人工景觀湖普遍存在于各大校園以及公園景點中,但岸邊樹葉的飄落和湖底水草的死亡使得人工景觀湖的湖面會持續(xù)的有漂浮物垃圾積累。人工打撈水面漂浮物的方式效率低下,因此存在高效自動化清潔人工景觀湖水面漂浮物的需求。針對這個需求,課題組計劃研發(fā)一艘水面自動清潔無人船,自動清潔功能的實現(xiàn)需要無人船具備自主檢測水面漂浮物的能力。為了解決檢測水面漂浮物的問題,本課題制作了一個小型的水面漂浮物數(shù)據(jù)集,數(shù)據(jù)集收集了兩個人工湖的水面漂浮物圖像,漂浮物主要包含漂浮水草和漂浮落葉兩種類型。由于漂浮物的視覺特征與普通物體有明顯區(qū)別,為了保證標注工作的效率,針對漂浮物分布的特點研究并制定了區(qū)域標注的標注標準,通過人工標注的形式對漂浮物區(qū)域進行了邊界框標注。之后利用經(jīng)過常見物體數(shù)據(jù)集COCO預訓練的Faster R-CNN、R-FCN和SSD三種目標檢測模型,在水面漂浮物數(shù)據(jù)集上進行遷移學習訓練,實現(xiàn)了針對水面漂浮物區(qū)域的目標檢測,并對比并分析了這三種模型在檢測水面漂浮物時的表現(xiàn),SSD目標檢測模型有著更高的精確度,Faster R-CNN模型則能給出更詳細的預測,而同時擁有更加多元化特征和更加抽象特征的模型在檢測困... 

【文章來源】：廣西大學廣西壯族自治區(qū) 211工程院校

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２－２殘差函數(shù)??Ｆｉｇｕｒｅ．２－２?Ｒｅｓｉｄｕａｌ?ｆｕｎｃｔｉｏｎ??２．３?ＭｏｂｉｌｅＮｅｔｓ特征提取網(wǎng)絡??深度可分離卷積的概念首次在文獻［２１］中提出，它可以被看作是一種形式的卷積分??

會日常積累在湖面，一種是起風吹落到湖面的岸邊樹木的葉子，還有一種是被湖中小魚??啃食或者死亡漂浮到湖面的水草。由于是從樹上飄落到湖面，漂浮落葉通常分布較散且??甲片葉子體積非常小，在圖像中表現(xiàn)為黃色或綠色的一點一點，如圖４－１所示。由于湖??底水草種植的密度很大，因此漂浮上來后通常也會密集聚集在一起，且單根水草表現(xiàn)為??長條形，因此在圖像中相對漂浮落葉來說視覺特征更明顯，如圖４－２所示。??ｗ?＾??圖４－１漂浮落葉示例??Ｆｉｇｕｒｅ．４－１?Ｆｌｏａｔｉｎｇ?ｌｅａｖｅｓ?ｅｘａｍｐｌｅ??１９??

．零??…翁豪?＇??圖４－２漂浮水草示例??Ｆｉｇｕｒｅ．４－２?Ｆｌｏａｔｉｎｇ?ｗｅｅｄｓ?ｅｘａｍｐｌｅ??４．２圖像的收集和標注標準??目前為止，所有的圖片都是通過拍攝廣西大學內(nèi)的鏡湖和碧云湖得到的。由于校內(nèi)??的景觀湖每天都會定時清理，從上午的７點到９點和下午的３點到５點，因此漂浮物的??累積主要集中于上午９點到下午３點這個時間段，也因此數(shù)據(jù)集中的圖片主要采集于這??個時間段。圖４－３展示了?２張數(shù)據(jù)集中的圖片。??Ｂ．?＿??圖４－３水面漂浮物數(shù)據(jù)集中的原始圖像??Ｆｉｇｕｒｅ．４－３?Ｏｒｉｇｉｎａｌ?ｉｍａｇｅｓ?ｉｎ?ｔｈｅ?ｆｌｏａｔｉｎｇ?ｏｂｊｅｃｔｓ?ｄａｔａｓｅｔ??文獻［３］將事物的類別分成了物體和非物體２類，其中物體類指的是獨立的個體能夠??夠被輕易標注的類別，非物體類則包括材料和一些沒有清晰邊界的類別。由于漂浮水草??和漂浮落葉兩類目標經(jīng)常聚集在一片區(qū)域并且單根水草和單片落葉的體積非常小，因此??本課題將漂浮水草和漂浮落葉歸為非物體類別并且進行區(qū)域標注，即將漂浮水草區(qū)域和??漂浮落葉區(qū)域標注為一個目標。盡管對圖像進行語義分割區(qū)域的標注能夠更加貼合區(qū)域??的形狀


本文編號：3417855