一种基于多特征YOLOV3的船用水面垃圾快速识别方法技术

本发明专利技术涉及一种基于多特征YOLOV3的船用水面垃圾快速识别方法，通过下述方式实现：S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；S2、构建基于YOLOV3‑tiny目标检测方法的目标识别模型；S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。

【技术实现步骤摘要】
一种基于多特征YOLOV3的船用水面垃圾快速识别方法
本专利技术涉及计算机视觉、图像处理、深度学习、人工智能领域。具体涉及一种基于多特征YOLOV3的船用垃圾快速识别方法。
技术介绍
智能化垃圾采集是一项包含图像处理、人工智能和自动控制等多个技术的新领域。环保设备的智能化与我们的生活息息相关，随着经济的发展，水面污染越加严重。关于水面垃圾快速识别方法的研究越来越多。目前，水面垃圾检测算法多基于混合高斯模型和双背景模型的改进方法，在水面复杂场景下，容易受到光照和噪声的影响。存在目标虚警率高、物体定位不准确等问题。同时，上述方法的调参过程复杂，很难满足水面垃圾快速识别的要求。如何提升系统在水面复杂环境下对垃圾检测的准确性和实时性，成为下一步研究的热点问题。
技术实现思路
本专利技术解决的技术问题是：本专利技术提出了一种基于多特征YOLOV3-tiny的垃圾快速识别方法，实现垃圾清理的智能化与自动化。本专利技术解决技术的方案是：一种基于多特征YOLOV3的船用水面垃圾快速识别方法，通过下述方式实现：S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；S2、构建基于YOLOV3-tiny目标检测方法的目标识别模型；S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。优选的，S1中拍摄图像数量大于1000张。优选的，所述的图像特征描述子图通过下述方式完成构建：将拍摄的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征，并将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段；利用上述三个波段构建图像特征描述子图。优选的，基于YOLOV3-tiny目标检测方法的目标识别模型为利用YOLOV3-tiny目标检测方法构建的YOLOV3-tiny神经网络，通过下述方式完成所述目标识别模型的构建：初始化所述神经网络中卷积层预训练参数以及模型权重；YOLOV3-tiny神经网络对输入的图像通过卷积、池化操作，得到特征图；将所述特征图中数据进行归一化处理，保证预测数据在0～1之间，并通过预测层识别目标类别和目标位置；设置置信度阈值并进行极大值抑制处理，将低于所述置信度阈值的预测层框图去除，得到识别的垃圾出现概率和垃圾位置。优选的，所述的置信度阈值不低于0.7。优选的，S5中对从陆基采集的未被识别的图像进行人为标注垃圾，之后进行随机旋转角度、水平偏移、竖直偏移、随机缩放和随机水平旋转中至少三种处理，得到增广图像，对增广图像进行特征提取，输入YOLOV3-tiny神经网络进行训练，得到模型权重，进而得到新的目标识别模型。优选的，S5中的准确率至少达到85％。S1中拍摄图像的分辨率最优为2048*1080。本专利技术与现有技术相比的有益效果是：本专利技术采用基于多特征YOLOV3网络的检测算法进行垃圾检测，取代了基于混合高斯模型和双背景模型的改进方法，避免了复杂的算法调参过程，满足系统在水面复杂环境下对垃圾检测的准确性和实时性；本专利技术采用基于多特征YOLOV3网络的检测算法进行垃圾检测，图像经过预处理后提供互补信息，有效防止水面光照和图像噪声的影响，并保证对水面物体的持续跟踪；本专利技术采用基于多特征YOLOV3网络的检测算法进行垃圾检测，有效分离目标(垃圾)与背景，并且能够精确区分垃圾的种类，解决了传统垃圾识别算法对垃圾分类不准确的问题。系统具备自学习的能力，保证目标库的实时更新。附图说明图1是本方法的步骤图；图2是构建图像特征描述子图流程图；图3是对检测到的目标进行筛选分类流程图；图4是垃圾位置判断与垃圾收集步骤图；具体实施方式下面结合实施例对本专利技术作进一步阐述。如图1，本方法的实现步骤如下：A.读入图像数据，对图像进行直方图均衡化和特征学习等预处理图2，利用船载摄像头实时获取1080P的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征图，将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段，利用处理后图像构建图像特征描述子图，并将其为分辨率转化为416*416。B.建立目标识别模型，实时检测水面垃圾图3，首先对YOLOV3-tiny算法进行参数初始化，读取配置文件，加载模型权重。将A步骤中图像特征描述子图输入YOLOV3-tiny神经网络进行处理。YOLOV3-tiny神经网络包括卷积层，卷积层中卷积核大小不同，导致每个卷积层输出的值不同，对特征处理后的图像进行卷积和均值池化处理，最终输出大小为13*13的卷积特征图，获得归一化的特征数据(数据范围为0～1)，保证算法处理结果的稳定性，为后续预测层操作提供数据支持。通过anchorboxes预测目标类别和相应的坐标。大小为13*13的卷积特征图中每一个cell预测5个框，每一个框包含目标坐标(x,y,w,h)和目标概率Confidence，每个框对应N个垃圾类别，通过框中信息判别垃圾位置和垃圾类别。根据预测层输出的目标坐标和目标概率等信息，得到包含垃圾物体的框图，通过设置置信度阈值并进行极大值抑制处理，将低于阈值的框图去除，得到较为准确的垃圾出现概率和垃圾位置。区分水面与水面上物体，将检测到的水面目标分为目标类(树干、易拉罐、塑料瓶和塑料袋等)和背景类，持续跟踪；C.对检测到的垃圾进行距离测算，如果垃圾与船距离小于阈值，开启垃圾搜集设备图4，通过YOLOV3-tiny获得目标的位置和类别，设定阈值，当目标(垃圾)进入指定范围，开启垃圾收集装置。D.搜集岸基监控系统采集图像中未被识别的图像，进行数据增广与模型训练搜集岸基监控系统采集图像中的未被识别的垃圾图像，对图像中的垃圾进行手动标注，对垃圾进行数据增广，即对图像进行随机旋转角度、水平偏移、竖直偏移、随机缩放和随机水平旋转，并对增广后的图像进行特征提取，输入神经网络进行训练YOLOV3-tiny，得到步骤S20的模型权重，即能够得到新的目标识别模型，利用新的目标识别模型实时对A中处理图像进行垃圾识别，重复上述过程，直至目标识别模型的准确率(一般不低于85％)满足要求。本专利技术未详细说明部分属于本领域技术人员的公知常识。本文档来自技高网...

【技术保护点】
1.一种基于多特征YOLOV3的船用水面垃圾快速识别方法，其特征在于通过下述方式实现：/nS1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；/nS2、构建基于YOLOV3-tiny目标检测方法的目标识别模型；/nS3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；/nS4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；/nS5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。/n

【技术特征摘要】
1.一种基于多特征YOLOV3的船用水面垃圾快速识别方法，其特征在于通过下述方式实现：
S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；
S2、构建基于YOLOV3-tiny目标检测方法的目标识别模型；
S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；
S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；
S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。


2.根据权利要求1所述的方法，其特征在于：S1中拍摄图像数量大于1000张。


3.根据权利要求1所述的方法，其特征在于：所述的图像特征描述子图通过下述方式完成构建：
将拍摄的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征，并将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段；利用上述三个波段构建图像特征描述子图。


4.根据权利要求1所述的方法，其特征在于：基于YOLOV3-tiny目标检测方法的目标识别模型为利用...

【专利技术属性】
技术研发人员：李威，蔡立明，高永发，谢家文，戴智航，符浩，胡常青，
申请(专利权)人：北京航天控制仪器研究所，
类型：发明
国别省市：北京;11