基于改进YOLOv5的水下废弃物红外检测算法

针对水下废弃物红外目标检测中出现的检测目标边界细节模糊、图像质量低和存在各种不规则形状或损坏的覆盖物等问题,本文提出了一种基于YOLOv5的改进目标检测方法(EFDCD-YOLO)。在主干网络中选择InceptionNeXt网络,以增强模型的表达能力和特征提取能力。其次,在特征融合层中通过加入EffectiveSE注意力机制,自适应地学习特征通道的重要性,并进行选择性加权。采用可变形卷积替代原模型中的C3模块,使模型能够更好地感知目标的形状和细节信息。此外,将CARAFE算子替代上采样模块,增强对细粒度特征的表现能力,避免信息丢失。在损失函数方面,采用Focal-EIOU损失函数,以提高模型对目标定位和边界框回归的准确性。最后,引入DyHead替换YOLOv5中的头部,通过动态感受野机制和多尺度的特征融合方式,提升模型的准确性。将改进后的EFDCDYOLO模型应用于水下废弃物红外目标检测,相比于YOLOv5模型,改进后的模型在准确率(P)、召回率(R)和平均精度(mAP)方面分别提升了21.4%、9.7%和13.6%。实验结果表明,EFDCD-YOLO能够有效地提升水下废弃物红外目标检测场景的性能,更好地满足水下废弃物红外目标检测的需求。