基于持续学习的水面漂浮物监测方法与系统技术方案

本发明专利技术公开了一种基于持续学习的水面漂浮物监测方法。包括：利用漂浮物图像与目标边界框和分类类别构造训练集；利用训练数据集的一个子集训练得到教师模型T；设定学生模型S的输出通道参数为新目标类别数；设计网络知识蒸馏采样策略，利用所述网络知识蒸馏采样策略，计算总损失函数更新学生模型和教师模型，教师模型为漂浮物监测模型；输入待处理水面漂浮物视频到模型中，得到监测结果。本发明专利技术还公开了一种基于持续学习的水面漂浮物监测系统。本发明专利技术通过边缘服务器实现数据采集和分析处理，提高监测的效率，基于持续学习的方式，利用知识蒸馏和采样策略，弥补现有深度神经网络的灾难性遗忘问题，减低水面漂浮物的漏检率，提高了监测的准确度。监测的准确度。监测的准确度。

【技术实现步骤摘要】
基于持续学习的水面漂浮物监测方法与系统


[0001]本专利技术涉及计算机视觉、图像处理领域，具体涉及一种基于持续学习的水面漂浮物监测的方法与系统。

技术介绍

[0002]近年来，水面漂浮物监测的技术由传统图像处理算法发展到深度神经网络学习算法，传统的图像处理算法，其受光照和环境的影响，前后背景难以分离，使得目标监测漏检率大；神经网络算法的泛化性能更好，使得目标监测的准确率大大提高。然而，神经网络具有灾难性遗忘问题，使得训练后的模型无法很好地拟合新的数据分布，这就需要神经网络具有持续学习的能力。
[0003]目前的现有技术之一，一种基于深度学习的水面漂浮物目标监测评估方法，制作小型的水面漂浮物数据集，该数据集主要包括漂浮水草和漂浮落叶。通过将预训练模型在水面漂浮物数据集上进行迁移学习，实现了对于水面漂浮物区域的目标监测。该技术的缺点是数据集种类有限，在数据量不足的小型数据集上，利用现有的目标监测模型进行迁移学习，模型容易产生灾难性遗忘问题，导致在新的场景下无法识别新的漂浮物类别。
[0004]目前的现有技术之二，一种基于改进Fas本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于持续学习的水面漂浮物监测方法，其特征在于，所述方法包括：从监测视频中获取漂浮物图像，并标定漂浮物图像对应的目标边界框和分类类别，得到漂浮物训练数据集，将数据集划分新旧目标类别，利用旧目标类别训练Faster R
‑
CNN模型从而构建教师模型T；以所述教师模型T的参数初始化学生模型S，之后在新目标类别上训练学生模型S，并设定学生模型S的输出通道参数为新目标类别数；网络知识蒸馏采样策略设计，蒸馏区域候选网络RPN子网络和选择ROI锚点，再用R
‑
CNN子网络蒸馏，以保留对旧目标类别的监测性能；利用所述网络知识蒸馏采样策略，分别对学生模型S和教师模型T的RPN和R
‑
CNN子网络计算蒸馏损失和监督损失，以监测新的漂浮物类别，之后计算总损失以训练教师模型T和学生模型S，得到更新后的教师模型T，即为漂浮物监测模型；运用边缘服务器采集水面漂浮物视频，使用所述漂浮物监测模型得到输出结果，对水面漂浮物进行实时监测。2.如权利要求1所述的基于持续学习的水面漂浮物监测方法，其特征在于，所述对漂浮物图像进行预处理，并标定漂浮物图像对应的目标边界框和分类类别，得到漂浮物训练数据集，将数据集划分新旧目标类别，利用旧目标类别训练Faster R
‑
CNN模型从而构建教师模型T，具体为：从输入的监测视频中获取各类水面漂浮物图像，使用数据标注工具进行标注目标边界框和分类类别，构造训练数据集，训练数据集包括原始视频帧和目标标注文件；选择训练数据集中一个子集类别作为旧目标类别C
old
，利用旧目标类别C
old
训练Faster R
‑
CNN模型从而构建，该模型即为教师模型T。3.如权利要求2所述的基于持续学习的水面漂浮物监测方法，其特征在于，所述以所述教师模型T的参数初始化学生模型S，之后在新目标类别上训练学生模型S，并设定学生模型S的输出通道参数为新目标类别数，具体为：使用教师模型T的输出参数作为学生模型S的初始化值，在新目标类别C
new
上训练学生模型S；分别增加区域卷积神经网络R
‑
CNN的分类和回归数目至|C
new
|和4
×
|C
new
|，直接扩展网络的输出通道，以随机初始化新增加通道所示的权重矩阵W
|Cnew|
。4.如权利要求1所述的基于持续学习的水面漂浮物监测方法，其特征在于，所述网络知识蒸馏采样策略设计，蒸馏区域候选网络RPN子网络和选择ROI锚点，再用R
‑
CNN子网络蒸馏，以保留对旧目标类别的监测性能，具体为：定义教师模型T得分概率大于0.5的输出边界框为“伪正例框”，定义学生模型S的输出边界框大于0.5的为“伪正例锚”和“伪正例ROI”，为防止旧目标类别被视为背景，排除“伪正例锚”被选为反例锚点，排除“伪正例ROI”被选中为反例ROI；在采样过滤候选框之后，从教师模型T中目标得分前512个锚点中选出256个候选锚点，来蒸馏RPN子网络，通过从背景得分最低的256个RoI中选取128个候选RoI，来蒸馏R
‑
CNN子网络。5.如权利要求1所述的基于持续学习的水面漂浮物监测方法，其特征在于，所述利用所述网络知识蒸馏采样策略，分别对学生模型S和教师模型T的RPN和R
‑
CNN子网络计算蒸馏损
失和监督损失，以监测新的漂浮物类别，之后计算总损失以训练教师模型T和学生模型S，得到更新后的教师模型T，即为漂浮物监测模型，具体为：RPN的监督损失：分类损失是两个通道(如背景
‑
目标对象)的二进制交叉熵损失，回归损失是一个平滑L1损失，为了...

【专利技术属性】
技术研发人员：全绍军，林格，陈小燕，
申请(专利权)人：长视科技股份有限公司，
类型：发明
国别省市：