O petróleo bruto, como um recurso estratégico importante, desempenha um papel fundamental em vários setores, como economia e militar, em nosso país. Este artigo propõe um modelo de detecção de objetos baseado em aprendizado profundo chamado TCS-YOLO (Transformer-CBAM-SIoU YOLO), otimizado a partir do YOLOv5, e realiza experimentos utilizando o conjunto de dados de imagens ópticas do satélite Jilin-1 para identificar e classificar tanques de armazenamento de petróleo em nível global. As otimizações incluem: a adição de uma camada C3TR baseada na arquitetura Transformer para otimização da rede; o uso do CBAM (Módulo de Atenção em Bloco Convolucional) para adicionar um mecanismo de atenção nas camadas da rede; e a utilização da função de perda SIoU (Scale-Sensitive Intersection over Union) em substituição à função de perda CIoU (Complete Intersection over Union) para localização. Os resultados experimentais mostram que, em comparação com o YOLOv5, o modelo TCS-YOLO reduziu em média a complexidade do modelo (GFLOPs) em 3,13%, a quantidade de parâmetros (Parameters) em 0,88%, a velocidade de inferência (Inference Speed) em 0,2 ms, aumentando mAP_0.5 (mean Average Precision) em 0,2% e mAP_0.5∶0.95 em 1,26%. Ao mesmo tempo, comparando o modelo TCS-YOLO com modelos genéricos de detecção de objetos YOLOv3, YOLOv4, YOLOv5 e Swin Transformer, o TCS-YOLO mostrou maior eficiência. O modelo TCS-YOLO possui aplicabilidade universal para o reconhecimento de tanques de armazenamento de petróleo em todo o mundo, podendo servir como referência técnica para o uso de dados de sensoriamento remoto na área de futuros de energia.

Visão Computacional;Detecção de Objetos;Detecção de Tanques de Petróleo;YOLO