【技术实现步骤摘要】
本专利技术涉及漂浮物识别领域，具体涉及一种基于改进yolo的水面漂浮物识别方法及水面清污机器人。
技术介绍
1、水面垃圾是造成这一现象的重要原因，它不仅对生态系统造成严重破坏，还给人类的生产生活带来了诸多不便。常见水面垃圾，如塑料、泡沫、玻璃等不易降解漂浮物的长期存在，会影响水生植物的光合作用，破坏水域生态系统的平衡和多样性。如果不及时清理，大量的水面垃圾堆积还有可能进一步堵塞河道、湖泊。水体的不断污染现象，对于严重依赖水资源的渔业和农业来说，带来的危害更是不可计量的。受到污染的水体往往需要经过复杂的处理过程才能达到饮用或农业灌溉的标准，增加了经济成本。
2、人工清理仍是当前最常见的水面垃圾清理方法，适用于小规模垃圾清理任务。自由度高，可针对不同垃圾类型进行处理，但是劳动强度大、效率低、实时性差，很难应对大面积或长期积累的垃圾问题。此外，人工操作存在一定的安全隐患，特别是在复杂或污染严重的水域。此外还有通过打捞船进行垃圾清理的方式，对于大面积的垃圾清理效率很高，但是这类设备往往体型较大，对复杂的水体环境的适应性不足，可能对水生生态系统造成二次扰动。
3、随着深度学习和机器人技术的迅猛发展，将目标检测算法应用于垃圾清理机器人成为一种可行的解决方案。采用路径规划策略，令水面机器人进行巡检，对区域内的漂浮物进行检测分类，根据检测结果，采用机械臂等不同方式进行收集清理。相比传统的漂浮物清理方法，水面机器人能够实时确定漂浮物的位置和种类，从而根据特性采用针对的清理举措，大大提高了清理效率和资源利用率，在降低经济成本
4、但是，水面清污机器人的应用目前面临着两方面的问题，复杂多变的水面环境和多种多样的漂浮物类型。在水面中普遍存在着反光折射等现象，清污机器人工作时，强烈的反光会影响到输入的图像状态，产生光斑和白色区域，不仅令漂浮物与背景环境更加相似，还可能制造出“假目标”来吸引机器人接近，造成额外的能源消耗和时间损失，此外，在水浪流动的作用下，漂浮物经常会卡在某些位置，比如一些水生植物的根部，清污机器人很难发现这些被遮挡的目标。水面漂浮物类型众多，其中存在着大量的小目标，巡检采集到的图像中，小目标漂浮物的像素占比很小，加上复杂的水面环境影响，清污机器人很难提取到足够的特征信息。
5、因此，亟需设计一种优良的水面漂浮物识别方法，以解决上述技术问题。
技术实现思路
1、本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于改进yolo的水面漂浮物识别方法，它可以显著提高漂浮物的检测精度，更加适应存在噪声干扰的水面漂浮物检测场景。
2、为了解决上述技术问题，本专利技术的技术方案是：一种基于改进yolo的水面漂浮物识别方法，包括：
3、构建水面漂浮物数据集，搭建改进yolo网络模型；其中，改进yolo网络模型在骨干网络和颈部网络中通过空间特征重组模块提取图像的不同尺度特征；在颈部网络通过交叉路径聚合模块对不同特征层进行多路径交互融合，并通过背景噪声抑制模块增强图像前景中的漂浮物特征；最后由检测头根据颈部网络输出进行目标分类；
4、使用水面漂浮物数据集训练改进yolo网络模型，得到训练好的网络模型；
5、利用训练好的网络模型对待识别的水域图像进行识别，得到识别结果。
6、进一步，空间特征重组模块的工作过程为：
7、对输入的特征图x∈rb×(h×w)×c进行下采样，形成四个分量a1,a2,a3,a4；其中，四个分量a1,a2,a3,a4分别为输入特征图的偶数行偶数列、奇数行偶数列、偶数行奇数列和奇数行奇数列的像素采样；
8、沿通道维度对四个分量a1,a2,a3,a4进行拼接，公式为：
9、
10、式中，concat(·)表示沿通道维度将分量拼接聚合；
11、使用1×1卷积来保持特征图空间尺寸不变，并减少通道数，公式为：
12、aout＝relu(bn(conv1×1(acat)))
13、式中，conv1×1(·)表示1×1卷积；bn为batchnormalization，relu(·)表示relu激活操作，最后输出通道数为c。
14、进一步，所述交叉路径聚合模块的工作过程为：
15、先自顶部向下聚合，公式为：
16、p3＝sconv(c5)
17、p2＝sconv(concat(srm(c3)，c4，bi(sconv(p3))))
18、p1＝sconv(concat(srm(c2)，c3，bi(sconv(p2))))
19、式中，sconv表示conv+bn+relu，bi(·)表示bilinear interpolate，采用双线性插值法进行上采样，c2、c3、c4和c5分别代表由输入图像经过下采样后，由浅层到深层的特征图；srm(·)表示通过空间特征重组模块下采样；concat(·)表示沿通道维度拼接聚合操作；
20、然后自底部向上进行交叉路径聚合输出，公式为：
21、f1＝bnsm(bepc3(concat·(p1，deconv(p2)))
22、f2＝bnsm(bepc3(concat(mp(p1)，mp(f1)，p2，deconv(p3))))
23、f3＝bnsm(bepc3(concat(mp(p2)，mp(f2)，p3)))
24、式中，deconv表示转置卷积上采样，mp(·)表示max pooling最大值池化下采样，bepc3(·)表示bidirectional enhancement path cross-connection，双向增强路径交叉连接模块，bnsm(·)表示通过背景噪声抑制模块抑制背景。
25、进一步，背景噪声抑制模块的工作过程为：
26、先将输入特征展开为二维形式，具体公式为：
27、pflat＝reshape(p,(b,c,h·w))t∈rb×(h×w)×c
28、式中，p∈rb×c×h×w为输入特征，b表示批量大小，c表示通道数，h，w分别表示特征图的高和宽；reshape(·)表示展开为二维形式操作；pflat为输出的二维形式特征；
29、然后通过线性映射生成前景与背景区域的空间权重特征图，具体公式为：
30、wfg＝softmax(l1(pflat))∈rb×(h·w)×1
31、wbg＝softmax(l2(pflat))∈rb×(h·w)×1
32、式中，l1，l2分别代表前景和背景的线性层；softmax(·)表示softmax激活操作；wfg表示前景区域的空间权重特征图；wbg表示背景区域的空间权重特征图；
33、再将前景和背景区域的空间权重特征图分别与二维形式特征pflat逐元素相乘，并通过高效通道注意力机制本文档来自技高网...
【技术保护点】
1.一种基于改进YOLO的水面漂浮物识别方法，其特征在于，
2.根据权利要求1所述的基于改进YOLO的水面漂浮物识别方法，其特征在于，
3.根据权利要求1所述的基于改进YOLO的水面漂浮物识别方法，其特征在于，
4.根据权利要求1所述的基于改进YOLO的水面漂浮物识别方法，其特征在于，
5.一种水面清污机器人，其特征在于，
6.一种设备，其特征在于，
7.一种可读存储介质，其上存储有计算机程序，其特征在于，
【技术特征摘要】
1.一种基于改进yolo的水面漂浮物识别方法，其特征在于，
2.根据权利要求1所述的基于改进yolo的水面漂浮物识别方法，其特征在于，
3.根据权利要求1所述的基于改进yolo的水面漂浮物识别方法，其特征在于，
...【专利技术属性】
技术研发人员：李宁，汪立博，杨高朝，袁宝华，李博，
申请(专利权)人：常州大学，
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。