基于改進(jìn)ＹＯＬＯｖ５ｓ 的水面漂浮物檢測算法研究

摘 要：水面圖像具有水波擾動、光線反射、岸上倒影等復(fù)雜特征，導(dǎo)致現(xiàn)有目標(biāo)檢測方法不能很好地完成對水面漂浮物的識別。基于此，提出了一種基于改進(jìn)ＹＯＬＯｖ５ｓ 的水面漂浮物檢測優(yōu)化模型，通過增加目標(biāo)檢測層以提升模型檢測多尺度目標(biāo)的能力，在特征融合層引入無參注意力機(jī)制ＳｉｍＡＭ 以提高模型對漂浮物特征的學(xué)習(xí)，并采用ＣＡＲＡＦＥ 上采樣方式增強(qiáng)網(wǎng)絡(luò)的感受野以提高對特征的重建能力，在ＹＯＬＯｖ５ｓ 網(wǎng)絡(luò)結(jié)構(gòu)中融入卷積混合層以保持模型檢測精度且減少參數(shù)量，從而提高模型運(yùn)行速度。實(shí)例驗(yàn)證結(jié)果表明：改進(jìn)模型檢測效果良好，平均精度達(dá)９７．１％，較原ＹＯＬＯｖ５ｓ 模型提高了４．９ 個(gè)百分點(diǎn)，能夠有效改善水面漂浮物漏檢、誤檢問題。

關(guān)鍵詞：漂浮物檢測；ＹＯＬＯｖ５ｓ；多尺度特征檢測；注意力機(jī)制；ＣＡＲＡＦＥ；卷積混合層

中圖分類號：ＴＶ２１３．４ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１５

引用格式：項(xiàng)新建，翁云龍，謝建立，等．基于改進(jìn)ＹＯＬＯｖ５ｓ 的水面漂浮物檢測算法研究［Ｊ］．人民黃河，２０２４，４６（７）：８５－９１．

水面漂浮物危害水利水電工程安全，同時(shí)會對水體水質(zhì)、水產(chǎn)養(yǎng)殖、航運(yùn)等造成不利影響［１］ ，因此水面漂浮物的及時(shí)清理是水環(huán)境管理的主要工作之一［２］ 。目前水面漂浮物檢測方法主要有傳統(tǒng)數(shù)字圖像處理和基于深度學(xué)習(xí)的檢測兩類。傳統(tǒng)數(shù)字圖像處理方法主要通過水面圖像的前景和背景特征、濾波理論完成對水面漂浮物的識別［３］ 。江杰等［４］ 提出了基于混合高斯模型的背景差分法和幀差法對河流漂浮物進(jìn)行自動檢測。湯偉等［５］ 利用均值漂移算法與改進(jìn)的最大類間方差法提取水面漂浮物。魏建榮［６］ 提出基于背景紋理法檢測水面漂浮物。傳統(tǒng)數(shù)字圖像處理方法在光照條件良好、干擾少的環(huán)境下漂浮物檢測精度較高［７］ ，但水面環(huán)境復(fù)雜多變，例如反光、倒影等因素影響漂浮物特征的提取，導(dǎo)致水面漂浮物檢測精度降低。近年來，深度學(xué)習(xí)成為目標(biāo)檢測領(lǐng)域的主流［８］ ，深度學(xué)習(xí)目標(biāo)檢測主要分為基于區(qū)域選擇的兩階段目標(biāo)檢測和基于回歸方法的單階段目標(biāo)檢測。基于區(qū)域選擇的兩階段目標(biāo)檢測主要包括區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（ＲＣＮＮ）［９］ 、空間金字塔池化網(wǎng)絡(luò)（ＳＰＰ－Ｎｅｔ）［１０］ 、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Ｆａｓｔ Ｒ－ＣＮＮ）［１１］ 等，這類方法檢測精度較高，但檢測速度較慢，難以達(dá)到實(shí)時(shí)檢測的目的。基于回歸方法的單階段目標(biāo)檢測方法主要包括單發(fā)多框檢測器（ＳＳＤ）［１２］ 、ＹＯＬＯ［１３］ 、視網(wǎng)膜網(wǎng)絡(luò)（Ｒｅｔｉ?ｎａＮｅｔ）、ＹＯＬＯｖ３ 等，這類方法的檢測速度快于兩階段目標(biāo)檢測的，但檢測精度低于兩階段目標(biāo)檢測的。