技术深度解析 · HSE与数字化视角 · 发布日期：2026年10月4日
Table of Contents
核心要点
- 机器视觉已从研究阶段走向实际运行的溢油检测：一项已发表的框架将搭载于无人机的热红外相机与机器学习相结合，用于检测港口环境内的溢油，并将工作流程分为训练阶段与运行阶段 [1]。
- 现代系统在设计上采用多层架构——由视觉与红外传感构成的物理层为物联网平台和迁移学习模型提供数据，实现实时检测与监测 [2]。
- 光谱物理特性决定了每台相机的职责：油品的光学特征在紫外波段对薄油膜最强，在红外波段对较厚油膜最强，这正是严谨的检测系统组合多个波段而非依赖单一波段的原因 [3]。
- 偏振增加了强度图像所丢弃的信息：油膜上太阳耀光的线偏振度（DoLP）与无油海水的线偏振度不同，且取决于油品的折射率而非表面粗糙度，使模型能够在亮度图像存在歧义的位置准确区分油膜 [4][5]。
- 虚警抑制是核心工程问题：基于SAR和多传感器数据的深度学习在很大程度上就是为了将真实油膜与相似干扰物区分开来，而跨通道一致性是切实可行的解决之道 [6]。
- 置信度分级告警——当代工业系统中从约20%到95%置信度的五个等级——将检测转化为响应，而边缘计算可在网络不配合时维持闭环运行。
溢油检测为何从人工巡检转向机器视觉
在行业的大部分历史中，溢油检测意味着人工观察：驾驶台值班、直升机空中巡查、码头巡视。卫星雷达扩展了覆盖范围——合成孔径雷达不受日照限制，可在大范围区域观测表面油膜——但重访周期长，且原始检测问题确实困难，因为风影造成的平滑水面、藻类和船舶尾流都会产生模仿油品的雷达特征。正因如此，将深度学习应用于卫星SAR数据如今已成为研究主流：自动分类减少了对疲劳的人工判读员的依赖，并加快了对海量图像档案的筛选 [6]。
过去几年发生变化的是中间层的出现。在卫星的大陆级视野与技术人员的现场巡视之间，存在一层固定相机和无人机——即站点尺度的机器视觉。安特卫普大学一项被广泛引用的研究展示了这一模式：一架搭载热红外相机的无人机、一个基于标注图像训练的机器学习模型，以及一套在港口环境中自动检测溢油的运行工作流程 [1]。研究项目如今通过物联网连接和迁移学习扩展同一架构，将视觉、红外及其他传感器分层组合成能够实时检测、分类和跟踪溢油的系统 [2]。对于码头、海上平台、栈桥和炼厂排放口而言，这一层回答了卫星无法回答的问题：此处此刻正在发生什么，控制室应如何应对？
传感栈：可见光、热红外、紫外
没有任何单一相机能在所有条件下可靠地检测油品，而物理原理解释了为何多波段组合优于任何单一波段。
可见光成像以低成本、高分辨率捕捉人眼所能看到的内容——颜色对比、油膜纹理、羽流形状。其弱点在于依赖光照和有利的观测几何条件；太阳耀光和阴影都会造成虚假印象。
热红外成像利用油膜与水之间的热对比和发射率对比。油膜会改变表面的热特征，红外相机即使在夜间也能检测到这些异常——正是这一特性使无人机载热红外检测在港口试验中能够全天候运行 [1]。尤其是厚油膜具有强烈的红外特征 [3]。
紫外成像读取油膜厚度范围的另一端：油的紫外特征对薄层和油膜最为有用，而这恰恰是红外对比度衰减之处 [3]。因此，融合可见光、红外和紫外通道的相机组合可覆盖薄油膜、厚油膜、白天和夜间各种情况——并且关键在于，在宣布事件之前要求多波段一致性，这正是下文所述虚警抑制的基础。
高光谱成像将传感栈扩展到精细光谱细节，支持油品分类，而关于智能光学遥感的综述文献记录了从紫外到热红外的整个光谱范围内油与海水之间的反射、吸收、散射和干涉如今如何被学习算法而非固定阈值所利用 [3]。
偏振：DoLP与AoP，无人关注的通道
最新且最不直观的层面是偏振测量。从水面反射的光是部分偏振的，偏振态携带了关于反射材料本身的信息。标准指标——线偏振度（DoLP）——衡量反射光的线偏振程度；偏振角（AoP）则捕捉其方向。
对于油品检测，其收益是双重的。首先，在亮度图像确实存在歧义的太阳耀光区域——接近临界角处，油膜和清洁水的表观亮度可能发生反转——油膜的DoLP仍可测量地弱于无油海水，而对一次重大海上溢油的卫星偏振成像已验证，偏振测量恰好在强度图像失效的位置仍具有区分能力 [4]。其次，油膜上太阳耀光的DoLP取决于油的折射率和观测几何，而不取决于表面粗糙度，这意味着偏振数据支持反演泄漏油品本身的折射率——这一指纹有助于对水面上油品的种类进行分类 [5]。
对于工业检测系统，其运行层面的转化很简单：偏振通道为识别模型提供了能够抵御光学油品检测两大经典失效模式——眩光和波纹——的特征。一个同时使用强度、DoLP和AoP的模型拥有三个独立见证者，而非一个。
从像素到置信度：模型、训练与分级告警
检测是一条判断链，而现代判断链是训练出来的，而非编程出来的：
- 标注与训练。 运行框架始于标注图像——真实油膜、真实相似干扰物——检测模型从中学习本地条件下油品的纹理和光谱特征 [1][2]。迁移学习使部署在新站点的系统能够从预训练基础模型出发，以有限的额外数据适应当地水体、光照和背景 [2]。
- 置信度评分。 检测不是二元事件；模型输出置信度水平。成熟的工业系统将该置信度分级为告警层级——五个等级，覆盖约20%至95%的置信度——使低置信度目击成为观察项，而高置信度事件触发响应预案 [7]。
- 虚警抑制。 只有当误报得到控制时，分级才有意义。三种机制承担主要工作：多通道一致性（可见光、红外、紫外和偏振特征必须相互印证，置信度才会上升）、时间连续性（油膜持续存在并连贯漂移；闪光则不会）以及环境上下文（模型经训练以排除风影、流线和生物膜——深度学习检测器正是为对抗SAR相似干扰物问题而开发的 [6]）。
- 自我改进。 确认的事件和被排除的虚警都会回流至训练数据，因此系统的本地判别能力随每个季节而提升——这正是自学习设计能够补偿雾、眩光和光照变化的机制 [2]。
边缘与云端：闭环运行
因网络连接中断而失效的检测就是失败的检测。这就是参考架构如今将计算分为两层的原因 [2]。在边缘侧，工业推理单元基于相机视频流在本地运行模型，在毫秒内做出决策，并将事件片段和图像写入本地存储——因此检测、告警和证据采集可在网络中断期间持续进行，缓存数据在连接恢复后上传。在云端或控制中心，事件落于电子地图上，通知推送至响应人员的移动设备，而事件记录——片段、置信度轨迹、时间戳——成为事后证据文件。
闭环流程如下：检测（多波段确认）→ 分类与分级（置信度层级）→ 告警（边缘告警加推送通知和地图标注）→ 响应（调度、围油栏布设、阀门操作——由机器判断辅助的人工决策）→ 记录（存储的事件片段和数据，用于调查和监管报告）。每个阶段都留下记录，这正是将AI相机从监控设备转变为响应资产的原因。
一页概览传感栈
| 层级 | 技术 | 在检测链中的功能 |
|---|---|---|
| 采集 | 可见光、热红外、紫外、高光谱相机 | 捕捉油膜形态、热对比、紫外油膜特征、光谱细节 [1][3] |
| 特征提取 | 偏振成像——DoLP与AoP | 将油膜与眩光和粗糙度区分开；支持油品种类指纹识别 [4][5] |
| 识别 | 深度学习与迁移学习模型 | 基于本地训练数据进行检测、分类和置信度评分 [1][2][6] |
| 决策 | 置信度分级告警（五个等级，约20%-95%） | 过滤虚警；将观察项与确认事件分流 |
| 基础设施 | 带本地缓存的边缘推理单元；云/控制中心平台 | 毫秒级响应、抗中断的证据存储、基于地图的调度与记录 [2] |
互补，而非替代
机器视觉看到的是水面；它看不到水面之下溶解或分散的物质。围油栏和浮标式传感器、雷达系统以及水中光学分析仪回答的是另一个问题——某一点水中含有多少油——而这两类设备最好联动工作。水中紫外荧光分析仪在排放口或凝析油管线处报告ppm值，首先捕捉到不可见的泄漏；随后视觉系统定位水面表现、对事件分级并指导响应。将两者配对的站点同时获得早期预警和态势几何信息——上海七枚的水中油传感器产品线正是这一配对中水中一侧的担当 [7]。
工业系统的发展方向
当代工业AI溢油检测系统已经集成了这一完整传感栈。例如，上海七枚的AI溢油检测系统融合可见光、红外、紫外和高光谱图像；应用DoLP/AoP偏振建模；并发出覆盖20%-95%置信度的五级告警。其RY-OWS探测器系列——304/316不锈钢密封IP66/IP68外壳，结合可见光、红外和紫外通道与AI识别、夜间照明以及最远100米的检测距离——为边缘推理单元提供数据，该单元配备千兆PoE端口、5G连接、板载NPU计算、固态事件缓存和循环录像，额定工作温度为-40至+70°C，使闭环在冬季站点和网络中断时均能存续。在云端，事件汇入电子地图并推送至响应人员，自学习优化使模型随时间适应当地眩光、雾和水体条件。
发展方向清晰明确：更多波段为更严谨的模型提供数据，分级置信度取代二元告警，边缘优先架构将连接视为奢侈品而非依赖项。溢油响应始终是一场与扩散的赛跑——而如今首次实现了在站点尺度上持续、分级、闭环的监视。
参考文献
- De Kerf, T., Gladines, J., Sels, S., Vanlanduit, S. — “Oil Spill Detection Using Machine Learning and Infrared Images,” Remote Sensing (MDPI), 2020 — 一种搭载于无人机的热红外相机加机器学习框架，用于港口溢油检测，包含自动训练和运行检测阶段。https://www.vliz.be/imisdocs/publications/ocrd/361109.pdf
- Pham, D., et al. — “Next-gen marine safety: Real-time automated oil spill detection and monitoring with IoT and transfer learning,” Polish Maritime Research, 2025 — 一种多层架构，结合视觉与红外传感物理层、物联网平台、无人载具和迁移学习，实现实时检测与监测。https://mes.openaire.eu/search/publication?pid=10.2478%2Fpomr-2025-0060
- Ma, Y., Du, K., Liu, R., Wang, X., Yang, J. — “Research Progress on Intelligent Optical Remote Sensing Technology for Marine Oil Spills,” Chinese Laser Press (OptXiv), 2026 — 综述从紫外到热红外的油-海水光学相互作用（紫外特征对薄层最强，红外对较厚油膜最强）以及向智能学习检测算法的转变。https://www.optxiv.com/articles/OJ14eefff25e1fa870/figureandtable
- Lu, Y., Zhou, Y., Liu, Y., et al. — “Using remote sensing to detect the polarized sunglint reflected from oil slicks beyond the critical angle,” Journal of Geophysical Research: Oceans, 2017 — 建模并经卫星验证（墨西哥湾溢油期间的PARASOL DoLP图像），油膜的DoLP恰好在亮度图像存在歧义的位置与无油海水不同。https://doi.org/10.1002/2017jc012793
- Zhou, Y., Lu, Y., Shen, Y., et al. — “Polarized Remote Inversion of the Refractive Index of Marine Spilled Oil From PARASOL Images Under Sunglint,” IEEE Transactions on Geoscience and Remote Sensing, 2020 — 泄漏油膜上太阳耀光的DoLP取决于折射率和观测角度，而非表面粗糙度，从而能够反演油品折射率。https://adsabs.harvard.edu/abs/2020ITGRS..58.2710Z
- Zakzouk, M., Abdulaziz, A. M., et al. — “Automated oil spill detection using deep learning and SAR satellite data for the northern entrance of the Suez Canal,” Scientific Reports, 2025 — 基于卫星SAR图像的深度学习检测，解决油膜与相似干扰物的区分问题。https://www.nature.com/articles/s41598-025-03028-1
- 上海七枚 — 水中油传感器产品概述 — 水中紫外荧光测量，补充水面机器视觉检测。https://www.chimaycorp.com/shanghai_chimay_oil-in-water_sensor/740.html
本文引用的上海七枚产品文档中的规格数值反映了截至发布日期该公司已发布的材料；购买前请对照最新数据表确认当前规格。
关于作者： 由上海七枚技术编辑团队撰写——专注于油气、石化和电力应用领域水中油及工艺水监测的仪器仪表专家。
