CN115439765B - 基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 - Google Patents
基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 Download PDFInfo
- Publication number
- CN115439765B CN115439765B CN202211132839.1A CN202211132839A CN115439765B CN 115439765 B CN115439765 B CN 115439765B CN 202211132839 A CN202211132839 A CN 202211132839A CN 115439765 B CN115439765 B CN 115439765B
- Authority
- CN
- China
- Prior art keywords
- yolov5
- unmanned aerial
- aerial vehicle
- model
- plastic garbage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 229920003023 plastic Polymers 0.000 title claims abstract description 44
- 239000004033 plastic Substances 0.000 title claims abstract description 44
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 230000000007 visual effect Effects 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 101150060512 SPATA6 gene Proteins 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000013502 plastic waste Substances 0.000 claims 5
- 238000011897 real-time detection Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，技术方案包括以下步骤：步骤1）收集海洋塑料垃圾数据并划分数据集，步骤2）对原始YOLOv5模型进行网络结构初始化改进，步骤3）对改进后的YOLOv5模型进行训练，步骤4）利用最终改进后的YOLOv5目标检测模型进行检测：本发明通过改进YOLOv5目标检测算法对无人机视角下海洋垃圾实现精准识别，识别率高，对塑料垃圾的检测精度高，并且改进后的算法检测速度快，能够满足无人机实时检测要求。
Description
技术领域
本发明涉及图像处理及海洋塑料垃圾检测技术领域，具体涉及到一种基于机器学习无人机视角下海洋塑料垃圾旋转检测方法。
背景技术
近年来，由于塑料的持久性和普遍性，塑料垃圾正在破坏、威胁着海洋环境，更为严重的是海洋塑料垃圾已经逐渐进入食物链，危害到海洋生态***的健康和可持续发展。现在，在海洋中已难以找到未被塑料污染的净土，没有一个海域可以避免这个问题。海洋垃圾的处理逐渐被人们重视，作为传统环卫机制由陆地向近海海域的延伸，“海上环卫”制度是有效治理近海海洋垃圾的重要顶层设计，是推进生态文明建设的重要抓手。
目前大部分的海洋垃圾是通过相关人员定期进行人工打捞，效率低下，基于无人机的目标检测作为一个计算机视觉技术可以帮助“海上环卫”提高处理海上垃圾的效率，但目前该技术还存在以下缺陷：①YOLOv5对密集小目标的检测效果没有双阶段的方式好，这使得在无人机场景下的海洋塑料垃圾检测较为困难；②基于双阶段的旋转目标检测的速度不足以支持无人机进行实时海洋垃圾检测。
发明内容
针对现有技术中的问题，本发明提供了一种基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，通过改进YOLOv5目标检测算法对无人机视角下海洋垃圾实现精准识别，并且改进后的算法能够满足无人机实时检测的速度。
为实现上述目的，本发明是通过以下技术方案实现的：
基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，包括以下步骤：
步骤1）收集海洋塑料垃圾数据并划分数据集：
采集海洋塑料垃圾数据，对海洋塑料垃圾数据进行分类旋转框的标注，并将处理好的数据集划分为训练集、验证集以及测试集；
步骤2）对原始YOLOv5模型进行网络结构初始化改进：
通过在原始YOLOv5基础上优化网络结构，得到改进后的YOLOv5模型；在所述改进后的YOLOv5模型中，采用包括DownSampleFirst结构、DownSample结构、resblock结构替换原始YOLOv5的骨干网络，其中DownSample层在原始YOLOv5原C3基础上增加了两层卷积，且将原始YOLOv5颈部网络中的C3结构替换为多层卷积，并在下采样之前增加一层卷积；
步骤3）对改进后的YOLOv5模型进行训练：
步骤3.1）将步骤1中的训练集输入上述步骤2中得到的改进后的YOLOv5模型，其中特征金字塔网络特征提取模块把训练集中特征图的低分辨率、高语义信息的高层特征信息和高分辨率、低语义信息的低层特征信息进行自上而下的侧边连接，使得所有尺度下特征图的特征信息都有丰富的语义信息；
步骤3.2）设置训练参数：学习率设置为0.001，输入图片大小调整为960*960；
步骤3.3）将步骤3.1中提取的特征图进一步输入到改进后YOLOv5模型的颈部网络，使用SPP模块实现局部特征和全局特征的特征图融合，丰富最终特征图的表达能力，采用两个上采样和两个下采样，输出加强后的海洋塑料垃圾特征图；
步骤3.4）将步骤3.3输出的加强特征图输入到改进后YOLOv5模型的头部网络，进行不同尺度的检测，并且在每一层都设置大小不同的anchor；
步骤3.5）将步骤3.4所获得的对训练集的初步检测结果代入损失函数中，各类损失共同促进网络权重参数的更新，各类损失计算迭代结束后，利用步骤1的验证集验证模型效果，而后得到最终改进后的YOLOv5目标检测模型；
步骤4）利用最终改进后的YOLOv5目标检测模型进行检测：
将步骤1的测试集输入到步骤3.5得到的最终改进后的YOLOv5目标检测模型进行检测，得到海洋塑料垃圾数据检出结果。
进一步的，步骤1中的海洋塑料垃圾数据由无人机进行拍摄采集，标注框由人工进行旋转框标注处理。
进一步的，步骤1中对于旋转框的定义方式采用180°范围内的五参数法，该定义法包含五个参数（x，y，w，h，θ）。其中，x和y为旋转坐标系的中心坐标，θ为旋转框长边h与x轴所成的夹角，此时角度范围为(−90° , 90°]。
进一步的，对于步骤1中标注好的数据集进行数据增强操作，例如，给图片增加噪点等。
进一步的，在步骤2中，将训练集的特征图先送入DownSampleFirst结构，DownSampleFirst结构包括卷积层和mish激活函数，将分支卷积后的特征图再通过concat操作进行多尺度的特征融合，DownSample结构包括卷积层、残差模块和mish激活函数，再通过concat操作进行多尺度的特征融合。
进一步的，在步骤3.4中，头部网络对特征图进行三个不同尺度的检测，所述的三个不同尺度包括：19*19、38*38、76*76 。
进一步的，在步骤3.5中所述的损失函数描述为：
(1)
其中，回归部分的损失函数描述为：
(2)
式中，，/>
式中：为交并比的平均值，/> 为定位/>权重，默认设置为1，N表示锚框数量，/>表示预测的框，/>表示真实的框，/>表示预测框的角度，/>表示真实框的角度，/>表示预测框的坐标，/>表示真实框的坐标。
本发明与现有技术相比，其有益之处在于：
（1）与现有的旋转目标检测方法相比，识别率高，对塑料垃圾的检测精度有很大的提高，在无人机检测阶段取得了较好的检测效果；
（2）与现有的旋转目标检测方法相比，检测速度快，检测速度最高可达到63fps，能够满足无人机实时检测要求。
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明做详细地描述。
附图说明
图1为数据集构建的流程图。
图2为本发明的流程图。
图3为数据分类标注的旋转框定义方法示意图。
图4为YOLOv5修改替换后的部分骨干网络结构图（包含DownSampleFirst结构）。
图5为YOLOv5修改替换后的部分骨干网络结构图（包含DownSample结构和resblock结构）。
图6为YOLOv5修改替换后的特征融合结构图。
图7为图6中的SPP模块结构图。
图8为本发明检测方法与已有网络结构的检测性能结果对比。
具体实施方式
本发明提供一种基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，整体流程如图2所示，具体按照以下步骤进行。
步骤1）收集海洋塑料垃圾数据并划分数据集：
利用无人机进行海上拍摄，采集海洋塑料垃圾数据（包括塑料瓶、塑料杯以及塑料袋等）。然后对无人机所拍摄的海洋塑料垃圾进行人工分类旋转框的标注，数据集构建流程如图1所示。对于旋转框的定义方式采用180°范围内的五参数法，该定义法包含五个参数（x，y，w，h，θ）。其中，x和y为旋转坐标系的中心坐标，θ为旋转框长边h与x轴所成的夹角，此时角度范围为(−90° , 90°]，如图3所示。
具体的，数据集采用PASALVOC标注格式，利用rolabelImg标注工具对获得的海洋塑料垃圾图片中的目标进行人工标注，标注文件包括真实目标的矩阵坐标系数。标注后的数据存放在xml格式的标签文件中，先将xml标签文件转换为YOLOv5所需要的txt文件，转换后的格式为（x，y，w，h，θ，c），其中，x，y表示方框中心点坐标；w，h分别表示标注框的短边和长边；θ表示旋转框长边h与x轴所成的夹角，且θ在(−90° , 90°]范围内；c表示类别。
进一步的，对于标注好的数据集进行数据增强操作，例如，给图片增加噪点等。
将处理好的数据集按照8：2：2的比例划分为训练集、验证集以及测试集。
步骤2）对原始YOLOv5模型进行网络结构初始化改进：
在原始YOLOv5基础上进行网络结构的优化，得到改进后的YOLOv5模型。
在所述改进后的YOLOv5模型中，采用图4和图5所示的包括DownSampleFirst结构、DownSample结构、resblock结构替换原始YOLOv5的骨干网络，参见图4、图5所示，其中DownSample层在原始YOLOv5原C3基础上增加了两层卷积，且将原始YOLOv5颈部网络中的C3结构替换为多层卷积，并在下采样之前增加一层卷积，如图6所示。
如图4、图5所示，改进的YOLOv5模型中骨干网络（backbone）用来提取图像中的特征表示，其主要包括DownSampleFirst结构、DownSample结构、resblock结构。将训练集的特征图先送入DownSampleFirst结构，DownSampleFirst结构包括卷积层（Conv）和mish激活函数，将分支卷积后的特征图再通过concat操作进行多尺度的特征融合。DownSample结构以DownSample（64,128,2）层为例进行图例说明，如图5所示，其包括卷积层（Conv）、残差模块（resblock）和mish激活函数，再通过concat操作进行多尺度的特征融合，其中使用残差结构后，为模型增加了一个shortcut，这种shortcut可以动态地调整模型的复杂度，可以避免梯度消失的问题。
步骤3）利用步骤1中准备好的数据集对步骤2中改进后的YOLOv5模型进行训练，获得最终改进后的YOLOv5目标检测模型，作为海洋塑料垃圾旋转目标检测模型。
步骤3.1）将步骤1中的训练集输入上述步骤2中得到的改进后的YOLOv5模型，其中特征金字塔网络特征提取模块把训练集中特征图的低分辨率、高语义信息的高层特征信息和高分辨率、低语义信息的低层特征信息进行自上而下的侧边连接，使得所有尺度下特征图的特征信息都有丰富的语义信息。
步骤3.2）设置训练参数：学习率设置为0.001，输入图片大小调整为960*960 。
步骤3.3）将步骤3.1中提取的特征图进一步输入到改进后YOLOv5模型的颈部网络（neck），如图6所示，使用SPP模块实现局部特征和全局特征的特征图融合，丰富最终特征图的表达能力，接着采用了两个上采样和两个下采样，使低层信息中的特征信息完整地传递到高层中，减少了信息传递过程中的损失，提高了低层信息的利用率，增加了海洋塑料垃圾旋转目标检测的精度。此步骤输出加强后的海洋塑料垃圾特征图。
步骤3.4）将步骤3.3中从颈部网络输出的加强特征图输入到改进后YOLOv5模型的头部网络，进行三个不同尺度的检测，三个不同尺度包括：19*19、38*38、76*76 ，并且在每一层都设置大小不同的anchor。由于无人机拍摄物体变化尺度较大，采用多尺度的anchor检测能够有效提高模型的检测精度。
步骤3.5）将步骤3.4所获得的对训练集的初步检测结果代入损失函数中，各类损失共同促进网络权重参数的更新，各类损失计算迭代结束后，利用步骤1的验证集验证模型效果，而后得到最终改进后的YOLOv5目标检测模型。
上述步骤中，对于目标检测损失函数的计算采用Smooth_l1与CIOU相结合的方式进行计算，损失函数描述为：
(1)
其中，回归部分的损失函数描述为：
(2)
式中，，/>
式中：为交并比的平均值，/> 为定位/>权重，默认设置为1，N表示锚框数量，/>表示预测的框，/>表示真实的框，/>表示预测框的角度，/>表示真实框的角度，/>表示预测框的坐标，/>表示真实框的坐标。
步骤4）利用最终改进后的YOLOv5目标检测模型进行检测：
将步骤1的测试集输入到步骤3.5得到的最终改进后的YOLOv5目标检测模型进行检测，得到海洋塑料垃圾数据检出结果，最后实验结果呈现如图8所示。
对所述模型的检测效果进行评价，按照以下方式进行计算：mAP为精度检测值，m为取平均数，Precision为正确率，Recall为召回率，AP为在0至1范围内正确率指标对召回率指标的积分。
图8展示了已有的旋转网络结构（R3Det网络结构）与本发明提供的网络结构对比检测结果，在经过参数对比实验之后，本发明的网络结构检测结果整体平均精度可达到90.31%，相对于原始网络结构提升了五个百分点左右，其中塑料瓶的检测精度可以达到81.64%，塑料杯的检测精度可以达到93.86%，塑料袋的检测精度可以达到95.43%，证明了本发明提供的网络结构的有效性，实验结果表明本发明提供的网络结构检测效果最佳。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (6)
1.基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，包括以下步骤：
步骤1）收集海洋塑料垃圾数据并划分数据集：
采集海洋塑料垃圾数据，对海洋塑料垃圾数据进行分类旋转框的标注，并将处理好的数据集划分为训练集、验证集以及测试集；
步骤2）对原始YOLOv5模型进行网络结构初始化改进：
通过在原始YOLOv5基础上优化网络结构，得到改进后的YOLOv5模型；在所述改进后的YOLOv5模型中，采用包括DownSampleFirst结构、DownSample结构、resblock结构替换原始YOLOv5的骨干网络，其中DownSample层在原始YOLOv5原C3基础上增加了两层卷积，且将原始YOLOv5颈部网络中的C3结构替换为多层卷积，并在下采样之前增加一层卷积；
步骤3）对改进后的YOLOv5模型进行训练：
步骤3.1）将步骤1中的训练集输入上述步骤2中得到的改进后的YOLOv5模型，其中特征金字塔网络特征提取模块把训练集中特征图的低分辨率、高语义信息的高层特征信息和高分辨率、低语义信息的低层特征信息进行自上而下的侧边连接，使得所有尺度下的特征图都有丰富的语义信息；
步骤3.2）设置训练参数：学习率设置为0.001，输入图片大小调整为960*960；
步骤3.3）将步骤3.1中提取的特征图输入到改进后YOLOv5模型的颈部网络，使用SPP模块实现局部特征和全局特征的特征图融合，丰富最终特征图的表达能力，采用两个上采样和两个下采样，输出加强后的海洋塑料垃圾特征图；
步骤3.4）将步骤3.3输出的加强特征图输入到改进后YOLOv5模型的头部网络，进行不同尺度的检测，并且在每一层都设置大小不同的anchor；
步骤3.5）将步骤3.4所获得的对训练集的初步检测结果代入损失函数中，各类损失共同促进网络权重参数的更新，各类损失计算迭代结束后，利用步骤1的验证集验证模型效果，而后得到最终改进后的YOLOv5目标检测模型；
所述的损失函数描述为：
(1)
其中，回归部分的损失函数描述为：
(2)
式中，，/>；
式中：为交并比的平均值，/> 为定位/>权重，默认设置为1，N表示锚框数量，/>表示预测的框，/>表示真实的框，/>表示预测框的角度，/>表示真实框的角度，表示预测框的坐标，/>表示真实框的坐标；
步骤4）利用最终改进后的YOLOv5目标检测模型进行检测：
将步骤1的测试集输入到步骤3.5得到的最终改进后的YOLOv5目标检测模型进行检测，得到海洋塑料垃圾数据检出结果。
2.如权利要求1所述的基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，其特征在于：步骤1中的海洋塑料垃圾数据由无人机进行拍摄采集，标注框由人工进行旋转框标注处理。
3.如权利要求2所述的基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，其特征在于：步骤1中对于旋转框的定义方式采用180°范围内的五参数法，该定义方式包含五个参数（x，y，w，h，θ），其中，x和y为旋转坐标系的中心坐标，θ为旋转框长边h与x轴所成的夹角，此时角度范围为(−90° , 90°]。
4.如权利要求1所述的基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，其特征在于：对于步骤1中标注好的数据集进行数据增强操作。
5.如权利要求1所述的基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，其特征在于：在步骤2中，将训练集的特征图先送入DownSampleFirst结构，DownSampleFirst结构包括卷积层和mish激活函数，将分支卷积后的特征图再通过concat操作进行多尺度的特征融合，DownSample结构包括卷积层、残差模块和mish激活函数，再通过concat操作进行多尺度的特征融合。
6.如权利要求1所述的基于机器学习无人机视角下海洋塑料垃圾旋转检测方法，其特征在于：在步骤3.4中，头部网络对特征图进行三个不同尺度的检测，所述的三个不同尺度包括：19*19、38*38、76*76 。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211132839.1A CN115439765B (zh) | 2022-09-17 | 2022-09-17 | 基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211132839.1A CN115439765B (zh) | 2022-09-17 | 2022-09-17 | 基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115439765A CN115439765A (zh) | 2022-12-06 |
| CN115439765B true CN115439765B (zh) | 2024-02-02 |
Family
ID=84250087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211132839.1A Active CN115439765B (zh) | 2022-09-17 | 2022-09-17 | 基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115439765B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230348120A1 (en) * | 2023-07-10 | 2023-11-02 | Brian Panahi Johnson | System and method for identifying trash within a predetermined geographic boundary using unmanned aerial vehicles |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
| CN112733749A (zh) * | 2021-01-14 | 2021-04-30 | 青岛科技大学 | 融合注意力机制的实时行人检测方法 |
| WO2021142902A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于DANet的无人机海岸线漂浮垃圾巡检*** |
| CN113326734A (zh) * | 2021-04-28 | 2021-08-31 | 南京大学 | 一种基于YOLOv5的旋转目标检测方法 |
| CN113807464A (zh) * | 2021-09-29 | 2021-12-17 | 东南大学 | 基于改进yolo v5的无人机航拍图像目标检测方法 |
| CN114266884A (zh) * | 2021-12-13 | 2022-04-01 | 浙江工业大学 | 旋转框定位多形态瓶状物品分拣目标检测方法 |
| CN114943697A (zh) * | 2022-05-16 | 2022-08-26 | 福建农林大学 | 一种基于轻量化改进yolo的番茄成熟度检测方法 |
| CN114973002A (zh) * | 2022-06-21 | 2022-08-30 | 安徽大学 | 一种基于改进的YOLOv5的麦穗检测方法 |
-
2022
- 2022-09-17 CN CN202211132839.1A patent/CN115439765B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021142902A1 (zh) * | 2020-01-17 | 2021-07-22 | 五邑大学 | 基于DANet的无人机海岸线漂浮垃圾巡检*** |
| CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
| CN112733749A (zh) * | 2021-01-14 | 2021-04-30 | 青岛科技大学 | 融合注意力机制的实时行人检测方法 |
| CN113326734A (zh) * | 2021-04-28 | 2021-08-31 | 南京大学 | 一种基于YOLOv5的旋转目标检测方法 |
| CN113807464A (zh) * | 2021-09-29 | 2021-12-17 | 东南大学 | 基于改进yolo v5的无人机航拍图像目标检测方法 |
| CN114266884A (zh) * | 2021-12-13 | 2022-04-01 | 浙江工业大学 | 旋转框定位多形态瓶状物品分拣目标检测方法 |
| CN114943697A (zh) * | 2022-05-16 | 2022-08-26 | 福建农林大学 | 一种基于轻量化改进yolo的番茄成熟度检测方法 |
| CN114973002A (zh) * | 2022-06-21 | 2022-08-30 | 安徽大学 | 一种基于改进的YOLOv5的麦穗检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 《基于改进YOLOv5神经网络的绝缘子缺陷检测方法》;王年涛;激光杂志;第60-65页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115439765A (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113850825B (zh) | 基于上下文信息和多尺度特征融合的遥感图像道路分割方法 | |
| CN113888550B (zh) | 一种结合超分辨率和注意力机制的遥感图像道路分割方法 | |
| CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
| CN113610822B (zh) | 一种基于多尺度信息融合的表面缺陷检测方法 | |
| CN113870281A (zh) | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 | |
| CN115439765B (zh) | 基于机器学习无人机视角下海洋塑料垃圾旋转检测方法 | |
| CN112766194A (zh) | 一种海洋中尺度涡检测方法 | |
| CN113888547A (zh) | 基于gan网络的无监督域自适应遥感道路语义分割方法 | |
| CN114782772A (zh) | 一种基于改进ssd算法的水上漂浮物检测识别方法 | |
| Li et al. | Automatic tongue image segmentation for real-time remote diagnosis | |
| CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
| CN113408584A (zh) | Rgb-d多模态特征融合3d目标检测方法 | |
| CN117274388B (zh) | 基于视觉文本关系对齐的无监督三维视觉定位方法及*** | |
| CN112733747A (zh) | 一种缓解阀拉杆脱落故障的识别方法、***及装置 | |
| CN112927237A (zh) | 基于改进SCB-Unet网络的蜂窝肺病灶分割方法 | |
| CN110427030B (zh) | 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法 | |
| Yulin et al. | Wreckage target recognition in side-scan sonar images based on an improved faster r-cnn model | |
| CN117422998A (zh) | 一种基于YOLOv5s改进的河道漂浮物识别算法 | |
| CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
| CN115953394B (zh) | 基于目标分割的海洋中尺度涡检测方法及*** | |
| CN116778346A (zh) | 一种基于改进自注意力机制的管线识别方法及*** | |
| CN117036243A (zh) | 刨花板表面缺陷检测的方法、装置、设备和存储介质 | |
| CN113792785A (zh) | 一种基于wgan-gp和yolo的船体附着物快速识别方法 | |
| CN115761478A (zh) | 基于跨模态下的sar图像建筑物提取模型轻量化方法 | |
| CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |