随着海洋资源的开发, 海上石油开采和运输规模不断扩大, 各类溢油污染事故频繁发生。2018年1月6日, 巴拿马籍油船“桑吉”轮与香港籍散货船“长峰水晶”轮在长江口发生碰撞, 约11.13万吨凝析油持续泄漏、燃烧爆炸。2020年8月6日, 日本籍货轮“若潮”号在印度洋毛里求斯发生燃油泄漏, 搁浅货轮大约装载4 000 t燃油, 约1 000 t燃油发生泄露, 污染附近珊瑚礁海域。2021年4月27日, 巴拿马籍杂货船“义海”轮(SEA JUSTICE)与利比亚籍锚泊油船“交响乐”轮(A SYMPHONY)在山东青岛朝连岛东南海域发生碰撞, 约9 400 t原油泄漏入海, 对海洋生态环境及沿岸地区造成严重危害。及时准确判断溢油种类对溢油事故应急响应具有关键作用, 溢油事件的油品种类不同, 其处置技术有显著差异。上述溢油事故案例中, 东海“桑吉”轮泄漏的凝析油也叫做天然汽油, 易挥发; “若潮”号泄漏的燃料油是重油; “交响乐”轮泄漏的是原油。溢油事件发生后, 需要掌握其发生的位置、溢油种类及溢油量, 以利于应急处置, 由于距离和海况, 抵达事故现场需要一定时间, 遥感技术因其监测范围广、实时动态观测、迅速获取信息等特点广泛应用于海洋溢油监测, 但由于海洋环境复杂等环境因素, 溢油种类识别一直是海面溢油遥感探测的难点。

光学遥感多利用空间和光谱信息对海面溢油进行监测和识别, 已有大量学者基于高光谱和多光谱对海面溢油进行研究^[1-3], 根据特定的油膜光谱特征进行油种识别, 但易受海雾、耀斑、复杂光照的影响^[4-8]。偏振具有穿透薄云雾、抑制耀斑、增强对比度的技术优势, 近些年在溢油检测和油种识别领域展现出独特效果, 国内外学者也取得了相关的研究成果^[9-16]。Iler等^[17]在室外收集多个太阳高度角的植物油和原油的数据, 观察到偏振度相对于其他偏振参量来说, 对收集角度敏感度最低, 对区分液体的效果最好。Lu等^[18]发现在临界角范围内偏振遥感对浮油和无油海水具有较好的分辨能力, 并利用墨西哥湾PARASOL偏振卫星遥感影像进行了验证。观测几何是影响偏振特性的重要因素, 李英超等^[19]利用室外可见光偏振双向反射分布测试装置对海面典型油种进行实验观测, 发现不同溢油的可见光偏振特性存在明显差异, 以柴油为参照物, 各油种偏振对比度普遍高于5%。前两项研究工作只针对1~2种油品, 后一项研究工作包含4种油品, 且都聚焦于偏振特征分析, 还未开展基于特征的油种识别研究。

本文利用BRDF(Bidirectional Reflectance Distribution Function)多角度测量装置和可见光偏振相机获取清洁海水、原油、重油、汽油、柴油和棕榈油在不同观测几何下的可见光偏振影像, 对不同油种的偏振特征进行分析, 寻找溢油偏振探测最佳角度, 基于特征分析进行筛选构建数据集, 研究提出基于BRDF偏振特征的DBN(Deep Belief Network)溢油油种可见偏振识别模型, 基于多维度光学特征开展消融实验, 实现对海面溢油油种识别与区分, 上述研究对海面溢油溯源处罚和清理方案的制定提供重要信息。

1 数据与方法 1.1 数据获取与处理

在石油勘探、开采过程中, 由于意外事故等原因, 导致油品从钻井平台或海底泄漏, 该泄漏类型主要为原油; 船舶在运行过程中发生故障, 导致燃料舱破损, 燃料油泄漏到海洋中, 而燃料油为重油、柴油或汽油; 海上运输时, 大型油轮发生碰撞等意外, 导致运输油品大量泄漏, 除了原油、燃料油还包括植物油, 而棕榈油是世界上生产量、消费类和国际贸易量最大的植物油品种。根据不同的溢油类型和来源, 本文选取清洁海水和5种海面溢油典型油种——原油、重油、汽油、柴油、棕榈油(表 1), 开展基于BRDF可见光偏振海面溢油油种识别实验, 本次实验时间是2022年11月18日, 实验地点为自然资源部第一海洋研究所光学暗室, 获取清洁海水和5种油种在不同观测几何下的可见光偏振影像(图 1)。

实验采用长春理工大学空间光电技术研究所研发的BRDF多角度测量装置和可见光偏振相机实现偏振观测(图 2a)。BRDF工作台和刻度盘均为亚光黑色, 可以减少实验仪器本体反射散射光对实验的影响, BRDF转台可通过软件进行控制, 包含自动步进测量和手动控制测量, 每次测量完毕后自动校正归位, 相机和光源转臂运动范围为±60°(图 2b), 水平转盘运动范围为±90°。实验中模拟光源使用70 W钨石英卤素灯光源, 在350 ~ 2 500 nm范围内为实验提供稳定的照明, 相机采用的是SONY IMX264MZR CMOS偏振相机, 分辨率为2 448 × 2 048, 传感器为偏振-四个不同的定向偏振滤波器(0°、90°、45°和135°), 开展实验前需调节镜头焦距、光圈获得清晰图像。

使用水域恒温箱对海水和油品进行加热, 控制温度, 为避免底部反射干扰, 选用直径10 cm的亚光黑色光学器皿, 将光学器皿置于载物盘几何中心, 使器皿处在相机视野范围的中心, 分别量取20 mL海水、10 mL各种油品, 将海水铺满光学器皿, 使用针管抽取油品, 缓慢滴入光学器皿, 待油膜在海水表面扩散均匀。使用BRDF测试系统控制光源、相机与水平转盘, 保持相对方位角、相机观测角不变, 光源天顶角从−55°~55°间隔10°进行采样, 直至采样完毕, 然后改变相机观测角继续采样, 直至相机观测角从−55°~55°间隔10°采样完毕, 然后改变相对方位角, 相对方位角从−90°~90°间隔30°采样(图 3)。实验共获取6 048景影像, 根据测量记录对影像进行批处理, 每景影像选取150×150窗口, 共22 500帧像元, 获取海水和不同油品的Stokes参量。

1.2 深度置信网络模型

深度置信网络(Deep Belief Network, DBN)是一种概率生成模型, 在结构上, DBN的组成元件是受限玻尔兹曼机(Restricted Boltzmann Machines, RBM)。RBM是基于能量概率分布的模型, 包含一个可见层和一个隐含层, RBM层间全连接, 层内无连接, 当RBM在映射可见层神经元的特征信息时, RBM所有隐层神经元具有相同的被激活概率。将由若干层RBM组成的DBN在最后一层加上Softmax分类器, 将待分类的海水和油种可见光偏振数据通过输入层传到模型当中, 通过隐藏层进行特征提取, 分类完成的数据通过输出层展现。训练过程包括预训练和微调, 上一个RBM的隐层为下一个RBM的显层, 每层RBM单独无监督训练数据, 确保特征向量映射到不同的特征空间, 尽可能保留特征信息, 可见层和隐藏层之间的能量函数:

$E\{v, (h \mid \theta)\}=-\sum\limits_{i=1}^n a_i v_i-\sum\limits_{j=1}^m b_j h_j-\sum\limits_{i=1}^n \sum\limits_{j=1}^m v_i w_{i j} h_j, $

(1)

式(1)中, v和h分别为可见层和隐含层神经元; θ为a、b和w的优化参数, w_ij为连接可见层神经元i和隐含层神经元j的权值, a和b分别为可见层神经元和隐含层神经元的偏置量; 其中, 每一层RBM可见层与隐层对应的神经元激活概率表达式为:

$ \begin{array}{l} P\left\{h_j=(1 \mid v), \theta\right\}=\sigma\left(b_j+\sum\limits_i v_i w_{i j}\right), \\ P\left\{v_j=(1 \mid v), \theta\right\}=\sigma\left(a_i+\sum\limits_i v_i w_{i j}\right), \end{array} $

(2)

式(2)中, σ为sigmoid激活函数。

根据可见光偏振数据正确构建深度置信网络模型是有效提取不同油种在各观测几何下可见光偏振信息、高效识别情节海水和不同油种的关键所在。对清洁海水和5种油种的可见光偏振数据进行分类, 通过对照试验确定RBM层数为2层, 可见层神经元个数为22 500, 设置每一层隐层神经元的个数、学习率以及迭代次数等不同参数, 有效提高DBN模型精度以及识别准确度, 设置RBM第一层为600个神经元, 第二层RBM为200个神经元, 具体模型及分类过程如图 4。

每一层的RBM经过充分训练后再训练下一层的RBM, 在第二层RBM与输出层之间设置Softmax分类器, Softmax分类器在接受最后一层RBM的输出信息后作为输入信息进行概率分布统计, 为每个分类的结果都赋予一个概率值, 表示每个油种类别的可能性。本文输出类别为多分类问题, 在通过预训练后, 每一层的RBM只确保本层特征信息的最优有效率, 但对整个DBN模型的有效率并未达到最佳, 因此还需要增加BP(Back Propagation)神经网络算法, BP神经网络是1986年由Rumelhart和McClelland等提出的概念^[20], 是一种按照误差逆向传播算法训练的多层前馈神经网络, 对RBM预训练得到的特征向量进行分类, BP算法一般分为正向传播和反向传播, 正向传播是针对给定的初始化权重值W和偏置项值b, 计算最终的输出值以及输出值与实际值之间的损失值, 若损失值超出给定范围内, 则进行反向传播^[21-22]。反向传播是将输出以某种形式通过隐层向输入层逐层反向传播, 将误差分摊给各层的神经元, 得到每一层神经元的误差信号, 作为改正各个神经元权值的依据。

2 溢油油种BRDF可见光偏振特征分析 2.1 不同Stokes参量的对比

偏振是矢量波的一个基本特性, 这种特性是指在垂直于传播方向的平面内, 不同入射方向的光波具有不同的幅度, 当光线以一定角度照射海面时, 会发生反射和折射。光束的偏振状态可以由Stokes矢量表示, Stokes适用于表示偏振光、部分偏振光和自然光, 用Stokes表示光束的偏振状态:

$ S=\left[\begin{array}{c} S_0 \\ S_1 \\ S_2 \\ S_3 \end{array}\right]=\left[\begin{array}{c} I_{0^{\circ}}+I_{90^{\circ}} \\ I_{0^{\circ}}-I_{90^{\circ}} \\ I_{45^{\circ}}-I_{135^{\circ}} \\ I_{R C P}-I_{L C P} \end{array}\right], $

(3)

其中, S₀与入射的光强有关, S₁与0°和90°方向的线偏振有关, S₂与45°和135°方向的线偏振有关, S₃与左右旋的圆偏振有关, 下角RCP和LCP分别为右旋圆偏振和左旋圆偏振, 偏振定位为偏振分量的强度与光的总强度之间的比率:

$ P=\frac{\sqrt{S_1^2+S_2^2+S_3^2}}{S_0}.$

(4)

通过斯托克斯算法, 将获得的0°、45°、90°和135°线偏振影像转化为Stokes参数的S₀、S₁和S₂图像, 由于圆偏振中大多数地物的分量S₃比较弱, 所以被忽略, 另外两个表征偏振态的参量是偏振度DOLP(Degree of linear polarization)和偏振角AOP(Angel of linear polarization):

$ DOLP=\frac{\sqrt{S_1^2+S_2^2}}{S_0}, $

(5)

$AOP=\frac{1}{2} \arctan \frac{S_2}{S_1}. $

(6)

由计算公式(3)~(6)得到原油的S₀、S₁、S₂图像、DOLP图像、AOP图像, 以原油为例(图 5), 可以看出根据Stokes分离出的5种影像, S₀影像与原始光强影像一致, S₁、S₂影像虽然在一定程度上凸显油膜, 但与背景相融、边缘模糊且对比度不高, AOP影像表现出过多噪声, DOLP影像中油膜与背景之间的偏振信息差异比较明显, 可以清楚区分油膜与背景, 这种现象主要是由于不同介质之间的偏振特性引起的。因此, 基于偏振参量DOLP对清洁海水和不同油种进行消融实验, 分析在不同观测几何下的特征变化以及不同油种之间的可区分性。

2.2 不同观测几何下DOLP对比

海面溢油偏振特性由诸多因素决定, 其中受观测几何的影响波动较大。选取相对方位角−30°、相机观测角和光源天顶角−55°~55°下清洁海水与5种油种的偏振度进行特征分析(图 6), 整体来看, 6种样品的偏振度在左下角和右上角(相机观测角、光源天顶角为±35°、±45°、±55°)有较强的规律特征变化, 在中心部分6种样品的偏振度较低, 呈深蓝色, 除此以外, 3种轻质油的左上角和右下角也呈现规律性变化, 由此可见, 样品对光源天顶角与相机观测角的敏感角度在−35°~ −55°和35°~55°, 在随天顶角与观测角的变化中, 原油的DOLP最高, 其他依次为重油、海水、棕榈油、柴油、汽油。

图 7反映了相对方位角为0°、光源天顶角15°~45°时清洁海水和不同油种在相机观测角5°~55°的偏振度变化分布, 其中不同颜色折线代表清洁海水和不同油种, 在0°方位角下, 相机观测角−55°~55°呈对称分布, 本次分析只选取相机观测角5°~55°。由图 7明显观察出在镜面反射角(光源天顶角=相机观测角), 海水和5种油种的偏振度呈现“波峰”, 且在镜面反射角下DOLP_原油 > DOLP_重油 > DOLP_海水 > DOLP_柴油 > DOLP_汽油 > DOLP_棕榈油; 随着镜面反射角的减小, 各偏振度也随之减小, 原油的DOLP由0.84减至0.31, 重油的DOLP由0.69减至0.21, 海水的DOLP由0.43减至0.16, 柴油的DOLP由0.35减至0.10, 汽油的DOLP由0.30减至0.09, 棕榈油的DOLP由0.26减至0.07, 当镜面反射角为15°时, 海水与轻质油的DOLP几乎为0, 且镜面反射角为5°~ 55°时, 与−55°~−5°呈对称分布。在镜面反射角为±55°、±45°、±35°下, 各油种间的差别相对其他镜面反射角较为明显, 有利于油种识别。虽然实验位于光学暗室严格进行, 但由于耀光等环境因素, 偏振度在某些角度下偏高, 此外本实验中最大偏振度未能达到1, 是由于光源的准直误差难以忽略。

对不同油种在光源天顶角−55°, 不同相机观测角和不同相对方位角下的偏振度进行分析, 从整体来看, 相对方位角从−90°~0°~90°, 偏振度先增大后减小, 从相机观测角来看, 相机观测角为−45°~−25°时, 偏振度随着方位角变化先增再减, 相机观测角为−15°~45°时, 偏振度随着方位角变化先逐渐递减, 趋近平稳后逐渐增大。图 8(a)—(f)中只有当相机观测角为−55°和55°、方位角为0°时, 出现骤减骤增现象。相较海水与轻质油, 重质油的偏振度变化幅度较大, 原油的DOLP最高达0.84, 重油为0.69, 海水相对于轻质油而言, 略有变化, 最高0.43, 3种轻质油的偏振度变化幅度较小。

2.3 不同油种的可见光偏振特征对比

据研究发现, 在相对方位角0°、光源天顶角和相机观测角55°, 海水和5种油品的DOLP有较大的差异, 将清洁海水和油品在不同方位角此角度下的值进行分析发现, 原油的DOLP始终高于其他, 汽油的DOLP相对最低, 在相对方位角−30°和30°, 海水和5种油品的DOLP存在明显差异, DOLP_原油 > DOLP_重油 > DOLP_海水 > DOLP_棕榈油 > DOLP_柴油 > DOLP_汽油, 其中原油与重油之间的DOLP差值较明显, 对于区分重质油起到重要作用。当光源入射角55°、相机观测角55°时, 所有DOLP随方位角的增大, 先增大后减小, 在0°方位角达到极小值, 然后再增大再减小, 呈现出“M”型(图 9a)。

不同油种在不同观测几何下的偏振度差异由偏振对比度表示, 本文选取汽油与其他油种作为对比参照:

$ C_{\text {Oil }}=\frac{D O L P_{\text {Oil }}-D O L P_{\text {Gasoline }}}{D O L P_{\text {Gasoline }}}, $

(7)

式中, C_Oil表示该油种相对汽油的对比度, DOLP代表偏振度, Oil代表油种, Gasoline代表汽油。

图 9b是在相机观测角55°、光源天顶角55°、相对方位角从−90°~90°下原油、重油、海水、柴油和棕榈油相对于汽油的可见光偏振对比度。相对方位角从−90°~90°, 对比度先增大后减小, 重质油相对于汽油的对比度在方位角−30°、0°、30°时比较高, 原油相对汽油对比度区间为[0.08, 3.37], 重油相对汽油对比度所在区间为[0.11, 1.17], 海水相对汽油对比度所在区间为[0.09, 1.17], 柴油相对汽油对比度所在区间为[0.007, 0.1], 棕榈油相对汽油对比度所在区间为[0.07, 0.31], 其中, 海水、原油、重油相对汽油的对比度在0°方位角最高, 且原油与汽油的对比度最高, 达到3.37。柴油、棕榈油相对汽油的对比度较低, 在7个方位角下, 30°方位角下, 柴油和棕榈油相对汽油的对比度最高。

3 油种分类模型识别结果与讨论 3.1 油种识别结果与精度

经过对不同偏振特征、不同观测几何下的清洁海水和不同油种的特征分析, 本文选用方位角−30°、0°、30°、光源天顶角−55°~55°、相机观测角−55°~55°下清洁海水和5种油种的可见光偏振影像作为数据集, 并划分训练集、验证集、测试集, 保证每一个样本独立检测。数据集样本总数为2 592, 训练集、验证集、测试集划分比例为0.64︰0.16︰0.20。

对可见光偏振影像识别结果进行精度评价, 根据本文构建的DBN多维度可见光偏振特征模型识别结果, 构建对应混淆矩阵, 基于混淆矩阵获取精确率Precision、召回率Recall、F₁分值、总体分类精度(Overall Accuracy, OA)以及Kappa系数等指标, 总体分类精度(OA)是指测试样本中正确分类的数目总和除以总测试样本数。Kappa系数是能够较为全面的表现分类精度的一种指标, 总体分类精度可以表示出分类结果大致的准确情况, 但没有对具体某个类别的情况加以考虑, 而Kappa系数与OA结合, 可以对分类精度进行更加全面、客观的分析。

$ \mathrm{OA}=\frac{1}{N} \sum\nolimits_{i=1}^r x_{i i}, $

(8)

$ \text {Карра}=\frac{N \sum\nolimits_{i=1}^r x_{i i}-\sum\nolimits_{i=1}^r\left(x_i \times x_{+i}\right)}{N^2-\sum\nolimits_{i=1}^r\left(x_{i+} \times x_{+i}\right)}, $

(9)

式中, r为混淆矩阵的行数, x_ii为油种正确分类样本数, N为混合矩阵中测试样本总数, x_i+为第i行观察样本的总和, x_+i为第i列观察样本总和。

表 2展示了DBN模型精度评价结果, 使用混淆矩阵获得该模型方法对于清洁海水、原油、重油、汽油、柴油与棕榈油的识别精度。实验过程中, 对于DBN模型的各项参数进行调整, 包含RBM层数、RBM学习率及迭代次数、DBN学习率及迭代次数, 最后确定当RBM为2层、RBM学习率为0.001、迭代大小次数为30、DBN学习率为0.000 1、迭代次数为300次时达到最佳效果。由混淆矩阵和总体精度可以发现, 原油、以及海水的识别精度较好, 达到了85%以上, 重油、柴油以及棕榈油的识别精度也达到了80%以上, 汽油的识别分类效果不太理想, 精度为76%。与以往学者研究结果类似, 汽油在实验观测中稳定性不高, 其形态、及易挥发性等物理性质都对偏振影像识别效果起到一定的影响。

从识别结果(图 10a)可以看出在识别重质油、海水、轻质油整体效果较好, 但在识别不同重质油、不同轻质油之间仍存在困难。如图 10b, 对于两种重质油, 本次实验测试集中将重油识别为原油的概率为13.75%, 将重油识别为原油的概率为3.95%, 轻质油之间将汽油识别为柴油和棕榈油的概率为13.90%、8.33%, 将柴油识别为汽油和棕榈油的概率为5.62%、6.74%, 将棕榈油识别为汽油和柴油的概率为6.59%、5.49%。原油与重油、汽油与柴油之间的识别误差相对其他较为明显, 考虑到原油重油、汽油柴油两者之间的物理特征较为相似, 识别中易混淆。

3.2 不同偏振参量组合的影响

本文针对S₀、S₁、S₂、DOLP和AOP共5个偏振参数特征进行分析, 因S₁、S₂在识别效果上不佳, 本文设置3组偏振参量进行消融实验, 将DOLP+AOP、S₀+DOLP+AOP分别作为数据集的组合特征输入, 对2组组合偏振特征进行训练, 与原对照组进行对比, 分析不同偏振参量特征组合后对DBN油种识别模型的影响。实验结果如表 3, DOLP+AOP组合指标在识别效果上较弱, OA下降了7%, Kappa系数为0.70, S₀+DOLP+AOP组合识别效果相对DOLP+AOP组合特征好一些, OA下降2%, Kappa系数为0.75, 且两组组合后对清洁海水和5种油种的识别精度也不及偏振度单独使用效果好。

上述结果表明DOLP是油种识别的最佳Stokes参量, 且本文实验结果与之前学者^[23]的结论一致, 即DOLP单独使用性能优于DOLP和AOP组合使用。

3.3 不同相对方位角的影响

本实验采用相对方位角−30°、0°、30°下光源天顶角−55°~ 55°、相机观测角−55°~ 55°的影像制作数据集, 为验证不同相对方位角对模型识别效果的影响, 设置5组对照实验, 考虑到偏振特性以相对方位角0°对称, 设原数据集为A组, 以相对方位角−90°、0°、−60°为B组, −60°、0°、−30°为C组, −90°、0°、−30°为D组, −90°、−60°、−30°为E组, 对油种识别数据集进行评估, 结果如图 11。

从整体精度来看, 相较于原对照组A, C组(相对方位角在−60°、−30°、0°)的油种识别效果更好, 由2.3节的特征分析可知, 相对方位角为±30°时, 不同油种之间的偏振度差异较明显, 但与0°方位角呈对称, 使用相对方位角−60°与−30°, 可以更加清晰地观测到不同油种偏振度随相对方位角变化的差异, 能够更好地识别。但当相对方位角为−90°时, 各油种之间的偏振度差微乎其微, 因此B、D、E对照组的识别效果并没有A、C组好。

从海水和不同油种的识别精度来看, 海水的识别效果较好的是C、A组, 重质油识别效果较好的是C、E组, 轻质油识别效果较好的是C组, 综合来看, C组在海水、重质油、轻质油的识别分类最佳, 海水、原油、重油、汽油、柴油以及棕榈油的识别率分别为90%、86.27%、84%、82.08%、80.44%、82%。C组中重质油的识别率比轻质油要高出5%左右, 海水的识别率高出轻质油近10%, 轻质油中识别率最低的为柴油, 汽油的识别率相较A组提高7%, 所有油种的识别率在80%以上。

3.4 不同光源天顶角、相机观测角的影响

从2.2节可知, DOLP在光源天顶角、相机观测角为±55°较高, 在±5°、±15°的值几乎为0, 将相对方位角−90°~90°、光源天顶角、相机观测角−55°~55°进行划分验证(如图 12), 首先, 任何情况下相对方位角共7个, 当光源天顶角为−55°、−45°、45°、55°, 相机观测角为−55°、−45°、45°、55°时, 共有16种(4×4)不同光源天顶角—相机观测角角度组合、112种(4×4×7)光源天顶角—相机观测角—相对方位角角度组合, 将上述112个观测几何下不同油种的影像作为a组, 并按照上述设置b组、c组, b组对应光源天顶角为−35°、−25°、25°、35°, 相机观测角为−35°、−25°、25°、35°, 7个相对方位角排列组合下的影像, c组对应光源天顶角为−15°、−5°、5°、15°, 相机观测角为−15°、−5°、5°、15°, 7个相对方位角排列组合下的影像。

将a、b、c组分别输入DBN可见光偏振识别模型, 3个对照组的大小一致, 各672张影像, 实验结果如表 4, 从总体精度OA和Kappa系数看出, a组远远高于b、c两组, 在清洁海水和5种油种的识别精度上, a组的效果也比b、c两组高出许多, 由于DOLP在光源天顶角、相机观测角±50°左右时较高, 与前人基于海面溢油偏振特性研究也相对应^[24]。与4.2、4.3节相同的是清洁海水、重质油的识别精度较高, 轻质油略低。因此, 在不同光源天顶角、相机观测角识别油种时, 接近±50°的角度更有利于油种识别。

4 结论

本文基于室内搭建多角度可见光偏振油种观测实验, 对清洁海水和5种典型油种(原油、重油、汽油、柴油、棕榈油)进行BRDF可见光偏振特征分析, 基于特征分析进行筛选并构建特征数据集, 并利用深度置信网络实现油种识别。结论如下:

1) 在Stokes的5个分量影像中, DOLP影像对观测样品的偏振特征信息差异最明显, 可以清晰地区分溢油与海水。

2) 在不同观测几何下对清洁海水和5种油种进行偏振观测, 采用消融实验对光源天顶角、相机观测角以及相对方位角进行特征分析, 结果显示, 不同油种的偏振度在光源天顶角、相机观测角为±35°、±45°、±55°时最高, 并随着角度的绝对值减小, 偏振度逐渐减小。相对方位角为−30°、0°、30°时DOLP较高, 且在±30°时, 清洁海水与5种油种之间的DOLP差较为明显。

3) 在方位角为0°、镜面反射角下, DOLP会出现“波峰”现象, 且随着镜面反射角的减小, DOLP也随之减小。在镜面反射角为±55°时, 不同油种之间的差别较为明显。

4) 利用不同偏振参量、相对方位角、光源天顶角、相机观测角组合进行DBN可见光偏振油种识别, 结果表明偏振参量DOLP更适合于单独使用, 进行油种识别; 当相对方位角为−60°、−30°、0°时, 清洁海水和5种油种的识别效果最佳, 此时海水、原油、重油、汽油、柴油、棕榈油的识别率分别为90%、86.27%、84%、80.44%、82.08%和82%; 光源天顶角和相机观测角来接近±50°时, 油种识别效果最佳。

本文是在实验室条件下对油种进行偏振特征观测与分析, 而真实海洋环境更为复杂多变, 会受到耀光、温度和风场等多种因素干扰。未来需要进一步探究真实海面环境下不同油种之间的偏振特性, 建立完善的油种识别模型。