[0001] 本发明涉及光学监控及图像处理技术领域，尤其涉及一种多平台海漂垃圾监测系统及方法。

[0002] 近年来，随着人类海洋活动的蓬勃发展，海漂垃圾成为一个不可忽视的问题。据资料统计，每年有800万吨垃圾进入海洋，其中80％为陆源垃圾，20％为海源垃圾。大量的海漂垃圾分布于海岸线和近海海面不仅影响海洋景观，还会产生大量有毒有害物质对养殖渔业造成难以估计的危害，对沿海地区的经济发展造成阻碍。因此，需要对海岸线及近海海面的垃圾进行大面积、实时监测，以保护环境，助力经济发展。

[0003] 传统的海漂垃圾监测，主要是依赖人工定时沿海岸线巡逻，发现垃圾后上报，处理人员到达现场后对垃圾进行打捞的办法。但由于海岸线漫长且地理条件复杂，人工巡查效率较低，耗费巨大；且人工巡查仅能从地面进行观测，难以发现视线死角中存在的垃圾；此外还受天气影响严重，在恶劣气候条件下和夜间均无人巡逻，只能等待条件好转后再处理，无法做到全天候监测；加之海漂垃圾为随机偶发事件，难以做到实时监控及处置。综上所述，常规的海漂垃圾监测手段存在较大缺陷，难以实现大范围、全天候、多尺度的实时监测。

[0025] 以下结合附图和具体实施例对本发明做进一步详细说明。

[0026] 实施例一

[0027] 参见图1和图2，一种多平台海漂垃圾监测系统，包括岸基监测模块10、空基监测模块20和数据处理平台30。所述岸基监测模块10包括多个摄像头11和岸基控制计算机12。摄像头11部署在码头、入海口和海岸线沿岸等关键位置，摄像头11可获取2560×1440，24位深的高清监测图像数据或视频数据，并通过数据线与后端控制计算机通信将获取数据传输到岸基控制计算机12中。岸基控制计算机12含有用户交互软件系统。所述软件系统实现对整个岸基监控模块的硬件模块控制、数据的传输与保存。所述岸基监控模块可以控制摄像头11是否工作，是否保存监测数据，是否回传现场监测数据到数据处理平台30。所述用户交互软件系统由Python语言编译，易于扩展、可针对现场情况做针对性改进。通过所述岸基控制计算机12将采集到的数据传输至数据处理平台30。

[0028] 所述空基监测模块20包括无人机21和空基控制计算机22。无人机21搭载光学摄像头11，可沿海岸线飞行巡逻，搭载的摄像头11可获取2560×1440，24位深的高清监测图像数据或视频数据，在无人机21返航后可使用数据线与空基控制计算机22通信将获取数据传输到空基控制计算机22中。空基控制计算机22含有用户交互软件系统。所述软件系统实现对整个空基监控模块的数据的传输与保存。所述空基监控模块可以保存监测数据，回传现场监测数据到数据处理模块。所述用户交互软件系统由Python语言编译，易于扩展、可针对现场情况做针对性改进。通过所述空基控制计算机22将采集到的数据传输至数据处理平台30。

[0029] 所述数据处理平台30是高性能工作站，含有用户交互软件系统，可通过4G通信功能与岸基监测模块10和空基监测模块20通信，获取现场监测数据。所述数据处理平台30对通过训练好的目标检测模型对回传的数据进行处理，对可能存在的目标物进行识别，当不存在海漂垃圾时，可将识别结果保存，当存在海漂垃圾时，对海漂垃圾进行识别并定位，可实时查看识别结果，并将识别结果通报给用户，同时将识别结果保存。

[0030] 通过上述两个模块获取了地、空两个视角，全天24小时的不间断监测数据。为了减小数据处理平台30的压力，加快处理速度，提高工作效率。在岸基监测模块10和空基监测模块20的控制计算机上，对所获得的数据做预处理：所述岸基控制计算机12和空基控制计算机22对采集到的图像数据进行分割处理，将图像数据分割成N等分，且对每个分割后的小图像进行编号。请参阅图7，示例性地，将获得的图像从中划分成，左上角的编号1，右上角编号2，左下角编号3，右下角编号为4，分割示意图见图5。分割后的图像能有效减少数据处理平台30的压力。

[0031] 更优地，所述目标检测模型的训练过程为：

[0032] 步骤1、采集多种场景下的垃圾图像，筛选出包含海漂垃圾的图像并构建样本数据集；

[0033] 步骤2、将样本数据集划分为训练集、测试集以及验证集，并对样本数据集中的图像上的海漂垃圾进行框选并标注类别，生成标签；

[0034] 步骤3、所述目标检测模型基于YOLOv5进行构建，并对网络进行优化。

[0035] 步骤3.1原YOLOv5网络中使用的最大池化(Maxpool)可以减少卷积层参数误差造成的估计均值偏移，能保留更多纹理特征，但容易忽略细节特征信息。因此，本实施例引入Softpool池化方法，所述Softpool方法使用了Softmax加权，具备可微分的特征，使网络可以保留输入的图像信息的基本属性，并且可以扩大特征信息。Softpool池化方法对每个池化窗口内的元素计算加权平均，其权重为这些元素的指数值，以超参数α为基数，从而在卷积神经网络中灵活地平衡最大池化和平均池化；通过调整α，Softpool可以在性能和灵敏度之间进行优化，使得特征提取更加有效和平滑。

[0036] 步骤3.2数据增强：对训练数据进行数据增强，包括随机裁剪、旋转、缩放和色彩变换，从而增加训练数据的多样性。

[0037] 步骤3.3迁移学习：为了提高模型训练效率和最终模型的性能，采用预训练模型进行初始化，所述预训练模型在大规模的数据集上已经学习到了丰富的特征信息，加速目标检测模型的训练过程。其过程为：选择在大规模数据集上已训练过的模型，加载其预训练权重，并将这些权重迁移到新的目标检测模型中，部分层选择冻结，以保留通用特征，同时在目标检测任务上继续训练以学习特定特征。预训练模型提供了已经学习到的大量低级和中级特征信息，为目标检测模型提供良好的初始化，从而加速训练过程并提高最终性能。

[0038] 步骤4、模型训练过程中，使用训练集对模型进行训练，并在每个训练轮次后使用验证集进行验证，以检测模型在未见数据上的表现，防止过拟合；

[0039] 步骤5、对模型进行评估，使用测试集对训练完成的模型进行最终评估，包括评估模型的准确性、召回率、F1分数以及其他相关的性能指标。

[0040] 步骤6、对模型进行部署与应用，经过评估后，确定最优模型并将其部署在所述数据处理平台30中，用于对海漂垃圾进行实时检测和分类。

[0041] 通过上述步骤1至步骤6，构建了一个高效的海飘垃圾检测模型，实现了对各种海飘垃圾的准确识别与分类。

[0042] 现以一段5公里长的待监测海岸为例，说明本发明的实施过程。

[0043] 按照图2、图3以及图6，在海岸线沿线，布置多个岸基监控摄像头11，摄像头11高度约2‑3米，倾斜角度35°至55°，根据现场情况进行调整，确保能最大面积监视海面。此外，对海岸线范围内的码头，入海口等有频繁日常活动的位置，额外设置相同的摄像头11，进行重点监测。对每个摄像头11按3位数顺序编号，并使用用户交互软件进行控制。控制软件每5分钟抓取一次监控摄像头11画面，并按照一定的命名规则进行命名。命名规则为：前6位为年月日信息；第7位到第12位为时间信息；第13位为模块识别码，岸基模块为0，空基模块为1，如有其他来源数据可以按顺序扩展；第14到第16位为站位信息。例如，2022年1月1日8点7分6秒，岸基摄像头111号抓取到的数据，可命名为2201010807060001。用户交互软件抓取到的数据，存放在本地，供数据处理平台30调用。

[0044] 请参阅图2至图5，在海岸线沿线设置无人机21航线，无人机21飞行高度为20米、航速60km/h至80km/h，确保覆盖岸线两侧各15米，并根据现场情况进行调整，确保能最大面积监视海面。对不同起飞机次、不同无人机21获得的数据进行编码，编码规则为：前6位为年月日信息；第7到第8位为起飞机次信息，每小时一个机次，全天共24机次，第9位到第12位为流水编号；第13位为模块识别码，岸基模块为0，空基模块为1，如果有其它数据来源可以按顺序扩展；第14位到第16位为三位数的无人机21编号。例如，2023年1月1日8点起飞的编号001无人机21获取的第一张图像，编号为2301010800011001。用户交互软件获得的数据将存放在本地，供数据处理平台30调用。

[0045] 数据处理平台30通过网络通讯，读取预处理后的图像数据，并将图像数据导入目标检测模型，对可能存在的目标物进行识别，并将识别后的结果保存到任务日志中。同时如果监测到了大量的海漂垃圾，会立刻发出警报通知值守人员，立即对垃圾进行处置。

[0046] 本发明监测系统使用人工智能算法识别海漂垃圾，能有效监测到海漂垃圾这一偶发事件，并对常见的泡沫、浮木、塑料瓶、塑料袋等垃圾进行分类。同时本发明能实现大范围全天候监测，不受气象条件影响，能有效的提高监测效率，减少对人工的依赖。本发明监测系统不受数据源限制，能处理不同来源的数据，实现多平台实时监测。

[0047] 基于同一发明构思，实施例二提供了实施例一系统所执行的方法步骤。

[0048] 实施例二

[0049] 一种多平台海漂垃圾监测方法，部署岸基监测模块10、空基监测模块20和数据处理平台30，所述岸基监测模块10包括多个摄像头11和岸基控制计算机12，所述空基监测模块20包括无人机21和空基控制计算机22，然后执行如下步骤：所述摄像头11采集监测海域的图像数据或视频数据，然后将采集到的数据传输至所述岸基控制计算机12，通过所述岸基控制计算机12将采集到的数据传输至数据处理平台30；所述无人机21采集监控海域的图像数据或视频数据，然后将采集到的数据传输至所述空基控制计算机22，通过所述空基控制计算机22将采集到的数据传输至数据处理平台30；所述数据处理平台30通过训练好的目标检测模型对回传的数据进行处理，识别海漂垃圾并定位，再将识别结果通报给用户。

[0050] 更优地，所述目标检测模型的训练过程为：采集多种场景下的垃圾图像，筛选出包含海漂垃圾的图像并构建样本数据集；将样本数据集划分为训练集、测试集以及验证集，并对样本数据集中的图像上的海漂垃圾进行框选并标注类别，生成标签；所述目标检测模型基于YOLOv5进行构建，并对网络进行优化；模型训练过程中，使用训练集对模型进行训练，并在每个训练轮次后使用验证集进行验证，以检测模型在未见数据上的表现，防止过拟合；对模型进行评估，使用测试集对训练完成的模型进行最终评估，包括评估模型的准确性、召回率、F1分数以及其他相关的性能指标。对模型进行部署与应用，经过评估后，确定最优模型并将其部署在所述数据处理平台30中，用于对海漂垃圾进行实时检测和分类。

[0051] 更优地，所述目标检测模型的网络优化包括：池化层优化策略：引入Softpool池化方法，所述Softpool方法使用了Softmax加权，具备可微分的特征，使网络可以保留输入的图像信息的基本属性，并且可以扩大特征信息。数据增强：对训练数据进行数据增强，包括随机裁剪、旋转、缩放和色彩变换，从而增加训练数据的多样性。迁移学习：为了提高模型训练效率和最终模型的性能，采用预训练模型进行初始化，所述预训练模型在大规模的数据集上已经学习到了丰富的特征信息，加速目标检测模型的训练过程。

[0052] 更优地，所述岸基控制计算机12和空基控制计算机22对采集到的图像数据进行分割处理，将图像数据分割成N等分，且对每个分割后的小图像进行编号。

[0053] 由于本发明实施例二所介绍的方法，为实施本发明实施例一的系统的方法步骤，故而基于本发明实施例一所介绍的系统，本领域所属人员能够了解该系统的具体实施方式，故而在此不再赘述。凡是本发明实施例一描述的技术手段都属于本发明所欲保护的范围。

[0054] 以上所述仅为本发明的具体实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。