讓人工智慧服務「壕」：AI探測全球原油儲備

02-02

前言

遙感圖像一直有著和普通圖像不一樣的應用領域，我們可以理解為遙感圖像和普通圖像是同樣的分析方法，但是不同的分析特徵，比起普通的2D圖像，遙感圖像在2D的基礎上還有一維是光譜，遙感的奧秘也就是，普通可見光下，我們肉眼分不出來的東西在其他的光譜里就能看出來了[1]。於是，遙感圖像也就有了很多神奇的應用，例如土地利用、城市規劃、環境監測等等[2]。

然鵝，其他的遙感圖像做目標檢測的對於編者來說都是已經是太普通的東西了，唯獨被我發現了AI可以服務「壕們」，讓我異常興奮，於是乎，給大家做個分享。

這個應用呢，就是利用利用AI技術做全球原油儲備的探測與估計，要知道，沒有人真正知道世界各國的原油庫存到底有多少，這給原油市場中的供給方帶來了不確定性。美國地理空間分析公司Orbital Insight已經使用卷積神經網路（CNN），來分析遙感圖片並識別和量化原油儲備容器的大小，使用陰影探測法技術（shadow-detection technology ）並計算出油罐中存放了多少石油。

模型介紹[5][6]

1. 油桶檢測：橢圓線檢測(ELSD)[7]和卷積神經網路(CNN)

使用ELSD(Ellipse and Line Segment Detector)在50厘米的高解析度加進行檢測，如圖：

圖(a)是872x548的畫面，圖(b)是檢測的結果，其中黃色的是非油桶，紅色的是真正的油桶。

為了能準確的區分真正的油桶，加入CNN做油桶的分類，使用如圖的分類器網路：

如果對CNN熟悉的應該一眼就判斷出來，其實這個就是Krizhevsky[8]使用在cifar-10數據集上的模型。其中輸出結果更改為了7個類別，7個類別如圖：

使用最大池化和均值池化進行降維，使用ReLU作為激活函數，梯度下降使用SGD，權重的初始化使用均值為0方差為0.0001的高斯分布。

2. 油量估計：陰影探測法技術

通過陰影估計油量，具體的方法可以看論文[8]，論文寫得很詳細，但是其實概括來說也非常簡單，就是利用油桶的外陰影與內陰影的比例就算油桶內油的高度。

第一步：對陰影做分割提取

圖(a)是目標油桶，圖(b)通過二值化分割提取油桶和陰影,圖(c)是找到陰影的方向。

第二步：計算桶內的油高

圖(a)中可以勾勒出油桶的外邊沿的偏移程度，圖(b)是計算公式。

模型結果

檢測結果：

在7個分類中，作者提到本身測試數據是不均衡的，而Flat類型的是作者最看重的，也是最普遍的油桶類型，在Flat這個分類中，效果非常好，但是也可以看到在其他的分類中也有想過不理想的。

油量估計結果：

利用陰影做估計這個方法顯然還是可行的，可以看到估計的油量和真實值大部分還是接近的,總體的標準誤差是0.195。

編者總結

其實遙感圖片的分析，包括遙感圖片結合深度學習做檢測並不是什麼新鮮的事情，而本應用其實其實是分為兩個部分的，第一個部分是做油桶的檢測，第二部分是做油量的估計，而對比起油量的估計的準確度，油桶的檢測顯然檢測效果還不夠好。那油桶檢測效果不夠好，可能導致的問題是什麼呢？編者想了一下，主要還是導致結果數據的不均衡，因為大部分地區，在地區內一般都是使用同一種油桶，那麼，對於檢測率高的油桶，那麼估計的結果可以用於對當地油總量的估計，但是對於使用的油桶類型識別率較低的，則數據就不那麼具有參考意義了。所以，本應用如果要發揮更大的價值，在油桶檢測上應該繼續提高檢測率。

相關鏈接

[1]遙感圖像處理和普通圖像處理有哪些異同呢，本質區別是什麼？ - 知乎

[2]高解析度遙感影像信息提取與目標識別技術研究

[3]人工智慧（AI）即將揭開石油市場最大秘密：全球各國原油儲備數據

[4]為什麼國際上用「桶」作為原油單位，不用標準的噸或升？

[5]Automatic Detection and Classification of Oil Tanks in Optical Satellite Images Based on Convolutional Neural Network

[6] Paper Detail | Automatic Detection and Classification of Oil Tanks in Optical Satellite Images Based on Convolutional Neural Network

[7]ELSD原理

[8] Paper | convolutional deep belief networks on cifar-10

---人工智慧應用系列·介紹---

本系列介紹各領域的一些有趣的人工智慧應用，原理可能並沒有那麼複雜，目的是開拓大家的視野和思路，也許人工智慧能做的事情比我們想像的還要多。

專欄地址：人工智慧應用系列 - 知乎專欄（歡迎投稿和關注）

本期Live：「跨領域人工智慧應用」系列Live的第二篇——深入人工智慧應用案例:零售、工業和教育