基于深度学习的水面漂浮物智能检测方法

漂浮物作为河道表观污染的重要源头，加强漂浮物检测是改善水环境生态质量的重要途径，也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则以及多尺度形态变化等特点，采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此，本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先，基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理，初步降低复杂水面环境对漂浮物图像质量的影响。其次，将轻量化MobileNetV2网络取代SSD算法中的VGG16网络作为骨干网络，在预测层中将深度可分离卷积取代标准卷积，并采用动态特征金字塔网络提高多尺度漂浮物的检测精度，弥补SSD网络中强制不同层学习相同特征的不足。然后，将统一量化卷积神经网络（Quantized-CNN）框架应用于量化SSD检测器的检测误差，进一步加速卷积层计算和压缩全连接层的参数，降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明：与现有的图像识别算法相比，改进后的SSD检测算法的平均精度（AP）和F1达到95.86%和94.74%，在硬件GPU下的检测速度达到64.23f/s，检测算法的参数计算量减少到7.5亿，模型内存成本压缩到6.27MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境，通过摄像头实施河湖可视化监管以改善河湖面貌，已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样，存在水波扰动、动态光影和强光反射等诸多噪声问题，现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波，提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中，删除5*5及以下低分辨率特征图，通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度；在多帧滤波中，基于时空相关性和运动信息构建自适应滤波AF算法框架，计算视频帧中帧与帧之间的关联性，根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果，以降低漂浮物跟踪漂移；在信息融合阶段，通过特征对比融合检测和滤波信息，实现检测信息和跟踪信息动态互补，并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%，成功率面积为0.94，平均速度达到17.27FPS，计算复杂度为7.18Billion；在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81，平均速度和计算复杂度分别为15.02FPS和8.76Billion，在复杂环境下兼顾了检测跟踪精度和效率。