智慧水利水面漂浮物识别监测系统
产品简介：
智慧水利水面漂浮物识别监测系统是通过安装在水面上方的高清摄像头或无人机等设备，采集实时图像或视频数据，借助深度学习算法(如卷积神经网络CNN)和传统图像处理方法(如边缘监测、颜色识别、形态学操作等)有效提取和识别水面上各种类型的漂浮物，不仅具有高精度和高效率的特点，还行，对于提高水域生态环境监控、污染治理、以及水体保护具有重要意义。
应用领域：
城市河流与湖泊管理、海洋环境保护、港口与码头运营 、旅游景点维护、环境科学研究等。
系统介绍：
该系统是基于YOLO11开发应用的。YOLO11是Ultralytics最新的实时目标监测器，凭借着更高的精度和速度重新定义了可能性。
除了传统的目标监测外，YOLO11还支持目标跟踪、实例分割、姿态估计等视觉任务。
YOLO11 关键改进点:
增强特征提取：通过改进 Backbone 和 Neck架构，新增了 C3k2和 C2PSA等组件，提升了目标监测精度。
(2)优化效率和速度：重新设计了架构，优化了训练流程，提高了处理速度。
(3)更高精度与更少参数：YOLO11m 在 coco 数据集上实现更高的 mAP，且参数减少 22%。
(4)多环境适应性：支持边缘设备、云台和 NVDIA GPU。
(5)广泛任务支持：支持分类、监测、跟踪、关键点姿态估计等视觉任务。
功能特点：
1、数据采集与预处理：采集实际水体中污染河道的漂浮物数据，并对采集的数据进行图像标注及图像预处理，有助于减少噪声对监测精度的影响；
2、模型训练：使用已标注的水面漂浮物图像数据集进行 YOLO 模型的训练，训练网络学习漂浮物的特征；
3、模型优化：根据模型的精度和推理速度进行调优，确保模型能够在满足监测精度的前提下，以较高的实时性运行；
4、模型性能对比：对比训练出来的3种目标监测模型，并在验证集上进行对比分析，比较各个模型在水面漂浮物数据集上表现的优劣。选择最佳模型作为此项目监测模型；
5、开发可视化 GUI 界面：基于深度学习算法利用 Python 语言搭建了一款界面简洁的软件系统，可支持本地图片、视频以及rtsp 流实时监测，将监测结果通过可视化界面展示，能够便捷、高效地完成监测任务；
软件主要功能：
1.可用于实际场景中的水面垃圾监测，目前水中异物监测种类统一命名为 trash，后续可根据业务需求细化更多种类；
2.支持图片、视频及实时视频流进行监测，同时支持图片的批量监测；
3.界面可实时显示目标位置、目标总数、置信度、用时等信息；
4.界面参数设置
本地图片/视频：可点击选择，指定到想要进行监测的图片或者视频所在文件夹地址，选择想要进行的图片或者视频文件；
模型路径：选择指定文件夹下训练好的 yolo 模型.pt 文件；
抽帧间隔：若显卡配置过低，进行实时流进行监测需要设置每隔 x 帧监测一次 Rtsp 端口/账号/密码等；根据实际情况自行输入Rtsp 开始时间/结束时间：(%Y-%m-%d %H:%M:%5)若不填写是实时流，是填写历史视频流。
系统应用：
水面漂浮物垃圾识别监测系统可以监测到河面上的垃圾悬浮物、水浮莲等诸多垃圾，该系统还可以通过图像识别技术完成24小时全天监管河道水面情况以及两岸人员行为，如水面漂浮物垃圾识别监测系统监测到垃圾漂浮物以及人员异常行为时，会发出预警并且通知后台水利大数据监控平台，及时处理，形成闭环管理。
