色哟哟视频在线观看-色哟哟视频在线-色哟哟欧美15最新在线-色哟哟免费在线观看-国产l精品国产亚洲区在线观看-国产l精品国产亚洲区久久

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

一種邊云結合的漂浮物檢測識別方法

iotmag ? 來源:物聯網技術 ? 作者:物聯網技術 ? 2022-10-25 14:27 ? 次閱讀

摘 要 :漂浮物識別是智能視頻監控領域亟待解決的難點問題,針對實際河道環境復雜、漂浮物多種多樣等問題,文中通過對神經網絡的研究分析,結合邊端和云端設備的不同特點,設計了一種邊云結合的漂浮物檢測識別方法 :邊端設備,針對其算力有限但點位眾多的特點,部署小型神經網絡對視頻進行初篩,得到疑似漂浮物信息及畫面回傳給云端 ;云端設備,利用其算力高的特點,對疑似漂浮物信息及畫面進行精確識別,過濾無效信息,并將有效信息以報警形式進行存儲上報。實驗表明 :該方法能綜合利用邊云設備的性能,減少傳輸數據量、提高識別率、降低誤檢率,滿足河道監控場景的應用。

0 引 言

2019 年全國水利工作會議和全國水文工作會議均提出當前水文工作要聚焦支撐解決“四大水問題”,緊密圍繞水利中心工作,以提高水文監測預報預警業務能力和服務水平為重點,強化水旱災害防御支撐,拓展水利監管服務,拓寬社會服務領域,以及時、準確、全面的水文監測預報預警信息為水利工作和經濟社會發展提供可靠支撐和保障。結合國家、水利部以及省委省政府的政策要求,廣東省水利廳提出了開展廣東智慧水利融合工程。其中,漂浮物的監督治理作為水利日常管理工作的重要一環 [1],急需通過智能化建設來解決。

在傳統圖像處理領域,主要通過漂浮物的邊緣、輪廓、顏色等特征并結合分類器進行漂浮物的分類識別工作 [2]。例如,左建軍等 [3] 采用背景減除法分割出圖像中的漂浮物區域,再利用 BP 算法進行漂浮物特征訓練,并構建漂浮物分類器對分割區域進行漂浮物識別。朱賀等 [4] 結合灰度閾值分割和河道輪廓識別方法實現對河道區域的準確提取。這些方法檢測效率高,執行速度快,但同時存在對光照以及圖像噪聲極為敏感、魯棒性較差等缺點。隨著深度學習技術在目標檢測領域的廣泛使用,越來越多的學者使用深度學習技術進行河道、湖泊的漂浮物檢測識別,并提出了多種網絡模型的改進和應用案例。例如鮑佳松等 [5] 采用的基于深度卷積神經網絡的水面漂浮物分類識別術。李寧等 [6] 采用的基于 AlexNet的小樣本水面漂浮物識別。陳運軍等 [7] 提出的基于 VGGNet的湖面塑料制品漂浮物識別。李國進等 [8] 采用的基于改進FasterR-CNN 的水面漂浮物識別與定位。楊偉煌等 [9] 采用的一種水面漂浮垃圾的智能收集系統。由于在實際河道中漂浮物種類繁多、環境復雜 [10],上述方法使用單一神經網絡模型進行檢測識別難度大、錯誤率高,很難應用在實際場景中。只在邊端進行漂浮物檢測對硬件設備要求高,建設成本大 ;只在云端進行漂浮物檢測,需要大量視頻回傳,網絡建設成本高。根據邊端、云端設備的不同特點,本文設計了一種邊云結合的漂浮物檢測識別方法,該方法在邊端部署小型神經網絡對視頻進行初篩,剔除大量無目標數據以降低網絡傳輸量 ;在云端部署大型神經網絡對疑似目標進行精細識別分類。

1 算法設計

1.1 邊云結合流程設計

本文設計了一種邊云結合的漂浮物檢測識別方法 :

(1)在河岸架設多路攝像頭,對獲取的視頻幀進行初篩,剔除大量無目標的視頻信息 ;

(2)將疑似目標的視頻信息傳輸到云端服務器進行精細識別分類,并轉換為報警信息進行存儲和上報。

系統物理架構如圖 1 所示,算法流程如圖 2 所示。

ffc7ba96-540d-11ed-a3b6-dac502259ad0.png

ffed21aa-540d-11ed-a3b6-dac502259ad0.png

1.2 邊端算法設計

在邊端實現疑似目標的定位,但因設備算力有限,因此需要一個快速高效且算力要求不高的目標檢測模型。二階目標檢測模型檢測精度高但檢測速率低,無法滿足河道監測的要求;一階目標檢測模型中的 YOLO 系列是當前工業界的最佳視覺識別算法之一,在精度和速率方面能夠達到較好均衡。相較于之前 YOLOv1~v4 采用的 Darknet 框架,YOLOv5使用 PyTorch 框架,對用戶非常友好,不僅容易配置環境,而且模型訓練速度快,所以在邊端選用 YOLOv5 網絡進行目標檢測。YOLOv5 結構如圖 3 所示。

fff5ba18-540d-11ed-a3b6-dac502259ad0.png

1.3 云端算法設計

在云端部署的模型主要進行目標的識別,要求具有最優的準確率,目前各分類模型具體性能見表 1 所列。

0020ca0a-540e-11ed-a3b6-dac502259ad0.png

由表 1 可以看出,ResNet152 是當前圖片分類任務中表現最好的神經網絡,所以本文選擇 ResNet152 模型在云端進行目標識別分類。所選模型在 top5 上的錯誤率為 5.94%,效果突出,ResNet 的結構可以很好地加速神經網絡的訓練,模型準確率有較大提升,避免了層數加深準確率下降的問題同時,系統可以滿足云端的漂浮物分類需求,ResNet152 模型的結構見表 2 所列。

004b446a-540e-11ed-a3b6-dac502259ad0.png

2 實 驗

2.1 數據集準備

網絡模型構建完成后,進入數據集準備階段。數據集的質量優劣直接影響網絡模型的性能。考慮到數據集的來源應與使用環境相近,本文在大中小型河道的岸邊進行數據采集。考慮到季節、天氣、光照等環境因素對網絡模型的影響,本文在不同環境條件下對各種河道及漂浮物進行拍攝錄像,然后通過抽幀獲取目標圖片。此外,還借助一些數據增強手段來豐富數據集,例如通過對圖像進行幾何變換,包括翻轉、旋轉、裁剪、變形、縮放等增加數據,以及通過對圖像的像素重分布,包括噪聲、模糊、顏色變換、擦除、填充等增加數據。

數據搜集完畢后,通過篩選和標注形成最終的數據集。數據集共有圖片 17 985 張,樣本 53 959 個,漂浮物類別 10 種。樣本類別分布均衡,達到訓練要求。

2.2 實驗結果與分析

邊端模型訓練設備的硬件配置為 :處理器 Intel CoreTMi7-4460、內存 32G、顯卡 GTX1080、16G ;軟件環境為 :操作系統 Ubuntu18.04、框架 PyTorch、網絡 YOLOv5。共訓練2 次。第一次訓練,保證數據集樣本及類別不變,并以此訓練結果為基準判斷本文方法的有效性。訓練時主要觀察模型的精確率,精確率越高說明誤檢率越低,第一次訓練效果如圖 4 所示。

006def92-540e-11ed-a3b6-dac502259ad0.png

第二次訓練,考慮到邊端設備算力有限,將數據集樣本類別信息去除,由此,YOLOv5 只做目標定位而不做目標識別,以降低其計算復雜度。第二次訓練效果如圖 5 所示。

008d8730-540e-11ed-a3b6-dac502259ad0.png

云端模型訓練設備的硬件配置為 :處理器 IntelXeon(R) CPU E5-2678 v3@2.50 GHz×48、 內存32G、顯卡GTX3090、32G。軟件環境為 :操作系統 Ubuntu18.04、框架PyTorch、網絡 ResNet152。在訓練前,需將數據集進行裁剪,將目標從背景分離得到目標數據集,模型訓練效果如圖 6所示。

00a39070-540e-11ed-a3b6-dac502259ad0.png

通過圖 4、圖 5 可以看出,YOLOv5 兩次訓練的損失函數曲線圖大致相同,目標框的損失曲線大致相同,訓練的 2 個模型的目標定位檢測損失一致,可以說明模型在檢測定位方面一致,其中檢測分類 YOLOv5 模型的精確率為75.81%。圖 6(a)是 ResNet152 模型的訓練損失圖,訓練1 000 次后損失約 0.001,圖 6(b)是模型在驗證集的準確率,訓練 1 000 次后準確率約為 98.2%。

將圖 5 的模型在相同驗證集進行定位檢測,將檢測到的目標信息傳給 ResNet152 模型進行分類,得到結果后計算出相應的精確率,最終結果對比見表 3 所列。

00ba2a1a-540e-11ed-a3b6-dac502259ad0.png

由表3可知,圖4的檢測準確率與本文的邊端檢測準確率基本相同,從圖4、圖5中 box_loss 函數趨于相同也可以得到佐證,圖4的精確率為75.81%。采用本文方法在邊端進行檢測的準確率為73.57%,在云端的識別精確率為98.2%,本文的精確率為 85.89%。與圖4的精準度對比,本文的精確度提高了10.08%。由此可見,本文提出的邊云結合的漂浮物檢測識別方法切實可行,滿足了河道漂浮物的預警需求。

3 結 語

通過對神經網絡的研究分析,結合邊端和云端設備的不同特點,本文設計了一種邊云結合的漂浮物檢測識別方法,該方法目前通過實驗測試提高了模型檢測識別的精確度,減少了模型預測的耗時。但實驗中還存在一些不足,比如檢測定位模型選用的是 YOLOv5 模型,沒有對其進行剪枝壓縮,縮小模型規模以進一步降低模型對邊端設備算力的要求,下一步嘗試在保證其檢測精度的前提下對模型進行壓縮剪枝。

審核編輯:湯梓紅
聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 神經網絡
    +關注

    關注

    42

    文章

    4789

    瀏覽量

    101613
  • 檢測識別
    +關注

    關注

    0

    文章

    9

    瀏覽量

    7264

原文標題:論文速覽 | 一種邊云結合的漂浮物檢測識別方法

文章出處:【微信號:iotmag,微信公眾號:iotmag】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦

    如何設計一種基于DSP的車輛碰撞聲檢測裝置?

    本文采用小波分析和模式識別方法分析車輛噪聲信號,設計了一種基于DSP的車輛碰撞聲檢測裝置,該裝置能有效檢測車輛碰撞事件,實現交通事故的自動識別
    發表于 05-12 06:32

    LightningChart.NET識別方法

    結構工程中一種非常常見的識別方法,用于識別潛在的結構完整性問題,例如隱藏的物體或空隙。這是一種識別機械問題的
    發表于 08-31 06:11

    一種基于綜合幾何特征和概率神經網絡的HGU軸軌識別方法

    摘要故障診斷是保證水輪發電機組安全運行的重要環節。軸心軌跡辨識是HGU故障診斷的一種有效方法。提出了一種基于綜合幾何特征和概率神經網絡(CGC-PNN)的HGU軸軌識別方法。該
    發表于 09-15 08:18

    一種新型指針儀表識別方法研究

             本文在簡單介紹指針式儀表及其常用識別方法的基礎上,提出了一種基于最大灰度相減法的新型識別方法。然后詳細介紹了這
    發表于 09-14 09:18 ?21次下載

    一種基于模型的輻射源識別方法

    該文針對測量參數的不確定所造成的輻射源不能正確識別問題,提出了一種基于模型的識別方法。該方法首先利用
    發表于 11-09 14:56 ?11次下載

    一種基于數據融合的身份識別方法

    針對單一生物特征身份識別由于傳感器噪音及特征破損等缺陷導致識別率低的問題,從信息融合角度出發,提出一種基于語音和人臉的多生物特征身份識別方法
    發表于 01-15 15:23 ?16次下載

    電容的識別方法

    電容的識別方法 電容的識別方法與電阻的識別方法基本相同,分直標法、色標法和數標法3。 電容的基本單位用法拉(F)表示,其它單位還
    發表于 02-06 18:13 ?6620次閱讀

    一種基于模型修正的海上風電樁基弱化識別方法_李英超

    一種基于模型修正的海上風電樁基弱化識別方法_李英超
    發表于 12-29 14:35 ?0次下載

    一種卷積神經網絡和極限學習機相結合的人臉識別方法_余丹

    一種卷積神經網絡和極限學習機相結合的人臉識別方法_余丹
    發表于 01-08 11:20 ?0次下載

    一種簡單的人臉識別方法

    主成分分析與線性判別分析是人臉識別的重要識別方法,它們都通過求解特征值問題實現特征提取,但由于維數災難會導致小樣本和奇異性問題。提出了一種簡單的人臉識別方法,無需進行奇異值分解,能有效
    發表于 11-21 09:27 ?2次下載

    一種新的非特定人表情識別方法

    針對復雜狀況下傳統表情識別方法存在的問題,提出一種新的非特定人表情識別方法。該算法首先提取每張表情圖像的HOG特征和Haar小波特征,然后將兩不同的特征串行融合得到整幅圖像的特征,最
    發表于 11-22 17:22 ?0次下載

    一種基于神經網絡的聯合識別方法

    從事件時序關系與因果關系的關聯性出發,提出基于神經網絡的聯合識別方法。將時序關系和因果關系識別分別作為主任務和輔助任務,設計共享輔助任務中編碼層、解碼層和編解碼層的3聯合識別模型,通
    發表于 03-25 15:47 ?11次下載
    <b class='flag-5'>一種</b>基于神經網絡的聯合<b class='flag-5'>識別方法</b>

    一種全新的脈搏信號時域特征點識別方法

    ,提出一種脈搏時域特征點識別方法。運用小波變換模極大值曲線檢測脈搏信號中的奇異點,根據奇異點的性質與位置關系,確定各時域特征點所在的位置范圍,利用差分法確定各個時域特征點的位置。實驗結果表明該
    發表于 05-19 17:15 ?7次下載

    這些漂浮物將海浪轉化為可再生能源?

    根據開發團隊的說法,每漂浮物都經過精心設計,以適應安裝地點的特定波浪條件。例如,較小的波浪需要更多的小型漂浮物,因此它們更容易上下移動,但較大的波浪可以處理較大的漂浮物——因此,需
    的頭像 發表于 11-28 16:16 ?681次閱讀

    河道水面漂浮物識別檢測 YOLO算法

    河道水面漂浮物識別檢測根據監控攝像頭搜集江河或河道的水面視頻,截取圖片中帶有海上漂浮物的照片,河道水面漂浮物
    的頭像 發表于 07-02 11:37 ?672次閱讀
    河道水面<b class='flag-5'>漂浮物</b><b class='flag-5'>識別</b><b class='flag-5'>檢測</b> YOLO算法
    主站蜘蛛池模板: 四虎精品久久久久影院 | 国产午夜在线精品三级a午夜电影 | yellow免费观看完整版直播 | 97影院理论午夜伦不卡偷 | 久久精品久久久 | 久久免费视频1 | 国语自产一区第二页 | 亚洲欧洲日产国码久在线 | 成人免费网址在线 | 国产色婷亚洲99精品AV在线 | 久久99热狠狠色AV蜜臀 | 国产深夜福利视频在线 | 久久久乱码精品亚洲日韩 | 亚洲精品青青草原avav久久qv | 日韩精品卡1卡2三卡四卡乱码 | 免费国产黄线在线播放 | 色欲AV亚洲永久无码精品麻豆 | 亚洲 日本 天堂 国产 在线 | 99久久国产露脸精品麻豆 | 大香伊人久久精品一区二区 | 内射一区二区精品视频在线观看 | 日韩欧美群交P内射捆绑 | 免费看欧美一级特黄a大片 免费看欧美xxx片 | 少妇高潮A片特黄久久精品网 | 久久久久久久久亚洲 | 伊人在线视频 | chinese情侣自拍啪hd | 999国产高清在线精品 | 男人和女人一级黄色大片 | 午夜免费体验30分 | 熟女强奷系列中文字幕 | 免费毛片视频网站 | 夜色福利院在线观看免费 | 男人的天堂色偷偷 | 久久免费看少妇高潮A片JA | 奶水太多h室友 | 久久精品综合电影 | 国产一区二区三区四区五在线观看 | 兽皇VIDEO另类HD| jizzhd中国 | 成人女人A级毛片免费软件 成人免费在线视频 |