一种基于改进YOLOv4的河道废弃物监测方法技术

本发明专利技术涉及计算机视觉技术领域，具体地说，涉及一种基于深度学习的河道漂浮物监测方法。利用已有的摄录设备从一定的角度、合适的距离，对河道水面的漂浮物进行监测，获得视频图像后，对数据集中所有标注的边框进行尺度的聚类处理，再对视频数据采用Mosaic数据增强方法进行预处理，然后利用训练好的分类模型进行识别，对漂浮物进行实时检测。本发明专利技术例的训练及检测网络采用YOLOv4网络结构，其特征图的上采样方式采用双线性插值算法，在保证模型准确性的同时，降低了计算量，提升了设备的计算速度。该方法准确率高，检测速度快，具有很高的应用价值。

【技术实现步骤摘要】
一种基于改进YOLOv4的河道废弃物监测方法
本专利技术涉及计算机视觉
，具体地说，涉及一种基于改进YOLOv4的河道漂浮物监测方法。
技术介绍
河道中的漂浮物对于河道的美观、河道的水质以及环境的评估有着重要的影响。现今河道漂浮物往往靠人工到现场或借助视频发现，需要化费大量的人工和时间，需要一种能自动监测河道废弃物的便捷可靠的办法。随着机器视觉技术的发展，使得基于机器视觉自动识别监测河道废弃物成为可能。现在已经有不少采用深度学习等技术进行目标检测的方法，如公布号为CN111709381A的中国专利文献公开了一种基于YOLOv3-SPP的道路环境目标检测方法，该方法利用深度学习技术与图像处理技术，具有更好的抗噪性能和识别精度，为智能驾驶系统精准感知行车提供了可能。公布号为CN111553406A的中国专利文献公开了一种基于改进YOLO-V3的目标检测系统、方法及终端，该系统网络模型较小，加快目标检测速度，增强了网络特征融合效果，实现了更好的检测结果。公布号为CN111709489A的中国专利文献公开了一种基于改进YOLOv4的柑橘识本文档来自技高网...

【技术保护点】
1.一种基于改进YOLOv4的河道漂浮物监测方法，其特征在于，在网络训练过程包括以下步骤：/n1)获取河道水面监测的原始视频数据，从原始视频数据中提取出图像数据；/n2)对数据集中所有标注的边框进行尺度的聚类处理；/n3)视频数据采用Mosaic数据增强方法进行预处理；/n4)将一个batch图像数据输入网络中进行前向传播得到检测结果；/n5)对检测结果与标注值计算loss；/n6)根据loss值反向传播，并根据学习率进行权重的更新；/n7)重复4)、5)、6)步骤直到网络loss不断下降，趋于收敛。/n在检测过程包括以下步骤：/n8)将待检测图像作为输入，经过backbone提取图片特征；/...

【技术特征摘要】
1.一种基于改进YOLOv4的河道漂浮物监测方法，其特征在于，在网络训练过程包括以下步骤：
1)获取河道水面监测的原始视频数据，从原始视频数据中提取出图像数据；
2)对数据集中所有标注的边框进行尺度的聚类处理；
3)视频数据采用Mosaic数据增强方法进行预处理；
4)将一个batch图像数据输入网络中进行前向传播得到检测结果；
5)对检测结果与标注值计算loss；
6)根据loss值反向传播，并根据学习率进行权重的更新；
7)重复4)、5)、6)步骤直到网络loss不断下降，趋于收敛。
在检测过程包括以下步骤：
8)将待检测图像作为输入，经过backbone提取图片特征；
9)提取backbone网络中不同深度的特征图；
10)将提取的多个尺度的特征图作为FPN结构的输入进行特征融合，其中特征图上采样方式为双线性插值算法；
11)将FPN融合后的多尺度特征图输入到PAN结构中进行强特征定位，得到三个不同尺度的特征图检测结果；
12)将所有特征图检测结果进行nms处理后生成最终结果并在原始输入图像中标注出检测框和检测类别；
13)提取下一帧待检测的图片，重复步骤8)到步骤12)完成对视频的逐帧检测。


2.根据权利要求1所述的一种基于改进YOLOv4的河道漂浮物监测方法，其特征在于，步骤2)中所述的对数据集中所有标注的边框进行尺度的聚类处理:采用K-Means聚类算法获取9类不同尺度的先验框，其流程为：
2-1)首先在所有标注的GroundTruth样本点中随机选择9个作为聚类的中心(每个样本是一个四维的向量)；
2-2)分别计算其余所有样本点到这9个中心的距离，各样本点归属于与其距离最近的中心点；
2-3)在新划分的簇中以四个维度上求均值的方式选出新的聚类中心；
2-4)重复步骤2-2)、2-3)直到新聚类中心与原来聚类中心不再变化，或者变动幅度在规定范围之内。
距离公式采用欧式距离公式：



这里，X,Y为两个样本点，xi，yi分别为两个样本点每一个维度的坐标值。聚类结果按照面积...

【专利技术属性】
技术研发人员：林峰，侯添，朱志冠，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33