[发明专利]一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统

说明书

本发明公开了一种基于改进YOLOv3识别模型的水面漂浮物检测与识别方法，涉及计算机视觉技术领域，包括以下步骤：预先采集水面漂流物数据，采用几何变换和色彩变换对图像数据进行增强扩增，并对数据中的漂流物进行标注，得到水面漂流物数据集，并拆分成训练集和测试集；构建改进的YOLOv3网络模型，并采用水面漂流物训练集对改进的YOLOv3网络模型进行训练；根据水面漂流物数据图像构建水面漂流物测试集，并用训练好的改进的YOLOv3网络模型对水面漂流物测试集进行检测与识别。本发明改进的YOLOv3有较强的泛化能力，占用存储空间和显存空间小，提高了检测识别准确率，而且还能保证实时性，能够在算力以及内存有限的客户端设备中实现精确和快速的水面漂流物的监测与识别。

技术领域

本发明属于计算机视觉技术领域，涉及一种基于YOLOv3改进的水面漂流物检测与识别方法及系统。

背景技术

近年来，我国城镇化、工业化的速度越来越快，经济迅猛发展的同时水环境污染问题也不容乐观。江河湖泊均存在大量漂浮物，不仅破坏了自然生态景观，也严重威胁着人类的生命健康和经济的可持续发展，因此，如何有效地监测河湖漂浮物的研究具有重要的现实意义。

现有的基于视频图像的水面漂浮物检测技术主要针对遥感影像，通过提取遥感影像的光谱特征、空间特征、纹理特征，分析检测是否存在漂浮物。由于遥感影像视野通常较远，所以难以检测城市河道中较小面积的漂浮物，同时由于生成遥感影像对成像设备有要求，采集大量存在漂浮物的遥感图像数据集具有一定难度，不利于在现实应用中推广。而传统的图像分割技术由于水面存在倒影，光照变化等因素分割效果很不理想，大量的水面倒影无法正确分割。

深度学习目标检测技术使用卷积神经网络进行特征提取，通过训练学习，实现了更加强大的适应能力和泛化能力。YOLOv3目前目标检测领域主流的算法，但是其体积庞大，无法在算力有限的设备(例如：自动打捞船以及其他巡河设备等)中嵌入从而达到实时检测的要求。由于目前并没有水面漂流物检测领域公开的专业数据集，导致模型存在样本类别不平衡的问题。YOLOv3牺牲了一定的检测速度来提高检测精度，但是对于小目标的水面漂浮物的检测来说，依旧有一定的难度。

发明内容

为了解决现有技术存在的不足，本发明的目的是提出一种基于改进YOLOv3识别模型的水面漂浮物检测与识别方法，在保持并提高YOLOv3算法在水面漂浮物检测识别上的性能，同时对检测算法模型的体积进行了精简。

本发明的技术方案是这样实现的：

步骤一、预先获取用于水面漂流物训练的数据集，采用几何变换和色彩变换对图像数据进行了增强与扩增，并对数据集的漂流物进行标注，得到水面漂流物数据集，并拆分成训练集和测试集；

步骤二、构建改进的YOLOv3网络模型；

步骤三、使用步骤一中获得的水面漂流物训练集对步骤二构建得到的改进的YOLOv3网络模型进行训练；

步骤四、使用步骤一中获得的根据水面漂流物的数据图像拆分出的水面漂流物测试集，并用步骤三训练好的改进的YOLOv3网络模型对水面漂流物测试集进行检测与识别。

本发明数据集为人工现场收集，需要处理为YOLOv3使用的PASCAL VOC数据集格式。

进一步地，步骤一分为以下两个步骤：

1.1、人工现场获取水面漂流物训练数据集，通过调节色相、对比度、饱和度和亮度来进行色彩变换，并对图像进行几何变换以及随机裁剪，然后通过随机选择图片进行拼接从而生成新的图像；所述几何变换指的是缩放、平移、旋转；

1.2、采用Labelme对数据进行人工标注，并将数据集标签格式转换为PASCAL VOC数据集格式，采用8:2～9:1的比例划分训练数据集和测试数据集。

进一步地，步骤二中，构建改进的YOLOv3网络模型具体包括以下步骤：