一种基于高分辨率表征的水上垃圾检测方法技术

本发明专利技术涉及一种基于高分辨率表征的水上垃圾检测方法，将获取的包含水上垃圾的图像数据输入预先构建并训练好的检测网络中，输出水上垃圾检测结果；检测网络包括：高分辨率特征提取模块：将图像数据处理为高分辨率特征图，提取空间信息；语义特征提取模块：提取高分辨率特征图的语义信息；特征信息融合模块：用以融合高分辨率特征提取模块输出的空间信息和语义特征提取模块输出的语义信息，输出融合信息；多尺度检测模块：根据融合信息对多种尺度的物体进行检测，得到水上垃圾检测结果。与现有技术相比，本发明专利技术能够获得具有丰富的空间、语义信息的高分辨率特征图，结合多分支结构和多尺度检测，可以弥补现有水上垃圾检测方法的不足，提高检测性能。提高检测性能。提高检测性能。

【技术实现步骤摘要】
一种基于高分辨率表征的水上垃圾检测方法


[0001]本专利技术涉及计算机视觉领域目标检测
，尤其是涉及一种基于高分辨率表征的水上垃圾检测方法。

技术介绍

[0002]现有技术通过人工巡检、人工打捞方式对水上垃圾进行处理，但效率低下、成本高且危险性高。
[0003]随着人工智能的崛起，通过基于深度学习的目标检测算法识别水上垃圾，实现水上垃圾巡检的自动化和智能化，减少人力资源的耗费和经济上的花销。相比于陆上环境，水上领域方面现有数据集的数量和质量远远不够，同时水上环境具有多复杂性、低安全性和不稳定性等特点，水上垃圾的检测更加富有挑战性。
[0004]现有的目标检测算法大致分为两大类：基于区域推荐的两阶段方法和基于回归思想的单阶段方法，两阶段检测方法的代表算法有R
‑
CNN系列，该方法检测精度高，但计算量大，达不到实时检测。单阶段检测方法包括YOLO系列、SSD算法等，它直接将定位和分类任务一次性完成，实现端到端的检测，优点在于具有实时检测能力，但精度略低于两阶段检测算法。
[0005]虽然水上无人设备在不断改进，性能也逐渐提高，但在水上场景中的垃圾检测依旧存在很大的发展空间，有针对性的提高对水上垃圾检测是目前促进河道绿色发展的迫切需求。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高分辨率表征的水上垃圾检测方法，该方法能够获得具有丰富的空间、语义信息的高分辨率特征图，有着强大的表征能力，结合多分支结构和多尺度检测，可以弥补现有水上垃圾检测方法的不足，从而提高检测性能。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]本专利技术提供一种基于高分辨率表征的水上垃圾检测方法，将获取的包含水上垃圾的图像数据输入预先构建并训练好的检测网络中，输出水上垃圾检测结果；
[0009]所述检测网络包括：
[0010]高分辨率特征提取模块：用以将图像数据处理为高分辨率特征图，提取空间信息；
[0011]语义特征提取模块：用以提取高分辨率特征图的语义信息；
[0012]特征信息融合模块：用以融合高分辨率特征提取模块输出的空间信息和语义特征提取模块输出的语义信息，输出融合信息；
[0013]多尺度检测模块：用以根据融合信息对多种尺度的物体进行检测，得到水上垃圾检测结果。
[0014]优选地，所述高分辨率特征提取模块对图像数据的处理过程具体包括如下步骤：
[0015]S201：对图像数据进行下采样，得到初始特征映射P0；
[0016]S202：将初始特征映射P0在通道上等分，分别得到第一特征映射P1和第二特征映射P2，分别对第一特征映射P1和第二特征映射P2进行卷积，实现对局部上下文的提取；
[0017]S203：对第一特征映射P1和第二特征映射P2卷积后的结果进行通道相加，将通道相加后的结果通过BatchNorm归一化和ReLU函数，得到第三特征映射P3；
[0018]S204：将初始特征映射P0经过CBMA注意力机制处理后的结果，与第三特征映射P3跳跃连接，生成融合特征映射P4；
[0019]S205：将融合特征映射P4进行降采样和特征提取，生成最终的高分辨率特征图X1。
[0020]优选地，所述S203中，由第一特征图和第二特征图生成第三特征映射P3的表达式为：
[0021]F3×3(
·
)＝γ(B(C3×3(
·
)))
[0022]F1×1(
·
)＝γ(B(C1×1(
·
)))
[0023]P3＝γ(B(Cat[C3×3(P1)，C1×1(P2)]))
[0024]式中，C3×3(
·
)代表卷积核为3
×
3的卷积操作，C1×1(
·
)代表卷积核为1
×
1的卷积操作，B(
·
)代表Batch归一化，γ(
·
)代表ReLU函数。
[0025]优选地，所述S204中，生成融合特征映射P4的表达式为：
[0026]P4＝F1×1(M(P0)+P3)
[0027]式中，M(
·
)代表CBMA注意力机制。
[0028]优选地，所述S205中，通过卷积核为1*1的卷积，对将融合特征映射P4进行特征提取操作。
[0029]优选地，所述语义特征提取模块提取高分辨率特征图的语义信息的具体过程为：
[0030]对高分辨率特征图进行多次卷积操作，生成多个分辨率不同的特征图，对分辨率最低的特征图进行1*1卷积，生成第一融合特征图，对第一融合特征图进行多次反卷积操作，在每次反卷积操作后，将反卷积操作后的融合特征图和与当前融合特征图分辨率相等的特征图进行融合连接，最后一次反卷积操作输出的融合特征图为语义特征提取模块输出的最终融合特征图。
[0031]优选地，所述特征信息融合模块融合空间信息和语义信息的过程具体为：
[0032]通过CBMA机制对高分辨率特征图的可信区域进行特征加权，并和最终融合特征图进行像素级别融合，得到最终融合特征映射。
[0033]优选地，对在语义特征提取模块提取语义信息的过程中生成的多个融合特征图以及最终融合特征映射均进行卷积操作，通过与各融合特征图对应的检测头，分别对对应的融合特征图进行检测，得到最终水上检测结果。
[0034]优选地，通过对各融合特征图进行1*1卷积操作，得到对应的检测头。
[0035]优选地，在检测网络的训练阶段，通过数据增强策略扩充输入检测网络的图像数据，经过扩充的图像数据作为输入检测网络的训练集。
[0036]与现有技术相比，本专利技术具有以如下有益效果：
[0037]本专利技术提供的一种基于高分辨率表征的水上垃圾检测方法，通过获取并融合空间信息和语义信息，获取具有丰富的空间、语义信息的高分辨率特征图，有着强大的表征能力，结合多分支结构和多尺度检测，可以弥补现有水上垃圾检测方法的不足，从而提高检测
性能。
附图说明
[0038]图1为本实施例提供的一种基于高分辨率表征的水上垃圾检测方法的流程示意图。
[0039]图2为图1所示实施例的高分辨特征提取模块的网络结构示意图。
[0040]图3为图1所示实施例的语义特征提取模块、特征信息融合模块和多尺度检测模块的网络结构示意图。
具体实施方式
[0041]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0042]参考图1所示，本实施例提供一种基于高分辨率表征的水上垃圾检测方法，包括如下步骤：
[0043]S1：获取包含水上垃圾的图像数据，对图像进行预处理，划分训练集；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率表征的水上垃圾检测方法，其特征在于，将获取的包含水上垃圾的图像数据输入预先构建并训练好的检测网络中，输出水上垃圾检测结果；所述检测网络包括：高分辨率特征提取模块：用以将图像数据处理为高分辨率特征图，提取空间信息；语义特征提取模块：用以提取高分辨率特征图的语义信息；特征信息融合模块：用以融合高分辨率特征提取模块输出的空间信息和语义特征提取模块输出的语义信息，输出融合信息；多尺度检测模块：用以根据融合信息对多种尺度的物体进行检测，得到水上垃圾检测结果。2.根据权利要求1所述的一种基于高分辨率表征的水上垃圾检测方法，其特征在于，所述高分辨率特征提取模块对图像数据的处理过程具体包括如下步骤：S201：对图像数据进行下采样，得到初始特征映射P0；S202：将初始特征映射P0在通道上等分，分别得到第一特征映射P1和第二特征映射P2，分别对第一特征映射P1和第二特征映射P2进行卷积，实现对局部上下文的提取；S203：对第一特征映射P1和第二特征映射P2卷积后的结果进行通道相加，将通道相加后的结果通过BatchNorm归一化和ReLU函数，得到第三特征映射P3；S204：将初始特征映射P0经过CBMA注意力机制处理后的结果，与第三特征映射P3跳跃连接，生成融合特征映射P4；S205：将融合特征映射P4进行降采样和特征提取，生成最终的高分辨率特征图X1。3.根据权利要求2所述的一种基于高分辨率表征的水上垃圾检测方法，其特征在于，所述S203中，由第一特征图和第二特征图生成第三特征映射P3的表达式为：F3×3(
·
)＝γ(B(C3×3(
·
)))F1×1(
·
)＝γ(B(C1×1(
·
)))P3＝γ(B(Cat[C3×3(P1)，C1×1(P2)]))式中，C3×3(
·
)代表卷积核为3
×
3的卷积操作，C1×1(
·
)代表卷积核为1
×
1的卷积操作，B(

【专利技术属性】
技术研发人员：张卫东，陈丽，谢威，杨子恒，衣博文，贺通，陆锦辉，周慧泉，范振斌，
申请(专利权)人：海南大学，
类型：发明
国别省市：