[发明专利]一种基于视觉的水面油污检测方法

说明书

本说明书实施例公开了一种基于视觉的水面油污检测方法。方案包括：获取样本图像并进行标注，所述样本图像包括原本图像和基于所述原本图像扩充的数据；对所述样本图像进行预处理；采用目标检测模型对处理后的样本图像进行特征提取，所述目标检测模型使用Yolov3‑darknet53作为主干特征提取网络，并加入了SPP层；根据提取的特征预测油污区域结果，保存预测模型；根据测试精度、资源占用和推理速度对所述预测模型进行优化；采用优化后的预测模型进行水面油污检测。本发明提供的基于视觉的水面油污检测方法，能够准确检测水面油污区域的精度和实时性，提高实用性。

技术领域

本申请涉及实体识别技术领域，尤其涉及一种基于视觉的水面油污检测方法。

背景技术

水面油污是严重影响水体质量的重要方面，严重威胁水体中动植物的生存，污染土壤和水源，危害人体健康，必须要对油污进行实时检测，一旦检测到存在油污需要第一时间采取必要措施进行消除。除会对环境产生二次污染的四氯化碳外，油污检测还可以采用传感器方法，传感器方法一般采用可与油污产生化学反应的物质，一旦产生化学反应后，或触发机械组件产生报警，或产生光电信号后计算油含量，从而进行报警，这类装置一般结构比较复杂，成本较高，且部署点位较多，要求较高，相比之下采用视觉的方法成本低，部署方便。

基于视觉的水面油污检测技术又可以分为三种方式：

1.图像分类方法。图像分类是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。该方法可解决“有没有油污”的问题，仅给出图像或画面中是否包含油污区域，但无法给出存在油污区域情况下，油污区域在图像或画面中的具体位置。

2.目标检测方法。目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的类别和位置。该方法解决“有没有油污，如果有油污，在哪里”的问题，即不仅给出图像或画面中是否包含油污区域，同时给出存在油污区域的位置与范围，只是该范围一般以矩形的方式呈现。

3.目标分割。目标分割是指将图像细分为多个图像子区域的过程。对于水面油污检测问题，目标分割方法可在目标检测结果的基础上，对油污区域范围进一步精确化，给出油污区域的不规则边缘信息，而非矩形区域。

在以上三种方式中，图像分类方法因不能提供水面油污区域的位置相关信息，故难以满足要求；目标分割方法能够给出较为具体的水面油污边缘信息，但该类方法存在标注复杂、边缘信息精度稍低等问题。相比之下，目标检测方法实施较为简洁，提供的结果已能满足要求，且精度相对较高，因此采用目标检测方法。目标检测类方法又大体上分为基于传统图像处理的方法与基于深度学习的方法。基于传统图像处理的方法一般需要深入研究水面油污的特点，以及与正常水面的区分特征，从而制定相应的检测规则或寻找水面油污不随光照、角度、范围等变化的鲁棒特征，从而利用边缘提取、二值化等图像基本处理过程与组合、空间变换等进行油污区域检测。这种方式在鲁棒性、精度方面存在较大的改善空间，而水面油污区域与正常水面在颜色方面可以区分，但受光线、角度等应先较大，易混淆，且油污区域范围为柔性的，且随水流影响较大，具有动态性特征。因此，基于传统图像处理的方法在这方面具有一定的局限性。基于深度学习的方法，主要依靠神经网络、卷积、池化、损失函数优化、分类器等进行准确、鲁棒特征提取，能够较好的区分背景与前景，并对目标类型进行检测与分类。该方法虽然对数据或样本的依赖性较强，但通过多种途径获取样本、长时间积累样本等方式则不构成关键性问题，仅需要解决正负样本不均衡、样本的特征分布与模型泛化能力、模型精度和实时性等问题。

发明内容

有鉴于此，本申请实施例提供了一种基于视觉的水面油污检测方法，能够准确检测水面油污区域的精度和实时性，提高实用性。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例提供的一种基于视觉的水面油污检测方法，包括：

获取样本图像并进行标注，所述样本图像包括原本图像和基于所述原本图像扩充的数据；