基于深度学习的水面漂浮物目标检测及分析

发布时间：2021-10-02 02:47

　　人工景观湖普遍存在于各大校园以及公园景点中,但岸边树叶的飘落和湖底水草的死亡使得人工景观湖的湖面会持续的有漂浮物垃圾积累。人工打捞水面漂浮物的方式效率低下,因此存在高效自动化清洁人工景观湖水面漂浮物的需求。针对这个需求,课题组计划研发一艘水面自动清洁无人船,自动清洁功能的实现需要无人船具备自主检测水面漂浮物的能力。为了解决检测水面漂浮物的问题,本课题制作了一个小型的水面漂浮物数据集,数据集收集了两个人工湖的水面漂浮物图像,漂浮物主要包含漂浮水草和漂浮落叶两种类型。由于漂浮物的视觉特征与普通物体有明显区别,为了保证标注工作的效率,针对漂浮物分布的特点研究并制定了区域标注的标注标准,通过人工标注的形式对漂浮物区域进行了边界框标注。之后利用经过常见物体数据集COCO预训练的Faster R-CNN、R-FCN和SSD三种目标检测模型,在水面漂浮物数据集上进行迁移学习训练,实现了针对水面漂浮物区域的目标检测,并对比并分析了这三种模型在检测水面漂浮物时的表现,SSD目标检测模型有着更高的精确度,Faster R-CNN模型则能给出更详细的预测,而同时拥有更加多元化特征和更加抽象特征的模型在检测困... 

【文章来源】：广西大学广西壮族自治区 211工程院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图２－２残差函数??Ｆｉｇｕｒｅ．２－２?Ｒｅｓｉｄｕａｌ?ｆｕｎｃｔｉｏｎ??２．３?ＭｏｂｉｌｅＮｅｔｓ特征提取网络??深度可分离卷积的概念首次在文献［２１］中提出，它可以被看作是一种形式的卷积分??

会日常积累在湖面，一种是起风吹落到湖面的岸边树木的叶子，还有一种是被湖中小鱼??啃食或者死亡漂浮到湖面的水草。由于是从树上飘落到湖面，漂浮落叶通常分布较散且??甲片叶子体积非常小，在图像中表现为黄色或绿色的一点一点，如图４－１所示。由于湖??底水草种植的密度很大，因此漂浮上来后通常也会密集聚集在一起，且单根水草表现为??长条形，因此在图像中相对漂浮落叶来说视觉特征更明显，如图４－２所示。??ｗ?＾??图４－１漂浮落叶示例??Ｆｉｇｕｒｅ．４－１?Ｆｌｏａｔｉｎｇ?ｌｅａｖｅｓ?ｅｘａｍｐｌｅ??１９??

．零??…翁豪?＇??图４－２漂浮水草示例??Ｆｉｇｕｒｅ．４－２?Ｆｌｏａｔｉｎｇ?ｗｅｅｄｓ?ｅｘａｍｐｌｅ??４．２图像的收集和标注标准??目前为止，所有的图片都是通过拍摄广西大学内的镜湖和碧云湖得到的。由于校内??的景观湖每天都会定时清理，从上午的７点到９点和下午的３点到５点，因此漂浮物的??累积主要集中于上午９点到下午３点这个时间段，也因此数据集中的图片主要采集于这??个时间段。图４－３展示了?２张数据集中的图片。??Ｂ．?＿??图４－３水面漂浮物数据集中的原始图像??Ｆｉｇｕｒｅ．４－３?Ｏｒｉｇｉｎａｌ?ｉｍａｇｅｓ?ｉｎ?ｔｈｅ?ｆｌｏａｔｉｎｇ?ｏｂｊｅｃｔｓ?ｄａｔａｓｅｔ??文献［３］将事物的类别分成了物体和非物体２类，其中物体类指的是独立的个体能够??够被轻易标注的类别，非物体类则包括材料和一些没有清晰边界的类别。由于漂浮水草??和漂浮落叶两类目标经常聚集在一片区域并且单根水草和单片落叶的体积非常小，因此??本课题将漂浮水草和漂浮落叶归为非物体类别并且进行区域标注，即将漂浮水草区域和??漂浮落叶区域标注为一个目标。尽管对图像进行语义分割区域的标注能够更加贴合区域??的形状


本文编号：3417855