基于深度學習的湖泊水面漂浮物識別技術研究

□邵明振 于銀山 蔣令杰 瞿 燕

近年來，隨著水面漂浮物越來越多，我國也發生了很多水污染問題，已經嚴重影響到人民的健康和生活質量。目前，湖泊水面上的漂浮物大多數是一些塑料制品，同時也包括一些樹木的飄落的落葉以及樹枝，這些漂浮物都是不易被溶解和稀釋的物品[1]。目前，人工清理還是湖泊水面清理任務的主要方式，但是由于各種主觀因素的影響，這些因素主要是湖泊所處的地理環境的惡劣以及湖泊所覆蓋的區域太大，從而引起了湖泊水面漂浮物清理的困難而且采用人工清理的方式效率頗低。當然，目前對于湖泊水面漂浮物的清理方式大多數還是采用人工定時去清理，通過這種的清理方法不僅需要大量的工作，而且還消耗大量的物力和財力，最重要的是，還可能會對水環境造成多次污染。同時還會給在水面工作的清潔人員帶來健康問題。隨著計算機技術的不斷發展，深度學習方法成為識別水面漂浮物的一個主要研究方向。本文介紹的就是基于深度學習的湖泊水面漂浮物識別的一種方法，該方法具有學習能力強、處理效率高、節能環保等優點。

一、水面漂浮物智能監控技術研究

(一)漂浮物檢測。過去監視水面漂浮物的方式主要是使用傳感器和計算機視覺。常用算法包括基于圖像分割的技術，概率方法和啟發式方法。到目前為止，針對城市地區的自然水資源問題進行的調查非常有限。然而，有許多技術需要詳細研究以找到其在此特定問題上的優點。基于特征的算法方法是計算機視覺應用中非常流行的技術。通過使用特征表示減少圖像的維數可以減少性能問題并提高準確性。但是這種方法仍在研究中，并且進行了許多研究以從圖像中提取的原始特征集中優化或選擇特征。為此許多學者進行了研究以減少這些冗余特征，這些冗余特征可能是特定多類圖像數據集中所有特征集所共有的。遺傳算法對于此目的非常有用，并且是特征子集優化的常用工具。對于這里考慮的特定問題，遺傳算法的另一個重要優點是能夠處理高度可變的數據集。兩種非常常見的實現包括filter和wrapper方法，其中filter使用未分類的數據，而其他使用已分類的數據。預標記或先前分類的歷史數據的使用通常在有監督的機器學習方法下進行分類，而未標記的原始數據的使用則提供了無監督的方法。

(二)漂浮物特征提取。由于湖泊水面上的漂浮物的形狀大小不一，所以在進行圖像處理的過程中水面漂浮物的特征選擇和提取顯得尤為重要。這是因為對于圖像中的目標而言，目標的特征包含了目標信息，該信息對于圖像的分類十分重要[2]。常見的圖像特征主要是指它的自然特征，包括有圖像的紋理、色彩和亮度等特征。特別是在湖泊水面環境復雜多變的情況下，簡單有效地將漂浮物的特征提取出來是尤為重要的。同時還要與干擾物區分開來[3],因此為了提高水面漂浮物識別的準確性選擇合適的特征是十分重要的[4]。由于水面漂浮物的形狀不一，選擇紋理特征無法有效地提取和區分漂浮物和干擾物，所以不會將紋理特征作為一個識別水面漂浮物的方法。由此，本文主要介紹兩種針對于水面漂浮物的識別方法。一種是采用顏色作為特征，另一種是將區域和邊緣輪廓作為特征，將這兩種特征對水面漂浮物進行描述并作為識別的基礎。

1.水面漂浮物顏色特征提取。圖像顏色特征是目前應用較為廣泛且簡單有效的一種圖像特征。一般情況下，圖像的顏色特征與圖像中包含的場景和元素有關。對于水面漂浮物而言，它的顏色特征與當前水面所處的環境因素相關，與水面漂浮物本身的性質相關性不大，所以通過使用顏色特征提取可以有效地將水面漂浮物和干擾因素區分。在提取水面漂浮物的顏色特征后，需要選擇合適的顏色空間來描述其特征，通過建立相應的模型將其描述出來。顏色直方圖和顏色矩是兩種常用的顏色特征的表示方法。其中，顏色直方圖是描述圖像中不同的像素的數值分布情況，但是卻不能確定每種顏色所在的位置信息。圖像的顏色矩可以表征一幅圖像內的顏色分布，顏色矩中的一階矩、二階矩和三階矩是在圖像顏色矩特征提取時的常用手段，這三種方式可以描述圖像中的顏色分布。一般情況下，水面環境中存在的許多物理現象，其中包括水面反射光照、水面產生波紋等現象，它們的顏色信息分布均勻且簡單。因此，對于湖泊水面漂浮物的顏色特征提取顏色矩是一種較為精確的方法。

2.水面漂浮物邊緣和區域特征提取。圖像的邊緣是指目標邊緣像素值發生快速變化的區域，或者說是像素值發生突變的區域。邊緣特征的常見的描述方式包括目標邊緣的周長、形狀和直徑。對于區域特征來說，區域特征需要考慮到整個圖像形狀的區域，常用的方法是無關矩方法。一般情況下，湖泊水面漂浮物相對于水面環境的干擾它的邊緣特征顯得尤為清晰。因此，對于湖泊水面漂浮物的邊緣和區域特征提取，可以有效地區分漂浮物與干擾因素。

(三)漂浮物識別和分類。圖像目標識別是指通過計算機的處理和判斷來實現人的視覺的功能，它的研究目標就是為了讓計算機能夠從復雜的圖像中認知和理解周圍環境的能力。目前，應用廣泛的目標識別算法主要分為兩類，一類是R-CNN系算法，其中包括有Faster R-CNN算法、R-CNN算法等，這一類的算法需要先確定目標的位置，通過算法生成目標的候選框，然后再對其進行分類處理。另一類是諸如SSD和Yolo這類的算法，這種類型算法是使用一個卷積神經網絡來預測不同的目標的位置與屬性。兩種方法相比而言，第一類的方法相比于第二類在精確度上比較高，而在速度方面，第二類算法明顯快于第一類。近些年，針對于水面漂浮物的識別方法層出不窮，其最終的研究目的都是為了更加精確地將漂浮物進行分類處理。

二、結語

隨著人類社會的不斷發展，人們對于環境的保護也越來越重視，湖泊水面的漂浮物不僅影響美觀，還會對水環境造成一定的污染，因此對于水面漂浮物的清理具有重要意義。目前清理水面漂浮物的方法還是依靠人工去打撈清理，不能實現脫離人工操作對水面漂浮物的自主識別和清理，導致清理水面漂浮物的成本高，效率低下。而基于深度學習的方法對湖泊水面漂浮物進行識別和分類，可以解決效率低、成本高的問題，通過計算機進行計算處理，可以快速識別和分類湖泊水面的漂浮物。相比于清理機器人與人工清理漂浮物，可以體現出深度學習方法在目標識別領域的強大之處。隨著科技水平的不斷提高，深度學習技術在圖像處理方面的應用也在不斷的發展，相信在不久的將來，深度學習方法在水面漂浮物識別和分類方向會更加成熟，功能也更加完善，為我國湖泊水環境的保護以及其他領域作出重大貢獻。