在当今的亚洲海域，海面溢油事件平均每四天就会发生一次，为了迅速锁定溢油的位置与范围，实施高效救援，提升应急响应效率，2024年12月18日15:00，信息与智能工程学院赵福军教授于书新4号楼会议室成功举办了一场聚焦于“基于深度学习的SAR图像海面溢油识别”的学术讲座。讲座深入剖析了深度学习中的YOLO系列算法在海面溢油检测领域的创新应用。
讲座初始，赵福军教授首先概述了海面溢油问题的严峻形势，并着重强调了及时准确识别溢油的重要性。他提到，近年来，海面溢油事件频发，对海洋生态环境构成了巨大威胁。因此，能够快速、精确地定位溢油区域，对于后续的应急响应与救援行动具有重大意义。
在讲座过程中，赵教授深入探讨了SAR图像在溢油检测中的独特价值。SAR（合成孔径雷达）图像凭借其强大的穿透力和不受天气影响的特性，在溢油监测中发挥着不可替代的作用。同时，雷达的后向散射系数对油膜的高度敏感性，使得SAR图像成为检测海面溢油的有效工具。赵教授还系统介绍了当前海面溢油识别的三种主要方法：传统方法、特征提取方法和深度学习方法，并指出深度学习方法，特别是YOLO系列算法，已成为这一领域的主流技术。
在技术流程层面，赵教授详细阐述了五个核心步骤：首先，对SAR图像进行预处理，以消除图像中的斑点噪声；其次，运用YOLO系列算法识别溢油区域，并在现有算法基础上进行针对性优化；接着，对比不同深度学习方法的识别效果；然后，基于YOLO算法进行进一步改进，如引入注意力机制；最后，通过综合对比实验结果，验证改进后算法的性能。在数据方面，赵教授充分利用了三个开源数据集，并自建了一个基于欧空局哨兵影像的数据集，以确保研究的全面性和准确性。
最后，赵教授展示了其学生团队在YOLO算法改进方面的研究成果，分享了实验数据和模型优化的具体细节。通过不断的算法优化，从YOLOv3到YOLOv11，模型的性能得到了显著提升，识别效果更加精准。
本次讲座不仅深入讲解了海面溢油识别技术的基础理论，还生动展示了深度学习算法在实际应用中的创新实践。赵教授通过详尽的分析和生动的案例，让师生们深刻认识到SAR图像在溢油监测中的独特优势，以及YOLO系列算法在该领域的卓越表现。
