[发明专利]一种基于Faster RCNN的自适应路面抛洒物智能检测方法

说明书

本发明公开了一种基于Faster RCNN的自适应路面抛洒物智能检测方法，涉及图像处理技术领域，包括以下步骤：步骤1、收集路面抛洒物图像，组成源样本集，并对源样本集进行预处理得到训练样本集；步骤2、利用训练样本集对Faster RCNN目标检测网络进行训练，得到初始路面抛洒物检测器；步骤3、在目标路段部署初始路面抛洒物检测器进行路面抛洒物的检测，并记录检测结果；步骤4、对检测结果进行聚类和人工干预再标注得到目标样本集，利用目标样本集对初始路面抛洒物检测器进行在线微调，提高在目标路段的准确率，得到目标路面抛洒物检测器。本发明对路面抛洒物识别的准确率和效率都比较高，能提高对未见路面场景和未见路面抛洒物的识别精度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于Faster RCNN的自适应路面抛洒物智能检测方法。

背景技术

近年来，我国政策的倾斜加之目前垃圾增量现状，催化了道路清洁行业的发展，使得垃圾处理市场进一步增容。一吨垃圾从前端收集、运输到后期处理的费用约为300-500元，由此推算出，我国生活垃圾的处理市场能达到1000亿/年，单单道路清扫一项，每年市场就能够达到500亿左右。同时，道路养护和清洁智能化也是智慧交通建设的一个重要组成部分，有助于开展路容、路貌建设，有效破解垃圾围城，促进垃圾分类收集，提升养护工作效能，也是社会发展的时代需要。路面抛洒物、垃圾的智能识别，可以辅助道路管理单位合理规划设计道路清洁管理模式，提升环卫清洁作业质量，有效降低道路清洁管理成本。

目前，基于计算机视觉的垃圾智能识别算法主要有两类：第一种是文献《改进CaffeNet模型在水面垃圾识别中的应用》中为提高水面垃圾识别的准确率，提出的一种改进CaffeNet的卷积神经网络模型。模型改进了卷积核的大小、卷积核的数量以及增加了一层稀疏结构，进而增强了网络模型特征提取的能力，降低了网络复杂度。该方法能减少水面波纹、物体倒影和桥梁等对水面垃圾识别的影响，具有较好的水面垃圾识别效果。但该方法鲁棒性欠佳，难以直接应用到路面等更加复杂的环境中；第二种文献《基于SSD算法的垃圾识别分类研究》中提出的基于SSD的垃圾识别检测算法，利用数据增强，提高模型的鲁棒性，可以达到对不同种类的垃圾进行快速和准确的识别，该方法的实时性较好，但对小目标的识别能力不足。

可以看到，针对小目标的检测，目前国内外常用的方法是，使用多尺度图像金字塔或将小目标上采样成大目标再进行检测。但这两种处理方法将严重影响算法的时间效率，从而使模型难以在算力较低的边缘计算设备上部署运行。

另一个问题是，待识别的目标通常须具有较统一且不变的视觉特征。路面上的环境复杂，而路面抛洒物是一个较模糊的且难以穷举的定义。它们往往具有类间差距小(如木屑和树叶的视觉特征接近)和类内差异大(不同大小和不同颜色的塑料袋差异大)的视觉特征。因此，现有的目标检测算法及其部署使用方式，将会带来漏检和误检的问题。

因此，本领域的技术人员致力于开发一种基于Faster RCNN的自适应路面抛洒物智能检测方法，克服现有技术的泛化能力不足的问题，针对不同的路面场景和新出现的路面抛洒物能自适应地调整并完成训练，逐步提高抛洒物识别的精确度。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是路面抛洒物较多且多为小目标时，无法同时兼顾识别准确率和时间效率，以及算法面对新的道路环境和未在训练数据中出现的抛洒物时的误检和漏检。

为实现上述目的，本发明提供了一种基于Faster RCNN的自适应路面抛洒物智能检测方法，所述方法包括以下步骤：

步骤1、收集路面抛洒物图像，组成源样本集，并对所述源样本集进行预处理得到训练样本集；

步骤2、利用所述训练样本集对Faster RCNN目标检测网络进行训练，得到初始路面抛洒物检测器；

步骤3、在目标路段部署所述初始路面抛洒物检测器进行路面抛洒物的检测，并记录检测结果；