The invention relates to a method of water surface garbage recognition based on multi-feature machine learning, which belongs to the field of water surface target recognition and judgment. S1: initialization of recognition model and generation of empty database system; S2: initialization, pre-processing, normalization and extraction of labeled normal training data and counter-example training data. Corresponding eigenvectors, the eigenvectors of the case image and the case image are brought into the system model for training, and the corresponding knowledge base is generated, then the knowledge base is checked by test data; S3: The knowledge base is brought into the recognition system, the water surface condition data is read, and the image data is collected and uploaded; S4: Up. The computer preprocesses the image data, extracts the feature vectors, brings them into the machine learning model, reads the corresponding knowledge base, makes judgments on the new feature vectors, and outputs the judgments in the form of marked data. The invention can identify and salvage surface rubbish intelligently and meet the real-time performance of the operation environment.
【技术实现步骤摘要】
一种基于多特征机器学习的水面垃圾识别方法
本专利技术属于水面目标识别判断领域,具体涉及一种基于多特征机器学习的水面垃圾识别方法。
技术介绍
近年来,我国经济飞速发展,水污染问题日益严重,河道水体被工业、生活废水污染,河面漂浮着大量废弃垃圾,例如塑料瓶、塑料袋等一些难以降解的垃圾不仅仅对水面的景观造成的恶劣的影响,更对人民的生产和生活造成了严重的影响,严重的危害到了人民的健康,如何有效锁定、清理污染源已迫在眉睫。目前,水面保洁及水质监测主要依靠人工进行,水域面积大,水面环境复杂,人工垃圾清洁及水质采样是一项繁重、效率低下的工作。而且如果是有毒污染,再加上水面作业具有一定的危险性,人工清洁会对人员的生命安全造成威胁。针对水面垃圾的一些负面的影响,目前国内外都提出了很多处理水面漂浮物垃圾的一些措施,但是由于一些人为原因的影响,水面垃圾依然难以完全处理。由于一些客观原因,水面垃圾没有一个固定明显的增量趋势,完全趋于随机增量状态。若一直采用定时的人为打捞方式,不仅仅浪费人力、物力、财力,同时还可能造成二次污染。
技术实现思路
有鉴于此,针对此现象设计能自动识别水面漂浮物垃圾并清理的机器人,将很好的解决此问题,本次专利技术着重研究水面漂浮物垃圾识别(水瓶、纸盒)的问题。本专利技术的目的在于提供一种可靠性较高,实时性较强的多特征机器学习的水面垃圾识别的方法。为达到上述目的,本专利技术提供如下技术方案:一种基于多特征机器学习的水面垃圾识别方法,包括以下步骤:S1:识别模型初始化,生成一个内容为空的数据库系统,数据库系统包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反 ...
【技术保护点】
1.一种基于多特征机器学习的水面垃圾识别方法,其特征在于:包括以下步骤:S1:识别模型初始化,生成一个内容为空的数据库系统,数据库系统包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数;S2:将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量,将正例图像的特征向量和反例图像的特征向量带入系统模型中训练,生成对应的知识库,然后采用测试数据对知识库进行检验,直到知识库满足要求为止;S3:将对应的知识库带入到识别系统中,通过船载摄像头动态地读取水面状况数据,再周期性的采集摄像头传输的图像数据,并且将其传输到上位机;S4:上位机对图像数据进行与上述建模时相同的预处理后,提取与建模时相同的特征向量,并将特征向量带入机器学习模型,机器学习模型读取对应的知识库,对新的特征向量做出判断,并将判断的结果以标记数据的形式输出。
【技术特征摘要】
1.一种基于多特征机器学习的水面垃圾识别方法,其特征在于:包括以下步骤:S1:识别模型初始化,生成一个内容为空的数据库系统,数据库系统包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数;S2:将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量,将正例图像的特征向量和反例图像的特征向量带入系统模型中训练,生成对应的知识库,然后采用测试数据对知识库进行检验,直到知识库满足要求为止;S3:将对应的知识库带入到识别系统中,通过船载摄像头动态地读取水面状况数据,再周期性的采集摄像头传输的图像数据,并且将其传输到上位机;S4:上位机对图像数据进行与上述建模时相同的预处理后,提取与建模时相同的特征向量,并将特征向量带入机器学习模型,机器学习模型读取对应的知识库,对新的特征向量做出判断,并将判断的结果以标记数据的形式输出。2.根据权利要求1所述的基于多特征机器学习的水面垃圾识别方法,其特征在于:在步骤S1中,对于所述正例训练数据、反例训练数据、正例测试数据和反例测试数据的采集,采用船载摄像头拍摄的不同场景的视频,对不同的环境建立对应的线性表来映射,映射线性表的精度对知识库模型的准确度有较大的影响,然后在视频中截取对应的帧作为采集的正例训练数据、反例训练数据、正例测试数据和反例测试数据。3.根据权利要求2所述的基于多特征机器学习的水面垃圾识别方法,其特征在于:在步骤S2中,所述对数据图像的预处理包括以下步骤:S21:采用改进的中值滤波算法突出边缘;S22:采用图像显著性提取算法突出前景目标;S23:通过ots...
【专利技术属性】
技术研发人员:吕霞付,李森浩,罗萍,程啟忠,林政,陈勇,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
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。