基于深度学习的水下垃圾检测与分类算法研究.pdfVIP

基于深度学习的水下垃圾检测与分类算法研究

摘要

随着社会发展，日益积累的水下垃圾对海洋生态环境造成了较大的破坏，水

下垃圾不仅对海洋生物的生存和繁衍带来了严重挑战，同时也对人类健康带来了

潜在威胁。人工清理水下垃圾的效果甚微，因此，目前最佳解决方案是将深度学

习技术应用于水下机器人对水下垃圾进行检测以实现清理任务。然而，水下垃圾

检测任务依然存在着很多挑战和困难。首先，图像会存在因水下环境复杂而带来

的模糊失真和分辨率较低等问题。其次，水下垃圾存在形状不规则和小目标难以

准确检测的问题。针对上述问题，本文基于深度学习方法对水下垃圾检测与分类

任务进行研究。首先提出基于YOLOv5s的水下垃圾检测模型UTD-YOLO，其次，

在保证模型精度的情况下减少模型计算量和参数量，提出轻量化水下垃圾检测模

型LUTD-YOLO。通过大量的对比实验和消融实验证明了UTD-YOLO模型和

LUTD-YOLO模型有效性。本文的主要研究工作如下：

1UTD-YOLO

（）基于的水下垃圾检测模型

针对水下图像分辨率较低，垃圾形状不规则、目标尺度差距较大、小目标难

以检测等问题，提出水下垃圾检测模型UTD-YOLO。在UTD-YOLO中，首先，

CASDRMCross-LayerAggregationSpatialDimension

提出跨层聚合空间降维模块（

ReductionModule），对原始图像重新缩放，实现数据重构和降维，利用不同层之

间的感受野增强特征提取能力。使用可变形卷积（DCN）提升主干网络处理目标

几何变化的适应能力。使用空间到深度卷积（SPD-Conv）代替传统的卷积步长和

池化层，实现了降采样的同时避免通道信息丢失。其次，提出Channel-PAN-FPN

SE

特征融合网络，实现信息的双向传输，利用注意力自适应调整通道权重，提

取关键特征，提高模型小目标检测能力。经过消融实验验证，UTD-YOLO在

Trashcan数据集中的mAP50提升至73.2%，高于基准模型。通过对比实验发现，

FCOSRetinaNetYOLOv4YOLOv6YOLOv7

与目前经典的一阶段算法，如、、、、、

YOLOXYOLORUTD-YOLO

、等相比，在精度上都有所提升，并且比大多数算法

参数量和计算量更小。与经典的二阶段算法FasterRCNN相比，在精度上有所提

升，并且在参数量和计算量上都有所下降。

2LUTD-YOLO

（）基于的轻量化水下垃圾检测模型

为了解决图像分辨率低、目标形状差异较大和小目标难以检测问题并在保证

精度的情况下减少模型参数量和计算量，提出轻量化水下垃圾检测模型LUTD-

YOLOLUTD-YOLOELBNEfficientLightweightBackboneNetwork

。在中，提出（）

作为主干网络，采用横纵向结合的网络缩放策略，同时考虑了分辨率、模型宽度

和深度三种因素，通过渐进学习方法和动态调整的正则方法，提升训练速度和准

确率。在设计ELBN主干网络时，融合EfficientNetv2的思想，采用Fused-MBConv

和MBConv的组合方式，目的在于学习不同尺度特征，适用不同尺度的检测目标，

同时加速网络训练、减少参数量和计算量，并提