基于改進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、岸上倒影等復雜特征，導致現有目標檢測方法不能很好地完成對水面漂浮物的識別?；诖耍岢隽艘环N基于改進ＹＯＬＯｖ５ｓ 的水面漂浮物檢測優化模型，通過增加目標檢測層以提升模型檢測多尺度目標的能力，在特征融合層引入無參注意力機制ＳｉｍＡＭ 以提高模型對漂浮物特征的學習，并采用ＣＡＲＡＦＥ 上采樣方式增強網絡的感受野以提高對特征的重建能力，在ＹＯＬＯｖ５ｓ 網絡結構中融入卷積混合層以保持模型檢測精度且減少參數量，從而提高模型運行速度。實例驗證結果表明：改進模型檢測效果良好，平均精度達９７．１％，較原ＹＯＬＯｖ５ｓ 模型提高了４．９ 個百分點，能夠有效改善水面漂浮物漏檢、誤檢問題。

關鍵詞：漂浮物檢測；ＹＯＬＯｖ５ｓ；多尺度特征檢測；注意力機制；ＣＡＲＡＦＥ；卷積混合層

中圖分類號：ＴＶ２１３．４ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１５

引用格式：項新建，翁云龍，謝建立，等．基于改進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，同時會對水體水質、水產養殖、航運等造成不利影響［１］ ，因此水面漂浮物的及時清理是水環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數字圖像處理和基于深度學習的檢測兩類。傳統數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行自動檢測。湯偉等［５］ 利用均值漂移算法與改進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。傳統數字圖像處理方法在光照條件良好、干擾少的環境下漂浮物檢測精度較高［７］ ，但水面環境復雜多變，例如反光、倒影等因素影響漂浮物特征的提取，導致水面漂浮物檢測精度降低。近年來，深度學習成為目標檢測領域的主流［８］ ，深度學習目標檢測主要分為基于區域選擇的兩階段目標檢測和基于回歸方法的單階段目標檢測?；趨^域選擇的兩階段目標檢測主要包括區域卷積神經網絡（ＲＣＮＮ）［９］ 、空間金字塔池化網絡（ＳＰＰ－Ｎｅｔ）［１０］ 、快速區域卷積神經網絡（Ｆａｓｔ Ｒ－ＣＮＮ）［１１］ 等，這類方法檢測精度較高，但檢測速度較慢，難以達到實時檢測的目的?；诨貧w方法的單階段目標檢測方法主要包括單發多框檢測器（ＳＳＤ）［１２］ 、ＹＯＬＯ［１３］ 、視網膜網絡（Ｒｅｔｉ?ｎａＮｅｔ）、ＹＯＬＯｖ３ 等，這類方法的檢測速度快于兩階段目標檢測的，但檢測精度低于兩階段目標檢測的。