[发明专利]一种河道漂浮物检测方法

说明书

本发明公开了一种河道漂浮物检测方法，通过框选出监控摄像头实时视频中河道需要检测漂浮的像素区域进行图像处理，再将图片通过分类神经网络进行水波和疑似漂浮物的分类，并使用特征提取神经网络获取该图片的特征值向量；通过Deepsort目标跟踪器对每一个疑似漂浮物进行跟踪，当跟踪目标在画面中移动时，则认定该目标为漂浮物；能够及时发现河道中的漂浮物为下一步的打捞工作做出判断，有效避免了在无漂浮物的河道投入巡查人员，降低劳动成本，提高打捞效率。

技术领域

本发明属于河道水质监测领域，主要涉及一种河道漂浮物检测方法。

背景技术

河流环境一直是国家环境治理的重中之重，河道中的垃圾漂浮物严重影响生态环境，垃圾漂浮物在河流漂浮，对沿途的生态环境造成污染，同时由于河道较长，漂浮的随机性较大，不易及时发现，甚至有些河段无漂浮物却也投入了大量人力进行河道巡查，导致人力资源的浪费，增加了人力劳动成本，造成打捞预判难度大，打捞成本高，直接导致打捞效率低下。

发明内容

本发明的内容在于针对现有河道较长，漂浮的随机性较大，不易及时发现，导致打捞难度大，打捞效率低下的问题，提供了一种河道漂浮物检测方法，利用河道旁安装的监控摄像头实时录像的视频数据，通过图像处理、深度学习、目标追中的相关技术检测出河道中的漂浮物。

一种河道漂浮物检测方法，包括以下步骤：

S1框选出监控摄像头实时视频中河道需要检测漂浮的像素区域；

S2选取框选区域前1秒钟的画面采用均值滤波进行处理并获得均值图片；

S3将当前框选区域中的画面进行高斯滤波并获得滤波图，再对其进行灰度处理获得当前图片灰度图；

S4将通过S2获得的均值图片进行灰度处理，获得均值图片的灰度图；

S5获取当前图片与均值图片的差值图片；

S6将差值图片进行二值化处理，获得二值化图片；

S7对二值化图片进行图像腐蚀及膨胀操作过滤干扰；

S8通过边缘提取，得到目标的像素位置，获取原始画面的疑似漂浮物图片；

S9建设分类神经网络和提取图片特征网络；

S10将图片通过分类神经网络进行水波和疑似漂浮物的分类，并使用特征提取神经网络获取该图片的特征值向量；

S11获取疑似漂浮物的特征值向量以及图片像素位置后，通过Deepsort目标跟踪器对每一个疑似漂浮物进行跟踪，当跟踪目标在画面中移动时，则认定该目标为漂浮物。

步骤S5进一步包括：获取当前图片的滤波图与均值图片的灰度图在相投像素位上的差值，并将差值进行绝对值处理，获得差值图片。

步骤S7进一步包括：对二值化图片进行图像腐蚀操作后再进行膨胀操作，进一步过滤较小的漂浮物以及其他像素干扰。

所述图像腐蚀操作中腐蚀窗口大小决定了需要识别漂浮物的大小，根据实际需求调整腐蚀窗口大小参数值。

步骤S9进一步包括：分类神经网络使用人工标注两个类别的图片数据进行神经网络训练；提取图片特征网络使用人工标注1000个漂浮物且每个漂浮物有多张图片进行训练，训练完成后提取神经网络倒数第二个卷积层的输出数据，在每个通道上获得平均值作为图片的特征向量。

所述提取图片特征网络以及分类神经网均采用Darknet Reference神经网络。

步骤S11进一步包括：移动的判断方式一为通过设置触发线的方式进行判断；

移动的判断方式二为由目标初始位置与当前位置的像素距离超过某一阈值时认定为移动。

本发明的有益效果：本发明通过图像处理，结合深度学习、目标追中相关技术检测确定河道中的漂浮物，能够及时发现河道中的漂浮物为下一步的打捞工作做出判断，有效避免了在无漂浮物的河道投入巡查人员，降低劳动成本，提高打捞效率。