本发明专利技术涉及机器学习、图像识别领域，具体涉及一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：步骤1:通过视频录制、相机拍摄和网络收集来采集水面漂浮物数据；步骤2:采用数据降噪和数据增强算法进行水面漂浮物数据扩增；步骤三：采用Labelimg工具对水面漂浮物数据集标注；步骤四：采用迁移学习对SSD网络模型进行训练获取最优权重模型；步骤五：基于SSD网络最优权重模型的多相机水面漂浮物目标实时检测。本发明专利技术基于SSD网络对水面漂浮物进行多相机实时检测，能够有效降低光照、天气和动态背景对实时检测造成的干扰，同时弥补单一相机检测的缺陷，满足实时性和精度的要求。的要求。的要求。
【技术实现步骤摘要】
一种基于SSD网络的水面漂浮物多相机实时检测方法
[0001]本专利技术属于机器学习、图像识别领域，涉及一种基于SSD网络的水面漂浮物多相机实时检测方法。
技术介绍
[0002]随着经济和社会的快速发展，我国城镇化建设步伐日益加快，大量的人口聚集到城市生活，给城市周边的环境和生态造成了严重的影响，许多饮水水源、城市内河、周边湖泊、水库等水面上出现大量的污染物，水面上的漂浮垃圾一般无法被溶解及自然稀释、且具有分布不均性，水面漂浮物的存在不仅影响了水体观感和城市的生活环境质量，也造成了水体的污染及生态平衡的破坏，甚至威胁到了航运和饮用水的安全。如何快速有效识别水面漂浮物，为水面安全规避、污染物清洁、水面交通安全等领域提供早期预警及实时监控等信息，成为了智能识别、信息化以及传感器领域的重要课题之一。
[0003]针对水面漂浮物的检测问题，目前虽然部分水域场景安装了实时监控设备，但是由于检测设备大多分布密度低且固定，只能监控到一定区域内的水面污染物，存在投入成本高、周期长且检测效率低下等问题。同时，现有的水域视频监控依托的设备多是单一相机，而单相机系统存在着视野范围小、获取信息少、可靠性较弱的缺陷，仍需有人对水面漂浮物监控画面进行人工监管，此管理方式不仅耗时费力，而且无法准确和实时监控水面漂浮物。
[0004]基于实际的水面污染物监管的需求，目前国内外相关研究成果大多存在图像识别精度低、图像信息量处理效率低、动态背景处理以及水面目标检测与识别算法问题，无法有效保证水面漂浮物检测实时性和准确性两者的平衡。针对目前水面漂浮物检测中存在的实际问题，本专利技术在人工智能和深度学习应用领域不断拓展的基础上，提出基于SSD(Single Shot MultiBox Detector，单发多目标检测器)网络对水面漂浮物进行多相机视频目标检测方法。
技术实现思路
[0005]本专利技术基于SSD网络，通过多相机对河流水面漂浮物进行实时监测，能够达到对漂浮物的坐标信息、类别和数量进行动态监测。基于水面漂浮物检测的信息数据判断是否对水面漂浮物进行处理，能够协助解决水污染问题。
[0006]为了达到上述目的，本专利技术采用的技术方案为：
[0007]一种基于SSD网络的水面漂浮物多相机实时检测方法，包括以下步骤：
[0008]第一步：采集数据，以视频录制、相机拍摄和网络资源收集为主要途径
[0009]运用多相机对河流水面进行全天候的录制获取视频资料，并利用Free Video to JPEGConverter将视频文件按照每帧为单位转换为图片，生成图片资料库A。利用相机实地对水面漂浮物图片进行拍摄采集，生成图片资料库B。通过百度搜集水面漂浮物图片，生成图片资料库C。最终得到用于训练SSD网络模型的数据集D，该数据集包含了图片资料库A、B
和C。
[0010]第二步：数据降噪增强
[0011]由于摄像机在室外录制漂浮物视频的过程中会受到光照、天气等不确定性因素的影响，造成恶劣条件下摄像机视觉系统获取的漂浮物图像质量较差。低对比度、噪声和不均匀或弱光条件不利于图像分析，并且可能携带用于漂浮物检测的潜在错误信息。利用数据降噪算法对数据集D进行降噪处理，提高水面漂浮物图像信息的精度。同时，利用数据增强算法对数据集D进行数据增强，对数据进行扩充生成数据集E(数据集E不包括数据集D)，再将第一步得到的数据集D和生成的数据集E合并构成数据集F。通过10倍扩增训练数据集的规模，构造出更多的不同形状和大小的目标，有效避免由于水面漂浮物数据过少所造成的过拟合问题，提高了水面漂浮物识别性能和泛化能力。
[0012]进一步的，所述的数据增强算法包括随机旋转、反转、裁剪、缩放、平移、高斯噪声、模糊处理、颜色变换、擦除和填充10种。
[0013]第三步：图像目标标注，采用Labelimg工具对漂浮物数据集标注
[0014]为了保证标注工作的效率，针对漂浮物分布的特点确定区域标注的标注标准：
①
选择边界框的形式，对有明显漂浮物聚集的区域进行标注，边界框尽可能贴近聚集区范围；
②
选择大范围目标物(倾向聚集的大范围区域)进行标注，对多个分散小目标不进行单独标注。
[0015]通过人工标注的形式利用Labelimg工具对数据集F的水面漂浮物采用上述标注标准进行边界框标注，通过矩形区域表示漂浮物的坐标位置、范围和种类。具体包括：矩形框的中心点坐标、矩形框的长度和宽度、矩形框的类别。通过Labelimg工具对数据集F标注后形成数据集M。
[0016]第四步：训练SSD网络获取最优权重模型，预训练模型采用迁移学习进行模型训练
[0017]将水面漂浮物数据集M随机分成3个部分：训练集、验证集和测试集。其中训练集用于模型拟合的数据样本；验证集用于调整模型的超参数和用于对模型的能力进行初步评估；测试集用来评估模最终模型的泛化能力。三个数据集所占比例为：6:2:2。模型训练主要包括以下步骤：
[0018](1)模型训练：训练集主要作为SSD网络的初始训练数据。
[0019]将训练集作为SSD网络的初始数据，训练时使用SSD在PASCAL VOC数据集上的预先训练好的VGG16模型网络权重作为初始化，网络训练时采用随机梯度下降Adam算法进行优化，学习率(Learningrate)设定为0.001，权重衰减系数(Weightdecay)设置为0.0005，学习率的衰减因子(Learningratedecayfactor)设定为0.94，批量尺寸大小(Batchsize)设置为32，将模型保存的时间(Saveintervalsecs)设定为600s，模型迭代次数(epoch)设置为150000次。模型在完成迭代上限次数后保存为多个权重模型。
[0020](2)模型超参数调整：验证集主要用于网络模型超参数的调整。
[0021]①
在步骤(1)中得到多个权重模型的基础上，将验证集输入到多个权重模型中，各个权重模型通过验证集数据可以得到预测准确率，预测准确率是预测框与真实框的比值，获取预测准确率最高的权重模型。
②
选出预测准确率最高的权重模型对应的超参数，包括学习率(learning rate)、批量尺寸大小(batch size)，迭代次数(epoch)、激活函数的选择、部分损失函数的可调系数以及正则化系数等，用以上超参数通过反向传播方式训练生
成最优权重模型。
[0022](3)模型泛化能力评估：测试集用来评估最终模型的泛化能力，不作为调参、选择特征等算法相关的选择的依据。
[0023]在步骤(1)和步骤(2)得到最优网络权重模型之后，将测试集输入到最优权重模型中，评估最优权重模型的性能和分类能力，性能指标包括准确率、召回率、平均精确度、每秒帧率等，将获得最优网络权重模型用于检测水面漂浮物的视频目标检测。
[0024]第五步：将SSD网络模型应用于多相机水面漂浮物视频目标实时检测
[本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于SSD网络的水面漂浮物多相机实时检测方法，其特征在于，包括以下步骤：第一步：采集数据运用多相机对河流水面进行全天候的录制获取视频资料，并将视频文件按照每帧为单位转换为图片，生成图片资料库A；利用相机实地对水面漂浮物图片进行拍摄采集，生成图片资料库B；通过百度搜集水面漂浮物图片，生成图片资料库C；最终得到用于训练SSD网络模型的数据集D，该数据集包含了图片资料库A、B和C；第二步：数据降噪增强利用数据降噪算法对数据集D进行降噪处理，提高水面漂浮物图像信息的精度；同时，利用数据增强算法对数据集D进行数据增强，对数据进行扩充生成数据集E，其中数据集E不包括数据集D，再将第一步得到的数据集D和生成的数据集E合并构成数据集F；通过扩增训练数据集的规模，能够有效避免由于水面漂浮物数据过少所造成的过拟合问题，提高水面漂浮物识别性能和泛化能力；第三步：图像目标标注，对漂浮物数据集标注为了保证标注工作的效率，针对漂浮物分布的特点确定区域标注的标注标准：
①
选择边界框的形式，对有明显漂浮物聚集的区域进行标注，边界框尽可能贴近聚集区范围；
②
选择大范围目标物进行标注，对多个分散小目标不进行单独标注；通过人工标注的形式，利用Labelimg工具对数据集F的水面漂浮物采用上述标注标准进行边界框标注，通过矩形区域表示漂浮物的坐标位置、范围和种类；具体包括：矩形框的中心点坐标、矩形框的长度和宽度、矩形框的类别；通过Labelimg工具对数据集F标注后形成数据集M；第四步：训练SSD网络获取最优权重模型，预训练模型采用迁移学习进行模型训练将水面漂浮物数据集M按照6:2:2的比例随机分成3个部分：训练集、验证集和测试集；其中训练集用于模型拟合的数据样本；验证集用于调整模型的超参数和...
【专利技术属性】
技术研发人员：彭勇，陈任飞，李昱，欧阳文宇，吴剑，岳廷秀，王浅宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。