一种基于改进卷积神经网络的水面漂浮垃圾识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283280A(43)申请公布日2022.04.05(21)申请号202111469099.6G06N3/08(2006.01)(22)申请日2021.12.03(71)申请人常州大学地址213164江苏省常州市武进区滆湖中路21号(72)发明人李宁徐守坤黄河石林庄丽华袁宝华顾玉宛刘毅张铤波李治邦(74)专利代理机构常州市英诺创信专利代理事务所(普通合伙)32258代理人杨闯(51)Int.Cl.G06V10/25(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书1页说明书6页附图3页(54)发明名称一种基于改进卷积神经网络的水面漂浮垃圾识别方法(57)摘要本发明涉及图像识别技术领域，尤其涉及一种基于改进卷积神经网络的水面漂浮垃圾识别方法，包括S1、对水面漂浮垃圾图像数据集进行扩充；S2、将ResNet50作为特征提取网络层，采用金字塔式锚框生成锚框，经Soft‑NMS筛选出疑似垃圾的多个目标候选框，ROIPooling基于候选框映射的分类判别图来对目标进行分类和回归；S3、对改进后FasterRCNN网络进行模型训练；S4、对测试集进行测试。本发明在原始FasterRCNN上提出金字塔式锚框生成方式提升光照反射不均时检测准确率；针对目标尺寸占比太小，提出分类判别图提升小目标检测准确率，并采取Soft‑NMS，提升遮挡目标检测准确率。CN114283280ACN114283280A权利要求书1/1页1.一种基于改进卷积神经网络的水面漂浮垃圾识别方法，其特征在于，包括以下步骤：S1、对水面漂浮垃圾图像数据集进行扩充，将数据集划分为训练集和验证集和测试集；S2、水面漂浮垃圾图像经由ResNet50特征层提取后，生成语义信息特征图，经过RPN网络采用金字塔式锚框生成方式产生锚框，再经过Soft‑NMS算法筛选出疑似水面漂浮垃圾的多个目标候选框，然后基于RPN网络提取出的候选框映射到对应的分类判别图，ROIPooling基于候选框映射的分类判别图来对目标进行分类和回归，得到改进FasterRCNN网络模型；S3、将水面漂浮垃圾图像数据的训练集和验证集送入改进FasterRCNN网络进行训练，保存训练好的结果模型；S4、用训练好的结果模型对测试集图片进行测试，从而得到测试结果，完成水面漂浮垃圾的检测。2.根据权利要求1所述的基于改进卷积神经网络的水面漂浮垃圾识别方法，其特征在于，所述金字塔式锚框生成方式包括：S21、利用标注框对每幅水面漂浮垃圾图像生成一个二值化标签图，其中，含有目标的标注框位置编码为1，其余编码为0；S22、将标注框坐标位置信息(xg,yg,wg,hg)映射到不同语义信息特征图尺度上，获得对应坐标位置信息(x'g,y'g,w'g,h'g)，其中，xg和x'g分别为标注框和标注框映射到语义信息特征图后的正中心横坐标，yg和y'g分别为标注框和标注框映射到语义信息特征图后的正中心纵坐标，wg和w'g分别为标注框和标注框映射到语义信息特征图后的宽度，hg和h'g分别为标注框和标注框映射到语义信息特征图后的高度；S23、将锚框和标注框进行对照，根据锚框和标注框的IoU进行预测水面漂浮垃圾的形状。3.根据权利要求2所述的基于改进卷积神经网络的水面漂浮垃圾识别方法，其特征在于：所述标注框分为内部区域CA＝(x'g,y'g,σ1w'g,σ1h'g)、缓冲区域IA＝(x'g,y'g,σ2w'g,σ2h'g)和外部区域OA；其中，σ1和σ2分别为内部区域和缓冲区域面积的系数。4.根据权利要求2所述的基于改进卷积神经网络的水面漂浮垃圾识别方法，其特征在于：所述锚框分为三个等级，等级一、32×32,64×64,128×128、等级二、64×64,128×128,256×256和等级三、128×128,256×256,512×512，三个等级锚框纵横比分别为1:1，1:2，2:1，公式表达如下：其中，l为锚框生成等级。5.根据权利要求1所述的基于改进卷积神经网络的水面漂浮垃圾识别方法，其特征在于，所述分类判别图实现包括：S241、ResNet50网络特征层第五层上采样和第四层特征图融合后传入ROIPooling，经过RPN处理后生成的建议框同比例扩大后映射到融合后的特征图上，形成分类判别图；S242、ROIPooling在分类判别图基础上，经过最大池化，然后分类和回归操作。2CN114283280A说明书1/6页一种基于改进卷积神经网络的水面漂浮垃圾识别方法技术领域[0001]本发明涉及图像识别技术领域，尤其涉及一种基于改进卷积神经网络的水面漂浮垃圾识别方法。背景技术[0002]水面漂浮垃圾清理现今主要采用人工打捞