1. 项目背景与核心价值水面漂浮垃圾识别是当前环保领域的重要课题。传统人工巡查方式效率低下且成本高昂特别是在大面积水域监测场景中。我们团队开发的这套基于CNN的识别系统实测在太湖某水域的测试中对塑料瓶、泡沫箱等常见漂浮物的识别准确率达到92.3%比传统图像处理方法提升近40个百分点。这个毕设项目的独特价值在于首次将MobileNetV3轻量级网络应用于水面垃圾识别场景创新性地采用迁移学习数据增强的组合方案开发了适配水面反光环境的特殊预处理模块整套系统可在树莓派等边缘设备部署运行关键提示水面环境存在大量干扰因素波浪、反光、倒影等这是区别于常规物体检测的最大技术难点2. 技术方案设计解析2.1 整体架构设计系统采用经典的数据采集→预处理→模型训练→部署应用流程但在每个环节都针对水面场景做了特殊优化数据流示意图 [摄像头采集] → [光照补偿模块] → [波浪稳定处理] → [CNN特征提取] → [分类决策]2.2 核心模型选型经过对比实验我们最终选择MobileNetV3-small作为基础网络主要考量计算量仅0.44B FLOPs适合边缘部署在自建测试集上达到92.3%准确率推理速度在树莓派4B上可达17FPS模型改进点新增浅层注意力模块SE Block输出层改用Focal Loss解决类别不平衡添加针对小目标的特征金字塔结构3. 数据集构建要点3.1 数据采集规范我们建立了严格的数据采集标准拍摄高度距水面1.5-3米光照条件涵盖顺光/逆光/侧光垃圾类型6大类28小类含塑料袋、饮料瓶等背景变化5种水质清澈/浑浊/藻类等3.2 数据增强策略针对水面特性设计的增强方案def water_augmentation(image): # 波浪扭曲 image random_wave_distortion(image) # 阳光反射模拟 image add_sun_glare(image) # 水质色调变化 image color_jitter(image) return image3.3 标注技巧使用LabelImg标注时注意对半沉浮物体要标注水面分界线反射倒影不应标注为正样本小目标至少保持15×15像素4. 模型训练实战4.1 环境配置推荐使用conda创建专用环境conda create -n waterdetect python3.8 conda install pytorch1.12.1 torchvision0.13.1 -c pytorch pip install opencv-python albumentations4.2 关键训练参数optimizer: AdamW lr: 1e-4 (cosine衰减) batch_size: 32 input_size: 320×320 augmentation: MixUpCutMix4.3 训练技巧采用渐进式分辨率训练256→320→384前5epoch冻结骨干网络使用SWA随机权重平均提升稳定性5. 部署优化方案5.1 模型压缩技术通道剪枝移除0.01的通道8位量化精度损失1%TensorRT加速提升2.3倍5.2 边缘设备部署树莓派部署关键步骤# 转换ONNX格式 torch.onnx.export(model, input, model.onnx) # TensorRT优化 trtexec --onnxmodel.onnx --saveEnginemodel.engine5.3 实时检测优化多线程处理架构线程1图像采集OpenCV线程2预处理NumPy线程3模型推理TensorRT线程4结果可视化6. 常见问题解决方案6.1 反光误识别解决方法预处理添加偏振滤波训练集增加强反光样本后处理加入反射特征检测6.2 小目标漏检改进措施修改anchor尺寸8×8→4×4添加超分辨率预处理采用注意力机制增强小目标特征6.3 模型漂移问题持续学习方案建立在线难例挖掘系统每月增量训练更新动态类别权重调整7. 项目扩展方向在实际应用中我们发现几个有价值的改进点结合无人机航拍实现大范围监测添加垃圾密度热力图生成功能开发基于LSTM的时间序列分析模块集成GPS定位构建垃圾分布数据库这个项目从实验室走向实际应用还需要考虑不同季节光照条件适配极端天气下的鲁棒性多设备协同检测方案能耗优化与太阳能供电