基于span特征训练得到的vgg16和rbfsvm结合的网络模型的影像输出结果示意图之一；
36.图9(d)是基于polsar特征训练得到的vgg16和rbfsvm结合的网络模型的影像输出结果示意图之一；
37.图9(e)是基于本发明提供的原始共极化特征t训练得到的vgg16和rbfsvm结合的网络模型的影像输出结果示意图之一；
38.图10是本发明提供的海面溢油检测装置的结构示意图；
39.图11是本发明提供的电子设备的结构示意图。
具体实施方式
40.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
41.相关技术可知，利用全极化合成孔径雷达(synthetic aperture radar，又称sar)影像提取海上油膜的方法主要有以下两种：
42.(1)基于全极化特征进行溢油检测。但是，基于全极化特征进行溢油检测往往依赖于提取的极化特征质量，并且特征筛选方法也有许多不足，因此，导致分类精度会受到影响。
43.(2)基于深度学习算法进行溢油检测。基于深度学习算法进行溢油检测可以利用深度学习等手段自动学习原始影像中的高层次特征，但该类方法经常受限于样本量，样本量不足时容易使模型过拟合，从而导致溢油检测结果的精确度不高。
44.本发明针对基于深度学习和全极化特征的溢油检测方案中样本量过小、人工提取的极化特征质量参差不齐等问题，提出了一种基于vgg16网络模型与径向基函数支持向量机(radial based function-support vector machine，又称rbfsvm)分类器相结合的全极化sar海洋溢油检测方法。该方法通过迁移学习解决小样本问题，利用训练好的vgg16网络模型提取的高层次特征来替代人工提取的特征，作为分类器的输入，以此解决全极化特征质量参差不齐等问题。最后利用rbfsvm分类器替代softmax弱分类器来提高海上油膜的分类精度。
45.图1是本发明提供的海面溢油检测方法的流程示意图之一。
46.在本发明一示例性实施例中，如图1所示，海面溢油检测方法可以包括步骤110至步骤120，下面将分别介绍各步骤。
47.在步骤110中，获取待检测图像，并将待检测图像输入至溢油检测模型，其中，溢油检测模型通过第一数量的海上油膜训练样本集训练得到，第一数量小于或等于第一阈值。
48.在步骤120中，基于溢油检测模型的输出结果，确定待检测图像的检测结果。
49.在一种实施例中，待检测图像可以是需要进行油膜检测的海面图像。在应用过程中，将海面图像输入至溢油检测模型中，并基于溢油检测模型，得到溢油分类方案的输出结果，确定海面图像是否出现油膜，以及出现的油膜为何种油膜，以便于工作人员基于油膜的特性对海面进行相应的处理，避免对海洋生态环境造成危害。
50.需要说明的是，海面发生溢油的情况虽然频繁，但仍然无法形成足以进行常规深度学习模型训练的样本量。在本实施例中，溢油检测模型是基于样本数量较少的海上油膜训练样本集训练得到。例如，溢油检测模型通过第一数量的海上油膜训练样本集训练得到，其中，第一数量小于或等于第一阈值。第一阈值可以根据实际情况进行调整，在本实施例中，不对第一阈值作具体限定。可以理解的是，本实施例提供的溢油检测模型，可以为海面溢油情况提供精准的检测。
51.本发明提供的海面溢油检测方法，可以基于溢油检测模型对待检测图像进行油膜检测，其中，溢油检测模型通过样本数量较少的第一数量海上油膜训练样本集训练得到。在溢油样本数量较少的前提下，通过本发明可以解决基于极化特征进行溢油检测的信息冗余量过高问题，进而提高了溢油检测结果的准确度。
52.本发明将结合下述实施例对溢油检测模型的训练过程进行说明。
53.图2是本发明提供的溢油检测模型训练过程的流程示意图之一。
54.在本发明一示例性实施例中，如图2所示，溢油检测模型训练过程包括步骤210和步骤220，下面将分别介绍各步骤。
55.在步骤210中，基于图像数据集预先训练vgg16网络模型，并获取vgg16网络模型的模型参数。
56.在步骤220中，基于模型参数初始化溢油检测模型，并基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整，得到训练后的溢油检测模型。
57.在一种实施例中，可以利用图像数据集(又称imagenet)预先训练vgg16网络模型。并获取训练后vgg16网络模型的模型参数，基于模型参数对溢油检测模型进行初始化。进一步的，可以通过微调溢油检测模型的全连接层参数得到训练后的溢油检测模型。通过溢油检测模型自动挖掘更多丰富的高层次特征，再将融合后的特征输入rbfsvm分类器中，以提高不同油膜(例如，矿物油膜和植物油膜)的分类精度。在一示例中，在完成溢油检测模型初始化后，可以基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整，以得到训练后的溢油检测模型。
58.下面将结合图3-图4对溢油检测模型进行说明。其中，图3是本发明提供的溢油检测模型训练过程的示意图之一，图4是本发明提供的溢油检测模型的结构示意图之一。
59.在一种实施例中，结合图3可知，本发明提供的海面溢油检测方法可以基于迁移学习思想，以及基于imagenet数据集预先训练好的vgg16网络模型参数初始化溢油网络模型，并利用海上油膜训练样本集对该模型的全连接层参数进行微调，以解决溢油样本量过少情
况下的网络模型训练问题。
60.在又一种实施例中，结合图4可知，本发明提供的溢油检测模型可以包含13个卷积层、5个最大池化层以及3个全连接层。由于网络的输入固定尺寸为224*224*3，因此，需要对输入样本进行缩放处理。
61.与传统vgg16网络模型不同的是，溢油检测模型的第二个全连接层可以由4096个神经元减少到256个神经元，最后一个全连接层把imagenet数据集的1000个类调整为矿物油、植物油和海水3个类。在进行溢油检测模型训练时，使用交叉熵作为损失函数，其中，每个参数的学习率由自适应矩估计优化算法进行动态调整，损失函数的公式如下：
[0062][0063]
其中，l表示损失值，y(i)表示真实值，表示预测值。
[0064]
本发明将结合下述实施例，对获取海上油膜训练集的过程进行说明。
[0065]
图5是本发明提供的获取海上油膜训练集的流程示意图之一。
[0066]
在本发明一示例性实施例中，如图5所示，获取海上油膜训练集可以包括步骤510和步骤520，下面将分别介绍各步骤。
[0067]
在步骤510中，提取训练图像的原始散射矩阵，并基于原始散射矩阵提取极化相干矩阵。
[0068]
在步骤520中，获取极化相干矩阵的共极化项，并基于共极化项获取海上油膜训练样本集。
[0069]
在一种实施例中，可以提取训练图像的原始散射矩阵，并基于原始散射矩阵提取极化相干矩阵。在一示例中，训练图像可以是关于海上油膜的图像，训练图像可以像素点形式存在。
[0070]
在一种实施例中，分布式散射体大多用相干矩阵(相干矩阵用t3表示)作为极化sar数据处理的输入。其中，相干矩阵如公式(2)所示：
[0071][0072]
其中，对角线元素为共极化项，非对角线元素为交叉极化项。在本实施例中，将t3矩阵的对角线元素记为t＝[t
11
,t
22
,t
33
]，并称为极化相干矩阵的共极化项。在一示例中，共极化项可以作为海上油膜训练样本集。共极化项中各元素定义如公式(3)所示：
[0073][0074]
其中，s
hh
表示水平极化发射与接收，s
vv
表示垂直极化发射与接收，s
hv
表示水平极化发射，垂直极化接收，《
·
》表示整体平均值，|
·
|表示绝对值。
[0075]
为了提高模型网络的泛化能力，还可以对共极化项进行图像增强处理，以得到图像性能更优的海上油膜训练样本集。本发明将结合下述实施例对基于共极化项获取海上油膜训练样本集的过程进行说明。
[0076]
在本发明一示例性实施例中，可以基于金字塔原理对共极化项进行处理，得到处理后数据集，并将处理后数据集作为海上油膜训练样本集。
[0077]
在一种实施例中，可以基于金字塔原理对数据集进行旋转、翻转、缩放等操作。进一步的，还可以将数据集切割成15*15大小的图像块，并赋予相应的标签，从而得到海上油膜训练样本集。需要说明的是，可以将海上油膜训练样本集划分为训练集、测试集与验证集三个部分，其中，各部分比例可以为8:1:1。通过此种方式，可以提高海上油膜训练样本集中各样本的图像性能，进而提高了溢油检测模型的训练效率。
[0078]
下面将对基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整的过程进行说明。
[0079]
图6是本发明提供的基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整的流程示意图之一。
[0080]
在本发明一示例性实施例中，如图6所示，基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整可以包括步骤610和步骤620，下面将分别介绍各步骤。
[0081]
在步骤610中，对第一数量的海上油膜训练样本集中各样本进行图像分割，得到第二数量的分割后海上油膜训练样本集，其中，第一数量小于所述第二数量。
[0082]
在步骤620中，基于第二数量的分割后海上油膜训练样本集，对溢油检测模型的全连接层参数进行调整。
[0083]
在一种实施例中，可以通过将第一数量的海上油膜训练样本集中各样本进行图像分割，以得到更多数量的海上油膜训练样本集，例如，可以得到第二数量的分割后海上油膜训练样本集。进一步的，可以基于第二数量的分割后海上油膜训练样本集对溢油检测模型进行训练，以调整溢油检测模型中的全连接层参数。通过此种方式，可以在溢油样本数量过少的情况下，依然能够得到性能较优的溢油检测模型，进而确保基于溢油检测模型得到的溢油检测结果足够准确。可以理解的是，第二数量可以根据实际情况进行调整，在本实施例中，不对第二数量做具体限定。
[0084]
通过对第一数量的海上油膜训练样本集中各样本进行图像分割，得到第二数量的分割后海上油膜训练样本集，可以扩充海上油膜训练样本集的样本量。在一示例中，通过样本量扩充，可以得到包含植物油、矿物油与海水各7000个样本的样本集(共计21000个样本)。然后将这些样本集分为训练集、测试集与验证集三部分，三者的比例可以为8:1:1，并利用这些数据集进行网络模型训练。在实验中，批次大小可以设置为20，最大周期可以设置为100，学习速率可以设置为动态变化，即通过反向传播算法对权重和偏置项不断修正得到网络模型。其中，图7(a)-图7(e)示出了基于不同极化特征进行训练得到的网络模型。根据图7(a)-图7(e)可知，实验中，基于本发明中提供的训练方法得到的网络模型训练状况与对比方法的网络模型训练状态均良好。说明利用imagenet数据集预先训练好的vgg16网络模型参数初始化溢油检测模型是可行的，也进一步验证了基于迁移学习的小样本训练溢油检测模型是有效的。需要说明的是，h、p、span和polsar为溢油影像的极化特征，其中，h、p、span分别为溢油影像的优选极化特征，其对应的图像对比度较大。
[0085]
图8(a)-图8(e)示出了基于不同极化特征训练获得的网络模型的影像输出结果。
[0086]
在应用过程中，可以将h极化特征集、p极化特征集、span极化特征集、polsar极化
特征集以及原始共极化集t分别作为输入去训练vgg16网络模型，然后利用训练好的vgg16网络模型对整景影像进行分类，实验结果分别记为p_vgg、h_vgg、span_vgg、polsar_vgg和t_vgg，结果如图8(a)-图8(e)所示。
[0087]
根据图8(a)-图8(e)可知，h_vgg网络模型表现良好，能够区分出植物油、矿物油与海水三类物质，但存在着一定的错分杂斑。p_vgg网络模型中植物油被大量的错分为矿物油，且影像右侧海水部分错分现象尤为明显。span_vgg网络模型无法区分植物油与海水，且矿物油的错分率较高。对于polsar_vgg网络模型而言，虽然多种极化特征融合改善了植物油的分类精度，但大量海水被错分的现象依旧严重。可以发现，t_vgg网络模型无明显的杂斑现象，但植物油精度有待提升。这说明，对于深度学习而言，利用原始影像更能挖掘其高层次特征，因此，减少人工干预可能会使得影像分类精度更高。这也进一步验证了基于vgg16网络模型提取的高层次特征比人工提取的全极化特征更能够表征油膜的特点。
[0088]
图9(a)-图9(e)示出了基于不同极化特征训练获得的vgg16和rbfsvm结合的网络模型的影像输出结果。
[0089]
在应用过程中，可以将h极化特征集、p极化特征集、span极化特征集、polsar极化特征集以及原始共极化集t分别作为输入去训练vgg16网络模型，然后利用训练好的vgg16网络模型分别学习影像的高层次特征，并将高层次特征输入rbfsvm分类器中进行分类，实验结果分别记为p_vgg svm、h_vgg svm、span_vgg svm、polsar_vgg svm和t_vgg svm，结果如图9(a)-图9(e)所示。
[0090]
根据图9(a)-图9(e)可知，基于t_vgg svm网络模型获得的检测结果无明显的杂斑现象，且不同油膜分类精度更高。
[0091]
进一步的，为了定量的验证基于各种网络模型获得检测结果的有效性，我们利用总体精度(oa)和kappa系数这两个指标来度量基于不同网络模型区分海上油膜的能力。可以看出经过rbfsvm分类器改进后，不同网络模型区分的植物油、矿物油与海水三种物质的oa和kappa系数都有显著提高，具体精度如表1所示。
[0092]
表1基于不同网络模型进行油膜检测的总体精度与kappa系数
[0093]
[0094][0095]
根据表1可知，与改进前相比，基于h_vgg svm网络模型检测的矿物油错分现象减少；基于p_vgg svm网络模型进行检测，可以区分矿物油和植物油；基于span_vgg svm网络模型进行检测，植物油能够被正确分类；基于polsar_vgg svm网络模型进行检测，海水中的杂斑大量减少。而对于本发明所提出的基于t_vgg svm网络模型进行检测，检测结果具有最好的oa和kappa系数，这说明利用rbfsvm分类器替代softmax分类器是有效的。
[0096]
根据上述描述可知，本发明提供的海面溢油检测方法，可以基于溢油检测模型对待检测图像进行油膜检测，其中，溢油检测模型通过样本数量较少的第一数量海上油膜训练样本集训练得到。在溢油样本数量较少的前提下，通过本发明可以解决基于极化特征进行溢油检测的信息冗余量过高问题，进而提高了溢油检测结果的准确度。
[0097]
基于相同的构思，本发明还提供一种海面溢油检测装置。
[0098]
下面对本发明提供的海面溢油检测装置进行描述，下文描述的海面溢油检测装置与上文描述的海面溢油检测方法可相互对应参照。
[0099]
图10是本发明提供的海面溢油检测装置的结构示意图。
[0100]
在本发明一示例性实施例中，如图10所示，海面溢油检测装置可以包括获取模块1010和处理模块1020，下面将分别介绍各模块。
[0101]
获取模块1010可以被配置为用于获取待检测图像，并将待检测图像输入至溢油检测模型，其中，溢油检测模型通过第一数量的海上油膜训练样本集训练得到，第一数量小于或等于第一阈值。
[0102]
处理模块1020可以被配置为用于基于溢油检测模型的输出结果，确定所述待检测图像的检测结果。
[0103]
在本发明一示例性实施例中，获取模块1010可以采用以下方式训练溢油检测模型：
[0104]
基于图像数据集预先训练vgg16网络模型，并获取vgg16网络模型的模型参数；基于模型参数初始化溢油检测模型，并基于第一数量的海上油膜训练样本集对溢油检测模型的全连接层参数进行调整，得到训练后的溢油检测模型。
[0105]
在本发明一示例性实施例中，获取模块1010可以采用以下方式获取海上油膜训练样本集：
[0106]
提取训练图像的原始散射矩阵，并基于原始散射矩阵提取极化相干矩阵；获取极化相干矩阵的共极化项，并基于共极化项获取海上油膜训练样本集。
[0107]
在本发明一示例性实施例中，获取模块1010可以采用以下方式基于共极化项获取海上油膜训练样本集：
[0108]
基于金字塔原理对共极化项进行处理，得到处理后数据集，并将处理后数据集作为海上油膜训练样本集。
[0109]
在本发明一示例性实施例中，获取模块1010可以采用以下方式基于第一数量的海
上油膜训练样本集对溢油检测模型的全连接层参数进行调整：
[0110]
对第一数量的海上油膜训练样本集中各样本进行图像分割，得到第二数量的分割后海上油膜训练样本集，其中，第一数量小于第二数量；基于第二数量的分割后海上油膜训练样本集，对溢油检测模型的全连接层参数进行调整。
[0111]
在本发明一示例性实施例中，溢油检测模型包括分类器，分类器包括径向基函数支持向量机分类器。
[0112]
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(processor)1110、通信接口(communications interface)1120、存储器(memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行海面溢油检测方法，该方法包括：获取待检测图像，并将所述待检测图像输入至溢油检测模型，其中，所述溢油检测模型通过第一数量的海上油膜训练样本集训练得到，所述第一数量小于或等于第一阈值；基于所述溢油检测模型的输出结果，确定所述待检测图像的检测结果。
[0113]
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0114]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的海面溢油检测方法，该方法包括：获取待检测图像，并将所述待检测图像输入至溢油检测模型，其中，所述溢油检测模型通过第一数量的海上油膜训练样本集训练得到，所述第一数量小于或等于第一阈值；基于所述溢油检测模型的输出结果，确定所述待检测图像的检测结果。
[0115]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的海面溢油检测方法，该方法包括：获取待检测图像，并将所述待检测图像输入至溢油检测模型，其中，所述溢油检测模型通过第一数量的海上油膜训练样本集训练得到，所述第一数量小于或等于第一阈值；基于所述溢油检测模型的输出结果，确定所述待检测图像的检测结果。
[0116]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0117]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0118]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。