基于改进ＹＯＬＯｖ５ｓ 的水面漂浮物检测算法研究

摘 要：水面图像具有水波扰动、光线反射、岸上倒影等复杂特征，导致现有目标检测方法不能很好地完成对水面漂浮物的识别。基于此，提出了一种基于改进ＹＯＬＯｖ５ｓ 的水面漂浮物检测优化模型，通过增加目标检测层以提升模型检测多尺度目标的能力，在特征融合层引入无参注意力机制ＳｉｍＡＭ 以提高模型对漂浮物特征的学习，并采用ＣＡＲＡＦＥ 上采样方式增强网络的感受野以提高对特征的重建能力，在ＹＯＬＯｖ５ｓ 网络结构中融入卷积混合层以保持模型检测精度且减少参数量，从而提高模型运行速度。实例验证结果表明：改进模型检测效果良好，平均精度达９７．１％，较原ＹＯＬＯｖ５ｓ 模型提高了４．９ 个百分点，能够有效改善水面漂浮物漏检、误检问题。

关键词：漂浮物检测；ＹＯＬＯｖ５ｓ；多尺度特征检测；注意力机制；ＣＡＲＡＦＥ；卷积混合层

中图分类号：ＴＶ２１３．４ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２４．０７．０１５

引用格式：项新建，翁云龙，谢建立，等．基于改进ＹＯＬＯｖ５ｓ 的水面漂浮物检测算法研究［Ｊ］．人民黄河，２０２４，４６（７）：８５－９１．

水面漂浮物危害水利水电工程安全，同时会对水体水质、水产养殖、航运等造成不利影响［１］ ，因此水面漂浮物的及时清理是水环境管理的主要工作之一［２］ 。目前水面漂浮物检测方法主要有传统数字图像处理和基于深度学习的检测两类。传统数字图像处理方法主要通过水面图像的前景和背景特征、滤波理论完成对水面漂浮物的识别［３］ 。江杰等［４］ 提出了基于混合高斯模型的背景差分法和帧差法对河流漂浮物进行自动检测。汤伟等［５］ 利用均值漂移算法与改进的最大类间方差法提取水面漂浮物。魏建荣［６］ 提出基于背景纹理法检测水面漂浮物。传统数字图像处理方法在光照条件良好、干扰少的环境下漂浮物检测精度较高［７］ ，但水面环境复杂多变，例如反光、倒影等因素影响漂浮物特征的提取，导致水面漂浮物检测精度降低。近年来，深度学习成为目标检测领域的主流［８］ ，深度学习目标检测主要分为基于区域选择的两阶段目标检测和基于回归方法的单阶段目标检测。基于区域选择的两阶段目标检测主要包括区域卷积神经网络（ＲＣＮＮ）［９］ 、空间金字塔池化网络（ＳＰＰ－Ｎｅｔ）［１０］ 、快速区域卷积神经网络（Ｆａｓｔ Ｒ－ＣＮＮ）［１１］ 等，这类方法检测精度较高，但检测速度较慢，难以达到实时检测的目的。基于回归方法的单阶段目标检测方法主要包括单发多框检测器（ＳＳＤ）［１２］ 、ＹＯＬＯ［１３］ 、视网膜网络（Ｒｅｔｉ⁃ｎａＮｅｔ）、ＹＯＬＯｖ３ 等，这类方法的检测速度快于两阶段目标检测的，但检测精度低于两阶段目标检测的。