【技术实现步骤摘要】
一种基于卷积神经网络的河流漂浮污染物识别方法
[0001]本专利技术涉及深度学习在图像分类领域的应用，具体说是一种基于卷积神经网络的河流漂浮污染物识别方法。
技术介绍
[0002]图像分类根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法是计算机视觉的实际应用种最重要的一个领域。
[0003]传统的河流漂浮污染物的识别主要是通过人工实地或监控观察的方法，这种方式效率不高且需要的人力巨大，加上我国的河流资源丰富，且目前环境监测技术应用较为薄弱、人数不足、监测任务繁重。单一的传统方法不能有效的解决河流的污染漂浮物识别问题。
[0004]深度学习技术的发展，使借助视觉技术识别水体污染具有了现实的可能性。通过摄像头拍摄水体图片，利用卷积神经网络检测出水体污染现象，发给报警器信号提示污染物的出现，可以降低人工成本和效率。因此，河流漂浮污染物图像识别的研究，具有理论意义和应用价值。
技术实现思路
[0005]为了提高漂浮污染物的识别效率，满足河流资源有效管理的需求，本专利技术提供...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，包括以下步骤：步骤1：控制摄像头采集原始河流日常的监控图像；对原始图像进行清洗预处理、分割预处理，定位目标河流区域；存储图像信息形成样本集；步骤2：对样本集图像进行标注获取目标河流区域图像的标签信息，并存储为数据集，再随机分成训练、测试样本集用于训练模型和检测；步骤3：建立用于河流漂浮污染物识别的神经网络结构；将标注的训练集中的图像数据输入神经网络提取目标特征，获得训练样本集对应的特征向量并进行类别分类，对神经网络模型的网络参数进行迭代训练，获得优化的河流漂浮污染物识别模型；步骤4：用测试集中的图像进行测试，当识别准确率高于预设时确定当前模型为最终识别模型；步骤5：通过现场摄像头实时采集现场河流图像，使用模型对待检测图片进行河流漂浮污染物识别，识别出是否包含漂浮污染物的结果并勾画漂浮污染物轮廓、显示地理坐标用于提示报警。2.根据权利要求1所述的一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，所述清洗预处理为删除由于干扰物遮挡、恶劣天气因素导致的异常图像；所述分割预处理为根据目标河流在摄像头视角下出现的大致区域对原始图像进行切割划分。3.根据权利要求1所述的一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，所述图像信息包括目标河流区域图像、地理位置信息和采集时间；所述标签信息为用于表征当前目标河流区域是否包含漂浮污染物；所述训练集train、测试集test包含图像数量的比例为4:1。4.根据权利要求1所述的一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，所述用于河流漂浮污染物识别的神经网络结构包括：卷积层
‑
>第一池化层
‑
>多个残差块
‑
>注意力机制块
‑
>第二池化层
‑
>全连接层。5.根据权利要求4所述的一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，所述类别分类采用二分类方法。6.根据权利要求4所述的一种基于卷积神经网络的河流漂浮污染物识别方法，其特征在于，所述的对神经网络模型的网络参数进行迭代训练，包括以下步骤：步骤1：将网络进行权值的初始化并将预处理后的图片对应的GRBS三通道的二维向量作为输入传入网络中；步骤2：输入数据经过用于河流漂浮污染物识别的神经网络结构的向前传播得到表征类别分类的输出值；步骤3：求出网络的输出值与目标值之间的误差；步骤4：当误差大于期望值时，将误差传回网络中依次求得各层误差，当误差等于或小于期望值时网络收敛，结束训练；步骤5：根据求得误差进行权值更新，返回步骤2。7.根据权利要求6所述的一种基于卷积神经网络的河流漂浮污染物识别方法...
【专利技术属性】
技术研发人员：王宁，周晓磊，宋一格，张楠，刘首正，武暕，宋春梅，金继鑫，
申请(专利权)人：中国科学院沈阳计算技术研究所有限公司，
类型：发明
国别省市：
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。