基于YOLOv5改进算法的海洋水下垃圾检测方法

针对水下图像采集存在的光线不足、低分辨率、物体识别不清和小目标较多等局限性导致现有的目标检测算法效果不佳的问题,提出一种基于YOLOv5改进的水下垃圾目标检测算法,以达到更快速更准确地检测和清除海洋水下塑料垃圾的目标。所提算法使用限制对比度自适应直方图均衡化CLAHE预处理方法来增强数据特征,降低特征提取的难度,提高检测精度;引入无参注意力机制SimAM和更换轻量级卷积方法GSConv,在增强网络提取能力的同时减少模型计算量;同时增加多尺度特征融合检测,解决水下垃圾碎屑小目标定位困难的问题。基于自建的真实水下环境垃圾数据集MarineTrash对改进的算法进行充分实验,结果表明,改进的方法具有良好的表现,其中精度提高了4.3个百分点,mAP提高了3.5个百分点,GFLOPs降低了0.3,模型权重仅为13.9 MB,比基线降低了0.6 MB。基于YOLOv5改进的水下垃圾检测算法的研究对于在自主式水下机器人(AUVs)中部署安装探测器,以实现对海洋水下垃圾的检测和自动清除,维护海洋生态系统提供了充分的技术支撑。

基于注意力机制及Ghost-YOLOv5的水下垃圾目标检测

水下垃圾的目标检测技术对水下机器人实现垃圾自动清除有着重要意义。然而,复杂的水下环境和水底光线不足,易导致检测精度受限、计算量大等问题。针对这些问题,提出了一种基于YOLOv5的水下垃圾目标检测的改进算法。在该方法中,在预处理部分引入Gamma变换提高水下图像的灰度和对比度,便于模型检测。同时,在YOLOv5检测部分嵌入CBAM注意力机制,以突出目标特征并抑制次要信息,从而提高算法精度。此外,将颈部层中的普通卷积模块替换为Ghost卷积模块,减少计算量,加快检测速度。采用真实环境下的水下垃圾数据集进行模型验证,与当前热门的目标检测算法进行对比,该方法在分辨率为640×640的图像上的最高检测精度为93.7%,且计算时间仅为6.7 ms,满足实时性的要求。该研究成果对水下垃圾的目标检测具有良好的借鉴意义。

一种新型水域垃圾清理船的设计

水域垃圾清理主要有人工打捞和机械清理两种方式,而水域垃圾清理船是机械清理不可或缺的设备。基于此,本文设计了一种新型水域垃圾清理船。它主要包括三部分,即水面漂浮垃圾清理装置、水生植物清理装置、水下沉积垃圾清理装置。通过聚拢收集、打碎、传送、抓取等方式,该水域垃圾清理船可以对水面漂浮垃圾、水生植物、水下沉积垃圾进行有效的清理,可应用于小型河流、湖泊、公园狭窄水流等水域的垃圾清理。