![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于改进YOLOv5s的水面垃圾检测方法.pdf
《基于改进YOLOv5s的水面垃圾检测方法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s的水面垃圾检测方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、第42 卷第5 期2023年10 月文章编号:2 0 9 5-7 38 6(2 0 2 3)0 5-0 0 9 8-0 8DOI:10.3969/j.issn.2095-7386.2023.05.014武汉轻工大学学报Journal ofWuhanPolytechnicUniversityVol.42 No.5Oct.2023基于改进YOLOv5s的水面垃圾检测方法杜艾卿,郭峰林,张正林,李雅琴(武汉轻工大学数学与计算机学院,武汉430 0 48)摘要:针对传统水面垃圾检测方法在水面环境复杂的情况下难以兼顾检测精度和检测速度以及检测效率低的问题,提出一种改进YOLOv5s的水面垃圾检测方法。首
2、先使用GhostBot-tleneck模块替换YOLOv5s模型结构中的C3和部分CBS模块,使YOLOv5s模型更加轻量化,提升检测效率;然后在骨干网络的末端加入ECA注意力机制,让模型对水面垃圾的特征提取有更多关注;再使用Alpha-CIOU损失函数代替YOLOv5原本的GIOU损失函数,使回归更加准确,以获取质量更好的AnchorBoX。经过上述改进获得YOLOv5s-GEA模型,模型规模减少了11.2%,每秒率FPS为41.6,在测试集上的mAP值达到9 0.3%,相比原YOLOv5s模型提高了3.9%。相比传统的水面垃圾检测方法,提出的YOLOv5s-GEA模型可以有效兼顾检测精度和
3、检测速度,能够准确迅速地检测出水面垃圾的种类和位置,并且具有较小的模型体积,易于部署到水面清理机器移动端。关键词:神经网络;注意力机制;水面垃圾检测;YOLOv5s;GhostNet;Alpha-IOU中图分类号:TP391Water surface garbage detection based on improved YOLOv5sDU Aiqing,GUO Fenglin,ZHANG Zhenglin,LI Yaqin(School of Mathematics and Computer Science,Wuhan Polytechnic University,Wuhan 430048,
4、China)Abstract:Addressing the challenges faced by conventional water surface garbage detection techniques inreconciling detection accuracy and speed,as well as the low detection efficiency in intricate aquatic environ-ments,we present an enhanced water surface garbage detection approach founded on t
5、he YOLOv5s frame-work.Initially,the GhostBottleneck module substitutes the C3 and a portion of CBS modules within theYOLOv5s model structure,rendering the YOLOv5s model more compact while augmenting detection effi-ciency.Subsequently,the incorporation of the ECA attention mechanism at the conclusion
6、 of the backbonenetwork enables the model to focus more intently on water surface garbage feature extraction.Lastly,theAlpha-CIOU loss function supplants the YOLOv5s original GIOU loss function,resulting in more preciseregression and superior quality Anchor Boxes.The resulting YOLOv5s-GEA model demo
7、nstrates a reduc-tion in model size by 11.2%,a frame rate of 41.6 FPS,and a mAP value of 90.3%on the test set,constitu-ting a 3.9%enhancement in comparison to the unmodified YOLOv5s model.This evidence indicates that,relative to traditional water surface garbage detection methods,the proposed YOLOv5
8、s-GEA model profi-ciently balances detection accuracy and speed,precisely and expeditiously determining the types and loca-收稿日期:2 0 2 3-0 9-15.作者简介:杜艾卿(19 9 9-),男,硕士研究生,E-mail:.通信作者:郭峰林(19 6 9-),男,教授,博士,E-mail:2 8 0 8 0 36 6 3 q q.c o m.基金项目:国家自然科学基金(6 19 0 6 140)。文献标识码:A5期tions of water surface gar
9、bage.Moreover,it has a smaller model size,making it easy to deploy on mobiledevices for water surface cleaning machines.Key words:neural network;attention mechanism;water surface garbage detection;YOLOv5s;GhostNet;Alpha-IOU精度。张睿萍等9 提出一种基于改进Mask R-1引言CNN算法的生活垃圾检测模型,采用改进的随着我国经济水平和居民生活质量的迅速提ResNeXt101作
10、为主干网络,实现了对生活垃圾的高,人工湖、景观河道、池塘等生活水域数量逐渐增高精度检测。赵珊等10 I提出一种改进SSD模型,多。大部分生活水域缺乏管理,导致水面垃圾污染将改进后的MobileNetV2引人SSD,然后加人带有问题逐渐严重。为了改善居民生活中常见的水域环空洞卷积的空间金字塔池化模块(ASPP),采用IF-境,保护紧缺的淡水资源,对水面垃圾检测清理技术PN从网络的深层到浅层逐级融合SSD,检测耗时也就有了更高的要求1。减少了7 2.7%。宇欣等11提出基于胶囊推理和残传统的水面垃圾检测用到的方法主要是通过统差增强的全推理目标检测网络。首先,建立层间残计水面物体的纹理、颜色、轮廓等
11、信息建立模板,然差信息增强模块,然后在Transformer的结果进行后使用相应的分类器识别水面垃圾的种类。方晶推理的过程中引人胶囊推理模块挖掘实体信息,其等2 以改进视觉注意模型为基础,采用小波变换提在小目标、中目标和大目标的检测上平均预测准确率取特征,使用高斯金字塔和归一化算子方法融合特分别达到了2 5.8%、48.7%和6 2.7%。王林等12 用征,算法抗干扰能力有所提升,但是对水面复杂气候MobileNetV3替换YOLOv4中的主干网络,同时结合和多目标情况检测精度不高。YangG等31通过海Ghost 模块和 MobileNext 网络结构思想,设计了一面和检测目标的灰度差异实现
12、对海面目标的检测。种全新的bottleneck,FPS值达到了6 7.5。总体而李庆忠等4以海面背景纹理模型为基础,利用图像言,以上使用深度学习的检测算法对比传统水面垃子块离散余弦变换(DCT)域的能量特征,实现了海圾检测方法,在检测精度和速度方面有明显提升,但面目标检测,但该算法易受水面倒影和水岸轮廓的是难以同时兼顾二者。而且对于水面垃圾数据集存干扰,影响水面垃圾识别效率。谷湘煜等5 将空域在的检测目标与背景颜色差异小、尺寸多变、水面光先验信息与频域相位谱融合,对水面垃圾进行显著影复杂等问题缺乏针对性的解决方案。性检测,达到了较高的检测精度,但是检测单张水面在本文中,我们通过改进YOLOv5
13、s网络模型,垃圾图片的平均时间为0.6 5 4.s,检测速度达不到实将主干网络的传统卷积替换为Ghost卷积,降低模时检测的标准。型参数量以实现轻量化,然后融人ECANet(Effi-由于传统水面垃圾检测算法存在过于依赖检测cient Channel Attention Network)注意力机制模环境,复杂环境下鲁棒性差等缺点,在实际工作场景块,增强模型对水面垃圾特征的提取能力,并加入中难以满足对水面垃圾高性能检测的需求。因此,Alpha-IOU损失函数提升预测框定位精度,旨在解近年来深度学习和卷积神经网络逐渐应用于水面垃决上述模型对水面垃圾数据集检测存在的问题,同圾检测,检测效率有较大幅度
14、提高。王一早等6 在时兼顾检测精度和检测速度。水面垃圾数据集是在YOLOv3的主干网络后添加SE-PPM模块,使用多武汉市金银湖、黄塘湖、府河、汉江等水域拍摄得到向金字塔网络对不同尺度的特征图进行融合,然后的水面垃圾图片,然后经统一裁剪、数据增强获得。在损失函数中使用focal loss计算负样本的置信度通过实验,在水面垃圾数据集上验证了本文中的改损失,提升了3.9 6%的水面垃圾检测精度。马雯进YOLOv5s算法的有效性。等7 采用Soft-NMS算法替代传统的非极大值抑制2YOLOv5 算法算法,提出改进的Faster RCNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的
15、垃圾检测算法,平均精度提高了8.2 6 个百分点。白阳等8 采用八度卷积方法来代替传统CNN卷积压缩图像低频信息,再使用ResNet代替VGG网络,提出一种改进的 SSD垃圾检测模型,有效提升了检测杜艾卿,郭峰林,张正林,等:基于改进YOLOv5s的水面垃圾检测方法99YOLOv5网络是YOLO系列算法131中比较新的技术,优势在于较高的检测精度和检测速度,其检测速度最快能达到140 FPS。另一方面,YOLOv5网络模型的权重文件规模较小,比YOLOv4小近9 0%,说明YOLOv5模型适合部署到嵌入式水面垃圾清理设100备上实现对水面垃圾的实时检测。YOLOv5共有四种版本的网络模型,分别
16、是YOLOv5s、YO LO v 5 m、YOLOv5l、YO LO v 5 x。其中YOLOv5s 的计算速度最快,模型规模最小,平均精度是最低的。YOLOv5x的特点与YOLOv5s相反,平均精度最高,但是计算速度最慢,模型规模是最大的。由于本文中提出的改进YOLOv5水面垃圾检测算法将会部署到水面清理机器移动端,有轻量化的需求,所以实验选用参数量较少且易于训练的YOLOv5s作为预训练模型进行改进。YOLOv5s网络结构主要由三个部分组成,分别是骨干网络(Backbone)、颈部网络(Neck)和头部网络(Head)。骨干网络的作用是提取特征,主要包含Focus、C BS、C 3和 SP
17、P模块。其中,Focus模块的作用是在图像进人Backbone时做四次切片,然后用concat操作扩展输入通道;CBS模块由Conv、BN、Silu 组成,用于下采样C3模块的作用是加快推理速度;SPP是空间金字塔池化层14,由三个卷积核尺寸不同的MaxPooling和一个Concat模块组成,主要功能是融合局部特征和全局特征。颈部网络的作用是融合骨干网络所提取的特征,将特征金字塔网络(FPN)与路径聚合网络(PAN)结合,以增强多尺度特征融合能力。头部网络用于检测,可以检测出水面垃圾的类别、位置和置信度信息。近年来有学者进行改进YOLOv5s用于垃圾检测的研究。邢洁洁等15 提出了一种基于Y
18、OLOv5s的垃圾检测方法,将 ShuffleNetV2的构建单元作为特征提取网络,有效提升了检测速度。罗安能等16 结合ShuffleNetv2与深度可分离卷积,提出一个更轻量化的YOLOv5s改进模型对可回收垃圾进行检测,改进模型的参数量为原始模型参数量的38.9 8%,检测精度提升幅度较小。涂成凤等17 在YOLOv5n的架构上引人轻量级网络ShuffleNetv2与GhostNet实现了检测网络的轻量化;同时添加注意力机制SE增强特征提取能力,优化后的YOLOv5n的参数量减少2 2.3%,检测精度mAP增加1.6%。现有的改进YOLOv5s模型进行垃圾检测的研究普遍不兼具轻量化和高精
19、度实时检测的效果,并且由于水面垃圾尺寸较小,而且水面光影环境复杂,难以适用水面垃圾的检测。3改进的YOLOv5s算法本研究首先用Ghost卷积替换网络主干部分的常规卷积,使用GhostBottleneck 模块替换YOLOv5s模型结构中的C3和部分CBS模块,使模武汉轻工大学学报型轻量化,用以解决模型体积大、参数量多的问题;然后将ECA注意力机制模块加到骨干网络末端,在不增加模型复杂度的同时加强通道特征,提高模型对水面垃圾目标检测的精确率,提升对小目标和复杂光影下的目标的检测效果;再使用Alpha-CI-OU损失函数代替YOLOv5s原本的GIOU损失函数,用以提升模型的定位能力和预测性能,
20、改善收敛效果。改进后的YOLOv5s网络结构如图1所示,其中GB1和GB2分别表示Stride=1和Stride=2的 GhostBottleneck模块。6406403CBSFocusCBSGB1_1GB2GB1_3ECACBSGB1GB2GB1.3ECAGB2SPPGB1ECABackbone图1改进的YOLOv5s模型结构图Fig.1The structure of the improvedYOLOv5s model3.1使用GhostBottleneck模块GhostNet计算模块具备创新性,由华为诺亚方舟实验室在CVPR2020中提出18 。GhostNet可由GhostBottle
21、neck 模块堆叠得到,是一种分阶段的卷积计算模块,先进行少量的非线性卷积得到特征图,再以此为基础进行线性卷积来获取更多的特征图,并且消除穴余特征,得到轻量化的模型。GhostNet的计算过程如下:Y=XXf.yi=i.,(yi),iE1,2,.,m;jE1,2,s.(2)其中公式(1)表示卷积操作,X为输入的特征图,f表示尺寸为k的卷积核,Y表示经过卷积操作输出的m个特征图。公式(2)对Y中每个特征图yi进行线性运算ij,最终得到mXs个输出特征图Y=Y11,Y12,.,Ym通过比较普通卷积模块和GhostNet模块的计算成本,可以得出GhostNet模块运算量为普通卷积模块运算量的1/s。
22、G h o s t Ne t 降低了运算量,并2023年2020CBS40 x40UpsampleCBSUpsampleCBS8080HeadNeck(1)5期且保持了输出特征图的尺寸,实现了低延迟和快速响应的轻量化目的。为了实现高效率高性能检测的目的,用Ghost-Bottleneck模块替换Backbone网络中的 C3和CBS模块。其中GhostBottleneck模块结合了轻量化和高效的特点,通过使用两个1xl卷积层来减少和增加维度,然后将结果相加以恢复原始维度。这样做可以减少参数量,同时优化计算,并保持原有的精度。C3模块通过引人多个Conv模块和Bottleneck模块,实现了特征
23、的多层级提取和融合。CBS模块是一个组合模块,封装了卷积、批归一化和LeakyReLU激活函数的组合操作。GhostBottleneck模块根据步长不同可以分为两种结构,如图 2 所示。步长为 1 的 GhostBottle-neck由两个Ghost 模块叠加得到,其中第一个Ghost模块为扩展层,用于增加通道数量,提升特征的维度;第二个Ghost模块用于减少通道数量,降低特征的维度,使其与 Shortcut 路径相匹配。Shortcut用于连接两个Ghost模块的输人和输出。步长为2 的GhostBottleneck通过DW卷积层连接两个Ghost模块得到。这两种步长的GhostBottle
24、-neck模块搭建Ghostnet模型时需要灵活选择。由于YOLOv5s模型的Bottleneck结构对输入特征图先使用32 个11卷积核进行卷积操作,再使用6 4个3X3卷积核进行卷积操作,所以本文中我们使用步长为1的GhostBottleneck替换YOLOv5骨干网络中的C3模块,使用步长为2 的 GhostBottleneck替换CBS模块。AddBNGhostmoduleBN ReLUGhostmoduleStride=1bottleneck图 2 两种 GhostBottleneck 结构Fig.2The two structures of GhostBottleneck杜艾卿,郭
25、峰林,张正林,等:基于改进YOLOv5s的水面垃圾检测方法3.2引入ECA注意力机制ECANet(Efficient Channel Attention Network)是一种轻量化的通道注意力机制19 ,由SENet升级而来。SENet的弊端在于模块中采用的降维操作会对通道注意力的预测产生负面影响,获取所有通道的依赖关系是低效且不必要的。为解决不同输入特征图,提取不同范围的特征时,ECANet模块使用了动态的卷积核来做11卷积,学习不同通道之间的重要性。ECANet模块使用自适应方法确定快速一维卷积核的尺寸k,k 表示了局部跨通道交互的覆盖范围,模块根据当前通道和k个附近的通道可以实现跨通道
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5s 水面 垃圾 检测 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。