[發(fā)明專利]一種基于多特征YOLOV3的船用水面垃圾快速識別方法

在審

• 申請?zhí)枺?/td>: 202010621539.4
• 申請日: 2020-06-30
• 公開（公告）號: CN111950357A
• 公開（公告）日: 2020-11-17
• 發(fā)明（設(shè)計）人: 李威;蔡立明;高永發(fā);謝家文;戴智航;符浩;胡常青
• 申請（專利權(quán)）人: 北京航天控制儀器研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06T5/40;G06N3/04;G06N3/08
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 龐靜

本發(fā)明涉及一種基于多特征YOLOV3的船用水面垃圾快速識別方法，通過下述方式實現(xiàn)：S1、利用船載攝像裝置拍攝圖像，對圖像進(jìn)行直方圖均衡化預(yù)處理，構(gòu)建圖像特征描述子圖；S2、構(gòu)建基于YOLOV3?tiny目標(biāo)檢測方法的目標(biāo)識別模型；S3、利用目標(biāo)識別模型識別S1處理后的圖像特征描述子圖中存在的目標(biāo)；S4、根據(jù)檢測到的目標(biāo)坐標(biāo)判斷垃圾與船的距離，當(dāng)距離小于設(shè)定的閾值時，進(jìn)行垃圾收集；S5、對從陸基采集的未被識別的圖像進(jìn)行圖像增廣處理以及模型訓(xùn)練，得到新的目標(biāo)識別模型，返回S3重新執(zhí)行，直至構(gòu)建的目標(biāo)識別模型的準(zhǔn)確率滿足要求。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機(jī)視覺、圖像處理、深度學(xué)習(xí)、人工智能領(lǐng)域。具體涉及一種基于多特征YOLOV3的船用垃圾快速識別方法。

背景技術(shù)

智能化垃圾采集是一項包含圖像處理、人工智能和自動控制等多個技術(shù)的新領(lǐng)域。環(huán)保設(shè)備的智能化與我們的生活息息相關(guān)，隨著經(jīng)濟(jì)的發(fā)展，水面污染越加嚴(yán)重。

關(guān)于水面垃圾快速識別方法的研究越來越多。目前，水面垃圾檢測算法多基于混合高斯模型和雙背景模型的改進(jìn)方法，在水面復(fù)雜場景下，容易受到光照和噪聲的影響。存在目標(biāo)虛警率高、物體定位不準(zhǔn)確等問題。同時，上述方法的調(diào)參過程復(fù)雜，很難滿足水面垃圾快速識別的要求。如何提升系統(tǒng)在水面復(fù)雜環(huán)境下對垃圾檢測的準(zhǔn)確性和實時性，成為下一步研究的熱點問題。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問題是：本發(fā)明提出了一種基于多特征YOLOV3-tiny的垃圾快速識別方法，實現(xiàn)垃圾清理的智能化與自動化。

本發(fā)明解決技術(shù)的方案是：一種基于多特征YOLOV3的船用水面垃圾快速識別方法，通過下述方式實現(xiàn)：

S1、利用船載攝像裝置拍攝圖像，對圖像進(jìn)行直方圖均衡化預(yù)處理，構(gòu)建圖像特征描述子圖；

S2、構(gòu)建基于YOLOV3-tiny目標(biāo)檢測方法的目標(biāo)識別模型；

S3、利用目標(biāo)識別模型識別S1處理后的圖像特征描述子圖中存在的目標(biāo)；

S4、根據(jù)檢測到的目標(biāo)坐標(biāo)判斷垃圾與船的距離，當(dāng)距離小于設(shè)定的閾值時，進(jìn)行垃圾收集；

S5、對從陸基采集的未被識別的圖像進(jìn)行圖像增廣處理以及模型訓(xùn)練，得到新的目標(biāo)識別模型，返回S3重新執(zhí)行，直至構(gòu)建的目標(biāo)識別模型的準(zhǔn)確率滿足要求。

優(yōu)選的，S1中拍攝圖像數(shù)量大于1000張。

優(yōu)選的，所述的圖像特征描述子圖通過下述方式完成構(gòu)建：

將拍攝的RGB圖像壓縮為灰度圖像，提取灰度圖像的梯度特征和形態(tài)學(xué)特征，并將灰度圖像作為第一波段，梯度特征圖像作為第二波段及形態(tài)學(xué)特征作為第三波段；利用上述三個波段構(gòu)建圖像特征描述子圖。

優(yōu)選的，基于YOLOV3-tiny目標(biāo)檢測方法的目標(biāo)識別模型為利用YOLOV3-tiny目標(biāo)檢測方法構(gòu)建的YOLOV3-tiny神經(jīng)網(wǎng)絡(luò)，通過下述方式完成所述目標(biāo)識別模型的構(gòu)建：

初始化所述神經(jīng)網(wǎng)絡(luò)中卷積層預(yù)訓(xùn)練參數(shù)以及模型權(quán)重；

YOLOV3-tiny神經(jīng)網(wǎng)絡(luò)對輸入的圖像通過卷積、池化操作，得到特征圖；

將所述特征圖中數(shù)據(jù)進(jìn)行歸一化處理，保證預(yù)測數(shù)據(jù)在0～1之間，并通過預(yù)測層識別目標(biāo)類別和目標(biāo)位置；

設(shè)置置信度閾值并進(jìn)行極大值抑制處理，將低于所述置信度閾值的預(yù)測層框圖去除，得到識別的垃圾出現(xiàn)概率和垃圾位置。

優(yōu)選的，所述的置信度閾值不低于0.7。