基于SSD深度网络的河道漂浮物检测技术研究

• 作者: 刘文祥 刘金梅 唐小敏 舒远仲
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: 河流漂浮物 图像处理 深度学习 SSD 目标识别
• 年，卷（期）: 2020,（9）
• 所属期刊栏目: 应用开发研究
• 页码范围: 154-158
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2020.09.028

摘要

针对无人机拍摄河流视频影像进行河流漂浮物的自动提取识别,提出了一种基于SSD(single shot multibox detector)深度网络的河流漂浮物识别方法,SSD利用COCO数据集的预训练网络模型进行迁移训练.为得到漂浮物数据,利用传统图像处理技术对视频帧进行河流提取,河流提取准确率达91.4％.以河流视频截取图像为样本并采用软数据增强技术对漂浮物图像进行一定扩充,利用多种特征提取网络的SSD和Faster R-CNN深度网络进行样本训练并比较结果.实验结果表明,基于ResNet-101的SSD和Faster R-CNN深度网络模型召回率为61.67％和58.83％,F1值为71.29％和69.55％,精度为84.47％和85.05％.经实验数据对比分析,基于ResNet-101的SSD深度网络提高了河流漂浮物的精确检测.利用传统图像处理技术和深度学习方法相结合能够准确、高效地识别出河流漂浮物,为无人机边缘计算提供研究基础和参考.