一种基于多特征机器学习的水面垃圾识别方法与流程

本发明属于水面目标识别判断领域，具体涉及一种基于多特征机器学习的水面垃圾识别方法。

背景技术

近年来，我国经济飞速发展，水污染问题日益严重，河道水体被工业、生活废水污染，河面漂浮着大量废弃垃圾，例如塑料瓶、塑料袋等一些难以降解的垃圾不仅仅对水面的景观造成的恶劣的影响，更对人民的生产和生活造成了严重的影响，严重的危害到了人民的健康，如何有效锁定、清理污染源已迫在眉睫。

目前，水面保洁及水质监测主要依靠人工进行，水域面积大，水面环境复杂，人工垃圾清洁及水质采样是一项繁重、效率低下的工作。而且如果是有毒污染，再加上水面作业具有一定的危险性，人工清洁会对人员的生命安全造成威胁。

针对水面垃圾的一些负面的影响，目前国内外都提出了很多处理水面漂浮物垃圾的一些措施，但是由于一些人为原因的影响，水面垃圾依然难以完全处理。由于一些客观原因，水面垃圾没有一个固定明显的增量趋势，完全趋于随机增量状态。若一直采用定时的人为打捞方式，不仅仅浪费人力、物力、财力，同时还可能造成二次污染。

技术实现要素：

有鉴于此，针对此现象设计能自动识别水面漂浮物垃圾并清理的机器人，将很好的解决此问题，本次发明着重研究水面漂浮物垃圾识别(水瓶、纸盒)的问题。

本发明的目的在于提供一种可靠性较高，实时性较强的多特征机器学习的水面垃圾识别的方法。

为达到上述目的，本发明提供如下技术方案：

一种基于多特征机器学习的水面垃圾识别方法，包括以下步骤：

s1：识别模型初始化，生成一个内容为空的数据库系统，数据库系统包括贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据以及机器学习模型中的参数；

s2：将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入系统模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止；

s3：将对应的知识库带入到识别系统中，通过船载摄像头动态地读取水面状况数据，再周期性的采集摄像头传输的图像数据，并且将其传输到上位机；

s4：上位机对图像数据进行与上述建模时相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型、机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。

进一步，步骤s1中，对于正例数据和反例数据的采集，采用船载摄像头拍摄的不同场景(具体分为光照强度的不同、太阳方位的变化、水域环境的不同、前景目标是否为垃圾或是为干扰物)的视频，对不同的环境建立对应的线性表来映射，映射线性表的精度对知识库模型的准确度有较大的影响，然后在视频中截取对应的帧作为采集的正例和反例数据。

进一步，步骤s2中，对数据图像的预处理。在水面复杂检测环境下，存在水波纹，水面其他物体的干扰。很容易造成检测目标和背景混淆不清，首先采用改进的中值滤波算法突出边缘，然后采用图像显著性提取算法可以很好的突出前景目标，同时需要简化该算法，优化运行时间。在突出前景目标之后，需要将前景目标在背景中分离处理，常用的算法有阈值分离，多阈值分离，但是以上方法适应性鲁棒性较差，otsu算法能够动态的提出阈值，分离前景目标和背景目标得到二值化图像，然后采用形态学运算修补前景目标边缘。针对一些小前景目标的干扰，本专利提出了一种基于连通域大小的分离方式。

进一步，步骤s2中，对目标特征的提取。在图像预处理完成后，通过提取特征，来实现对漂浮物和干扰的二分类。通过不同的特征来描述不同的目标，是模式识别最基本的依据。本专利提取了基于水面前景目标的rgb颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量。rgb颜色模型：

y＝a|r-ra|+b|g-ga|+c|b-ba|(1)

式(1)中ra、ga、ba分别表示水面背景平均rgb颜色空间，r、g、b表示当前像素点的颜色，a、b、c表示可调线性放大倍数。

边缘矩理论描述子模型：

ai＝li+li+2-2li+1(2)

式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中li表示边缘轮廓中心到边缘的距离，i取0到cnt-2，cnt为外围边缘像素点数量，当ai<threshold，threshold为预定阈值，需要根据实际情况实验调节，则认为ai等于0，则反应出目标边沿变化较小。

进一步，步骤s3中，为满足系统实时性要求，根据无人船体行驶的速度v，采样周期t,应满足关系式：

tv≤0.2(3)

进一步，步骤s2中，为了更好的突出前景目标，可以对中值滤波中，颜色接近水面平均颜色的像素点赋予较轻的权重，对于颜色距离水面平均像素欧式距离更远的像素赋予更重的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。

由于采用了上述技术方案，本发明具有如下的优点：

本发明采用目标边缘检测建模与目标颜色建模相结合的目标特征提取方法，相对于传统的单类型边缘特征或者通过区域面积变化的特征来说精度更高，适应性更好，更能适应室外水面垃圾识别的场景，实用性更好。同时，模式识别方面采用机器学习的方式，而非专家规则的方式，使得识别精度进一步提高。整体方案更为合理有效。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明实施例所述的垃圾识别的流程图；

图2为本发明实施例所述的图像获取及预处理滤波流程图；

图3为本发明实施例所述的特征提取图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

参照图1所示的一种基于多特征机器学习的水面垃圾识别方法，包括以下步骤：

101、识别模型初始化，生成一个内容为空的数据库系统，数据库系统由贴有标签的正例训练数据、反例训练数据、正例测试数据、反例测试数据，机器学习模型中的参数。

102、将贴有标签的正例训练数据和反例训练数据进行初始化预处理、归一化处理、提取对应的特征向量，将正例图像的特征向量和反例图像的特征向量带入系统模型中训练，生成对应的知识库，然后采用测试数据对知识库进行检验，直到知识库满足要求为止。

103、将对应的知识库带入到识别系统中，然后通过船载摄像头动态的读取水面状况数据，然后周期性的采集摄像头传输的图像数据，并且将其传输到上位机。

104、上位机对图像数据进行与上述建模时相同的预处理后，提取与建模时相同的特征向量，并将特征向量带入机器学习模型、机器学习模型读取对应的知识库，对新的特征向量做出判断，并将判断的结果以标记数据的形式输出。

如图2所示，在步骤101中，对于正例数据和反例数据的采集，采用船载摄像头拍摄的不同场景(具体分为光照强度的不同、太阳方位的变化、水域环境的不同、前景目标是否为垃圾或是为干扰物)的视频，对不同的环境建立对应的线性表来映射，映射线性表的精度对知识库模型的准确度有较大的影响，然后在视频中截取对应的帧作为采集的正例和反例数据。

在步骤102中，对数据图像的预处理。在水面复杂检测环境下，存在水波纹，水面其他物体的干扰。很容易造成检测目标和背景混淆不清，首先采用改进的中值滤波算法突出边缘，然后采用图像显著性提取算法可以很好的突出前景目标，同时需要简化该算法，优化运行时间。在突出前景目标之后，需要将前景目标在背景中分离处理，常用的算法有阈值分离，多阈值分离，但是以上方法适应性鲁棒性较差，otsu算法能够动态的提出阈值，分离前景目标和背景目标得到二值化图像，然后采用形态学运算修补前景目标边缘。针对一些小前景目标的干扰，本专利提出了一种基于连通域大小的分离方式。

如图3所示，在步骤102中，对目标特征的提取。在图像预处理完成后，通过提取特征，来实现对漂浮物和干扰的二分类。通过不同的特征来描述不同的目标，是模式识别最基本的依据。本专利提取了基于水面前景目标的rgb颜色模型描述子和边缘矩理论描述子相结合的特征，生成特征向量。rgb颜色模型：

y＝a|r-ra|+b|g-ga|+c|b-ba|(1)

式(1)中ra、ga、ba分别表示水面背景平均rgb颜色空间，r、g、b表示当前像素点的颜色，a、b、c表示可调线性放大倍数。

边缘矩理论描述子模型：

ai＝li+li+2-2li+1(2)

式(2)表示相邻边缘点到边缘轮廓中心距离的二阶差分方程，其中li表示边缘轮廓中心到边缘的距离，i取0到cnt-2，cnt为外围边缘像素点数量，当ai<threshold，threshold为预定阈值，需要根据实际情况实验调节，则认为ai等于0，则反应出目标边沿变化较小。

在步骤102中，为了更好的突出前景目标，可以对中值滤波中，颜色接近水面平均颜色的像素点赋予较轻的权重，对于颜色距离水面平均像素欧式距离更远的像素赋予更重的权重；边缘修补形态学运算采用先膨胀后腐蚀的方式修补边缘，对于其中的滤波核，根据图像的远近采用动态大小的滤波核。

本发明公开了一种基于多特征机器学习的水面垃圾识别的方法，能实时的识别当前水面前景目标是否是垃圾或者是其他干扰物体，并且更完成对干扰物体的判断，判断其是否为障碍物。从而发出对应的指令信号，控制无人垃圾清理船做出相应的动作，前去打捞垃圾或者避开障碍物。采用支机器学习对前景目标提取的多重特征进行分类，能较为准确的识别垃圾和干扰物体。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。