基于視覺的水面漂浮物自動監(jiān)測系統的設計與開發(fā)隨著目前科技日益飛速發(fā)展，人類的作業(yè)與開發(fā)領域不斷擴大，由此自然生態(tài)環(huán)境也遭受到了一定程度的影響。以水域生態(tài)環(huán)境為例，近半個世紀以來，人類為了追求更快的發(fā)展與收益，忽視了水資源的健康保護，大面積地建立工廠與建筑制造，致使人們制造了諸多生活垃圾、工業(yè)廢料與污水，缺乏保護生態(tài)平衡意識的人們，將這些無法處理的污染物傾斜至河流海洋，導致了水資源的污染，世界水資源一度進入匱乏狀態(tài)，再次為人類的生存問題敲響警鐘。緒論隨著目前科技日益飛速發(fā)展，人類的作業(yè)與開發(fā)領域不斷擴大，由此自然生態(tài)環(huán)境也遭受到了一定程度的影響。在城鎮(zhèn)化與工業(yè)化發(fā)展越來越快的背景下，各項人類活動帶來了嚴重的污染問題，大部分水生態(tài)環(huán)境中的平衡性和穩(wěn)定性受到了不良影響，不利于生態(tài)系統的整體可持續(xù)發(fā)展。[1]為此，人們不得不將視野聚焦于自然環(huán)境的保護，對于水域生態(tài)環(huán)境的保護與管理。本文旨在通過目標檢測模型YOLOv5（YouOnlyLookOnce）設計并實現一個高效、準確的水面漂浮物檢測系統。該系統能夠實時獲取水面圖像，自動識別和定位漂浮物的種類、數量和位置，為水域環(huán)境的管理和保護提供有力支持。本文首先介紹了水面漂浮物檢測的背景和意義，分析了當前水面漂浮物檢測技術的現狀和存在的問題。然后，詳細闡述了基于深度學習的水面漂浮物檢測系統的設計和實現過程，包括數據集構建、模型訓練、系統優(yōu)化等方面的內容。最后，通過實驗驗證了系統的有效性和實用性，并討論了其在實際應用中的潛力和挑戰(zhàn)。1.1研究背景與選題意義水資源在自然資源中占據至關重要的地位，對人類生存和生活具有不可或缺的重要性。然而，隨著人口的增長和經濟的發(fā)展，人類對水資源的需求不斷增加，而水資源的供給卻面臨著諸多挑戰(zhàn)，如氣候變化、水污染、水資源分布不均等。其中水域環(huán)境污染的問題尤為凸顯，并逐步影響人類日常生活，致使水質惡化，同時危害人類健康。因此，水面漂浮物的檢測對于水域環(huán)境的保護和管理具有重要意義。目前，對負責的水域進行監(jiān)管的主要方式仍是人工巡查，不僅要耗費大量人力和時間，而且監(jiān)管范圍相對有限。有部分地區(qū)也采用了人工視頻監(jiān)控方法，一人可同時監(jiān)管多個水域，此舉在一定程度上節(jié)省了巡查成本，但仍然嚴重依賴人力監(jiān)督。人的精力相對有限，無法做到全天候、不間斷的監(jiān)管，且監(jiān)管效率難以得到保證。[2]《“十四五”水安全保障規(guī)劃》作為國家層面首次編制實施的水安全保障五年規(guī)劃，其中表明我國對水安全保障問題的高度重視。同時指出，提高圖像影響數據化智能化處理水平，實現對水域環(huán)境的實時動態(tài)感知。[3]基于計算機視覺和深度學習的自動檢測方法則具有高效、準確、實時等優(yōu)點，成為當前研究的熱點。在此背景之下，本選題的意義在于，通過設計和實現一個基于深度學習的水面漂浮物檢測系統，提高水面漂浮物檢測的準確性和效率，為水域環(huán)境的管理和保護提供技術支持。同時，本研究還可以推動計算機視覺和深度學習技術在水域環(huán)境監(jiān)測領域的應用和發(fā)展，為相關領域的研究提供新的思路和方法。綜上所述，本研究具有重要的理論價值和實踐意義，有望為水域環(huán)境的保護和管理提供新的解決方案和途徑。1.2相關文獻綜述本文聚焦于數據集的優(yōu)化、YOLOv5模型的有效應用及實際應用功能的開發(fā)，通過多樣化圖片數據集、精心調整超參數、優(yōu)化配置文件等方式，對模型的識別效果進行了深度優(yōu)化。同時，本文將優(yōu)化后的模型識別結果緊密結合并應用到水面漂浮物檢測系統的設計與開發(fā)之中。根據該研究思路進行相關文獻的搜索，并予以總結。1.2.1基于深度學習的目標檢測算法研究現狀楊帥鵬[4]針對YOLOv5模型對于水面漂浮物中的較小物體，容易出現漏檢、誤檢的情況，著手于以下幾個方面進行改進，首先為獲取數據集這一部分，增加相關數據集圖片的收集來源，同時以人工手動標注的方式獲取更多已標注數據集和更為清晰、標注更為準確的圖片。其次為數據集預處理這一部分，關于圖片處理提出了一種創(chuàng)新性的改進方法。此方法的核心思想是通過對圖像進行縮小并巧妙地鑲嵌回原圖，從而有效增加數據集中小目標的數量，并提升訓練背景的復雜性。通過這種方式，不僅可以強化模型對小目標的感知能力，還能夠提升其在實際復雜背景下的魯棒性，進而顯著提高模型對小目標的檢測精度和穩(wěn)定性。最后聚焦于YOLOv5模型的算法優(yōu)化，采用了K-means++算法進行先驗框聚類，從而提高先驗框與數據特征的匹配度。在特征提取網絡中，引入了一種高效的坐標注意力機制，旨在增強網絡對目標的關注度。并且基于BiFPN思想，通過簡單殘差結構重新構建了頸部特征融合網絡，進一步促進了不同層次特征的融合。為了提升定位精度，還選用了SIoU_Loss作為定位損失函數，并引入角度損失以加速模型收斂。改進后經過實驗，算法的平均檢測精度提升了9.7%，漂浮物目標的錯檢率下降了8.5%，尤其是小目標漂浮物的錯檢率顯著下降了7.3%。李科[5]針對YOLOv7目標檢測模型的優(yōu)化，除了先前提到的增加數據集數量外，還采用了隨機亮度調整、水平翻轉和隨機對比度調整三種數據增強技術來擴展訓練集數據。隨后，對增強后的數據集進行了可視化對比和統計分析，為后續(xù)水面小物體漂浮物的檢測算法提供了堅實的基礎數據。與此同時，還提出了一種融合特征和注意力機制的目標檢測模型，通過深入分析YOLOv7模型結構，設計了特征增強模塊來捕捉小目標的多尺度上下文信息和底層特征。并引入卷積塊注意力模塊來避免小目標特征在融合過程中的信息沖突和冗余。最后，鑒于小目標邊界框尺寸小，易受計算誤差影響導致漏檢的問題，提出了一種基于尺度懲罰交并比的目標檢測模型。通過改進交并比的計算方式，對不同尺寸的小目標進行相應懲罰，增加其在訓練階段的梯度信息，從而提高檢測性能。利用PPQ量化工具對模型進行了INT8量化，結果表明量化后的模型在保持性能的同時，顯著提升了運算速度和降低了顯存占用。賀曉倩[6]認為，針對當前數據集存在的問題，需要深入分析應用場景，結合單樣本數據增強與BorderlineSMOTE算法進行預處理，才能克服樣本數量有限和類別不平衡的難題。另一方面，同樣為了優(yōu)化水面漂浮物的檢測識別率，解決水面環(huán)境檢測中傳統目標檢測算法性能不佳的問題，比較Faster-RCNN、SSD和YOLOv5三種算法在水面漂浮物數據集上的表現。簡述這些算法的原理、結構和損失函數，設置了檢測網絡超參數，并利用多種評價指標對模型性能進行評估。最終，基于模型的綜合數據表現選擇了綜合性能最優(yōu)的YOLOv5作為后續(xù)改進的基礎模型。并設計了CA-IA_YOLOv5水面漂浮物目標檢測模型。在輸入端引入平滑標簽軟化樣本標簽，主干網絡采用坐標注意力機制精準定位識別目標，并設計稀疏連接殘差結構降低參數量、增加感受野。頸部網絡則引入自適應空間特征融合的PANet結構，優(yōu)化不同尺度間的信息沖突。此外，采用CIOU_Loss作為回歸損失函數，結合邊界框距離和尺度信息，加速網絡回歸和分類收斂。陳任飛,彭勇,吳劍等人[7]則首先利用稀疏分解對低質量漂浮物圖像進行降噪和增強，減輕復雜水面環(huán)境的影響。接著，通過替換SSD算法中的VGG16網絡為輕量級的MobileNetV2，并在預測層采用深度可分離卷積和動態(tài)特征金字塔網絡，提升了多尺度漂浮物的檢測精度。進一步的，應用統一量化卷積神經網絡框架量化SSD檢測器。且改進后的SSD算法在水面漂浮物數據集上表現出色，平均精度和綜合評價指數分別高達95.86%和94.74%，檢測速度達到64.23FPS，同時顯著減少了參數計算量和模型內存成本，實現了高精度、高效率的水面漂浮物檢測。1.2.2基于持續(xù)無監(jiān)督域適應策略的目標檢測研究現狀陳任飛,彭勇,李忠文等人[8]指出，針對于目標識別過程中檢測目標為水面漂浮物且通常檢測目標尺度較小、容易出現域轉移的情況，一種基于持續(xù)無監(jiān)督域適應策略的漂浮物檢測方法能夠較好的提高目標檢測率，該方法刪除了低分辨率特征圖并增強了高分辨率特征圖，從而顯著提升小尺度漂浮物的特征提取能力。同時，有效整合無監(jiān)督域適應、緩沖區(qū)和樣本重放技術，大幅降低了應用場景中因環(huán)境變化導致的域轉移差異。并通過將改進的檢測網絡與持續(xù)無監(jiān)督域適應策略相結合，提升了模型的檢測精度和泛化能力。實驗結果表明，與現有方法相比，該方法在漂浮物數據集上展現出了卓越的性能，檢測精度高達82.2%，檢測速度達到68.5幀/秒，同時浮點數的計算量減少至33億次，模型大小優(yōu)化至25.3MB，為水面視覺中的目標檢測應用開辟了新的可能性。1.3研究思路、研究方法及論文結構本文研究思路主要分以下幾點：一、需求分析與問題定義：明確系統的需求和目標，即檢測水面漂浮物的目的、應用場景、所需精度等。通過對相關領域的調研，了解現有技術的優(yōu)缺點，確定本研究的重點和創(chuàng)新點；二、技術選型與方案設計：根據需求分析，選擇適合的視覺檢測技術和算法，如YOLOv5模型等。設計系統的整體架構，包括硬件平臺、軟件框架、數據處理流程等；三、模型優(yōu)化與實驗驗證：針對選定的視覺檢測算法，進行超參數調整、模型優(yōu)化等工作，提升模型在復雜水域環(huán)境下的識別效果。通過實驗驗證模型的性能，包括識別準確率、實時性等指標；四、系統開發(fā)與實現：根據方案設計，進行系統的開發(fā)與實現工作。包括硬件設備的選型與集成、軟件平臺的搭建、算法模塊的編寫與調試等；五、系統測試與優(yōu)化：完成系統開發(fā)后，進行系統的整體測試，包括功能測試、性能測試等。根據測試結果，對系統進行優(yōu)化和改進，提升系統的穩(wěn)定性和實用性；六、總結與展望：對研究工作進行總結，分析系統的優(yōu)缺點，提出改進方向。同時，對未來研究方向和應用前景進行展望。本文主要采用文獻綜述法、實驗法，基于相關領域的研究文獻，從YOLOv5模型的核心架構及原理的剖析、水面漂浮物專屬數據集的構建、針對水面場景的YOLOv5模型優(yōu)化以及基于YOLOv5的水面漂浮物檢測系統設計與應用，共四個方面進行研究。全文分為六部分。第一部分為緒論。主要介紹本文的選題背景與選題意義，闡明淡水資源的稀缺性和分布不均，以及我國水資源面臨的污染和匱乏問題，凸顯了水質環(huán)境實時有效監(jiān)測的重要性。同時，隨著全球環(huán)境問題加劇，水域生態(tài)環(huán)境保護和管理成為熱點。闡明保護和監(jiān)管水域環(huán)境安全的重要性，于此同時指出目前通過人為監(jiān)管方式存在的滯后性以及效率較低等問題，表明本文進行研究的水面漂浮物檢測系統設計及應用的必要性。進一步的，本文所研究基于視覺的水面漂浮物檢測系統作為新型環(huán)境監(jiān)測技術，具有實時監(jiān)測和預警功能，對環(huán)境保護有重要意義和應用價值，因此選擇此系統進行設計與開發(fā)作為論文選題。并綜述相關文獻，提出近五年來針對水面漂浮物的目標檢測這一領域的研究成果，包括對圖像預處理與目標檢測模型的優(yōu)化改進。第二部分將詳細闡述檢測系統的核心——YOLOv5模型的核心架構及其運作機理。作為當前目標檢測領域的標桿性模型，YOLOv5采用了更為先進的網絡結構和優(yōu)化策略，從而在保證實時性的同時，進一步提升了檢測的準確性。在詳細介紹YOLOv5的架構時，聚焦于其獨特的網絡設計、特征提取方式以及損失函數等關鍵組成部分，并解析這些組件如何協同工作以實現高效的目標檢測。最后，為了選擇最適合水面漂浮物檢測的模型，本研究進行了廣泛的模型對比實驗。常用目標檢測算法模型性能的客觀評價指標由平均精確度(meanAveragePrecision,mAP)和幀/每秒(FramesPerSecond,FPS)組成。[9]而本文依據各模型訓練后的精確率-召回率（P-R）值進行了深入的分析。通過對比不同模型的P-R曲線，可以清晰地看到各模型在檢測水面漂浮物時的優(yōu)勢和不足，從而為模型選擇提供有力的依據。第三部分主要聚焦于水面漂浮物數據集的構建?？紤]到實際場景中水面漂浮物檢測的復雜性和多樣性，本文設計了一套高效且實用的數據集制作方案。本目標檢測系統的核心目標是提升在實際應用中的檢測效果，因此，特別針對水面漂浮物數據集進行了優(yōu)化。在實際場景中，水面漂浮物的種類繁多，包括但不限于塑料瓶、易拉罐、樹葉以及各類不明漂浮物。為了確保模型能夠準確識別這些物體，針對性地采集了大量實際場景中的水面圖片，并確保這些圖片在相似的同時又各具特色，避免重復，從而提高模型的泛化能力。接下來，對這一系列圖片進行了精細的手動標注工作。通過專業(yè)的標注工具，將畫面中的每一個漂浮物都附上了準確的標簽，并詳細標注了它們的類別。經過嚴格的數據集構建和預處理流程，最終得到了一個高質量、高準確度的水面漂浮物數據集。這一數據集不僅為后續(xù)的模型訓練提供了堅實的基礎，也為提升YOLOv5模型在實際場景中的檢測效果奠定了重要基礎。第四部分為基于YOLOv5的水面漂浮物檢測模型優(yōu)化。為了提高YOLOv5目標檢測算法的檢測精度，本文針對YOLOv5模型的特點進行了深入的性能優(yōu)化。通過仔細調整模型配置文件和超參數，模型更加適應識別水面漂浮物這一特定場景，從而大幅提升了識別率。經過大量的測試和驗證，確保優(yōu)化后的模型不僅具有出色的檢測精度，還具備高度的穩(wěn)定性和可靠性。這一優(yōu)化工作為構建高效且精準的水面漂浮物目標檢測系統奠定了堅實基礎，為水域環(huán)境的監(jiān)測與管理提供了有力支持。第五部分為基于YOLOv5的水面漂浮物檢測系統的設計與應用。對水面漂浮物檢測系統進行需求分析和應用，以VisualStudio作為開發(fā)平臺，結合PyTorch這一強大的深度學習圖像識別框架，將預處理后的水面漂浮物數據集用于YOLOv5模型的訓練，實現了多個功能模塊。包括，用戶可通過圖片文件導入、視頻文件導入、高清攝像頭實時捕獲三種方式來獲取水面畫面。于此同時，用戶可以將模型識別的結果以圖片或視頻的形式保存至用戶指定文件夾。模型識別圖片、視頻結束后，可直觀地看到識別后的畫面以及識別信息，如圖片、視頻中漂浮物的數量、類型、置信度，以及被識別后的區(qū)域標識。當監(jiān)測到漂浮物數量超過預設的安全閾值時，系統將自動啟動預警機制，向管理人員發(fā)送通知，以便及時采取措施，防止水域生態(tài)環(huán)境進一步受到破壞。通過這樣的設計，該水面漂浮物目標檢測系統不僅能夠實時、準確地監(jiān)測水面狀況，還能為水域環(huán)境的保護和管理提供有力支持。第六章為全文總結。展示本文實現的具體研究成果，實現了YOLOv5模型的應用之處，為水面漂浮物檢測系統的設計提供了一種可供參考的解決思路，同時也為水域生態(tài)環(huán)境的保護和管理提供了有力的技術支持。也進一步地強調了目前保持水域環(huán)境健康的重要性，闡明水域環(huán)境健康是人類生產生活和社會經濟可持續(xù)發(fā)展的必要前提，啟發(fā)人類堅持走綠色、可持續(xù)發(fā)展的道路，珍惜水資源，愛護水域環(huán)境，積極采取有效措施，防止水域污染和生態(tài)破壞。同時展望未來科技發(fā)展能夠為人類保護水域提供更有力的支撐。1.4主要創(chuàng)新與不足本次論文論題的主要創(chuàng)新在于成功地將YOLOv5模型應用于水面漂浮物檢測系統中，通過利用YOLOv5模型強大的特征提取和目標定位能力，實現了對水面漂浮物的有效識別和監(jiān)測，這一舉措顯著提升了水面漂浮物檢測的效率，為水域環(huán)境的保護和管理提供了有力的技術支持。同時根據用戶需求創(chuàng)建對應的功能模塊，并采用了多種流媒體方式為識別模型獲取數據。這一創(chuàng)新不僅增強了系統的靈活性和可擴展性，使其能夠更好地適應不同場景和應用需求，同時也為水面漂浮物檢測系統的實際應用提供了更多的可能性，既充分發(fā)揮了模型的性能優(yōu)勢，又滿足了實際應用的復雜性和多樣性。為水面漂浮物檢測系統設計與應用提供了新的思路和方法，也為水域環(huán)境的保護和管理注入了新的活力。然而，本次論文在模型算法方面并未進一步地優(yōu)化，這是其不足之處。雖然YOLOv5模型已經具有較好的性能表現，但在實際應用中，YOLOv5對于小目標的檢測識別未，根據具體場景和需求進行算法優(yōu)化，能夠進一步提升模型的準確性和效率。因此，未來的研究可以針對模型算法的結構進行調整和改進優(yōu)化，例如引入K-means或注意力機制，以更好地滿足實際應用需求。此外，本次論文還存在一些其他的不足之處。首先，對于水面漂浮物檢測系統部分功能的設計和實現，可能還存在一些細節(jié)問題需要進一步完善和優(yōu)化。其次，由于實驗條件和數據資源的限制，本次論文的實驗結果可能存在一定的局限性，需要更多的實驗數據來驗證和支撐。2.YOLOv5模型核心架構與運作機理概述YOLOv5（YouOnlyLookOnce）是一個計算機視覺模型，專為對象檢測任務設計，它是YOLO系列的升級版，繼承了其前代版本實時物體檢測的優(yōu)良能力。此模型由Ultralytics開發(fā)，并于2020年年中發(fā)布。YOLOv5在保持高精度的同時，提供了更快的推理速度，能夠在實時或接近實時的速度下處理高分辨率圖像，這種特性使得YOLOv5適用于各種應用場景，如自動駕駛、安防監(jiān)控和物體識別等。鑒于本研究設計與開發(fā)的水面漂浮物檢測系統與YOLOv5模型的應用場景高度吻合，下面將深入剖析其核心架構與獨特之處，并詳細闡明為何本研究選擇YOLOv5模型作為核心。2.1YOLOv5模型核心架構概述YOLOv5模型是一個在COCO數據集上預訓練的物體檢測架構和模型系列，它是YOLO系列的一個延伸。YOLOv5的網絡架構可分成輸入端、Backbone網絡、Neck網絡、輸出層。[10]與YOLOv4相比，YOLOv5在多個方面進行了優(yōu)化和改進，包括使用了Mosaic數據增強和自適應錨框計算等技術。這使得YOLOv5具有更高的精度、更快的速度和更小的模型大小，適合應用于各種實時物體檢測場景。YOLOv5模型的主要結構為以下幾點：（1）輸入端：模型接收圖像數據作為輸入，并進行相應的預處理，如調整圖像大小、歸一化等。輸入端還可能包括一些增強技術，如Mosaic圖像增強和自適應錨框計算，用于增加數據集的多樣性和提升模型的泛化能力。（2）Backbone網絡：YOLOv5使用CSPDarknet53作為其主干（backbone）網絡，該網絡結構是一種深層卷積神經網絡，用于從輸入圖像中提取特征。[11]它包含多個模塊，如Conv、C3和SPPF模塊。這些模塊通過卷積層、批量歸一化、激活函數以及自適應聚合和加權融合等技術，有效地提取輸入圖像的特征。（3）Neck網絡：在Backbone網絡之后，Neck部分負責對提取的特征進行多尺度特征融合。它采用了一系列的結構，如SPP和PAN結構，以便更好地融合不同尺度的特征信息，并將這些特征傳遞給預測層。（4）Head網絡：Head部分主要負責進行最終的回歸預測。它利用Backbone和Neck部分提取的特征圖來檢測目標的位置和類別。Head網絡可能由多個輸出層組成，分別負責檢測不同大小的目標。本研究使用的YOLOv56.0版本模型主要架構如圖2-1所示。圖圖2-1YOLOv5模型主要架構其中，模型目標檢測的執(zhí)行流程主要為以下幾點。（1）輸入圖像首先通過骨干網絡，以提取原始圖像的高層次特征，包括多尺度的信息。接著高層次特征通過特征金字塔網絡進行多尺度特征提取，獲得具有豐富語義信息的特征金字塔。特征提取過程中通道數是不斷增加的，尺寸是不斷減小的。（2）特征金字塔的輸出被送入預測頭部，通過卷積操作生成目標類別的置信度和邊界框的位置信息。（3）預測頭部生成的邊界框結果經過閾值處理，濾除低置信度的邊界框，并獲得最終的檢測結果。[12]同時生成目標框，類別概率和中心點，確定圖像中的目標位置和類別。（4）輸出結果：輸出檢測到的目標的位置和類別。YOLOv5目標檢測算法流程如圖2-2所示。圖圖2-2YOLOv5檢測流程圖2.2YOLOv5模型特點及本研究使用YOLOv5模型的原因YOLOv5是一個基于深度學習的對象檢測模型，其目標是在圖像或視頻中準確地定位和識別出不同類別的物體。作為計算機視覺領域用于對象檢測任務的先進模型，其實時的物體檢測能力令該模型得以著稱，有著非常廣泛的應用場景。其高效、精準的檢測能力主要來源于以下特點：（1）高性能：YOLOv5在保持高精度的同時，提供了更快的推理速度，使其能夠實時或接近實時地處理高分辨率圖像。（2）多種預訓練模型：為了滿足不同任務和硬件資源的需求，YOLOv5提供了多個不同規(guī)模的預訓練模型，從輕量級到重量級都有。用戶可以根據具體應用選擇適合的模型，平衡速度和精度。（3）多尺度檢測：YOLOv5支持多尺度檢測，可以同時檢測多種物體大小，從小物體到大物體都能有效識別。（4）靈活的訓練和部署：模型提供了豐富的訓練和部署選項，支持自定義數據集、數據增強和模型微調。同時，它可以輕松部署到不同的硬件平臺，包括CPU、GPU和邊緣設備。本研究致力于設計與開發(fā)水面漂浮物檢測系統，其應用場景和實際需求對系統的檢測性能提出了高實時性的要求。在實際場景中，水面漂浮物的類別和特征呈現出多樣性，這對檢測系統的準確性和穩(wěn)定性構成了挑戰(zhàn)。因此，本研究選擇以YOLOv5模型作為核心，旨在利用其卓越的實時檢測能力和對多類別、多特征物體的有效識別，滿足系統的高性能需求。并且，YOLOv5模型具備快速且準確的物體檢測能力，能夠實時處理復雜場景中的圖像數據，并準確識別出各類水面漂浮物。同時，其多尺度檢測特性使得模型能夠應對不同大小和形狀的漂浮物，提高了系統的適應性。此外，YOLOv5模型的開源性和社區(qū)支持也提供了豐富的資源和幫助，使得各研究能夠根據實際需求對模型進行定制和優(yōu)化。通過結合YOLOv5模型與本研究的需求，將能夠開發(fā)出一個高效、穩(wěn)定且實時的水面漂浮物檢測系統。這一系統不僅能夠準確識別各類漂浮物，還能夠為相關應用提供及時的檢測信息，為水面管理和環(huán)境保護提供有力支持。3.水面漂浮物專屬數據集的構建隨著數據量的與日俱增以及大數據所蘊藏價值的不斷凸顯，各行業(yè)越來越重視挖掘數據的潛在價值。因此，獲取數據集以及數據集的制作過程也至關重要，這將會影響后續(xù)模型的識別效果。當前在目標檢測領域，公認的權威數據集包括PascalVOC、ILSVRC、MS-COCO、OpenImages和ImageNet等。然而，現有的公開數據集和互聯網上的樣本數量有限，質量也不盡如人意，不適合直接用于水面漂浮物檢測的訓練。[13]因此，本文將從獲取、標注、簡要處理，旨在為后續(xù)支持水面漂浮物檢測、識別和分析等相關研究與應用提供數據支持。在獲取途徑上，本研究拓寬水面漂浮物數據集的收集渠道，力求增加數據集的總體數量，使用多種水面場景下的各類對水域生態(tài)環(huán)境具有危害的漂浮物的圖像作為數據集，以確保目標檢測模型YOLOv5的泛化能力，并對其進行合理的篩選。同時，對收集后的數據集進行整理分析并手動標注，闡明數據集中的特點以及存在缺陷，進一步為后續(xù)模型訓練工作制定對應解決方案，再度提高檢測系統的識別性能。最后根據先前的分析結果對水面漂浮物專屬數據集進行簡要處理，以解決標注后文件類型不能直接供模型訓練使用的問題。3.1水面漂浮物數據集介紹3.1.1水面漂浮物的原數據集獲取方式目前，針對水域環(huán)境生態(tài)的目標檢測領域，已涌現一定數量的研究文章，對應研究過程中使用的水面漂浮物原數據集能夠直接使用，這一條件為本文研究節(jié)省了部分時間和人力成本。于此同時，為避免YOLOv5模型的識別效果出現過擬合的情況，在數據集的制作過程中對各個研究中使用到的圖片素材進行整合。這一做法增加了整體數據集的總體數量，也提升了數據集的多樣性，有助于模型在更廣泛的場景下進行訓練和測試，從而提高其泛化能力。獲取到的原數據集即原圖片如圖3-1至圖3-3所示。獲取得到的數據集整體數量為1200張，像素大小為1280*640，每張圖片的大小約為300k左右，本研究計劃將數據集劃分為測試集test、訓練集train、驗證集val，三部分，三類數據集劃分的比例為1：7：2，即測試集圖片數量為120，訓練集圖片數量為840，驗證集圖片數量為240。圖圖3-1獲取圖片示例 圖3-2整體獲取圖片情況1 圖3-3整體獲取圖片情況23.1.2水面漂浮物原數據集存在問題及解決方法經過數據集的整合及處理后，發(fā)現本研究使用的水面漂浮物原數據集存在以下兩方面的問題。一、獲取途徑增加后，數據量隨之增大，其中部分漂浮物在數據集中的出現頻率較高，對模型訓練效果產生不良影響，會在后續(xù)模型識別的過程中產生類別偏見，忽略了其他類別的特征學習，影響整體性能。二、部分圖片存在質量較差和檢測目標較為模糊的情況，這些問題主要來源于圖片拍攝條件不佳、圖片傳輸過程中的失真或處理不當等因素，這些質量不佳的圖片對于模型的識別能力構成了挑戰(zhàn)。由于目標特征不清晰，模型可能難以準確提取到關鍵信息，進而影響了識別的準確性和穩(wěn)定性。原數據集存在問題示例如圖3-4至圖3-6所示。圖圖3-4塑料瓶占漂浮物比例較多圖圖3-5圖像模糊圖圖3-6檢測目標模糊綜上所述，在構建數據集的過程中，需要對這些漂浮物類別比例失衡、質量較差的圖片進行篩選和處理，本研究提供了下列解決方法。針對同種類、不同數量的水面漂浮物進行合理的篩選，確保每種漂浮物在數據集中的出現頻率和數量相對均衡，這樣做有助于減少模型在訓練過程中可能產生的類別偏見，提高其對各類漂浮物的識別準確率。另外針對圖像模糊和目標像素低的情況，進行剔除處理，以確保數據集的整體質量和模型的訓練效果。3.2水面漂浮物數據集的標注基于先前所提及的數據集來源說明，本研究沿用其他學術研究所使用過的數據集進行模型訓練，因此減少了數據標注的工作量。此外，為進一步地提升模型的泛化能力，避免過擬合現象，本研究中所使用的數據集還包括自行采集的原數據集。在數據標注環(huán)節(jié)中，本研究決定采用數據集標注工具LabelImg進行手動標注。LabelImg作為一款功能強大且易于操作的標注工具，不僅支持多種標注格式，適應不同的計算機視覺任務需求，而且其直觀的圖形用戶界面和快捷鍵操作使得標注過程變得輕松高效。通過LabelImg的標注，能夠精確地為每張圖片中的水面漂浮物進行定位與分類，從而生成高質量的標注數據，為后續(xù)的模型訓練提供了高質量的標注數據支持。數據標注界面如圖3-7所示。圖圖3-7LabelImg標注界面3.3數據集標注后的簡要處理在本研究中面臨的一個重要挑戰(zhàn)是處理專屬數據集的問題。該數據集主要由現有的已標注數據構成，但這些數據并不直接適用于模型的訓練過程。因此，本研究進行了標注信息的提取工作，通過編寫批量處理文檔的腳本來實現這一目標。通常YOLO格式的數據集標注完成后包含Images和Labels兩個文件夾。Images用于存放圖像文件，Labels用于存放txt格式的標簽文件。[14]而本文所獲取到的數據集并沒有上述文件夾中所描述的文件，本文獲取的Annotations文件夾中分別保存了測試集、訓練集、驗證集的數據標簽信息，文件類型為json文件。為了獲取這些json文件的位置并提取其中的標注信息，本研究決定采用編寫腳本的方式實現。提取后的標注信息將被保存至新建的txt文本文件中，并且這些文本文件的名稱與對應的圖片名稱保持一致。此外，圖片文件已經按照數據集的要求進行了劃分，分別存放在test、train、val這三個文件夾中。由于txt文本文件與圖片文件在命名上是一一對應的，根據每個文件夾中的圖片文件名稱，對存放標注信息的文本文件進行了相應的分類。經過這一系列的處理和劃分工作，最終得到了一個完整且結構化的數據集，包括圖片的劃分和標注信息的劃分，如圖3-8至圖3-10所示。這為后續(xù)使用YOLOv5模型進行訓練和測試奠定了堅實的基礎。通過這樣的數據集處理流程，能夠確保模型能夠充分利用標注信息，從而提高其在水面漂浮物檢測任務中的性能。圖圖3-8標注信息文件 圖3-9數據集劃分圖片示例 圖3-10標注信息提取示例4.針對水面場景的YOLOv5模型優(yōu)化YOLOv5系列模型包含多個版本，每個版本在模型大小、計算復雜度以及性能上都有所不同。而本研究在對模型的性能測試階段中進行模型性能對比的版本名稱分別為：YOLOv5l、YOLOv5m、YOLOv5n、YOLOv5s和YOLOv5x。本章主要探討兩方面的研究內容。首先，通過查閱相關的研究資料和最新的官方文檔，深入了解不同版本模型的特點和性能。這些資料為本研究提供了寶貴的參考，使本研究能夠根據實際開發(fā)需求，進行模型版本的選擇。在仔細研究各個版本的優(yōu)缺點后，結合本研究的實際需求，選定了最適合的模型版本。其次，根據官方文檔和相關資料的指示，對模型的超參數進行了細致的調整。這些超參數對模型的訓練效果和性能至關重要。根據模型的特性和數據的分布情況，對超參數進行了合理的設置和調整。同時，本研究還對訓練模型文件中的參數進行了相應的調整，以確保模型能夠在訓練過程中獲得更好的性能。4.1模型版本選擇鑒于YOLOv5系列模型的多個版本具有不同性能，應用場景也可能會因此大相徑庭。因此本研究在選擇系統檢測模型前查閱了相關研究資料及官方文檔說明，對各版本的YOLOv5模型特點進行如下總結：YOLOv5s：這是YOLOv5系列中最小的模型。它擁有最少的層和最低的計算復雜度，因此其檢測性能相對較差。然而，由于其較小的模型大小和較快的檢測速度，它特別適合實時性需求較高的應用，如移動端和邊緣端設備。YOLOv5m：這是YOLOv5系列中的一個中等大小的模型。它在速度和準確度之間提供了較好的平衡，適用于具有一定計算能力的設備。YOLOv5l：這是YOLOv5系列中較大的模型。其準確度相對較高，但檢測速度較慢。YOLOv5x：這是YOLOv5系列中最大的模型。它在準確度方面表現最好，但檢測速度最慢。由于其出色的性能，它適合對檢測精度有極高要求的應用場景。YOLOv5n：它是YOLOv5系列中的一個納米版模型，其參數數量大幅減少，非常適合移動端和CPU解決方案。這些模型主要通過控制網絡的深度和寬度來調整其性能和大小。隨著網絡深度和寬度的增加，模型的精度會提高，但檢測速度會下降。因此，在選擇模型時，需要根據具體的應用場景和需求來權衡速度和精度。并且，本研究還需要將各模型性能進行對比作為綜合考慮的因素之一，各版本的性能展示、詳細性能參數及模型配置文件參數如圖4-1、表4-1、表4-2所示。圖圖4-1YOLOv5各版本性能對比表4表4-1YOLOv5各版本模型配置文件參數Model模型size(pixels)mApval(0.5:0.95)CPUb1(ms)V100b32(ms)params(M)FLOPs(@640B)(M)Speed(ms)YOLOv5n64028.045.74YOLOv5s64037.456.89YOLOv5m64045.464.12248.21.721.2YOLOv5I64049.067.343010.12.746.5YOLOv5x64050.768.976612.14.886.7表4表4-2YOLOv5各版本模型配置文件參數模型配置depth_multiplewidth_multipleYOLOv5n0.330.25YOLOv5s0.330.5YOLOv5m0.670.75YOLOv5l1.01.0YOLOv5x1.331.25王文杰，田敏，童宇等人[15]分別利用YOLOv5的3個權重模型：YOLOv5s、YOLOv5m、YOLOv5l，對火災數據集進行訓練，得到各訓練模型的精確率、召回率等一些評價指標，并通過這些指標選擇訓練效果最佳的模型作為火災檢測系統的檢測模型。鑒于本研究設計開發(fā)的檢測系統對實時性有著明確的需求，同時還需要確保其具備出色的識別性能，本研究進行了深入的綜合考量。經過慎重考慮和對比分析，決定在設計系統時，選擇YOLOv5m模型作為本次研究設計與開發(fā)檢測系統的核心模型。這一選擇旨在平衡實時檢測速度與高精度識別能力，以滿足檢測系統的實際需求，確保系統能夠高效、準確地完成檢測任務。4.2超參文件超參數調整除了對模型系列進行綜合考慮的選取，本研究在設計與開發(fā)檢測系統的過程中，針對超參文件中的超參數進行了精細的調整工作，以滿足特定的業(yè)務需求。同時，考慮到實際應用場景主要為河涌、溪流等水域環(huán)境，這些環(huán)境的畫面背景通常較為單一，色調以深綠、墨綠為主，漂浮物在水面上相對顯眼。除此之外，為避免先前提及到的樣本類別不平衡的問題，除了人為地平衡各類別占數據集的數量比，還可以通過超參數調整的方式實現。以下為本研究中進行超參數調整的具體部分：（1）image-weights：是否啟用加權圖像策略，默認是不開啟的。將對模型訓練中上一輪訓練效果不佳的數據集或圖片在下一輪中增加權重。本研究中為了得到更好的模型識別效果，將該項參數進行修改，通過命令行pythontrain.py--image-weights--rect啟用。（2）epochs：在訓練文件中，epochs

表示模型將遍歷整個訓練數據集的次數。更具體地說，每次模型完整地讀取一次訓練數據集并更新其權重，就稱為一個

epoch。一個

epoch

結束時，模型就已經看到了訓練集中的所有樣本。選擇適當的

epochs

值是非常重要的，因為它直接影響到模型的訓練效果。如果

epochs

設置得太低，模型可能無法充分學習訓練數據中的特征，導致欠擬合。相反，如果

epochs

設置得太高，模型可能會在訓練數據上過度擬合，導致在未見過的數據上表現不佳。因此，通常需要通過實驗來找到最佳的

epochs

值。這通常涉及到觀察模型在驗證集上的性能，并選擇在驗證集上性能最佳的那個

epochs

值。在實踐中，還可以采用早停（earlystopping）等策略來自動確定最佳的

epochs

值，以避免過擬合?；谶@樣的特點，本研究在綜合考慮以及實際測試過程中對epochs項參數進行調整，由默認值300更改為100，適當減少訓練迭代次數epochs，以提高檢測效率。經過對上文描述到的參數進行修改，并通過測試、不斷調整的方式獲取最佳參數值，使得模型的識別性能有了較大的提升，具體效果如圖4-2、圖4-3所示為參數調整前的模型性能指標、如圖4-4、圖4-5為超參數調整后的識別性能展示。圖圖4-2默認參數模型訓練PR值圖圖4-3默認參數可視化訓練結果圖圖4-4優(yōu)化參數模型訓練PR值圖圖4-5優(yōu)化參數可視化訓練結果然而，隨著業(yè)務需求的拓展，未來檢測系統可能會適用于更為復雜的水域環(huán)境。在這種情況下，不僅可以通過調整超參文件中的超參數來優(yōu)化模型的性能，還可以考慮替換YOLOv5中的結構，將某一層神經網絡更改為更復雜的模型，以進一步提高模型的精確度。同時，本研究還將積極探索模型結構的優(yōu)化方法，以適應更復雜的業(yè)務需求，確保檢測系統在各種水域環(huán)境下都能保持高效、準確的性能。通過上述措施，致力于構建一個既滿足當前業(yè)務需求，又具備良好擴展性和適應性的檢測系統，為水域環(huán)境的監(jiān)測與管理提供有力的技術支持。5.基于YOLOv5模型的水面漂浮物檢測系統的設計與應用本文研究設計主要通過Python代碼實現，并選擇了VisualStudio作為開發(fā)應用平臺，同時使用PyTorch這一強大的深度學習框架進行開發(fā)，實現、數據集的處理調用、模型的訓練、檢測系統的界面開發(fā)工作。5.1系統架構與設計基于YOLOv5模型的水面漂浮物檢測系統采用本地部署的方式，旨在實現高效、準確且可擴展的水面漂浮物檢測功能。下面將詳細介紹系統的各個功能模塊及其設計。5.1.1客戶端界面設計客戶端是用戶與系統交互的窗口，負責圖像的捕獲、顯示和結果展示。本研究設計與開發(fā)的水面漂浮物檢測系統，通過運用PyQt5框架，實現了用戶界面的設計。為了確保用戶在使用過程中獲得更加舒適與便捷的體驗，特意為系統的各個部分增添了直觀易懂的圖標，使得操作更加一目了然。同時，設計了系統界面的色調，以深色為主調，改善用戶的視覺；按鍵則采用白色作為底色，與深色背景形成鮮明對比，便于用戶快速識別與點擊。通過這樣合理的設計布局，力求為用戶提供更加流暢、高效的使用體驗?？蛻舳私缑嬖O計布局如圖5-1所示。圖圖5-1客戶端界面設計在圖像捕獲方面，客戶端支持多種圖像獲取方式，如圖片文件導入、視頻文件導入、攝像頭實時捕獲。用戶可以根據自己的需求選擇合適的設備，并將其實時連接到系統中。一旦連接成功，客戶端就能夠實時捕獲水面的圖像，并將其傳輸到后端核心進行檢測識別。在結果顯示方面，客戶端提供了清晰直觀的界面，用于展示模型返回的檢測結果。檢測結果以圖形化的方式呈現，包括漂浮物的位置框、類別標簽和置信度分數等。用戶可以通過查看這些結果，了解水面的實時情況，及時發(fā)現和處理漂浮物。5.1.2系統可擴展性和可維護性考慮到未來可能的業(yè)務擴展和技術升級，本文在系統設計時特別注重了可擴展性和可維護性。在可擴展性方面，本研究采用了模塊化設計思想，將系統的各個功能模塊進行分離和封裝。這使得系統更加易于擴展和升級。當需要增加新的功能或改進現有功能時，只需對相應的模塊進行開發(fā)和替換，而無需對整個系統進行重新設計和開發(fā)。并且，為了降低整體訓練時間，在保證高識別率和其他優(yōu)秀性能表現的前提下，利用本地計算機的硬件優(yōu)勢，將訓練方式由CPU進行訓練改為GPU進行訓練?？傮w訓練任務量不變的前提下，大大提高了訓練速度，這對于后期進行訓練任務的增加也具有幫助。在可維護性方面，本文提供了詳細的文檔和技術支持，方便用戶進行系統的安裝、配置和使用。同時還建立了完善的錯誤處理和日志記錄機制，能夠及時發(fā)現和定位系統中的問題，并進行相應的修復和優(yōu)化。5.2系統功能介紹5.2.1檢測畫面導入功能在檢測系統中，用戶可以選擇以圖片方式或視頻方式導入畫面進行檢測，也可以選擇通過獲取攝像頭實時畫面的方式進行畫面檢測。這種多樣化的導入方式不僅滿足了不同用戶的實際需求，也增加了系統的靈活性和適應性。當用戶選擇以圖片方式導入畫面時，系統能夠迅速加載并處理圖片，識別出其中的水面漂浮物。同樣，當用戶選擇以視頻方式導入畫面時，系統可以實時處理視頻流，逐幀檢測漂浮物的存在。這種實時處理能力使得系統能夠應對復雜多變的水面環(huán)境，確保檢測的準確性和高效性。媒體文件導入功能如圖5-2所示。圖圖5-2媒體文件導入功能示例除了圖片和視頻導入，系統還支持通過獲取攝像頭的方式進行畫面檢測。用戶可以簡單地選擇連接的攝像頭設備，系統即可實時捕獲水面畫面并進行檢測。這種方式無需用戶手動導入文件，進一步簡化了操作流程，提高了檢測效率。點擊按鈕“攝像頭檢測”，即可獲取攝像頭捕獲的實時畫面。當運行環(huán)境無攝像頭設備接入時，點擊按鈕“攝像頭檢測”則會出現如圖5-3錯誤提示。5.2.2檢測結果保存路徑展示用戶點擊“打開輸出文件夾按鈕”，可以將系統檢測結果所在路徑直接彈出呈現給用戶，便于用戶在使用過程中快速找到系統檢測結果，進一步提升檢測系統的便捷性。實際功能演示如圖5-4所示。圖圖5-4檢測結果保存路徑展示功能5.2.3識別結果展示在主界面的設計中，獲取檢測畫面以及展示檢測結果的畫面占據系統展示畫面的主要部分。假如用戶導入了一張圖片或一段視頻由檢測系統進行漂浮物檢測，則界面會展示出檢測后的畫面，對于識別到的物體會框選出識別部分，顯示檢測到的物體類別及置信度，更直觀地展示出檢測識別的結果，便于用戶查看水域狀態(tài)。識別結果示例如圖5-5所示。圖圖5-5識別結果展示5.2.4預警功能對于動態(tài)的檢測過程，還會在畫面的左側展示識別結果的信息提醒。如圖5-6所示，水面沒有漂浮物的情況下，則左側的識別結果信息提醒：“Noobjectsdetected”，即沒有檢測到漂浮物。圖圖5-6無漂浮物檢測結果提醒如圖5-7所示，水面存在少量漂浮物的情況下，則左側的識別結果信息提醒：“注意！水面存在少量異物”，并提示檢測到的漂浮物類型。圖圖5-7少量漂浮物檢測結果提醒如圖5-8所示，若漂浮物數量超過一定閾值時，則會在識別信息展示區(qū)顯示報警信息“注意！水面存在大量異物，請注意及時清理”，并將預警信息自動提醒相關人員，建議及時清理水域。圖圖5-8大量漂浮物檢測結果提醒5.3實時監(jiān)控與檢測流程在實時監(jiān)控與檢測流程中，系統首先通過攝像頭等設備實時捕獲水面圖像。然后，將捕獲的圖像傳輸到檢測系統中進行目標檢測。檢測系統接收到圖像后，利用訓練好的YOLOv5模型進行推理計算，識別出圖像中的水面漂浮物。檢測結果包括漂浮物的位置、類別和置信度等信息。接下來，檢測系統將檢測結果通過網絡傳輸回客戶端?？蛻舳私邮盏浇Y果后，在用戶界面上進行展示。用戶可以實時查看水面情況，并根據檢測結果進行相應的處理或報警操作。5.4安全性與隱私問題王偉，王健，劉子睿等人在設計基于YOlOV5的煤礦安全預防系統的過程中，高度重視系統的安全性和用戶數據隱私問題。[16]本研究中的系統設計也參考這一設計思路，對系統的安全性與隱私問題做出一定要求和防護設計。本系統對用戶的個人信息和數據進行嚴格保護，確保不會泄露給未經授權的第三方。其次，在模型訓練和使用過程中，本系統遵守相關的隱私政策和法規(guī)要求。對于涉及個人隱私的圖像數據，將會進行脫敏處理或匿名化操作，以保護用戶的隱私權益。此外，本研究對系統進行全面的安全測試和漏洞掃描，及時發(fā)現并修復潛在的安全隱患。6.總結與啟示隨著科技的迅猛發(fā)展，人類的開發(fā)與作業(yè)范圍不斷擴大，但這也導致自然生態(tài)環(huán)境受到了一定程度的損害。以水域環(huán)境為例，近半個世紀以來，為了追求快速發(fā)展和經濟效益，人類往往忽視了水資源的保護。大量的工廠和建筑建設導致生活垃圾、工業(yè)廢料和污水不斷產生，而缺乏生態(tài)平衡意識的人們將這些污染物直接排放到河流和海洋中，導致水資源嚴重污染，全球水資源一度面臨匱乏的危機，再次引發(fā)了人類對于生存問題的深思。因此，人們開始將更多注意力轉向自然環(huán)境的保護，特別是水域生態(tài)環(huán)境的保護與管理。本文旨在利用先進的YOLOv5（YouOnlyLookOnce）目標檢測模型，設計并實現一個高效且精確的水面漂浮物檢測系統。該系統能夠實時捕獲水面圖像，并自動識別和定位漂浮物的種類、數量及其位置，從而為水域環(huán)境的管理和保護提供重要支持。本文首先深入探討了水面漂浮物檢測的背景和意義，分析了當前水面漂浮物檢測技術的現狀及其存在的問題。隨后，詳細闡述了基于深度學習的水面漂浮物檢測系統的設計與實現過程，包括數據集的構建、模型的訓練以及系統的優(yōu)化等方面。最后，通過一系列實驗驗證了該系統的有效性和實用性，并探討了其在實際應用中的巨大潛力以及可能面臨的挑戰(zhàn)。本文主要研究成果如下：（1）對YOLOv5模型進行簡要介紹。包括YOLOv5模型的核心架構的概述，以及其具備的特點，闡明本研究使用YOLOv5模型作為本研究檢測系統的核心識別模型的原