申请/专利权人：交通运输部天津水运工程科学研究所

申请日：2024-02-22

公开（公告）日：2024-03-26

公开（公告）号：CN117765421A

主分类号：G06V20/17

分类号：G06V20/17;G06N3/0464;G06N3/048;G06N3/08;G06V10/26;G06V10/44;G06V10/764;G06V10/80;G06V10/82

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明涉及图像处理技术领域，公开了基于深度学习的海岸线垃圾识别方法及系统，方法包括：获取海岸线的原始图像；对原始图像进行预处理，构建检测目标图像数据集；利用检测目标图像数据集对YOLOv8n‑IL网络模型进行训练，得到最优权重文件以及训练好的网络模型；将待测图像输入训练好的YOLOv8n‑IL网络模型进行海岸线垃圾识别。YOLOv8n‑IL网络模型扩大了感受野，增强了特征提取能力，且可以根据目标的不同尺度动态地调整感受野，更有效地处理不同尺度目标所需的背景信息差异，提高了网络模型对不同尺度目标的检测精度，并减少漏检和误检的情况发生。

主权项：1.基于深度学习的海岸线垃圾识别方法，其特征在于，包括如下步骤：S1、获取海岸线的原始图像；其中，所述原始图像中包括垃圾、游客和环境；S2、对所述原始图像进行预处理，构建检测目标图像数据集；所述检测目标包括：垃圾和游客，垃圾包括第一尺寸范围垃圾和第二尺寸范围垃圾；其中，第二尺寸范围的下限大于第一尺寸范围的上限；S3、利用所述检测目标图像数据集对YOLOv8n-IL网络模型进行训练，得到最优权重文件以及训练好的YOLOv8n-IL网络模型；其中，所述YOLOv8n-IL网络模型以YOLOv8n网络模型为基础，YOLOv8n网络模型包括输入端、骨干网络、Neck模块和检测头，所述YOLOv8n-IL网络模型将骨干网络中后两个C2f模块替换为InceptionNeXt模块，并在检测头前嵌入LSK模块；其中，所述LSK模块包括普通卷积和膨胀卷积，所述普通卷积和所述膨胀卷积具有不同大小的感受野，用于获取不同范围的上下文信息；所述最优权重文件包括多组权重参数，每个检测目标的特征信息对应一组权重参数；S4、将待测图像输入训练好的YOLOv8n-IL网络模型进行海岸线垃圾识别；具体包括：S41、将待测图像输入训练好的YOLOv8n-IL网络模型的输入端；S42、通过骨干网络对待测图像中的各检测目标进行特征提取；S43、然后通过Neck模块对各检测目标的特征进行特征融合，得到融合特征图像；S44、所述LSK模块通过普通卷积和膨胀卷积分别对所述融合特征图像中的所有检测目标进行特征提取，选择相应的特征提取结果结合所述融合特征图像得到该融合特征图像的最终输出特征图像；S45、检测头根据最终输出特征图像对各检测目标进行识别，得到该待测图像的识别结果。

全文数据：

权利要求：

百度查询： 交通运输部天津水运工程科学研究所 基于深度学习的海岸线垃圾识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD