基于深度学习的湖泊水面漂浮物识别技术研究

□邵明振 于银山 蒋令杰 瞿 燕

近年来，随着水面漂浮物越来越多，我国也发生了很多水污染问题，已经严重影响到人民的健康和生活质量。目前，湖泊水面上的漂浮物大多数是一些塑料制品，同时也包括一些树木的飘落的落叶以及树枝，这些漂浮物都是不易被溶解和稀释的物品[1]。目前，人工清理还是湖泊水面清理任务的主要方式，但是由于各种主观因素的影响，这些因素主要是湖泊所处的地理环境的恶劣以及湖泊所覆盖的区域太大，从而引起了湖泊水面漂浮物清理的困难而且采用人工清理的方式效率颇低。当然，目前对于湖泊水面漂浮物的清理方式大多数还是采用人工定时去清理，通过这种的清理方法不仅需要大量的工作，而且还消耗大量的物力和财力，最重要的是，还可能会对水环境造成多次污染。同时还会给在水面工作的清洁人员带来健康问题。随着计算机技术的不断发展，深度学习方法成为识别水面漂浮物的一个主要研究方向。本文介绍的就是基于深度学习的湖泊水面漂浮物识别的一种方法，该方法具有学习能力强、处理效率高、节能环保等优点。

一、水面漂浮物智能监控技术研究

(一)漂浮物检测。过去监视水面漂浮物的方式主要是使用传感器和计算机视觉。常用算法包括基于图像分割的技术，概率方法和启发式方法。到目前为止，针对城市地区的自然水资源问题进行的调查非常有限。然而，有许多技术需要详细研究以找到其在此特定问题上的优点。基于特征的算法方法是计算机视觉应用中非常流行的技术。通过使用特征表示减少图像的维数可以减少性能问题并提高准确性。但是这种方法仍在研究中，并且进行了许多研究以从图像中提取的原始特征集中优化或选择特征。为此许多学者进行了研究以减少这些冗余特征，这些冗余特征可能是特定多类图像数据集中所有特征集所共有的。遗传算法对于此目的非常有用，并且是特征子集优化的常用工具。对于这里考虑的特定问题，遗传算法的另一个重要优点是能够处理高度可变的数据集。两种非常常见的实现包括filter和wrapper方法，其中filter使用未分类的数据，而其他使用已分类的数据。预标记或先前分类的历史数据的使用通常在有监督的机器学习方法下进行分类，而未标记的原始数据的使用则提供了无监督的方法。

(二)漂浮物特征提取。由于湖泊水面上的漂浮物的形状大小不一，所以在进行图像处理的过程中水面漂浮物的特征选择和提取显得尤为重要。这是因为对于图像中的目标而言，目标的特征包含了目标信息，该信息对于图像的分类十分重要[2]。常见的图像特征主要是指它的自然特征，包括有图像的纹理、色彩和亮度等特征。特别是在湖泊水面环境复杂多变的情况下，简单有效地将漂浮物的特征提取出来是尤为重要的。同时还要与干扰物区分开来[3],因此为了提高水面漂浮物识别的准确性选择合适的特征是十分重要的[4]。由于水面漂浮物的形状不一，选择纹理特征无法有效地提取和区分漂浮物和干扰物，所以不会将纹理特征作为一个识别水面漂浮物的方法。由此，本文主要介绍两种针对于水面漂浮物的识别方法。一种是采用颜色作为特征，另一种是将区域和边缘轮廓作为特征，将这两种特征对水面漂浮物进行描述并作为识别的基础。

1.水面漂浮物颜色特征提取。图像颜色特征是目前应用较为广泛且简单有效的一种图像特征。一般情况下，图像的颜色特征与图像中包含的场景和元素有关。对于水面漂浮物而言，它的颜色特征与当前水面所处的环境因素相关，与水面漂浮物本身的性质相关性不大，所以通过使用颜色特征提取可以有效地将水面漂浮物和干扰因素区分。在提取水面漂浮物的颜色特征后，需要选择合适的颜色空间来描述其特征，通过建立相应的模型将其描述出来。颜色直方图和颜色矩是两种常用的颜色特征的表示方法。其中，颜色直方图是描述图像中不同的像素的数值分布情况，但是却不能确定每种颜色所在的位置信息。图像的颜色矩可以表征一幅图像内的颜色分布，颜色矩中的一阶矩、二阶矩和三阶矩是在图像颜色矩特征提取时的常用手段，这三种方式可以描述图像中的颜色分布。一般情况下，水面环境中存在的许多物理现象，其中包括水面反射光照、水面产生波纹等现象，它们的颜色信息分布均匀且简单。因此，对于湖泊水面漂浮物的颜色特征提取颜色矩是一种较为精确的方法。

2.水面漂浮物边缘和区域特征提取。图像的边缘是指目标边缘像素值发生快速变化的区域，或者说是像素值发生突变的区域。边缘特征的常见的描述方式包括目标边缘的周长、形状和直径。对于区域特征来说，区域特征需要考虑到整个图像形状的区域，常用的方法是无关矩方法。一般情况下，湖泊水面漂浮物相对于水面环境的干扰它的边缘特征显得尤为清晰。因此，对于湖泊水面漂浮物的边缘和区域特征提取，可以有效地区分漂浮物与干扰因素。

(三)漂浮物识别和分类。图像目标识别是指通过计算机的处理和判断来实现人的视觉的功能，它的研究目标就是为了让计算机能够从复杂的图像中认知和理解周围环境的能力。目前，应用广泛的目标识别算法主要分为两类，一类是R-CNN系算法，其中包括有Faster R-CNN算法、R-CNN算法等，这一类的算法需要先确定目标的位置，通过算法生成目标的候选框，然后再对其进行分类处理。另一类是诸如SSD和Yolo这类的算法，这种类型算法是使用一个卷积神经网络来预测不同的目标的位置与属性。两种方法相比而言，第一类的方法相比于第二类在精确度上比较高，而在速度方面，第二类算法明显快于第一类。近些年，针对于水面漂浮物的识别方法层出不穷，其最终的研究目的都是为了更加精确地将漂浮物进行分类处理。

二、结语

随着人类社会的不断发展，人们对于环境的保护也越来越重视，湖泊水面的漂浮物不仅影响美观，还会对水环境造成一定的污染，因此对于水面漂浮物的清理具有重要意义。目前清理水面漂浮物的方法还是依靠人工去打捞清理，不能实现脱离人工操作对水面漂浮物的自主识别和清理，导致清理水面漂浮物的成本高，效率低下。而基于深度学习的方法对湖泊水面漂浮物进行识别和分类，可以解决效率低、成本高的问题，通过计算机进行计算处理，可以快速识别和分类湖泊水面的漂浮物。相比于清理机器人与人工清理漂浮物，可以体现出深度学习方法在目标识别领域的强大之处。随着科技水平的不断提高，深度学习技术在图像处理方面的应用也在不断的发展，相信在不久的将来，深度学习方法在水面漂浮物识别和分类方向会更加成熟，功能也更加完善，为我国湖泊水环境的保护以及其他领域作出重大贡献。