[发明专利]景区地面塑料瓶探测方法

说明书

景区地面塑料瓶探测方法，包括如下步骤：1)采集大量景区中高空摄像头的图像以及其他塑料瓶数据集，依据现场的管理需求进行数据集的标定，确定使用的一阶段目标检测算法模型；2)构建参数自适应的损失函数和3)构建一阶段目标检测算法模型的损失函数LOSS；4)采用梯度下降法对一阶段目标检测算法模型的权值进行更新，直到模型收敛为止；将训练好的模型在实际系统中完成对塑料瓶的检测，并根据现场塑料瓶的存在时间与位置关系，实现对塑料瓶的检测系统。本发明的优点在于提出的焦点损失函数能够提高塑料瓶探测模型的参数自适应性，大幅提高了塑料瓶探测的准确率。

技术领域

本发明属于图像识别与计算机视觉技术领域，涉及的是景区地面塑料瓶探测方法。

背景技术

目前，针对游人在景区内随意丢弃塑料瓶，工作人员无法及时处理地面上丢弃的塑料瓶问题，传统处理方法主要包括：一是通过工作人员对景区的不断巡检；二是通过传统图像算法对景区地面上的塑料瓶进行识别。其中，通过工作人员的巡检完成对景区地面塑料瓶的处理方式，该处理方式需要耗费大量人力、物力和财力，且由于工作人员需要休假以及在人工的巡检过程中会有漏检等因素，效果并不理想。而传统图像算法的泛化性较差，需要摄像头在固定的角度、固定的光照条件下，才能实现对图像中塑料瓶的检测。

因此，利用景区中现有的安防摄像头对景区地面的塑料瓶进行实时识别，并将地面塑料瓶的位置信息发送到控制中心，通知现场工作人员及时处理，不仅能够大幅缩减人工费用，而且能够提高景区对地面塑料瓶的处理效率。因此这种基于视频的景区地面塑料瓶检测系统具有很好的推广价值。

利用安防摄像头的视频流对景区地面塑料瓶识别，对识别算法的精准度以及信息的实时性要求较高。因此，采用基于深度学习的目标检测算法较合理。基于深度学习的目标检测算法分为二阶段模型与一阶段模型。虽然二阶段目标检测模型具有更好的检测精度，但其前向推理速度较慢，无法满足业务场景的实时性要求。在传统的一阶段目标检测算法模型中，虽然算法的实时性较好，但无法达到二阶段目标检测算法模型的检测精度。在图像检测目标时含有大量的景区背景对象，景区背景对象的损失值虽然很小，但是数量远远超过塑料瓶目标，目前传统的目标检测方法在这种复杂场景下很难获得较高的识别准确度，因此迫切需要一种具有高度自适应性的目标检测方法。

发明内容

本发明要克服现有技术的上述缺点，提供一种识别准确度高、自适应性好的景区地面塑料瓶探测方法。

本发明对一阶段目标检测算法模型中的损失函数进行改进。损失函数作为卷积神经网络中梯度下降过程的目标函数，直接影响着卷积神经网络的训练结果。而卷积神经网络训练的结果好坏直接关系着目标检测的识别精度，因此对损失函数的设计显现的尤为重要。在一阶段目标检测算法模型训练过程中，网络在图像检测目标时含有大量的景区背景对象，景区背景对象的损失值虽然很小，但是在数量上远远超过塑料瓶，因此在计算损失值时，概率值小的景区背景损失值压倒了塑料瓶目标损失值，导致模型精度下降很多，因此在检测模型中嵌入焦点损失函数来提高训练精度。而在焦点损失函数中有超参数需要依据经验值去设置，无法依据预测出的类别概率值，自动调节自身的超参大小。

本发明针对焦点损失函数在训练过程中需要手动调节超参数，训练过程中的参数不具备自适应性的问题，提出了一种基于半监督学习的深度学习损失函数，该损失函数使用加权法对超参进行改进，使得网络在梯度下降过程中，能够自适应的调节网络超参数，进而提高网络的学习效率。

景区地面塑料瓶探测方法，包括如下步骤：

Step 1：构建塑料瓶数据集M，训练数据集T，验证数据集V，标注塑料瓶类别数C，训练数据批次大小batch，训练批次数batches，学习率l_rate，训练数据集T与验证数据集V之间的比例系数ζ。

ζ＝Card(V)/Card(T)