基于卷积神经网络和图像处理技术的系统

基于卷积神经网络和图像处理技术的海洋垃圾识别系统

摘  要

本研究开发了一种基于卷积神经网络和图像处理技术的系统，旨在有效监测和管理水面漂浮物，特别是在夜间或低光照条件下。该系统的创意来源于对环境保护挑战的理解与技术进步的应用，解决了传统监测方法在恶劣环境条件下成本高昂且效率低下的问题。主要用户群体包括政府环保机构、渔业、水域管理和环境研究机构等。

系统的主要功能包括在低光照条件下自动调整图像以提高质量、使用先进的分类算法准确识别不同类型的水面漂浮物，以及支持实时监控以及时发现和报告新的漂浮物。这些功能不仅提高了水域监测的准确性和效率，还有助于减少水面漂浮物对生态系统的不良影响，提升水域安全，有效降低了传统监测方法的成本。

随着环保意识的全球性增强和技术的持续进步，该系统预期将得到更广泛的应用，覆盖环保、航运、渔业等领域。此外，系统功能的进一步完善和优化预计将为相关领域提供创新解决方案，增强系统的社会价值和经济效益，为全球可持续发展目标的实现作出重要贡献。

关键词：环保监测；图像处理；自动分类；实时监控

A system based on convolutional neural networks and image processing techniques

Abstract：

In this study, a system based on convolutional neural network and image processing technology was developed to effectively monitor and manage floating debris on the water surface, especially at night or in low-light conditions. The idea of the system was born from an understanding of environmental protection challenges and the application of technological advances to solve the problem of costly and inefficient traditional monitoring methods under harsh environmental conditions. The main user groups include government environmental protection agencies, fisheries, water management and environmental research institutions.

Key features of the system include automatic image adjustment to improve quality in low-light conditions, accurate identification of different types of floating debris on the surface using advanced classification algorithms, and support for real-time monitoring to detect and report new floating debris in a timely manner. These functions not only improve the accuracy and efficiency of water monitoring, but also help to reduce the adverse impact of floating debris on the ecosystem, improve water safety, and effectively reduce the cost of traditional monitoring methods.

With the global increase in environmental awareness and the continuous advancement of technology, the system is expected to be more widely used, covering environmental protection, shipping, fishing and other fields. In addition, the further improvement and optimization of the system's functions is expected to provide innovative solutions for related fields, enhance the social value and economic benefits of the system, and make important contributions to the realization of the global sustainable development goals.

Keywords:environmental monitoring; image processing; automatic classification; Real-time monitoring

目录

1. 绪论

2. 相关工作

3. 解决问题思路

4. 系统实现

5. 测试分析

6. 结论与展望

参考文献

1  绪论

随着工业化和城市化的加速，全球水体污染问题日益严重，其中水面漂浮物问题尤为突出。这些漂浮物不仅破坏水质，威胁水生生物安全，还影响人类的健康和地区的经济发展。传统的水面漂浮物监测和处理方法，如人工巡查和清理，效率低下，成本高昂，且很难适应复杂多变的环境条件。因此，寻找一种高效、经济、可持续的解决方案已成为当务之急。

本研究旨在开发一种基于深度学习技术的智能水面漂浮物识别和监控系统，以提高在恶劣光照条件下的识别准确性和监测效率。通过结合卷积神经网络（CNN）和图像处理技术，本系统能够自动调整图像质量，精准识别各类水面漂浮物，并实现实时监控。

本文首先分析了全球水面漂浮物的污染现状及其对环境和社会经济的影响，接着详细介绍了本系统的设计与实现，包括系统架构、关键技术和功能模块。随后，本文展示了系统的实验结果和性能评估，验证了其在各种环境条件下的有效性和鲁棒性。最后，探讨了本系统的应用前景和可能的改进方向。

通过本研究，不仅为解决全球水面漂浮物问题提供了新的技术手段，还为相关领域的研究和实践提供了有价值的参考。

2  相关工作

2.1 现有技术回顾

在全球范围内，水面漂浮物的管理和监控问题日益严重，尤其是在环境保护和水质监测领域。目前，针对水面漂浮物的监测和识别主要采用人工巡查、卫星遥感、无人机监控和自动图像识别技术。人工巡查依赖于人力进行定期检查，效率低下且耗时耗力。卫星遥感虽能覆盖广阔区域，但受天气影响大，且分辨率限制无法精确识别小型漂浮物。无人机通过搭载摄像头收集高分辨率图像，提高了图像质量和监控的灵活性，但操作成本高，且受电池续航能力限制。自动图像识别技术基于简单算法，尽管提高了处理速度，但在复杂环境下的准确率尚不足够，尤其在低光照条件下表现不佳。这些方法虽各有优势，但普遍存在成本高、效率低、准确性和适应性不足的问题，特别是在低光照条件下的表现未达到实际应用的要求。

2.2 本研究与现有技术的区别

本研究开发的“暗环境下垃圾智能识别系统”通过采用卷积神经网络对低光照下拍摄的图像进行增强处理，显著提升图像质量，使其更适合后续的物体识别处理。结合最新的YOLOv3目标检测算法，实现对水面漂浮物的快速和准确识别，该方法能够在单个图像中同时识别多种类型的漂浮物，具有更高的识别速度和准确率。系统支持连续的实时监测，并能自动处理监测到的图像数据，大幅减少了人工干预的需求，提高了监测和处理的效率。此外，系统设计考虑到了各种环境条件，特别是低光照和动态变化的水面环境，保证了在各种条件下都能稳定工作。通过这些技术创新，本研究不仅解决了传统方法在特定条件下的局限性，还提高了系统的自动化水平和应用的可靠性，为水域环境监测和管理提供了一种更有效的技术方案。

3 解决问题思路

3.1 功能和性能需求

图像增强功能：系统需要能够自动调整低光照条件下的图像，通过降噪、增 强对比度等方式提升图像质量，使其更适合后续的物体识别处理。

高精度识别性能：系统必须能够准确识别各类水面漂浮物，包括但不限于塑 料垃圾、海藻、木材等，即使在图像质量不佳或环境复杂的情况下也能保持较高 的识别准确率。

实时处理能力：考虑到水面环境的动态变化，系统需要具备实时处理图像的 能力，能够持续监测并及时反馈识别结果。

3.2数据集要求

数据格式：图像数据应以常见格式（如 JPG, PNG）提供，分辨率应足够高 以包含足够的细节进行物体识别。

数据来源与获取：数据可以从公开的数据集获取，或通过合作机构提供的实 际监测数据收集而来。也可以通过使用无人机、固定监控设备等手段直接收集。

数据特点：数据集应包含多种光照条件下的水面漂浮物图像，尤其是低光照 条件下的图像。同时，数据集中应包含不同类型、大小和颜色的漂浮物，以增强 系统的泛化能力。

数据规模：为了确保模型的准确性和鲁棒性，数据集规模应至少包含数千至 数万张图像，越多越好，以覆盖尽可能多的场景和条件。

3.3 技术方案

3.3.1 系统总体框架

               

                                                             图二 技术路线框架图

本系统基于深度学习技术，结合卷积神经网络（CNN），实现了一个端到端的垃圾识别系统，同时集成了暗图像增强功能，技术路线框架图如图二所示。通过训练 CNN 模型进行垃圾的识别，同时使用共享的底层特征提取层来优化暗图像增强和漂浮 物识别任务，以提高计算效率和整体性能。系统采用图形用户界面（GUI）进行用户交互，可提供在线或离线的图像增强和漂浮物识别服务。

3.2.1 数据采集与预处理模块

图像采集与预处理模块负责从海洋环境中获取图像数据，并进行预处理以准备后续深度学习模块的输入。这包括使用摄像头等实时采集海洋表面图像，并对图像进行去噪、裁剪、大小调整和归一化等预处理操作，以确保图像质量和一致性。

3.2.2 暗图像增强模块

暗图像增强模块利用卷积神经网络（CNN）等深度学习技术对暗图像进行补光。首先，通过预处理过的图像数据，利用已训练好的 CNN 模型对图像进行特 征提取和增强，提高原图像的亮度，以改善漂浮物的识别效果以识别出海洋中的漂浮物。

 3.2.3 智慧识别模块

智慧识别模块接收深度学习模块输出的结果，使用 YOLOv3 模型对图像进行 识别。YOLOv3通过将输入图像划分为不同大小的网格，并在每个网格上预测多个 边界框和对应的类别概率，然后利用卷积神经网络结合非极大值抑制算法，实现对海洋图像中漂浮物的精准检测和识别。

3.2.4 数据分析与可视化模块

数据分析与可视化模块使用 PySide2 库加载 GUI 界面，允许用户选择单张图片或文件夹进行目标检测，并对检测结果进行可视化展示和统计分析。

4系统实现 

4.1 用户界面实现 

本系统采用 PySide2 库实现了图形用户界面，主要功能集成在 Win_Login 类 中，包括图片识别、文件夹批处理、图表绘制等功能。通过加载 UI 文件创建窗 口和控件，并使用信号与槽机制连接用户操作和应用程序逻辑。此外，利用 tkinter 库实现文件对话框和消息框功能，PIL 库进行图像处理，matplotlib 库 绘制图表，提供了用户友好的界面，方便用户进行水面漂浮物识别和数据分析。

4.2 数据来源

our485 数据集：这是一个用于训练的数据集，其中包含 485 张暗色图像和对 应的亮图像，用于训练深度学习模型。这些图像通常具有低对比度、低亮度等特 点，模拟了真实世界中的暗光条件。

eval15 数据集：这是一个用于评估的数据集，其中包含 15 张暗色图像，用 于评估训练好的深度学习模型的性能。评估数据集的使用可以帮助我们了解模型 在新数据上的泛化能力，并对模型进行进一步的改进和调整。

4.3 数据训练

在本系统中，深度学习模型的训练过程采用了以下步骤。首先，我们定义了 数 据集和数据加载器，包括训练数据集和评估数据集。这些数据集通过数据加 载器以指定的批次大小被加载到模型中，为训练提供了数据源。接着，我们定义 了 模 型 结 构 和 损 失 函 数 。 在 这 个 例 子 中 ， 我 们 采 用 了 一 个 名 为 DarkImageEnhancementNet 的 模 型 ， 以 及 一 个 自 定 义 的 损 失 函 数 mssim_l1.MSSINL1。模型参数优化方面，我们选择了 Adam 优化器来对模型参 数进行更新，同时使用了指数衰减学习率调整器来动态调整学习率，以提高训练效果。在训练过程中，我们对训练数据进行循环迭代，逐批次地将输入数据传递 给模型进行前向传播，计算损失，并通过反向传播更新模型参数。此外，我们还实现了模型参数和优化器状态的保存，以及损失曲线的绘制和保存。最后，我们使用了早停策略，即当验证损失不再减小时，提前终止训练，以避免过拟合。整 个训练过程将持续进行，直到达到指定的训练轮数或早停条件被触发。

4.4 改进过程

4.4.1 低光图像神经网络

本系统提出了一种专门针对低光图像的神经网络模型（网络框架如图 3 所示），用于补光处理。该模型由三个部分构成：初步特征提取和降噪处理、色彩特征提取网络和 亮度特征提取网络。首先，在初步特征提取部分，本项目拟采用卷积层和深度可分离卷积，以提取图像的初步特征，并通过注意力机制增强这些特征，以确保神经网络不受低光原因产生的噪声影响。通过这样的预处理，能够减少噪声对后续处理的影响，为后续的亮度和色彩特征提取做好准备。接下来，将预处理后的张量转换为一个3通道 RGB 张量（R）和一个 1 通道灰度张量（I）。将灰度张量扩展为3通道后，将其与 RGB 张量 拼接送入亮度特征提取子网，同时将灰度张量与 RGB 张量相乘送入色彩特征提取子网。 这样做的目的是提取图像提高补光效果，最终形成补光后的图像。在验证时使用 MSSIM （图 4）对补光后的图像进行评价。

图 4-1 补光神经网络结构设计图

图 4-2 MSSIM流程图

4.4.2 YOLOv3 检测模型

漂浮物识别模块采用了 YOLOv3 模型作为核心技术，其功能和实现方式如 下：YOLOv3 模型是一种高效的目标检测算法，通过单个神经网络模型实现对水 面漂浮物的快速、准确识别。在实现过程中，模型利用大量标记的漂浮物图像 数据进行训练，通过监督学习学习各类漂浮物的特征。训练完成后，模型能够 在图像中准确定位漂浮物的边界框位置，并预测出各类别的置信度。在目标检 测时，模型直接对整张图像进行预测，无需候选区域提取，因此具有较高的检 测速度和较低的计算复杂度。这使得漂浮物识别模块能够在海洋环境监测、水 域污染治理等领域发挥重要作用，及时发现水面上的漂浮物，保护水域环境和 生态系统的健康。

图 4-3 YOLOv3神经网络结构设计图

图像的左侧部分展示了不包含全连接层的 Darknet-53 网络，它是 YOLOv3 的主干网络。Darknet-53由多个“DBL”模块、残差连接的单元和相应数量的残差 块组成。输入的图像从主干网络中提取特征，并通过多个 DBL 模块和上采样层来 增加特征图的维度，以实现多尺度检测（目标大小的不同层次）。我们可以看到三个输出分支，每个分支都对应于不同尺度的对象检测，每个分支输出包含类别 概率分数和边界框信息的特征图。

5测试分析

5.1 验证数据来源与规模

我们采用了来自真实海洋环境的图像数据集进行测试，其中包括了大量的海 洋漂浮物图像以及相应的标注信息。数据集的规模足够大，涵盖了各种不同类型 和场景的垃圾，可以充分验证系统的泛化能力和有效性。

5.2 测试过程

我们将训练好的垃圾识别系统部署到实际环境中，并使用测试数据集对系统进行测试。测试过程包括了输入图像数据到系统中进行识别的过程，以及对识别结果的评估和分析。

5.3 分析与结论

通过测试和分析，我们得出了以下结论：系统在识别垃圾方面表现出了较高的准确率和鲁棒性，能够有效地识别各种类型和大小的漂浮物。与传统方法相比，基于 CNN 暗图像增强的垃圾识别系统在暗光条件下表现更加稳健，具有更好的识别效果和性能。经过大量测试验证，系统在不同场景和环境下都能够取得良好的识别效果，证明了其在实际应用中的可靠性和有效性。

6.结论与展望

6.1作品特色

本作品《暗图像增强与垃圾识别系统》在水面漂浮物监测与识别领域展现了显著的创新性和实用性。其核心创新点和特色包括：

深度学习技术的应用：本系统充分利用了卷积神经网络在图像处理领域的强大能力，特别是在图像增强和物体识别方面的应用，有效提升了低光照条件下的 图像质量，并实现了高精度的漂浮物识别。

针对性的解决方案：针对传统方法在低光照条件下识别精度不高的问题，本系统提出了专门的图像增强技术，显著提高了系统在复杂环境下的适应性和准确 性。

实时监测与自动化处理：系统设计考虑到了水域环境的动态性，实现了实时 监测和自动化处理，大大提高了水面漂浮物管理的效率，减轻了人工巡查的负担。

6.2应用推广

本系统在实际应用中具有广阔的推广前景。首先，它可以直接应用于政府环 保部门、渔业管理局和水域监管机构，用于水质监测、生态保护和安全管理等方面。其次，随着技术的进一步完善和成本的降低，该系统还有潜力被应用于更广泛的领域，如航运业、旅游业以及私人水域的管理等。此外，系统的数据收集和分析能力也可为科研工作提供支持，助力环境保护和生态研究。

6.3 作品展望

未来，本作品将继续在以下几个方面进行优化和拓展：

算法优化：通过引入更先进的深度学习模型和算法，进一步提升图像处理和 物体识别的准确性和效率，尤其是在更加复杂多变的环境条件下。

功能扩展：开发更多功能，如自动跟踪特定种类的漂浮物、自动区分天然漂 浮物与人造垃圾等，以满足不同用户的需求。

系统集成：将本系统与其他监测技术（如无人机、卫星遥感等）集成，形成 更加全面和高效的水域监测网络。

国际合作与标准制定：与国际环保组织合作，推广本系统的应用，并参与制 定相关的国际标准和规范，推动全球水域环境保护的进步。通过不断的技术创新和应用拓展，本作品有望为全球水域环境的保护和管理 做出更大的贡献。

参考文献

[1]赵雅欣. 结合 CNN-TRANSFORMER 双流特征提取与卷积字典学习的低照度图像增强[D].河北师范大学,2024.DOI:10.27110/D.CNKI.GHSFU.2023.000955.

[2] 胥 鹏 . 基于深度学习的低光照图像增强 [D]. 电子科技大 学,2023.DOI:10.27005/d.cnki.gdzku.2023.003242.

[3]许文志.基于多尺度特征增强的低光图像增强网络的研究[D].江西财经大学,2023.DOI:10.27175/d.cnki.gjxcu.2023.000552.

[4]谢楚珮 . 基于深度学习的夜景图像增强方法研究[D].电子科技大 学,2022.DOI:10.27005/d.cnki.gdzku.2022.003101.

[5]任英杰,李传奇,王薇,等.改进 YOLOV3 的轻量化漂浮物检测算法[J].水利水电技术(中英文),2023,54(10):170-179.DOI:10.13928/J.CNKI.WRAHE.2023.10.015.

 [6]谭文群,曾祥君,包学才,等.基于改进 YOLOX 的水库水面漂浮物目标检测算法 [J].人民长江,2024,55(03):249-256.DOI:10.16232/j.cnki.1001-4179.2024.03.034.