论文部分内容阅读
水域环境的保护一直是国家环保的重中之重,每年都会投入大量的资金来防止水体的污染。然而由于设备以及技术的限制,目前防治的手段主要依靠于人力,例如:人工巡河和人工打捞,这无疑是低效且不安全的,所以实现河流智能监测无疑会解放大量的人力物力。在现实场景中河流的监测方式具有多样性,所以对算法的载体需求也具有多样性。根据不同的载体,本文从客户端以及服务端两个角度对算法进行优化。具体内容如下:（1）客户端角度,目前常规的深度学习模型有着计算量大、便携性差的缺点。针对这些问题,本文提出使用轻量级网络Ghost Net中廉价高效的连接方式对YOLOv3中的主干网络进行改进,在不降低原有模型准确度的前提下,通过计算量更少的线性操作替代部分卷积操作,从而使模型的参数更少,消耗算力更小。由于本课题收集的水面漂流物数据集存在一定的类别不均衡问题,会导致样本数量较少的类别检测效果不理想,通过为模型引入Focal Loss损失函数缓解了这种情况。对比实验结果表明,使用Ghost Net连接方式的YOLOv3相对于YOLOv3算法在m AP指标上有约14%的提升,使用Focal Loss损失函数也为算法的m AP指标带来了0.9%的提升。（2）服务端角度,服务端的设备在硬件与软件上优于客户端的设备,而且一般算法部署的服务器都有配置显卡,相对于客户端的设备来说,服务器有着更多可支配的算力,所以服务端的优化更多的是在算法精度上的提升,本文基于VOVNet网络中的密集连接方式来改进YOLOv3中的主干网络,密集连接的网络结构可以缓解深层网络中浅层特征的丢失问题,从而更高效的利用网络提取过程中的特征。对比实验结果显示,使用了VOVNet连接方式的YOLOv3在m AP上提升了14.1%,Focal Loss损失函数为算法的m AP指标带来了1%的提升。最后基于上述研究的客户端水面漂浮物检测最优算法Focal-Ghost-YOLOv3,开发了一款水面漂流物识别应用软件,从而证明该算法在实际场景中的使用价值的同时,展示了水面漂流物算法研究的成果。