崔文婧，張彩云，武新娜

（1.廈門大學(xué)海洋與地球?qū)W院，福建 廈門 361102；2.廈門大學(xué)近海海洋環(huán)境科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，福建 廈門 361102；3.廈門大學(xué)水聲通信與海洋信息技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，福建 廈門 361102）

近年來，隨著沿海工農(nóng)業(yè)生產(chǎn)的迅猛發(fā)展及旅游業(yè)的興盛，海漂垃圾污染逐漸成為世界各海域普遍多發(fā)的海洋污染現(xiàn)象[1-4]，每年進(jìn)入海洋的塑料垃圾多達(dá)8 000 000 t，每平方千米海面上漂浮著1.3萬片塑料垃圾，其中近岸活動(dòng)是產(chǎn)生垃圾的主要來源，占到了80%，另外20%來自海上活動(dòng)[5]。海漂垃圾的出現(xiàn)對(duì)海域產(chǎn)生了重大影響，造成水質(zhì)污染、視覺污染，還可能威脅航行安全，威脅著海洋生物的生命安全，甚至?xí)ㄟ^食物鏈直接威脅人類自身。除此之外，海上垃圾也會(huì)影響近海漁業(yè)的發(fā)展[5]。因此，對(duì)海漂垃圾開展自動(dòng)化監(jiān)測(cè)具有重要的意義。

目前海漂垃圾常用的調(diào)查手段是利用船只、無人機(jī)或飛機(jī)對(duì)某一海域漂浮垃圾進(jìn)行調(diào)查觀測(cè)，但是觀測(cè)間隔的時(shí)間長(zhǎng)，監(jiān)測(cè)結(jié)果不連續(xù)[6]。視頻監(jiān)控作為海漂垃圾定點(diǎn)監(jiān)測(cè)的一種重要手段，具有可長(zhǎng)時(shí)間、連續(xù)獲取某一重點(diǎn)區(qū)域海漂垃圾動(dòng)態(tài)變化過程的特點(diǎn)，正日益成為海洋污染監(jiān)管重要的技術(shù)手段之一[7-8]。此外，隨著計(jì)算機(jī)運(yùn)算能力的大幅提升以及海量的數(shù)據(jù)和先進(jìn)算法技術(shù)的發(fā)展，深度學(xué)習(xí)模型在圖像分類領(lǐng)域取得許多重要的突破[9-10]。其中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks ，CNN）是深度學(xué)習(xí)技術(shù)中最重要的網(wǎng)絡(luò)結(jié)構(gòu)之一。CNN能夠從數(shù)據(jù)中自動(dòng)學(xué)習(xí)并提取特征，其泛化能力顯著優(yōu)于傳統(tǒng)方法。在圖像處理上，CNN不僅能夠有效地將大數(shù)據(jù)量的圖片降維成小數(shù)據(jù)量，而且能夠有效地保留圖片特征，符合圖片處理的原則。CNN技術(shù)的興起，大大地提高了語義分割算法的精度，在實(shí)現(xiàn)像素級(jí)別的圖像分類上明顯優(yōu)于其他傳統(tǒng)的語義分割算法。因此CNN已在人臉識(shí)別、目標(biāo)定位檢測(cè)、目標(biāo)分割以及圖片分類檢索等領(lǐng)域有著廣泛的應(yīng)用。如張惠凡等[11]利用青海湖野鳥監(jiān)控的視頻關(guān)鍵幀圖像數(shù)據(jù)，采用VGG16（Visual Geometry Group16）卷積神經(jīng)網(wǎng)絡(luò)預(yù)訓(xùn)練模型來提取圖像中的野鳥特征。芮挺等[12]提出采用多層網(wǎng)絡(luò)構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)行人檢測(cè)的方法，結(jié)果表明該方法對(duì)于行人檢測(cè)的識(shí)別率要明顯優(yōu)于傳統(tǒng)方法。陳耀丹等[13]研究并實(shí)現(xiàn)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，識(shí)別率可以達(dá)到99%以上。

因此，本文以廈門灣為研究海域，使用安裝在嵩嶼碼頭的視頻監(jiān)控設(shè)備所獲取的圖片，開展基于卷積神經(jīng)網(wǎng)絡(luò)的海漂垃圾自動(dòng)識(shí)別技術(shù)研究，研究結(jié)果有望為深度學(xué)習(xí)這一新技術(shù)在海洋垃圾自動(dòng)監(jiān)測(cè)中的應(yīng)用提供借鑒與技術(shù)參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)域概況

廈門灣地處臺(tái)灣海峽西岸中部，閩南金三角中心，九龍江的下游，其海域面積為300多平方千米。隨著廈門灣周邊地區(qū)的城市化進(jìn)程，并且廈門擁有豐富的濱海自然和人文旅游資源，每年慕名而來的游客數(shù)不勝數(shù)。經(jīng)濟(jì)和旅游業(yè)的日益增長(zhǎng)給廈門灣海洋環(huán)境造成了巨大壓力。

據(jù)統(tǒng)計(jì)，進(jìn)入廈門海域的海漂垃圾有80%～90%來自九龍江流域[14]，主要包括水草、水浮蓮、樹枝、木頭、竹竿、飲料瓶和塑料袋[15]。海漂垃圾在九龍江徑流帶動(dòng)下及潮汐影響下四處擴(kuò)散，嚴(yán)重影響廈門島周邊海域及海岸的景觀，對(duì)廈門的旅游業(yè)造成打擊，同時(shí)也給廈門海洋生態(tài)環(huán)境帶來一定的生態(tài)風(fēng)險(xiǎn)[14]。

嵩嶼碼頭毗鄰九龍江入?？谔?，是九龍江流域的垃圾進(jìn)入廈門灣周邊海域的必經(jīng)之路。在嵩嶼碼頭設(shè)置監(jiān)控視頻，持續(xù)開展該海域海漂垃圾的監(jiān)測(cè)，有助于實(shí)時(shí)掌握流入廈門灣海漂垃圾的動(dòng)態(tài)變化過程，并及時(shí)預(yù)警，為廈門灣海漂垃圾的監(jiān)測(cè)和管理提供一定的參考依據(jù)。

1.2 數(shù)據(jù)源

本文所用的數(shù)據(jù)是嵩嶼碼頭T1鐵塔上安裝的攝像監(jiān)控設(shè)備所拍攝到的影像數(shù)據(jù)。視頻監(jiān)控設(shè)備為大華智能高清球機(jī)，分辨率為400萬像素，焦距6～180 mm。拍攝范圍主要為嵩嶼碼頭到對(duì)岸漳州一帶的海域。

視頻監(jiān)控圖片數(shù)據(jù)可通過4G網(wǎng)絡(luò)自動(dòng)傳回到廈門大學(xué)海洋監(jiān)測(cè)與信息服務(wù)平臺(tái)的FTP服務(wù)器上。本文主要使用的數(shù)據(jù)是2018年7—12月5：00—19：00的圖片。

1.3 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（圖1）是一種多層的神經(jīng)網(wǎng)絡(luò)，由輸入層、卷積層、池化層、全連接層、Softmax分類層和輸出層組成。其中，輸入層為訓(xùn)練數(shù)據(jù)，即原始數(shù)據(jù)；卷積層是通過一個(gè)過濾器（卷積核）來過濾圖像的各個(gè)小區(qū)域，從而提取圖像的特征；池化層的主要作用是把數(shù)據(jù)降維，以有效避免過擬合；線性整流函數(shù)（Rectified Linear Unit，ReLU）表示卷積層所使用的激活函數(shù)。卷積層和池化層一般是交替出現(xiàn)，形成若干個(gè)卷積組，通過卷積組逐層進(jìn)行特征的提取，最后采用若干個(gè)全連接層實(shí)現(xiàn)分類。

圖1 卷積神經(jīng)網(wǎng)絡(luò)分類示意圖

通常CNN網(wǎng)絡(luò)通過卷積層之后的若干個(gè)全連接層，將卷積層產(chǎn)生的特征圖映射成一個(gè)固定長(zhǎng)度的特征向量。全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）（圖2）可對(duì)圖像進(jìn)行像素級(jí)的分類，從而解決了語義級(jí)別的圖像分割問題。與經(jīng)典的CNN在卷積層之后使用全連接層得到固定長(zhǎng)度的特征向量進(jìn)行分類（全連接層＋Softmax輸出）不同，F(xiàn)CN可以接受任意尺寸的輸入圖像，采用反卷積層對(duì)最后一個(gè)卷積層的特征圖進(jìn)行上采樣，使它恢復(fù)到輸入圖像相同的尺寸，從而可以對(duì)每個(gè)像素都產(chǎn)生了一個(gè)預(yù)測(cè)，同時(shí)保留了原始輸入圖像中的空間信息，然后在上采樣的特征圖上進(jìn)行逐像素分類。最后逐個(gè)像素計(jì)算Softmax分類的損失，相當(dāng)于每一個(gè)像素對(duì)應(yīng)一個(gè)訓(xùn)練樣本。圖2所示意的全卷積網(wǎng)絡(luò)的前半部分為卷積過程，后半部分為反卷積的過程。

圖2 全卷積神經(jīng)網(wǎng)絡(luò)模型[16]

本文選用VGG16網(wǎng)絡(luò)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)來構(gòu)建海漂垃圾的自動(dòng)判別模型。VGG是由牛津大學(xué)Visual Geometry Group提出的卷積神經(jīng)網(wǎng)絡(luò)模型。圖3表示基于VGG16網(wǎng)絡(luò)的全卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)。VGG16網(wǎng)絡(luò)結(jié)構(gòu)共包含13個(gè)卷積層、3個(gè)全連接層和5個(gè)池化層[16]。VGG16網(wǎng)絡(luò)通過反復(fù)使用3×3的小型卷積核和2×2的最大池化層，不斷加深網(wǎng)絡(luò)結(jié)構(gòu)來提升其性能（圖3）。因VGG16使用多個(gè)較小卷積核（3×3）的卷積層來代替卷積核較大（如5×5或7×7）的卷積層，這樣就可以使得模型的參數(shù)更少，非線性更強(qiáng)，從而增加網(wǎng)絡(luò)的擬合表達(dá)能力，提高分類的精度。

圖3 VGG16網(wǎng)絡(luò)架構(gòu)[17]

本文使用已經(jīng)訓(xùn)練好的VGG16網(wǎng)絡(luò)作為基本框架，為它添加上采樣層，并根據(jù)分類種類和各個(gè)類別所占權(quán)重，添加上適應(yīng)于本文圖像的輸出層并與Softmax層連接，然后通過反卷積網(wǎng)絡(luò)操作，將結(jié)果對(duì)應(yīng)到與輸入圖像相同的尺寸上，從而實(shí)現(xiàn)像素級(jí)別的語義分割（圖2）。

2 海漂垃圾自動(dòng)判別算法的建立

2.1 訓(xùn)練數(shù)據(jù)集的構(gòu)建

本文所使用的訓(xùn)練數(shù)據(jù)集是從嵩嶼碼頭2018年7—12月的視頻中抽幀得到的。這些數(shù)據(jù)集所含的目標(biāo)物不是固定不變的，而是具有多方位、多種形態(tài)特征。同時(shí)在一張圖像中，最好能包含多個(gè)目標(biāo)物體，可以是一個(gè)類別，也可以是多個(gè)類別。經(jīng)過嚴(yán)格篩選，最后獲取具有代表性的訓(xùn)練圖片485張。從圖4可以看出嵩嶼碼頭海漂垃圾主要以木屑類垃圾為主（圖4（a）），同時(shí)在視野范圍內(nèi)亦有不少橘黃色的條帶狀漂浮物（圖4（b））。這些漂浮物可能是由船舶排污產(chǎn)生的泡沫與懸浮泥沙混合物形成的。因此，本文將其也歸為海漂垃圾。在所選擇的485張圖片中，只含橘黃色條帶狀物質(zhì)的圖片有342張，只含木屑類的圖片有143張。圖片大小均為2 592×1 520像素。

圖4 嵩嶼碼頭周邊海域海漂垃圾示意圖

訓(xùn)練圖片在用語義分割網(wǎng)絡(luò)訓(xùn)練之前需要先對(duì)樣本進(jìn)行標(biāo)注。本文使用MATLABR2018b中自帶的圖像標(biāo)注工具Imagelabeler對(duì)圖像上每一個(gè)像素進(jìn)行人工標(biāo)注。根據(jù)視頻監(jiān)控圖片的特征，主要將圖片中的目標(biāo)物分為天空、建筑物、船、水、其他、木屑類垃圾和橘黃色條帶狀物質(zhì)共7類（圖5）。各類標(biāo)注所對(duì)應(yīng)的數(shù)值分別記為[1，2，3，4，5，6，7]。將原圖和對(duì)應(yīng)于原圖的每一個(gè)像素都標(biāo)簽好的圖片分別導(dǎo)入MATLABR2018b中的ImageDatastore和PixellabelDatastore，完成訓(xùn)練數(shù)據(jù)集的構(gòu)建。此外，因原始圖像過大，為了減少卷積時(shí)的計(jì)算量，將原始圖片（像素大小為2 592×1 520）進(jìn)行重采樣得到像素為648×380的圖片，然后再進(jìn)行訓(xùn)練。

圖5 訓(xùn)練樣本標(biāo)注示意圖

2.2 初始化語義分割網(wǎng)絡(luò)并訓(xùn)練

語義分割就是讓計(jì)算機(jī)自動(dòng)分割并識(shí)別出圖像中每一個(gè)像素點(diǎn)的內(nèi)容。初始化指的是參數(shù)設(shè)置，是深度學(xué)習(xí)訓(xùn)練的一個(gè)重要內(nèi)容。為語義分割網(wǎng)絡(luò)訓(xùn)練選擇合適的參數(shù)非常重要，有助于網(wǎng)絡(luò)在短時(shí)間內(nèi)得到充分的訓(xùn)練并獲得好的分類結(jié)果。本文的網(wǎng)絡(luò)訓(xùn)練經(jīng)過反復(fù)實(shí)驗(yàn)后，其中模型優(yōu)化算法選用隨機(jī)梯度下降算法；決定隨機(jī)梯度下降算法收斂速度的參數(shù)即沖量設(shè)定為0.9；學(xué)習(xí)率決定了參數(shù)移動(dòng)到最優(yōu)值的速度快慢，這里將學(xué)習(xí)率設(shè)定為0.01；為防止過擬合，權(quán)重衰減設(shè)定為0.000 5；迭代次數(shù)主要由訓(xùn)練樣本集的數(shù)目決定，訓(xùn)練集樣本越多，需要迭代的次數(shù)就越多。其余參數(shù)大多采用模型的默認(rèn)值。同時(shí)，在訓(xùn)練時(shí)會(huì)先計(jì)算出訓(xùn)練集中每張圖像每一類別像素點(diǎn)個(gè)數(shù)占該圖像總像素點(diǎn)的比例，然后統(tǒng)計(jì)分析不同類別像素點(diǎn)比例的中位數(shù)，將其除以每一類別總像素點(diǎn)從而得到類權(quán)重，該參數(shù)主要用于語義分割網(wǎng)絡(luò)最后一層分類層的構(gòu)建。

為了測(cè)試出影響分類精度的因素，找到取得最佳分類結(jié)果的訓(xùn)練方案，將訓(xùn)練數(shù)據(jù)集分成四種訓(xùn)練方案：

方案一：只含有橘黃色條帶狀物質(zhì)的原圖和帶標(biāo)簽的圖片，共342張；

方案二：只含有木屑類垃圾的原圖和帶標(biāo)簽的圖片，共143張；

方案三：部分含有橘黃色條帶狀物質(zhì)部分含有木屑類的原圖和帶標(biāo)簽的圖片，共485張；

方案四：訓(xùn)練方案一至方案三中海水的占比比較大（平均為81.82%，表1），而木屑類海漂垃圾像素點(diǎn)所占比例比較小（≤0.2%，表1），且小于橘黃色條帶狀物質(zhì)所占比例（＜1%，表1），因此為平衡不同類別的比例，從無人機(jī)拍攝圖片上選取一些含有木屑類垃圾的像素點(diǎn)，裁剪下來放在視頻影像抓取的圖片上（圖6），與只含有橘黃色條帶狀物質(zhì)的圖片進(jìn)行樣本合成，以提高木屑類垃圾在訓(xùn)練圖片上的比例（表1），這些合成的圖片共105張。從表1可以看出，木屑類海漂垃圾和橘黃色條帶狀物質(zhì)在方案四中所占比例有明顯增加，分別達(dá)到了2.53%和1.13%。

圖6 航拍圖片木屑垃圾合成到視頻圖片上

表1 四種訓(xùn)練方案中不同分類類別占總像素點(diǎn)的比例

將以上4種不同方案的訓(xùn)練集中選擇90%的圖片用于訓(xùn)練，10%的圖片用于測(cè)試，輸入VGG16卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)里進(jìn)行訓(xùn)練，同時(shí)檢測(cè)圖像分類效果。

不過，對(duì)于VGG16網(wǎng)絡(luò)結(jié)構(gòu)而言，本文收集的訓(xùn)練樣本數(shù)據(jù)集仍相對(duì)較小。為了避免出現(xiàn)過擬合從而得到較高的分類精度，本文將已有的訓(xùn)練圖片通過旋轉(zhuǎn)或平移等方式生成新的訓(xùn)練圖片，以進(jìn)一步拓展訓(xùn)練數(shù)據(jù)集。

2.3 海漂垃圾自動(dòng)判別流程及評(píng)價(jià)指標(biāo)

圖7表示基于卷積神經(jīng)網(wǎng)絡(luò)的海漂垃圾提取流程。在標(biāo)注訓(xùn)練樣本集和構(gòu)建VGG16網(wǎng)絡(luò)結(jié)構(gòu)后，通過卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練獲得視頻監(jiān)控圖片上各主要目標(biāo)物的分類結(jié)果，并將各類別分類結(jié)果與原始圖片進(jìn)行對(duì)比分析，評(píng)估分類精度。

圖7 基于卷積神經(jīng)網(wǎng)絡(luò)的海漂垃圾提取流程

本文采用卷積神經(jīng)網(wǎng)絡(luò)中常用的識(shí)別精度（Accuracy）[18]來評(píng)價(jià)分類結(jié)果。

對(duì)于每一類的分類結(jié)果，其精度是指被正確分類的像素點(diǎn)與該類總像素點(diǎn)的比例，即

式中，TP是指正確分類的像素點(diǎn)；FN表示分類錯(cuò)誤的像素點(diǎn)；TP+FN為該類的總像素點(diǎn)。

整體分類精度（Global Accuracy）是正確分類的像素（無論類別）與總像素?cái)?shù)的比值。使用整體精度這一指標(biāo)可以快速且在計(jì)算成本低的情況下得到正確分類像素的百分比。

3 實(shí)驗(yàn)結(jié)果及評(píng)估

3.1 分類結(jié)果分析

根據(jù)圖7海漂垃圾的提取流程對(duì)四種方案分別進(jìn)行實(shí)驗(yàn)，結(jié)果如圖8所示，其中第一行、第二行分別表示方案一和方案二的語義分割結(jié)果，第三行和第四行表示方案三的語義分割結(jié)果。從圖8可以看出，方案一（圖8（a）和圖8（b））的橘黃色條帶狀物質(zhì)較為準(zhǔn)確地被判別出來；方案二（圖8（c）和圖8（d））有一些水的像素點(diǎn)被誤判為垃圾像素點(diǎn)；方案三（圖8（e）至圖8（h））中既有一部分水的像素點(diǎn)被誤判為木屑類垃圾，也有一部分水的像素點(diǎn)被誤判為橘黃色條帶狀物質(zhì)。

從圖8還可以看出，當(dāng)把部分含木屑類垃圾與部分含有橘黃色條帶狀物質(zhì)的數(shù)據(jù)集一起投入訓(xùn)練，會(huì)出現(xiàn)部分水像素點(diǎn)誤判為橘黃色條帶狀物質(zhì)或者木屑類垃圾的情況。影響這兩類垃圾分類效果的主要原因可能是相對(duì)于總的待分類像素點(diǎn)而言，橘黃色條帶狀物質(zhì)像素點(diǎn)占比較少，而木屑類海漂垃圾像素點(diǎn)的占比更少（表1），且并不是每一張測(cè)試圖片上均含有這兩類垃圾，因此這兩類垃圾的特征未能得到充分的訓(xùn)練。

圖8 訓(xùn)練方案一至方案三的圖像原圖（左列）和分類結(jié)果（右列）

圖9表示方案四示例圖片的語義分割結(jié)果，方案四是把無人機(jī)拍攝到的木屑類垃圾圖片合成到含有橘黃色條帶狀物質(zhì)的圖片中，木屑類海漂垃圾的占比明顯提高（表1），從結(jié)果圖中可以明顯地看到木屑類海漂垃圾和橘黃色條帶狀物質(zhì)海漂垃圾都較為準(zhǔn)確的判別出來了。

圖9 訓(xùn)練方案四的圖像原圖（左列）和分類結(jié)果（右列）

3.2 分類精度評(píng)估

不同實(shí)驗(yàn)方案主要類別的分類精度評(píng)估詳見表2。其中，所有正確分類的像素個(gè)數(shù)與所有類別總像素個(gè)數(shù)的比值為整體分類精度；每一類別正確分類的像素個(gè)數(shù)與這一類別總像素個(gè)數(shù)的比值為這一類別的分類精度。

從表2可以看出，方案一到方案四整體分類精度均在95%以上，除個(gè)別方案中海漂垃圾的分類精度較低外，其他類別的分類精度均在90%以上?？偟膩碚f，當(dāng)海漂垃圾像素點(diǎn)占總像素點(diǎn)的比例越高時(shí)，其分類精度也越高（表1和表2）。比如，對(duì)于橘黃色條帶物質(zhì)來說，當(dāng)方案一單獨(dú)訓(xùn)練只含有橘黃色條帶狀物質(zhì)的圖片時(shí)，分類精度可以達(dá)到90%以上，而當(dāng)方案三加入含有木屑類垃圾的圖片一起訓(xùn)練，稀釋了橘黃色條帶狀物質(zhì)的像素點(diǎn)，結(jié)果表明橘黃色條帶狀物質(zhì)的分割精度也相應(yīng)地降低（表2）。對(duì)于木屑類海漂垃圾來說，因方案二和方案三木屑類海漂垃圾占總像素點(diǎn)的比例較低，單獨(dú)訓(xùn)練時(shí)分類精度只有74.79%，在方案三其占比有所降低（表1），此時(shí)分類精度降低到57.18%；而當(dāng)在方案四人為提高木屑類海漂垃圾占總像素點(diǎn)的比例時(shí)（表1），其分類精度有了明顯的提高，達(dá)到了92.65%。

表2 4種訓(xùn)練方案中不同分類類別的分類精度

此外，從表2還可以看出，海水、船等易于海漂垃圾混淆的類別的分類精度都比較高（＞96%），這可能意味著利用卷積神經(jīng)網(wǎng)絡(luò)這一深度學(xué)習(xí)方法，能有效減少干擾物像素點(diǎn)與海漂垃圾這一目標(biāo)物像素點(diǎn)間的混淆，從而可以保證目標(biāo)物的提取精度。

基于方案四合成圖片訓(xùn)練集生成的語義分割網(wǎng)絡(luò)，選取2019年4月22日視頻監(jiān)控圖片進(jìn)行圖像分類，結(jié)果如圖10所示。從圖10可以看出第一列和第三列原圖中的各類別都能被準(zhǔn)確地分辨出來，木屑類海漂垃圾和橘黃色條帶狀物質(zhì)二者的區(qū)分也很清楚。而且對(duì)于一些肉眼難以分辨的分界線比較模糊的目標(biāo)物也能較好地分辨出來，說明該判別模型在海漂垃圾的識(shí)別應(yīng)用上是比較成功的。

圖10 2019年4月22日監(jiān)控?cái)?shù)據(jù)的圖像原圖和分類結(jié)果

4 結(jié) 論

本文以廈門嵩嶼碼頭視頻監(jiān)控獲取的海上圖片數(shù)據(jù)集構(gòu)建了基于VGG16語義分割的卷積神經(jīng)網(wǎng)絡(luò)海漂垃圾判別模型。文中設(shè)計(jì)了四種訓(xùn)練方案來提取圖片中的橘黃色條帶狀物質(zhì)和木屑類海漂垃圾。結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)海漂垃圾的提取精度高，當(dāng)圖片中海漂垃圾占比只有2%～3%時(shí)，其分類提取精度仍可達(dá)90%以上；而且訓(xùn)練樣本中提取目標(biāo)如海漂垃圾的有效像素比例越高時(shí)，最后分類的精度也越高；同時(shí)，該方法能有效減少干擾物像素點(diǎn)與垃圾像素點(diǎn)的混淆，具有很強(qiáng)的實(shí)用性。下一步我們將利用更多的訓(xùn)練樣本來優(yōu)化模型，最終實(shí)現(xiàn)海漂垃圾的自動(dòng)化提取，并形成海漂垃圾管理信息系統(tǒng)，實(shí)時(shí)掌握流入廈門灣海漂垃圾的動(dòng)態(tài)變化過程，為管理部門加強(qiáng)海洋垃圾污染防治與科學(xué)管理提供技術(shù)支撐。