基于Mask R-CNN的水面漂浮物识别方法研究

为及时发现并处理水面漂浮物,提高河湖监管水平,提出了一种基于Mask R-CNN模型的水面漂浮物识别方法。设计了一套漂浮物标签分类规则,建立起河湖领域真实数据样本集,然后构建以抓图服务、AI分析和预警平台为核心模块的水面漂浮物识别方案。对比研究了基于Mask R-CNN模型与基于HOG特征的漂浮物识别方法,并采用不同特征提取网络进行试验。结果表明:所提出的方法显著优于传统的HOG特征方法,平均准确率提高16%,平均召回率提高13.8%;且基于ResNet的方法对于不规则漂浮物的识别能力更强。新方法成功应用于河湖监管系统,对常见目标的识别准确率达90%以上。