【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于深度学习的海岸线垃圾识别方法及系统。
技术介绍
1、近年来，海岸垃圾对沿海城市的环境污染日益严重，海岸垃圾即海洋垃圾搁浅在陆地上的部分。海岸垃圾由多种垃圾类型组成，其中塑料垃圾占据整体海岸垃圾数量的60%~80%。塑料具有持久性，不易完全降解，并且大部分塑料的密度低于海水，导致塑料容易随着风和潮汐反复地往返于海洋和海岸线环境中，塑料在这个过程中会被降解为塑料碎屑和微塑料。与大型塑料不同，小尺寸塑料经常会避开清理，因此可以在沿海环境中持续存在并积累多年。不断积累的塑料垃圾不仅对沿海生态环境和人类健康造成严重威胁，还极大地影响了沿海城市的形象和发展。因此，为了更好地探索塑料垃圾的生成机理和评估垃圾清理活动的效果，如何高效准确地监测和量化人工海岸线中的塑料垃圾成为了一项重要的研究。
2、目前，监测海岸线的塑料垃圾常用的方法是现场视觉普查法。该方法需要观察者在现场进行视觉普查评估，并根据人工收集垃圾的结果来评估海岸线环境中塑料垃圾的数量、组成和分布。尽管这种方法准确性较高，但效率较低且覆盖范围有限，需要大量的人力资源投入。且现有的网络模型进行垃圾识别时，无法区分颜色鲜艳的垃圾和游客，在无人机航拍图像中，人的特征被弱化，一些穿同色衣服裤子或蹲着的游客甚至无法观察到人的特征。所有这些因素导致在垃圾检测任务中出现严重的漏检和误检情况。
3、因此，亟需基于深度学习的海岸线垃圾识别方法，能够增强特征提取能力，且可以根据目标的不同尺度动态地调整感受野，更有效地处理不同尺度目标所需的背景信息
技术实现思路
1、为了解决上述技术问题，本专利技术提供了基于深度学习的海岸线垃圾识别方法及系统，能够增强特征提取能力，且可以根据目标的不同尺度动态地调整感受野，更有效地处理不同尺度目标所需的背景信息差异，提高网络模型的对不同尺度目标的检测精度，并减少漏检和误检的情况发生。
2、本专利技术提供了基于深度学习的海岸线垃圾识别方法，包括如下步骤：
3、s1、获取海岸线的原始图像；其中，原始图像中包括垃圾、游客和环境；
4、s2、对原始图像进行预处理，构建检测目标图像数据集；检测目标包括：垃圾和游客，垃圾包括第一尺寸范围垃圾和第二尺寸范围垃圾；其中，第二尺寸范围的下限大于第一尺寸范围的上限；
5、s3、利用检测目标图像数据集对yolov8n-il网络模型进行训练，得到最优权重文件以及训练好的yolov8n-il网络模型；其中，yolov8n-il网络模型以yolov8n网络模型为基础，yolov8n网络模型包括输入端、骨干网络、neck模块和检测头，yolov8n-il网络模型将骨干网络中后两个c2f模块替换为inceptionnext模块，并在检测头前嵌入lsk模块；其中，lsk模块包括普通卷积和膨胀卷积，普通卷积和膨胀卷积具有不同大小的感受野，用于获取不同范围的上下文信息；最优权重文件包括多组权重参数，每个检测目标的特征信息对应一组权重参数；
6、s4、将待测图像输入训练好的yolov8n-il网络模型进行海岸线垃圾识别；具体包括：
7、s41、将待测图像输入训练好的yolov8n-il网络模型的输入端；
8、s42、通过骨干网络对待测图像中的各检测目标进行特征提取；
9、s43、然后通过neck模块对各检测目标的特征进行特征融合，得到融合特征图像；
10、s44、lsk模块通过普通卷积和膨胀卷积分别对融合特征图像中的所有检测目标进行特征提取，选择相应的特征提取结果结合融合特征图像得到该融合特征图像的最终输出特征图像；
11、s45、检测头根据最终输出特征图像对各检测目标进行识别，得到该待测图像的识别结果。
12、进一步的，s3中，最优权重文件包括多组权重参数，每个检测目标的特征信息对应一组权重参数包括：
13、将检测目标为第一尺寸范围垃圾的特征信息对应的权重参数作为第一权重参数；
14、将检测目标为第二尺寸范围垃圾的特征信息对应的权重参数作为第二权重参数；
15、将检测目标为游客的特征信息对应的权重参数作为第三权重参数。
16、进一步的，s44，lsk模块通过普通卷积和膨胀卷积分别对融合特征图像中的所有检测目标进行特征提取，选择相应的特征提取结果结合融合特征图像得到该融合特征图像的最终输出特征图像包括：
17、s441、lsk模块通过普通卷积对融合特征图像中的所有检测目标进行特征提取，得到所有检测目标的第一特征图像；
18、s442、lsk模块通过膨胀卷积对融合特征图像中的所有检测目标进行特征提取，得到所有检测目标的第二特征图像；
19、s443、lsk模块根据检测目标的特征和最优权重文件选择第一特征图像或第二特征图像作为该检测目标的注意力特征；
20、s444、lsk模块根据融合特征图像和融合特征图像中的所有检测目标的注意力特征得到该融合特征图像的最终输出特征图像。
21、进一步的，s443，lsk模块根据检测目标的特征和最优权重文件选择第一特征图像或第二特征图像作为该检测目标的注意力特征包括：
22、s4431、lsk模块将第一特征图像与最优权重文件进行加权计算，根据检测目标的特征得到第一特征图像中所有检测目标的特征信息权重；
23、s4432、lsk模块将第二特征图像与最优权重文件进行加权计算，根据检测目标的特征得到第二特征图像中所有检测目标的特征信息权重；
24、s4433、确定第一特征图像中特征信息权重占比大于预设值的检测目标，选择第一特征图像作为该检测目标的注意力特征；其中，检测目标包括第一尺寸范围垃圾；
25、s4434、确定第二特征图像中特征信息权重占比大于预设值的检测目标，选择第二特征图像作为该检测目标的注意力特征；其中，检测目标包括第二尺寸范围垃圾和游客。
26、进一步的，s2，对原始图像进行预处理，构建检测目标图像数据集包括：
27、s21、对原始图像进行图像切割处理，得到包含检测目标的切割图像和不包含检测目标的环境图像；
28、s22、对切割图像进行标注处理，将包含检测目标的切割图像作为正样本进行标注，得到检测目标图像数据集；
29、s23、将检测目标图像数据集按照预设比例划分为训练集、验证集和测试集，并对训练集中的切割图像进行数据增强处理；
30、s24、将不包含检测目标的环境图像标注为负样本，并将负样本加入经过数据增强处理的训练集和验证集，得到最终的训练集和最终的验证集。
31、进一步的，s4，在将待测图像输入训练好的yolov8n-il网络模型进行海岸线垃圾识别之前，还包括：
32、将采集的图像输入sahi模块进行图像切割，得到若本文档来自技高网...
【技术保护点】
1.基于深度学习的海岸线垃圾识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S3中，所述最优权重文件包括多组权重参数，每个检测目标的特征信息对应一组权重参数包括：
3.根据权利要求2所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S44，所述LSK模块通过普通卷积和膨胀卷积分别对所述融合特征图像中的所有检测目标进行特征提取，选择相应的特征提取结果结合所述融合特征图像得到该融合特征图像的最终输出特征图像包括：
4.根据权利要求3所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S443，所述LSK模块根据所述检测目标的特征和所述最优权重文件选择第一特征图像或第二特征图像作为该检测目标的注意力特征包括：
5.根据权利要求1所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S2，对所述原始图像进行预处理，构建检测目标图像数据集包括：
6.根据权利要求1所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S4，在将待测图像输入训练好的YOLO
7.根据权利要求6所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S4，在将待测图像输入训练好的YOLOv8n-IL网络模型进行海岸线垃圾识别之后，还包括：
8.根据权利要求7所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S45之后，还包括：
9.根据权利要求8所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述S5，所述SAHI模块将每个待测图像的识别结果进行图像拼接，得到海岸线垃圾识别结果包括：
10.基于深度学习的海岸线垃圾识别系统，用于执行上述权利要求1-9任一项所述的基于深度学习的海岸线垃圾识别方法，其特征在于，系统包括：
...【技术特征摘要】
1.基于深度学习的海岸线垃圾识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述s3中，所述最优权重文件包括多组权重参数，每个检测目标的特征信息对应一组权重参数包括：
3.根据权利要求2所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述s44，所述lsk模块通过普通卷积和膨胀卷积分别对所述融合特征图像中的所有检测目标进行特征提取，选择相应的特征提取结果结合所述融合特征图像得到该融合特征图像的最终输出特征图像包括：
4.根据权利要求3所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述s443，所述lsk模块根据所述检测目标的特征和所述最优权重文件选择第一特征图像或第二特征图像作为该检测目标的注意力特征包括：
5.根据权利要求1所述的基于深度学习的海岸线垃圾识别方法，其特征在于，所述s2，对所述原始图像...
【专利技术属性】
技术研发人员：于迅，彭士涛，胡健波，赵浩栾，齐兆宇，肖令，邓孟涛，马国强，
申请(专利权)人：交通运输部天津水运工程科学研究所，
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。