李德鑫 闫志刚 孙久运

（中国矿业大学环境与测绘学院，江苏徐州221116）

传统河道漂浮垃圾分布情况调查主要通过人工巡河开展，不仅耗时耗力，且无法做到实时监测。随着信息技术和摄影技术的发展，利用无人机、无人船航拍河道的方式逐渐代替了人工巡检，开展了基于航拍影像和目标检测技术的河道漂浮垃圾识别的相关研究。

目前，较为有效的方法主要包括基于传统机器学习的目标检测技术和基于深度学习的目标检测技术。传统目标检测技术的实现流程为：图像分割，按目标的颜色、面积、纹理等在分割区域进行特征提取，利用分类器进行分类识别。如ALI等［1］利用采集影像时间与河道影像亮度之间的概率分布图设置阈值，来分割水面漂浮的木屑。左建军等［2］首先通过背景差法分割漂浮物区域，利用BP算法训练样本特征，然后将特征化数据输入分类器进行分类。基于传统机器学习的图像目标检测虽然取得了一定进展，但模型鲁棒性较差，且中间过程需要人为干预，端到端的深度学习目标检测算法应运而生。基于深度学习的目标检测算法可大致分为双阶段目标检测算法和单阶段目标检测算法两类。双阶段目标检测算法最具代表性的有 Fast R-CNN［3］、Faster R-CNN［4］、RFCN［5］和 Mask R-CNN［6］，该系列算法检测精度虽高，但检测速度过慢，达不到实时性的效果，因此不适用于河道巡检这种大型工程。单阶段目标检测算法最具代表性的是YOLO系列［7-9］和SSD系列［10-11］，因其省去了区域提取这一步骤，极大提高了检测速度，学者们开始将单阶段目标检测算法应用于河道漂浮物检测领域。……