基于深度學習的自然資源審計數據研究

徐超 王宇濤 陳勇

【摘 要】 黨的二十大報告指出，尊重自然、保護自然、順應自然是全面建設社會主義現代化國家的內在要求，開展自然資源審計的重要性不言而喻。當下自然資源審計雖然已經取得了一定的成果，但在圖像等非結構化數據的處理上仍然效率不高。水資源作為自然資源的重要組成部分，其審計工作的重要性不言而喻，而且圖像等非結構化數據在水資源審計數據中占比很大。為此，文章以自然資源審計中的水資源審計為例，聚焦于水污染圖像數據處理，設計了一種基于深度學習的自然資源審計數據處理算法。通過對主流YOLOv5 網絡的改進，使其在水污染圖像數據處理的準確率和處理速度等方面具有良好的表現，為提升自然資源審計的效率提供了有力支撐。

【關鍵詞】 自然資源審計； 深度學習； 目標檢測； 輕量化網絡； YOLOv5； 水資源審計

【中圖分類號】 F234.3? 【文獻標識碼】 A? 【文章編號】 1004-5937（2024）12-0010-09

一、引言

黨的二十大報告指出，大自然是人類賴以生存發展的基本條件。尊重自然、順應自然、保護自然，是全面建設社會主義現代化國家的內在要求。必須以習近平生態文明思想為指引，牢固樹立和踐行綠水青山就是金山銀山的理念，站在人與自然和諧共生的高度謀劃發展[1]。在新時代背景下，自然資源審計顯得尤為重要，這也是打贏污染防治攻堅戰的關鍵一環。

水資源作為自然資源的重要組成部分，必須高度重視水資源審計工作，從而實現對水資源的保護。我國水資源短缺情況較為嚴重，人均淡水量低于世界平均水平，且存在較為嚴重的污染問題。結合當下自然資源審計缺乏對于非結構化數據的關注[2]且存在效率低下的問題，本文以水資源審計為例，聚焦水污染治理[3]，而水污染圖像數據作為水資源審計數據中占比較大的數據，自然就成為審計人員必須重點分析和處理的。此外，圖像數據可以很好地體現出水污染治理的情況，便于審計人員找出關鍵審計點，避免審計方向出現偏差。水污染圖像的處理一般采用人工方式，導致大量人力物力被浪費在人工判別水污染圖像的工作中。具體而言，審計人員在進行水資源審計過程中，會遇到大量水污染圖像，以目前審計人員的業務水平可以很好地對少量圖像進行判別。但是水污染圖像的數量一旦上升，審計人員難免會因為工作量劇增，導致對部分圖像的判別出現錯誤。長此以往，判別錯誤的圖像累積到一定數量，必然會對審計工作產生不良影響。審計人員不得不額外分配時間對水污染圖像進行校對，從而導致審計工作時間被浪費，這與水資源審計工作的初衷相違背。此外，部分水污染圖像中存在一些較小的污染物，很難精確地通過肉眼辨別，需要借助其他技術手段來進行判別。

隨著近年來計算機視覺技術的不斷發展，深度學習算法模型開始得到廣泛應用。較之傳統機器學習算法，深度學習算法通過模擬神經元傳遞信息的方式，實現了算法的高精度。傳統目標檢測算法多基于手工提取特征，導致識別精度較低，而基于深度學習的目標檢測算法可以很好地實現高精度的圖像自動化檢測，從而節省大量人力物力，便于有關部門將更多的成本投入到圖像檢測后的具體治理方法研究中，為打贏污染防治攻堅戰提供了有力保障。

在深度學習技術與審計結合方面，相關學者從不同角度展開了研究。吳勇等[4]在明確深度學習概念的基礎上，結合國際“四大”會計師事務所的實際應用探究了深度學習在審計中應用的策略和路徑。蔣楠[5]分析了深度學習和人工智能技術對國家審計的影響、風險和挑戰，為推進國家治理體系和治理能力現代化提供借鑒和參考。張慶龍等[6]在區分內部審計數字化、智能化概念的區別與聯系基礎上，聚焦于新一代內部審計智能化中大規模深度學習的特點，提出了智能化內部審計的一系列可能與挑戰。邵磊落等[7]采用深度學習方法挖掘財務報表上資產、資金的狀態以及資產、資金在流轉中的增值性與內部控制政策的因果關系，實現結構化數據與非結構化數據的融合，最終形成一種內部控制綜合評價體系。吳勇等[8]將深度學習的智能分析與審計師的經驗修正有效融合，不斷擴充、更新、迭代審計數據倉庫，面向審計業務全流程，構建深度學習模型應用于審計業務不同階段的集成性、整合性框架，以便更好地指導和推動深度學習模型和方法的審計應用。綜上，目前深度學習與審計結合主要還是停留在理論框架上，且具體應用方面也多聚焦于結構化數據的處理。

二、研究現狀

現階段自然資源審計中，審計工作一般針對結構化數據展開，結構化數據的研究已經有了較為完善的方法體系。李妍茹等[9]通過匹配中國主要流域重點斷面水質監測數據和審計試點信息，發現審計試點后水質在整體層面上得到顯著改善，治理效應主要體現為感官效果較直接的溶解氧有了較為明顯的改善。但是現實生活中，非結構化數據的占比很大，某種程度上遠大于結構化數據。這種情況在自然資源審計中表現得尤為明顯，大量數據以圖像形式存儲于相關數據庫中。耿建新等[10]借鑒美國政府問責辦公室（GAO）水資源審計經驗時發現，美國GAO在編制水資源審計報告時采用多樣的審計主題，且審計時關注的數據形式多樣，其中就涉及到了不同類型的圖片數據，這對于我國探索自然資源審計方法具有重要借鑒意義。此時，如何高效準確地處理非結構化數據就顯得尤為重要。

然而，傳統的深度學習算法在處理圖像時準確率較低且速度較慢，同時實際應用時又局限于設備算力，無法在較小算法復雜度的情況下完成圖像處理。因此，相關學者通過借鑒深度學習算法（主要是卷積神經網絡算法）的思想，創造出了基于深度學習的目標檢測算法。這一圖像領域的分支算法能夠很好地解決自然資源審計中圖像數據處理的問題。

針對本文中聚焦的水污染圖像處理問題，現階段已有部分學者開展了研究工作，以期實現高效自動的水污染圖像檢測。宋一格等[11]提出了基于分組卷積與雙注意力機制的河流水面污染圖像分類算法模塊（Grouped Convolution Dual Attention，GCDA），在分組卷積的基礎上引入簡化的雙注意力機制，使用較少的參數量增強了網絡對圖像的特征提取能力，進一步提升圖像分類效果。該模型相較于傳統模型在河流污染物圖像的二分類任務中有較明顯的效果提升。李國進等[12]針對人工湖中的水面漂浮物檢測問題，提出了一種基于改進YOLOv3的水面漂浮物目標檢測算法，目標檢測包括目標識別與目標定位。通過對廣西大學校內鏡湖與碧云湖的數據分析，發現改進的YOLOv3算法提高了識別精度且降低了定位誤差。但他們還停留在使用復雜度較高的算法來完成檢測，雖然檢測精度不差，但是消耗的硬件資源較大，從而導致檢測速度較慢。

綜上所述，為了實現高效快速的水污染圖像檢測，本文選用YOLOv5網絡模型[13]作為基礎模型。同時為了實現網絡輕量化的目標，本文在原有YOLOv5的基礎上替換骨干網絡[14]。用于替換原有骨干網絡CSPDarknet的MobileViT[15]采用現下流行的Transformer思想，該思想以前多應用于自然語言處理中，可以有效實現模型輕量化，減少模型參數。同時將MobileViT中的激活函數從原有的SiLU替換為FReLU[16]，在不大幅提升模型參數量的情況下加速模型收斂的速度，解決Transformer模型收斂較慢的問題。最后將YOLOv5默認的非極大值抑制模塊替換為Soft-NMS[17]模塊，在不需要額外訓練的前提下提升檢測的準確率，且不會增加算法的復雜度。

三、模型構建

（一）基于深度學習技術的自然資源審計業務流程

自然資源審計的目標是對相關自然資源資產管理和生態環境保護情況進行科學評價，以期實現經濟社會的可持續發展[18]。在引入深度學習技術后，自然資源審計將會發生巨大改變。

本文針對基于深度學習的目標檢測算法在自然資源審計中的應用進行研究，以期實現對于圖像的自動化檢測。由于需要實現更高效更準確的水污染圖像檢測，因此需要對現有模型進行改進。在詳細闡述本文的模型改進思路之前，首先需要分析引入改進模型對于自然資源審計的影響。

常見審計業務一般分為審計準備、審計實施、審計報告和審計整改四個階段，自然資源審計也不例外。通過應用本文的改進模型，可以很好地在這四個階段對自然資源審計進行優化，以期達到更好的審計監督效果。下文將通過對具體步驟的分析來闡述優化的具體效果，并結合具體的審計案例進行分析。優化后的自然資源審計業務流程如圖1所示，其中虛線部分為引入深度學習技術后重點變化的步驟。

在審計準備階段，審計人員將會組建審計小組，根據相關的審計要求下達審計通知書。由于改進模型的加入，審計人員將會在編寫審計通知書時更有針對性，即針對改進模型的特點要求被審計單位提供相關數據。這樣可以避免被審計單位提供的數據含有大量“雜質”，影響后續審計工作的效率。接下來，審計人員將會制定適用于改進模型的數據規范，進一步去收集相關的審計數據，最終將所有數據進行整理并清洗，確保后續輸入模型的數據完全符合數據規范。例如，在水污染防治績效審計中，審計人員需要事先確定審計的目標。一旦目標確定，就需要進行數據的采集。相對于傳統做法，改進模型的引入給審計人員提供了可靠的處理圖像數據的方法，因此，審計人員可以把圖像數據納入審計數據庫中，豐富審計數據的類型，進而拓寬審計的角度。

在審計實施階段，審計人員將采用本文的改進模型進行審計。本文以水污染圖像的審計工作切入，有別于傳統水污染圖像審計采用人工方式對圖像等非結構化數據進行審計，本文的模型可以實現自動化圖像檢測。具體來說，審計人員首先在技術人員的幫助下，將改進模型部署至本地，然后將采集得到的水污染圖像上傳至本地電腦中，通過運行事先完成配置的改進算法來完成圖像的檢測工作，通常來說單張圖像在幾十毫秒內即可完成檢測。完成檢測后，圖像會自動保存，便于后續審計人員進行使用。審計人員待圖像全部完成檢測后，即可開始對結果進行匯總，為之后撰寫報告提供充足的材料。水污染圖像審計作為自然資源審計中的個例，雖有其特殊性，但其普遍性不言而喻。本文的改進模型針對自然資源審計中最常出現的圖像數據進行設計，自然可以推廣至所有的自然資源審計場景中。在推廣時，審計人員可在技術人員的幫助下針對不同場景重新制作標簽并訓練對應數據集，應用遷移學習的思想完成模型的適配，最終即可實現各種自然資源審計圖像的自動化檢測。同樣的，具體到水污染防治績效審計中，整個審計工作通常包括水污染防治政策、法律法規、資金管理、工程建設、運營管理等方面，因此數據的處理將會比較煩瑣。改進模型的引入可以很好地節省數據處理的時間，尤其是圖像等非結構化數據的處理時間，讓審計人員將更多的時間放在對資金和項目這些關鍵審計點的審計上。

在審計報告階段，審計人員將會對先前處理好的數據進行整合分析。改進模型完成檢測后將會給出各類污染物的類型和數量，審計人員將對這些數據進行歸類，找出污染物數量較多和類型較為豐富的圖像，從而找出重點污染區域，進而開展重點污染區域的進一步審計工作。相較于傳統審計，應用改進模型可以很好地節省非重點區域的審計時間安排，也有助于審計重點的突出。在完成重點污染區域的進一步審計工作后，審計人員能夠編寫出更有針對性的審計報告，實現高效審計。在水污染防治績效審計中，改進模型將會極大提高審計報告的準確度，同時也可以和其他結構化數據得出的審計結論進行互補，更好地增強報告的說服力。由于水污染防治績效審計中需要密切關注資金流轉過程，圖像數據得出的結論可以監控資金的使用成果，即更多的資金應該被投入到重點污染的區域，然后達到較好的防治效果。若事實與其相悖，則被審計單位必然存在一定的執行問題，需要對其進行及時問責并督促其改變原有的錯誤方案，使用更加高效合理的審計方案來繼續完成水污染防治。

在審計整改階段，審計人員根據先前完成的審計報告開展對于重點區域的整改監督工作。審計人員會將審計結果事先進行披露，便于社會各界人員進行監督，從而實現審計過程透明化。相較于傳統方式，審計人員在更加精確的審計報告的基礎上能夠更有說服力，避免相關負責人員推諉責任、敷衍了事，更快督促相關負責人員開展整改工作。在整改過程中，多部門進行聯動，協同工作，提高工作效率。相關負責人員可以實現污染治理的精準化、精細化，達到更好的治理效果，打好污染防治攻堅戰。最終再由審計人員對于整改的結果進行驗收，根據情況進行進一步的追蹤審計，必要時可以再次重復之前的步驟，調用改進模型對于階段性改進成果進行檢測，發現整改時存在的一些問題，便于被審計單位針對相關問題進行整改方向上的調整，直到問題解決。任何審計終將歸結于問題的解決，水污染防治績效審計也不例外。在引入改進模型后，審計工作變得更加標準化、自動化，也就有了長期審計監督的可能。許多領導干部可能在審計結束后存在松懈的問題，很容易讓已經完成治理的區域重新被污染，導致先前的防治工作前功盡棄。在大部分審計人員撤出審計工作后，改進模型就起到了其“守夜人”的作用，能夠很好地代替審計人員進行持續審計。

如表1所示，本文改進的算法模型相較于二階段目標檢測的Faster RCNN有了大幅提升，模型參數量出現指數級下降，并且精度提升明顯。DETR同樣引入Transformer，精度很高，但是模型參數量巨大，與本文的改進模型相比呈現指數級差距且檢測速度極慢，完全無法應用于本文的水污染檢測場景。上述兩種二階段目標檢測算法在本文水污染檢測場景下均表現不佳。在一階段目標檢測算法中，SSD、YOLOv3-tiny、YOLOv4-tiny速度均快于本文的改進模型，但是檢測精度均低于本文改進模型且參數量也大于本文改進模型。考慮到本文的應用場景，檢測精度的重要性應該是更高的，且實際使用時對于這個量級的檢測速度差距也不會有太大的感知。因此本文模型較以上三種算法速度慢的劣勢并不是特別明顯，可以通過精度高的優勢來進行彌補。

在實際水資源審計中，同時選取水污染圖像數據集中已有圖像和網絡上隨機獲取的水體污染圖像，結果如圖5所示，其中上半部分為數據集內圖像檢測結果，下半部分為數據集外圖像檢測結果。從結果可以明顯看到，本文的改進模型可以有效檢測到圖像中水污染的位置并且判定污染的類別，完成了目標檢測算法的分類與定位的目標，說明本文的算法模型已經可以完成一般情況下水污染圖像的檢測，具有較強的泛化能力，可以大范圍應用于非結構化數據的識別與處理。審計人員可以通過模型檢測結果圖像獲取到水污染圖像中的污染信息，這些污染信息可以作為后續審計點挖掘的關鍵證據，同時還可以寫入審計報告中，很好地豐富了審計報告的內容，使得審計報告更加全面且更有說服力。

綜上所述，通過模型間的對比和實際檢測，得出本文的改進模型可以在較高精度的情況下完成較為快速的檢測。

網絡結構變化會對網絡性能產生影響，因此必須對三種改進策略進行不同組合，即消融實驗，從而進一步證明本文改進模型的有效性，消融實驗結果如表2所示。

消融實驗結果中第一行是原算法的結果，√表示加入對應改進策略后的網絡模型。由對比結果可以很明顯地看到替換了主干網絡后，參數量大幅度下降，減少了一個量級，但檢測精度只下降了不到3個百分點，同時檢測速度提升了10。繼續引入FReLU后，檢測精度有了0.5個百分點的提升，但檢測速度下降了10，與原始模型持平。繼續引入Soft-NMS后，檢測精度稍有波動，可以理解為實驗誤差，但檢測速度已經和只替換主干網絡時非常接近。綜上，本文的改進算法模型滿足了改進要求，是優于原算法的。

五、改進YOLOv5模型在自然資源審計中的應用價值

通過上文對于模型實際在自然資源審計中的應用分析可以發現，本文的模型對于改進當前的自然資源審計業務流程具有重要意義。本文所建立的模型能夠很好地處理海量的圖像數據，為后續審計工作提供預測分析能力，從而實現必要的審計決策支持。接下來將從兩個角度來分析其應用價值。

（一）非結構化信息識別功能

現階段自然資源審計工作多關注于結構化數據，例如水資源審計多聚焦于流量、降水、地下水等水體的指標化數據，而忽略了圖像數據。自然資源數據恰恰多表現為圖像數據，圖像中蘊含了大量對于審計工作非常重要的數據。以本文的水污染圖像為例，在對某地進行水資源審計時，水資源的保護工作必然會成為審計人員的關注點。在傳統方法下，審計人員多會關注于河流中傳感器采集到的水污染指標化數據，例如化學需氧量、總磷和高錳酸鹽指數，而水污染圖像往往會被忽略。水污染圖像通常可以表達出不同地區的污染程度以及污染的具體位置，這些信息對于審計人員判斷當地的水污染治理效果非常關鍵，審計人員也可以憑借這些信息精準地對污染程度高的地區的相關負責人員進行問責，及時找出污染治理的問題點。本文的改進模型可以很好地對水污染圖像中的這些信息進行識別和提取，大大節省了審計人員的時間，解決了傳統審計中對于非結構化數據沒有有效處理方法的弊端。

（二）決策支持功能

審計過程涉及復雜的專業判斷，特別是在確定重要性水平、評估審計風險、溝通關鍵審計事項和確定審計意見類型時，要求審計師必須從不同的角度綜合考慮大量的證據來做出最終的決定。

深度學習具有學習能力強、覆蓋范圍廣等特性[8]，這就使得深度學習方法可以很好地綜合各種信息，從而得出更加全面且更有說服力的結論。本文所使用的模型也屬于一種深度學習模型，且專注于圖像中指定目標的分類與定位，屬于特殊化的深度學習模型。本文模型擅長提取水污染圖像數據中的污染物種類和數量信息，這為審計人員后續的工作提供了有力幫助。模型提取出的相關信息有助于審計人員尋找審計點，進一步地確定后續審計工作的要點。再結合傳統審計中提取的結構化數據，即可實現全方位多角度的水資源審計。

在最終決策時，審計人員可以將水污染圖像中的信息整合入審計報告中，形成最終的審計證據，從而給出合理的審計意見。審計人員在和有關部門交流時，可以給出相關審計意見的有力證據，提升了審計部門的公信力。有關部門后續可以據此制定相關的改進措施，對癥施策，減少不必要的人力物力浪費。

六、結語

針對自然資源審計對非結構化數據處理效率低下的問題，本文以水資源審計中水污染圖像處理為例，結合深度學習的思想，提出了一種改進的YOLOv5算法。首先將主干網絡替換成輕量化的MobileViT，然后將MobileViT中的激活函數替換為FReLU，最后將非極大值抑制算法替換成SoftNMS。實驗表明，改進模型的參數量大幅下降，小于現階段主流的目標檢測算法，且模型精度得到了很大程度的提升，檢測速度也得到了一定程度的提升。實驗結果表明，本文的檢測算法可以很好地被應用于水污染圖像檢測中，具備快速、高精度的特點。

然而，本文的研究也只局限于圖像數據，且改進模型只考慮了圖像檢測，還未涉及其他類型的自然資源審計數據，例如：音頻、視頻等。未來可以通過構建對應類型的深度學習模型來實現對于不同類型數據的自動化處理，進一步完善自然資源審計數據研究體系。

【參考文獻】

［1］ 習近平.高舉中國特色社會主義偉大旗幟為全面建設社會主義現代化國家而團結奮斗：在中國共產黨第二十次全國代表大會上的報告［M］.北京：人民出版社，2022.

［2］ 鄧曉嵐，余遠劍，茅金焰，等.領導干部自然資源資產離任審計的大數據技術應用研究［J］.審計研究，2020，

217（5）：19-29.

［3］ 徐志耀，袁璐，李清騁，等.政府環境績效審計助力水污染防治的效應研究——基于“三河三湖”顯性中介的分析［J］.南京審計大學學報，2023，20（2）：1-11.

［4］ 吳勇，余潔，王尚純，等.人工智能審計應用的國際進展［J］.中國注冊會計師，2021（6）：121-126.

［5］ 蔣楠.論人工智能時代國家審計變革與發展［J］.財會月刊，2022（11）：104-109.

［6］ 張慶龍，邢春玉，芮柏松，等.新一代內部審計：數字化與智能化［J］.審計研究，2020（5）：113-121.

［7］ 邵磊落，周成軒，黃琪華，等.面向電網企業內控審計的知識圖譜建模研究［J］.會計之友，2021（20）：122-128.

［8］ 吳勇，陸藝，朱衛東，等.深度學習模型應用：面向審計業務全流程的整合性框架［J］.財會月刊，2023，44（1）：108-116.

［9］ 李妍茹，李璐，翟華云.自然資源資產離任審計與水污染防治——基于中國主要流域水質監測的經驗數據［J］.江西社會科學，2022，42（5）：90-100.

［10］ 耿建新，胡天雨.編制自然資源資產負債表 搞好自然資源資產離任審計——美國GAO水資源審計的借鑒［J］.財會通訊，2020（1）：3-12.

［11］ 宋一格，王寧，李宏昌，等.基于分組卷積與雙注意力機制的河流水面污染圖像分類［J］.計算機系統應用，2022，31（9）：250-256.

［12］ 李國進，姚冬宜，艾矯燕，等.基于改進YOLOv3算法的水面漂浮物檢測方法［J］.廣西大學學報（自然科學版），2021，46（6）：1569-1578.

［13］ 楊世忠，王瑞彬，高升，等.基于YOLOv5的草莓輕量化網絡檢測模型［J］.國外電子測量技術，2023，42（4）：86-95.

［14］ 張陽婷，黃德啟，王東偉，等.基于深度學習的目標檢測算法研究與應用綜述［J］.計算機工程與應用，2023，59（18）：1-13.

［15］ MEHTA S，RASTEGARI M.MobileViT： light-weight，general-purpose，and mobile-friendly vision transformer［Z］.2021.

［16］ QIU S，XU X，CAI B.FReLU：flexible rectified linear units for improving convolutional neural networks［C］.2018 24th International Conference on Pattern Recognition （ICPR）.IEEE，2018：1223-1228.

［17］ BODLA N，SINGH B，CHELLAPPA R，et al.Soft-

NMS——improving object detection with one line of code［C］.Proceedings of the IEEE International Conference on Computer Vision，2017：5561-5569.

［18］ 中央審計委員會辦公室，審計署.關于印發《“十四五”國家審計工作發展規劃》的通知［A］.2021.

［19］ REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：unified，real-time object detection［C］.Computer Vision & Pattern Recognition.IEEE，2016.

［20］ LIU W，ANGUELOV D，ERHAN D，et al.Ssd：Single shot multibox detector［C］.Computer Vision ECCV 2016：14th European Conference，Amsterdam，The Net-

herlands，October 11-14，2016，Proceedings，Part I 14.Springer International Publishing，2016：21-37.

［21］ REN S，HE K，GIRSHICK R，et al.Faster r-cnn： towards real-time object detection with region proposal networks［J］.Advances in Neural Information Processing systems，2015，28.

［22］ REDMON J，FARHADI A.Yolov3：An incremental improvement［Z］.2018.

［23］ BOCHKOVSKIY A，WANG C Y，LIAO H Y M.Yolov4：optimal speed and accuracy of object detection［Z］.2020.

［24］ HOWARD A，SANDLER M，CHEN B，et al.Searching for MobileNetV3［C］.2019 IEEE/CVF International Conference on Computer Vision（ICCV）.IEEE，2020.

［25］ CARION N，MASSA F，SYNNAEVE G，et al.End-to-

end object detection with transformers［C］.European conference on computer vision.Cham：Springer International Publishing，2020：213-229.

［26］ WEI L，DRAGOMIR A，DUMITRU E，et al.SSD：single shot multibox detector［J］.Springer，Cham，2016.