System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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带垃圾富集区的垃圾识别方法及系统。
技术介绍
1、海岸带垃圾是指海岸环境中具持久性的、人造的或经加工的固体废弃物。海岸带中的垃圾数量正在急剧增加,由于其对沿海系统、海洋生物和人类健康的重大潜在影响,已成为全球主要关注的问题。海岸带垃圾的增加还会影响海滩城市旅游业,严重损害了城市形象,导致旅游收入的下降。因此,对海岸带垃圾进行监测是很有必要的。海岸带垃圾来源复杂,大致可以分为三种,海岸带周围人员的直接丢弃沉积、通过雨水渠和沿海径流从周边地区输送以及受风,海浪和潮汐等因素影响海洋系统向海岸输送 。目前,通过无人机航拍图像监测成为海岸带垃圾监测领域的常用方法,但对航拍图像的处理仍然需要标准化的自动化方法来降低监测成本。
2、传统的自动处理图像的方法有图像处理阈值法和随机森林(rf)法,通过对图像进行处理和特征提取,然后采用分类算法来确定目标的存在与否。但阈值法通常依赖于选定的阈值,而这个阈值的选择会对结果产生较大影响,对于复杂的图像场景,阈值法也无法很好地处理具有多个光照条件、复杂纹理或变化较大的图像。而随机森林对于大规模数据集,训练和推理的计算资源需求较高,这使得在很多场景下难以应用。而现有技术中使用swintransformer作为backbone层的mask2former,只在窗口内部进行自注意力操作,降低了计算复杂度。然而,swin transformer 添加的窗口大小固定有局限性,导致感受野有限,在特征提取过程中它不能很好地适应不同尺度的目标。
3、
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带垃圾富集区的垃圾识别方法及系统,能够适应不同尺度的目标进行特征提取,避免浪费计算量和过拟合现象的出现,提高网络模型的感受野和分割精度,从而提高垃圾识别精度。
2、本专利技术提供了基于深度学习的海岸带垃圾富集区的垃圾识别方法,包括如下步骤:
3、s1、获取海岸带垃圾富集区的原始图像;
4、s2、对原始图像进行预处理,并将预处理后的原始图像分为n个尺度不同的数据集;
5、s3、以mask2former网络模型为基础,将改进swin transformer层作为mask2former网络模型的骨干层,建立改进mask2former网络模型;其中,改进swintransformer层包括m种尺度不同的特征提取窗口,且m=n;
6、s4、利用n个尺度不同的数据集对改进mask2former网络模型进行训练,得到训练好的改进mask2former网络模型;
7、s5、将待测图像输入训练好的改进mask2former网络模型进行垃圾识别。
8、进一步的,s2,对原始图像进行预处理,并将预处理后的原始图像分为n个尺度不同的数据集,并将每个尺度的数据集都分为训练集和验证集包括:
9、s21、对原始图像进行图像切割处理,并对图像切割后的原始图像进行标注处理,标注图像切割后的原始图像相应的真实标签,将图像切割后的原始图像和相应的真实标签作为一组数据组;
10、s22、根据真实标签的类别将数据组分为n个尺度不同的数据集。
11、进一步的,s22,根据真实标签的类别将数据组分为n个尺度不同的数据集,真实标签的类别包括:海洋、沙滩、垃圾、植被、生物和背景。
12、进一步的,s22,根据真实标签的类别将数据组分为n个尺度不同的数据集包括:
13、其中,n为3;
14、将真实标签的类别为生物的数据组作为第一数据集;
15、将真实标签的类别为垃圾和植被的数据组作为第二数据集;
16、将真实标签的类别为海洋和沙滩的数据组作为第三数据集。
17、进一步的,在s22之后,还包括:
18、s23、分别将n个尺度的数据集中的数据按照预设比例分为训练集和验证集。
19、进一步的,s3,以mask2former网络模型为基础,将改进swin transformer层作为mask2former网络模型的骨干层,建立改进mask2former网络模型中,改进swintransformer层包括m种尺度不同的特征提取窗口,m种尺度不同的特征提取窗口包括:
20、将尺度在第一尺度范围内的特征提取窗口作为第一窗口;
21、将尺度在第二尺度范围内的特征提取窗口作为第二窗口;
22、将尺度在第三尺度范围内的特征提取窗口作为第三窗口。
23、进一步的,s4,利用n个尺度不同的数据集对改进mask2former网络模型进行训练,得到训练好的改进mask2former网络模型包括:
24、s41、将训练集中的数据组输入改进mask2former网络模型进行训练;s41具体包括:
25、s411、通过第一数据集中的训练集中的数据组对改进mask2former网络模型中的第一窗口进行训练;
26、s412、通过第二数据集中的训练集中的数据组对改进mask2former网络模型中的第二窗口进行训练;
27、s413、通过第三数据集中的训练集中的数据组对改进mask2former网络模型中的第三窗口进行训练;
28、s42、将改进mask2former网络模型的输出数据组与相应的数据集中的验证集中的数据组进行比较,计算误差值是否小于预设值;
29、s43、若误差值小于预设值,则改进mask2former网络模型训练完成,得到训练好的改进mask2former网络模型;若误差值不小于预设值,则继续对改进mask2former网络模型进行训练。
30、本专利技术还提供了基于深度学习的海岸带垃圾富集区的垃圾识别系统,用于执行上述任一项所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,系统包括:
31、图像采集模块,用于获取海岸带垃圾富集区的原始图像;
32、图像处理模块,用于对原始图像进行预处理,并将预处理后的原始图像分为n个尺度不同的数据集;
33、网络模型建立模块,用于以mask2former网络模型为基础,将改进swintransformer层作为mask2former网络模型的骨干层,建立改进mask2former网络模型;其中,改进swin transformer层包括m种尺度不同的特征提取窗口,且m=n;以及利用n个尺度不同的数据集对改进mask2former网络模型进行训练,得到训练好的改进mask2former网络模型;
34、图像识别模块,用于将待测图像输入训练好的改进mask2former网络模型进行垃圾识别。
本文档来自技高网...【技术保护点】
1.基于深度学习的海岸带垃圾富集区的垃圾识别方法,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带垃圾富集区的垃圾识别方法,其特征在于,所述S2,对所述原始图像进行预处理,并将预处理后的原始图像分为N个尺度不同的数据集,并将每个尺度的数据集都分为训练集和验证集包括:
3.根据权利要求2所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述S22,根据所述真实标签的类别将数据组分为N个尺度不同的数据集,所述真实标签的类别包括:海洋、沙滩、垃圾、植被、生物和背景。
4.根据权利要求3所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述S22,根据所述真实标签的类别将数据组分为N个尺度不同的数据集包括:
5.根据权利要求4所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,在所述S22之后,还包括:
6.根据权利要求5所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述S3,以Mask2Former网络模型为基础,将改进Swin Transfor
7.根据权利要求6所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述S4,利用所述N个尺度不同的数据集对所述改进Mask2Former网络模型进行训练,得到训练好的改进Mask2Former网络模型包括:
8.基于深度学习的海岸带垃圾富集区的垃圾识别系统,用于执行上述权利要求1-7任一项所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,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带垃圾富集区的垃圾识别方法,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带垃圾富集区的垃圾识别方法,其特征在于,所述s2,对所述原始图像进行预处理,并将预处理后的原始图像分为n个尺度不同的数据集,并将每个尺度的数据集都分为训练集和验证集包括:
3.根据权利要求2所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述s22,根据所述真实标签的类别将数据组分为n个尺度不同的数据集,所述真实标签的类别包括:海洋、沙滩、垃圾、植被、生物和背景。
4.根据权利要求3所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,所述s22,根据所述真实标签的类别将数据组分为n个尺度不同的数据集包括:
5.根据权利要求4所述的基于深度学习的海岸带垃圾富集区的垃圾识别方法,其特征在于,在所述s22...
【专利技术属性】
技术研发人员:于迅,彭士涛,胡健波,何建斐,
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。