[发明专利]一种基于SSD网络的水面漂浮物多相机实时检测方法

权利要求书

1.一种基于SSD网络的水面漂浮物多相机实时检测方法，其特征在于，包括以下步骤：

第一步：采集数据

运用多相机对河流水面进行全天候的录制获取视频资料，并将视频文件按照每帧为单位转换为图片，生成图片资料库A；利用相机实地对水面漂浮物图片进行拍摄采集，生成图片资料库B；通过百度搜集水面漂浮物图片，生成图片资料库C；最终得到用于训练SSD网络模型的数据集D，该数据集包含了图片资料库A、B和C；

第二步：数据降噪增强

利用数据降噪算法对数据集D进行降噪处理，提高水面漂浮物图像信息的精度；同时，利用数据增强算法对数据集D进行数据增强，对数据进行扩充生成数据集E，其中数据集E不包括数据集D，再将第一步得到的数据集D和生成的数据集E合并构成数据集F；通过扩增训练数据集的规模，能够有效避免由于水面漂浮物数据过少所造成的过拟合问题，提高水面漂浮物识别性能和泛化能力；

第三步：图像目标标注，对漂浮物数据集标注

为了保证标注工作的效率，针对漂浮物分布的特点确定区域标注的标注标准：①选择边界框的形式，对有明显漂浮物聚集的区域进行标注，边界框尽可能贴近聚集区范围；②选择大范围目标物进行标注，对多个分散小目标不进行单独标注；

通过人工标注的形式，利用Labelimg工具对数据集F的水面漂浮物采用上述标注标准进行边界框标注，通过矩形区域表示漂浮物的坐标位置、范围和种类；具体包括：矩形框的中心点坐标、矩形框的长度和宽度、矩形框的类别；通过Labelimg工具对数据集F标注后形成数据集M；

第四步：训练SSD网络获取最优权重模型，预训练模型采用迁移学习进行模型训练

将水面漂浮物数据集M按照6:2:2的比例随机分成3个部分：训练集、验证集和测试集；其中训练集用于模型拟合的数据样本；验证集用于调整模型的超参数和用于对模型的能力进行初步评估；测试集用来评估模最终模型的泛化能力；

模型训练主要包括以下步骤：

(1)模型训练：训练集主要作为SSD网络的初始训练数据；

将训练集作为SSD网络的初始数据，训练时使用SSD在PASCAL VOC数据集上的预先训练好的VGG16模型网络权重作为初始化，网络训练时采用随机梯度下降Adam算法进行优化，得到多个权重模型；

(2)模型超参数调整：验证集主要用于网络模型超参数的调整；

①在步骤(1)中得到多个权重模型的基础上，将验证集输入到多个权重模型中，各个权重模型通过验证集数据可以得到预测准确率，预测准确率是预测框与真实框的比值，获取预测准确率最高的权重模型；②选出预测准确率最高的权重模型对应的超参数，采用超参数通过反向传播方式训练生成最优权重模型；

(3)模型泛化能力评估：测试集用来评估最终模型的泛化能力；

在步骤(1)和步骤(2)得到最优网络权重模型之后，将测试集输入到最优权重模型中，评估最优权重模型的性能和分类能力，性能指标包括准确率、召回率、平均精确度、每秒帧率，将获得最优网络权重模型用于检测水面漂浮物的视频目标检测；

第五步：将SSD网络模型应用于多相机水面漂浮物视频目标实时检测

将多相机视频设备与计算机连接起来，将第四步步骤(3)中得到的最优网络权重模型集成到计算机平台中对监控的水面视频进行检测，实时检测待测水面上是否有漂浮物，将视频画面中的水面漂浮物用矩形框标出并在计算机上显示，并输出被检测漂浮物的位置信息、范围和种类。

2.根据权利要求1所述的一种基于SSD网络的水面漂浮物多相机实时检测方法，其特征在于，所述的数据增强算法包括随机旋转、反转、裁剪、缩放、平移、高斯噪声、模糊处理、颜色变换、擦除和填充10种。