论文部分内容阅读
随着社会的迅速发展,每天会产生大量的生产生活垃圾,一旦这些垃圾进入江河湖海这些水域,将对这些水域的生态环境造成恶劣影响,其中水面漂浮物的影响最为严重。目前清理水面漂浮物的方式仍完全依靠人工或者人工辅助操作,不能实现对漂浮物的自动识别和打捞,致使打捞和清理的成本高,效率低下。这主要受限于水面环境复杂,对漂浮物进行自动识别和跟踪均较为困难。近年来机器学习方法得到了快速发展,利用机器学习方法对水面漂浮物进行识别和跟踪是解决进一步自动清理水面漂浮物的有效途径。根据上述情况和实际需求,本文设计了一种基于嵌入式系统的水面漂浮物识别系统,将基于机器学习的水面漂浮物识别算法在嵌入式平台上实现,使之具有较好的识别效果和实时性能。本文的研究工作主要包括:(1)将图像风格迁移算法应用于水面漂浮物的识别中。对预训练网络模型进行再训练,通过学习一般水面的图像风格,将其同检测图像的风格特征进行对比,设计合适的算法参数,提高了识别的实时性。对所得风格损失灰度图像,进一步采用OpenCV进行形态学处理,消除了图像中的其他干扰,可有效的识别视野中的水面漂浮物。(2)在采用张正友法对双目摄像头完成标定后,利用双目视觉的立体匹配方法对水面漂浮物的相对位置进行了测量。进一步将识别的结果作为跟踪模板,使用KCF算法实现了对漂浮物的持续跟踪功能。(3)以树莓派4B为基础的嵌入式硬件平台,利用双Logitech C920e摄像头搭建了嵌入式水面漂浮物识别系统。在平台中基于Debian的Raspbian Buster操作系统移植了OpenCV3.4.3,在TensorFlow学习框架上实现了识别跟踪算法在嵌入式系统中的移植。