基于YOLO V5算法在近海漂浮垃圾檢測上的應用

李嘉俊 曹文鵬 王睿恒 李偉嘉 郭懷睦

摘 要：目前近海洋垃圾打撈遠海主要人工打撈，有著人工效率低、大型水面清理機械無法清理，人工作業風險大的問題，文章提出了基于YOLO V5的垃圾自動檢測。首先，在近海面拍攝漂浮物圖像并轉化為HSV模型;接下來，檢測垃圾特征;最后，對比數據庫輸出結果。結果顯示：該方法能夠有效完成在近海海洋識別漂浮物。

關鍵詞：YOLO V5、RGB顏色空間、HSV 顏色空間

捕捉可疑漂浮物區域

在YOLO V5算法中導入YOLO V5中超參數配置文件，加入augment_hsv函數，它能夠返回調整之后的圖片，而不直接覆蓋輸入圖片。

def augment_hsv（img， hgain=0.5， sgain=0.5， vgain=0.5）：

r = np.random.uniform（-1， 1， 3） * [hgain， sgain， vgain] + 1 ?# random gains

hue， sat， val = cv2.split（cv2.cvtColor（img， cv2.COLOR_BGR2HSV））

dtype = img.dtype ?# uint8

x = np.arange（0， 256， dtype=np.int16）

lut_hue = （（x * r[0]） % 180）.astype（dtype）

lut_sat = np.clip（x * r[1]， 0， 255）.astype（dtype）

lut_val = np.clip（x * r[2]， 0， 255）.astype（dtype）

img_hsv = cv2.merge（（cv2.LUT（hue， lut_hue）， cv2.LUT（sat， lut_sat）， cv2.LUT（val， lut_val）））.astype（dtype）

img_hsv = cv2.cvtColor（img_hsv， cv2.COLOR_HSV2BGR）

return img_hsv

近海面的背景環境存在諸多干擾項，除了有漂浮物，還有天空的倒影、漂浮物的倒影、泡沫等，存在許多顏色近似的干擾項，影響了海面漂浮物識別。因此必須采取方法把近似干擾項排除。通過把對象有RGB顏色空間轉換為HSV 顏色空間，像人眼分析物體色度、飽和度、明亮值，正確提取漂浮物區域。

2.改進對小目標和鄰近目標檢測效果與輕量化設計

在近海洋海面上，因為季風、洋流的原因，靠近海岸側垃圾相對集中，易于識別。但是隨著離海岸距離的增加，垃圾分布逐漸稀松，一些較小的垃圾提取出來像素偏小，識別難度上升。

通過引入 CIOU邊框回歸損失函數來提高回歸框準確率;針對低功耗移動設備終端的部署，以YOLO V5目標檢測算法為基礎 ，結合 MobileNetV3的特征提取網絡 ，輕量化算法。

3.區分海域與海岸

利用視覺算法處理視頻幀圖像的目的是提取疑似垃圾區域。海面視頻幀圖像往往會包含海面區域和岸上區域。如果對整幀圖像進行視覺計算處理，會大大增加計算量，延長處理時間，不利于滿足實時性要求。 因此，有必要采取海岸線檢測技術，它既能有效地降低圖像處理的負擔，又不會丟棄圖像的有效信息， 是高效提取疑似海面垃圾區域的重要保證。 海岸線是對圖像中海面區域和岸上區域進行分割的良好分界線。 海岸線檢測技術采用的方法是先對圖像進行邊緣檢測，生成一張帶有圖像中所有邊緣信息的二值圖像， 接著采用霍夫變換對生成的二值圖像進行特定形狀邊緣信息的提取， 提取出來的特定形狀的邊緣信息即為所求的水岸線邊緣輪廓。 最終，利用 水岸線邊緣輪廓對圖像中海面區域和岸上區域進行分割。

參考文獻

[1]羅文俊，黃培燦，楊悅，陳耀鋒.基于機器視覺的湖面垃圾識別算法設計[J].工業控制計算機，2021，34（01）：77-78+127.

[2]王銘杰.基于YOLO V3的垃圾自動定位及分類方法[J].無線互聯科技，2019，16（20）：110-112.

[3]CSDN博主「昌山小屋」玩轉yolov5請看代碼之augment_hsvhttps：//blog.csdn.net/ChuiGeDaQiQiu/article/details/113057867