收稿日期：2023-03-15；接受日期：2023-06-16

基金項目：國家自然科學(xué)基金項目（61961026）；江西省科技廳重大科技研發(fā)專項“揭榜掛帥”制項目（20213AAG01012）

作者簡介：譚文群，女，教授，碩士，主要從事無線通信技術(shù)研究。E-mail：twqun@163com

通信作者：

包學(xué)才，男，教授，博士，主要從事物聯(lián)網(wǎng)技術(shù)及應(yīng)用研究。E-mail：Lx97821@niteducn

EditorialOfficeofYangtzeRiverThisisanopenaccessarticleundertheCCBY-NC-ND40license

文章編號：1001-4179（2024）03-0249-08

引用本文：譚文群，曾祥君，包學(xué)才，等基于改進(jìn)YOLOX的水庫水面漂浮物目標(biāo)檢測算法［J］人民長江，2024，55（3）：249-256

摘要：

針對目前水庫水面小目標(biāo)漂浮物檢測識別精度低的問題，提出基于改進(jìn)YOLOX的水庫水面漂浮物目標(biāo)檢測算法。此算法引入新型dark2模塊融入主干網(wǎng)絡(luò)并拓展主干網(wǎng)絡(luò)的分支輸出結(jié)構(gòu)，提升主干網(wǎng)絡(luò)對圖片的特征提取能力。在此基礎(chǔ)上，提出改進(jìn)特征融合模塊（ZL-FPN），用于增強(qiáng)特征圖信息融合，提高對水庫水面小目標(biāo)漂浮物的檢測精度。結(jié)果表明：改進(jìn)后算法的mAP值比YOLOv4和原YOLOX算法分別提升了2993%和1211%，有效提升了水庫水面漂浮物檢測精度。研究成果可為提升水庫智能化管理水平提供有效技術(shù)支撐。

關(guān)鍵詞：水面小目標(biāo)漂浮物；目標(biāo)檢測；YOLOX算法；水庫智能化管理

中圖法分類號：TV6972

文獻(xiàn)標(biāo)志碼：A" " " " " " " DOI：1016232jcnki1001-4179202403034

0引言

自2019年以來，水利部先后印發(fā)了多個文件，包括《水利標(biāo)準(zhǔn)化工作管理辦法》和《關(guān)于加強(qiáng)水利團(tuán)體標(biāo)準(zhǔn)管理工作的意見》等，強(qiáng)調(diào)了水庫標(biāo)準(zhǔn)化建設(shè)的重要性。水庫日常巡查和安全檢查是水庫標(biāo)準(zhǔn)化管理的主要內(nèi)容之一。目前水利標(biāo)準(zhǔn)化巡查主要以人工定時定點巡查為主，對于流動性強(qiáng)的水庫水面污染漂浮物的檢測存在一定難度，特別是在天氣惡劣條件下，人工巡查可能對巡查人員的生命安全造成威脅。因此，迫切需要開發(fā)基于人工智能的水庫水面污染漂浮物自動檢測識別技術(shù)和方法來解決這一問題，以改善水庫水質(zhì)環(huán)境和提高水庫標(biāo)準(zhǔn)化智能化管理效率。

目前目標(biāo)檢測算法主要分為兩種類型：“兩階段檢測”和“一階段檢測”。前者是一個“從粗到精”的過程，而后者可以“一步完成”。

在“兩階段檢測”中，李寧等［1］提出使用AlexNet網(wǎng)絡(luò)進(jìn)行小樣本的水面漂浮物識別。通過使用梯度下降法對模型進(jìn)行微調(diào)，相較于傳統(tǒng)的特征提取方法，識別率提高了近15%。然而，該研究所針對的數(shù)據(jù)集對象單一，并不具備普適性，真實水庫中水面漂浮物種類繁多，環(huán)境也更為復(fù)雜。Barrera［2］和李國進(jìn)［3］等基于FasterR-CNN分別提出了一種改進(jìn)識別與定位算法，前者的改進(jìn)算法對于復(fù)雜背景情況檢測情況較差；后者的改進(jìn)算法計算量大，不利于實時監(jiān)測的應(yīng)用。另外，鮑佳松等［4］提出了DCNN的識別算法，雖然整體網(wǎng)絡(luò)結(jié)構(gòu)簡單，但是對于小目標(biāo)水面漂浮物檢測精度較差，且該網(wǎng)絡(luò)容易受到外部因素干擾。劉偉等［5］提出了一種基于MaskR-CNN模型的水面漂浮物識別方法，采用不同的特征提取網(wǎng)絡(luò)，與傳統(tǒng)的HOG特征方法相比，準(zhǔn)確率提升了16%。然而，該模型的復(fù)雜度大幅提升，增大了部署成本。

在“一階段檢測”方面，張堡瑞等［6］采用CornerNet-Lite目標(biāo)檢測網(wǎng)絡(luò)以及激光雷達(dá)和相機(jī)檢測的方式來檢測水面漂浮物，比單獨使用算法準(zhǔn)確度更高，能盡可能消除水面倒影和波紋的影響。然而，該方法對環(huán)境的適應(yīng)能力不強(qiáng)，且對光照的變化沒有很好的魯棒性，易受輸入圖像質(zhì)量的影響。Sanchez等［7］對比了多個不同的“一階段模型”，發(fā)現(xiàn)YOLOv5s所需要消耗的資源最少，同時采用了數(shù)據(jù)增強(qiáng)方法來緩和樣本分布不均的問題，但該方法對比模型較少且改進(jìn)部分較少，沒有最大化模型的檢測能力。李國進(jìn)［8］和Shanhua［9］等提出了基于改進(jìn)YOLOv3的水面漂浮物目標(biāo)檢測算法，其中一個算法添加了CAM，將基于邊界框的定位方式替換成基于像素點進(jìn)行定位，另一個算法則將基于視頻監(jiān)控的水面漂浮物算法融入YOLOv3算法中。然而，這兩種算法都特別依賴于錨框的選定，而錨框的選取不具有普適性，針對每個水庫場景都需要重新定義錨框。此外，Haq等［10］提出了一種利用物體中心關(guān)鍵點檢測來預(yù)測物體位置的方法，通過對象分割掩碼的方式減少檢測偏移，該改進(jìn)針對大目標(biāo)作用明顯，對小目標(biāo)效果較差。Zhang等［11］基于改進(jìn)RefineDet網(wǎng)絡(luò)，引入FocalLoss損失函數(shù)，較好地解決了正負(fù)樣本不平衡的問題，但是該模型僅針對一類數(shù)據(jù)集進(jìn)行，在實際應(yīng)用中泛化能力不足。Zhou等［12］提出的YOLOX算法，作為YOLO系列的集大成者，在檢測水面漂浮物時可以達(dá)到較高的檢測精度，并且實時性高。然而，該算法針對小目標(biāo)水面漂浮物的檢測能力差，容易發(fā)生漏檢行為。Roy等［13］在YOLOv4的基礎(chǔ)上提出使用DenseNet對主干網(wǎng)絡(luò)進(jìn)行優(yōu)化，同時引入新的激活函數(shù)，增加了參數(shù)量及訓(xùn)練負(fù)擔(dān)。

小目標(biāo)是指物體標(biāo)注框的長寬乘積除以整個圖像的長寬乘積再開根號，其結(jié)果小于3%的物體。

針對目標(biāo)檢測領(lǐng)域，Cheng［14］、Koyun［15］、He［16］、He［17］、Padilla［18］、Pal［19］等在模型檢測精度和速度方面做了大量工作，但在實際場景中，特別是在小目標(biāo)漂浮物的檢測方面，效果并不理想。

針對上述問題，本文提出了一種改進(jìn)YOLOX算法，通過改進(jìn)主干網(wǎng)絡(luò)并構(gòu)建一種新型特征融合網(wǎng)絡(luò)，以提升水庫水面漂浮物的檢測能力，尤其是小目標(biāo)漂浮物的檢測能力。

1基于改進(jìn)YOLOX的水庫水面漂浮物檢測識別算法

為了解決小目標(biāo)漂浮物檢測精度低的問題，研究采取了主干網(wǎng)絡(luò)和特征融合模塊的協(xié)同改進(jìn)，以最大程度提高模型的檢測精度。改進(jìn)分為兩部分：①改進(jìn)主干網(wǎng)絡(luò)，將新型殘差模塊（dark2）放置于第三次卷積操作之前，以獲取更豐富的小目標(biāo)特征（feat2）；此外，將主干網(wǎng)絡(luò)的三分支輸出變?yōu)樗姆种л敵鼋Y(jié)構(gòu)，以增強(qiáng)特征融合網(wǎng)絡(luò)的小目標(biāo)信息豐富度。②采用更高效的特征融合金字塔（ZL-FPN），充分關(guān)注小目標(biāo)信息，以進(jìn)一步提升對小目標(biāo)的檢測能力。改進(jìn)YOLOX算法整體流程如圖1所示。

11YOLOX算法思想

YOLOX目標(biāo)檢測算法基于YOLO系列，引入了新的思想，檢測速度和精度都有了進(jìn)一步提升。YOLOX包括6個不同模型參數(shù)大小的版本，分別為YOLOX-Nano、YOLOX-Tiny、YOLOX-S、YOLOX-M、YOLOX-L以及YOLOX-X。由文獻(xiàn)［20］可知YOLOX-S參數(shù)量為9M，YOLOX-M參數(shù)量為253M，YOLOX-L參數(shù)量為542M，YOLOX-X參數(shù)量達(dá)到991M，每增大一級規(guī)模，參數(shù)量呈倍數(shù)增長。常規(guī)云端部署環(huán)境為保證檢測實時性，模型參數(shù)量大小需控制在15M以下。故應(yīng)在滿足參數(shù)量大小前提下盡可能選擇較大模型，以保證初始檢測精度，因此選取YOLOX-S算法作為此次改進(jìn)的基礎(chǔ)模型。YOLOX-S算法結(jié)構(gòu)如圖2所示。

該算法包括3個部分：主干網(wǎng)絡(luò)、特征金字塔和預(yù)測部分。主干網(wǎng)絡(luò)主要由Focus、CBS、Csplayer以及SPPbottleneck模塊組成。Focus切片操作是對特征信息進(jìn)行間隔距離提取，通道數(shù)擴(kuò)大為原來的4倍，特征圖縮小為原圖的1/2，其優(yōu)點為在進(jìn)行特征圖放縮時，保證特征點信息采集最大化。CBS模塊則是Conv2D、BN正則化以及SiLU激活函數(shù)的統(tǒng)稱，然而該主干網(wǎng)絡(luò)對小目標(biāo)提取能力較差。特征金字塔采用基礎(chǔ)的FPN結(jié)構(gòu)，將主干網(wǎng)絡(luò)最后3層的特征圖分別作為金字塔的一層，并采用自下而上的路徑，將融合后的特征圖自上而下分別輸出，此結(jié)構(gòu)相對簡單，特征信息融合不充分。預(yù)測部分則對位置、類別和置信度進(jìn)行結(jié)果預(yù)測。

12改進(jìn)YOLOX算法

該算法的改進(jìn)分為2個部分。第一部分是對主干網(wǎng)絡(luò)進(jìn)行優(yōu)化，通過構(gòu)造dark2模塊，拓展主干網(wǎng)絡(luò)的分支輸出結(jié)構(gòu)，提升主干網(wǎng)絡(luò)對物體特別是小目標(biāo)的特征提取能力。第二部分采用ZL-FPN替換原始的特征金字塔結(jié)構(gòu)，增強(qiáng)特征圖信息的融合能力，進(jìn)一步提升對小物體和漂浮物的檢測精度。最后將這兩部分的改進(jìn)進(jìn)行融合，以求最大程度地提升算法對小目標(biāo)漂浮物的檢測能力。

121改進(jìn)主干網(wǎng)絡(luò)

分析原始主干網(wǎng)絡(luò)對小目標(biāo)物體特征提取能力弱的原因，其主要問題是針對小目標(biāo)輸出信息不足，因此該算法提出在主干網(wǎng)絡(luò)中引入dark2模塊。該模塊由9層Csplayer殘差結(jié)構(gòu)組成，將該模塊放置于第二次進(jìn)行CBS卷積操作得到160×160×128特征圖與第三次進(jìn)行CBS卷積操作得到80×80×256特征圖之間。引入該模塊有兩點意義：①加深主干網(wǎng)絡(luò)的層數(shù)，使網(wǎng)絡(luò)參數(shù)量增多，訓(xùn)練更加充分；②此階段所輸出的160×160特征圖表示將上一階段得到的特征圖長寬分為160份，共產(chǎn)生25600個小網(wǎng)格，每個小網(wǎng)格都可以判斷是否包含物體，從而能夠針對圖像中小目標(biāo)盡可能少的發(fā)生漏檢行為。同時將提取后的特征圖作為新的分支，計作feat2，輸出到特征融合金字塔網(wǎng)絡(luò)中。改進(jìn)后的主干網(wǎng)絡(luò)對于小目標(biāo)的提取能力得到了進(jìn)一步增強(qiáng)。其具體結(jié)構(gòu)如圖3所示。

從圖3可知，本文算法提出的改進(jìn)主干網(wǎng)絡(luò)與原網(wǎng)絡(luò)有明顯的不同。主要表現(xiàn)為在經(jīng)過卷積核為128的卷積操作后，生成160×160×128特征圖；緊接著經(jīng)過新型的dark2模塊，生成對小目標(biāo)敏感的feat2，即160×160×128特征圖。此特征圖由于將整張?zhí)卣鲌D劃分為160×160的小網(wǎng)格，具有感受野小、對小目標(biāo)提取能力強(qiáng)的特點。最后，將feat2（160×160×128）、feat3（80×80×256）、feat4（40×40×512）、feat5（20×20×1024）作為4個分支輸出到ZL-FPN中。

122改進(jìn)特征金字塔網(wǎng)絡(luò)（ZL-FPN）

針對原始特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)簡單導(dǎo)致特征信息融合能力弱的問題，提出了一種新型改進(jìn)特征金字塔網(wǎng)絡(luò)（ZL-FPN）。該網(wǎng)絡(luò)的輸入是4種不同類型大小的特征圖。自上而下地進(jìn)行操作時，將4種原始特征圖與卷積過后的特征圖再次進(jìn)行融合，目的是確保盡可能多的包含原始特征圖信息。將feat2輸出至金字塔網(wǎng)絡(luò)中，主要用于提取小目標(biāo)的特征。經(jīng)過殘差結(jié)構(gòu)以及下采樣操作與其他特征圖深度融合后，可以顯著提升模型對小目標(biāo)物體的檢測能力。改進(jìn)特征金字塔網(wǎng)絡(luò)（ZL-FPN）的結(jié)構(gòu)如圖4所示。

從圖4可知，ZL-FPN網(wǎng)絡(luò)與原特征金字塔融合網(wǎng)絡(luò)的執(zhí)行步驟有明顯的區(qū)別。首先，ZL-FPN網(wǎng)絡(luò)在生成P2_out時，使用了add操作將P2_out_1和feat2相加，而不是直接使用P2_out_1。這樣可以確保P2_out中包含盡可能多的原始特征信息，而feat2中主要

為小目標(biāo)信息從而提高漂浮物的檢測精度。其次，在生成P3_out、P4_out和P5_out時，也采用了類似的add操作和殘差結(jié)構(gòu)，這兩種操作目的是使特征信息更好融合。最終，通過使用add操作、殘差結(jié)構(gòu)和新型特征融合模塊，充分融合各層級特征圖的信息，同時最大程度地保留原始特征信息，以提高對漂浮物特別是小目標(biāo)漂浮物的檢測精度和效果。

2算法驗證及對比分析

本文算法驗證及對比分析選用Linux操作系統(tǒng)，CPU為11thGenIntel（R）Core（TM）i7-11800H@230GHz230GHz，GPU為GEFORCERTX3080，內(nèi)存16GB，使用370版本的Python、171版本的Pytorch框架進(jìn)行模型訓(xùn)練、驗證以及測試。

21數(shù)據(jù)集制作及模型訓(xùn)練

211數(shù)據(jù)集制作

針對單一水庫水面漂浮物數(shù)據(jù)集較少的問題，收集不同水庫的水面漂浮物圖片來制作數(shù)據(jù)集，包括埠頭鄉(xiāng)橫石背水庫，埠頭鄉(xiāng)山田水庫和古龍崗黃塘水庫等。經(jīng)過預(yù)處理和篩選等操作，共選取了8446張有效圖片，并將這些圖片按照瓶子、塑料垃圾袋、落葉、樹枝、零食袋、一次性塑料盒、白色泡沫以及一次性杯子等8個類別進(jìn)行標(biāo)注。之所以選取這8類作為檢測類別是因為這8類漂浮物在數(shù)據(jù)收集過程中經(jīng)常出現(xiàn)，故按照漂浮物類別出現(xiàn)的頻率，對其進(jìn)行類別框標(biāo)注，如表1所列。

使用Labeling標(biāo)記軟件對數(shù)據(jù)集進(jìn)行標(biāo)記，生成VOC格式的訓(xùn)練數(shù)據(jù)，用于訓(xùn)練和測試漂浮物檢測模型。

該數(shù)據(jù)集包含復(fù)雜環(huán)境下水庫水面漂浮物圖片，從測試集中挑選8幅具有代表性的待檢測圖，主要分為兩類：第一類是水面漂浮物距離較近且清晰的待檢測圖，如圖5（a）～（d）所示；第二類是位置較遠(yuǎn)且模糊的待檢測圖，如圖5（e）～（h）所示。

212模型訓(xùn)練

將數(shù)據(jù)集按照7∶2∶1的比例劃分為訓(xùn)練集、驗證集和測試集。在進(jìn)行預(yù)處理操作后，圖片大小被設(shè)置為640×640。設(shè)置此次訓(xùn)練輪次為350輪，采用SGD下降方法，batchsize（批大小）為16。在訓(xùn)練過程中，得到損失曲線圖，如圖6所示。

22算法驗證及結(jié)果分析

改進(jìn)后模型對211小節(jié)所示的8幅待檢測圖以及不同算法在較為復(fù)雜場景下的檢測效果如圖7所示。由圖7檢測識別結(jié)果可知，改進(jìn)算法在不同的環(huán)境下都能很好識別出水面上的漂浮物。

為進(jìn)一步驗證改進(jìn)算法的性能，將YOLOv3、YOLOv4、YOLOX以及ZL-YOLOX（本文改進(jìn)算法名稱）的檢測識別精度進(jìn)行對比，對比曲線如圖8所示。

從圖8可知，改進(jìn)后的ZL-YOLOX算法相較于YOLOv3、YOLOv4和YOLOX算法，表現(xiàn)出了最優(yōu)的檢測效果。具體來說，在相同的測試集上，這一提升主要得益于對主干網(wǎng)絡(luò)進(jìn)行了優(yōu)化，加強(qiáng)了對小目標(biāo)特征的提取，以及采用了更高效的融合網(wǎng)絡(luò)，充分關(guān)注小目標(biāo)信息。這些改進(jìn)使得改進(jìn)后算法針對小目標(biāo)的檢測能力得到了提升，從而實現(xiàn)了整體精度的提升。

進(jìn)行消融實驗以進(jìn)一步驗證和分析所提出的改進(jìn)主干網(wǎng)絡(luò)和改進(jìn)特征金字塔網(wǎng)絡(luò)對模型性能的提升作用。首先，探討dark2層數(shù)的選取，其結(jié)果如表2所列。

從表2可知，mAP平均檢測精度總體隨著層數(shù)的增加而不斷提升，但當(dāng)結(jié)構(gòu)變?yōu)?2層時，模型精度反而出現(xiàn)了下降。因此，在此水面漂浮物數(shù)據(jù)集下，選擇9層結(jié)構(gòu)的dark2模塊可以獲得最高的精度，如果層次結(jié)構(gòu)較淺，可能會導(dǎo)致獲取小目標(biāo)信息不充分；較深，則可能過度關(guān)注邊緣特征而忽略主體信息。與原始的YOLOX算法相比，改進(jìn)后算法的識別精度提高了近5%。這主要是因為此結(jié)構(gòu)所產(chǎn)生的特征圖大小為160×160，包含25600個小方格，具有感受野小的特點。引入dark2模塊可以更好利用此特征圖，并把此特征信息作為輸出信息。

在此基礎(chǔ)上，對改進(jìn)模型做進(jìn)一步消融實驗探討各改進(jìn)結(jié)構(gòu)對模型精度的提升能力，其實驗結(jié)果如表3所列。

從表3可知，相比于原始YOLOX算法，僅使用ZL-FPN改進(jìn)后的算法，在mAP指標(biāo)上提升了約2%，改進(jìn)后模型的檢測能力得到了小幅提升，其原因是使用了更加有效的特征融合方式。僅使用改進(jìn)主干網(wǎng)絡(luò)改進(jìn)后的算法，相較于原始YOLOX算法，在mAP指標(biāo)上提升了約4%，對水面漂浮物的檢測能力得到較大的提升，其原因是三分支輸出變?yōu)樗姆种л敵觯饕黾恿藢π∧繕?biāo)敏感的特征圖信息feat2并傳入特征融合網(wǎng)絡(luò)。為了使檢測能力最大化，使用改進(jìn)主干網(wǎng)絡(luò)和ZL-FPN對原始YOLOX算法進(jìn)行改進(jìn)，mAP達(dá)到了最大值即8583%，其原因是融合了各部分改進(jìn)的優(yōu)勢，提升了改進(jìn)后模型對水庫水面漂浮物的檢測能力，特別是對水庫中的小目標(biāo)漂浮物可以做到不漏檢且分類更為準(zhǔn)確。

為了更加全面深入地探究模型的性能，將改進(jìn)后的模型與YOLOv3、YOLOv4和YOLOX對數(shù)據(jù)集所標(biāo)注的8類漂浮物的檢測結(jié)果進(jìn)行對比分析，評價指標(biāo)包含各類的精確度（AP）、mAP、模型的總體參數(shù)、漏檢率以及FPS，結(jié)果見表4。

從表4可知，相比于YOLOX，改進(jìn)后的算法在參數(shù)量增加不多的前提下，對每個類別的識別精度都達(dá)到了最優(yōu)。其中，改進(jìn)算法對一次性杯子的識別精度提升最大，相比于YOLOX模型提升了15%。即使對于檢測精度已經(jīng)達(dá)到93%的零食袋類，改進(jìn)后的算法仍然在此基礎(chǔ)上提升了3%的精度。此外，表中還顯示出，改進(jìn)后的算法對于常見的小目標(biāo)漂浮物，如零食袋、瓶子和白色泡沫這3類物體，都能夠達(dá)到91%以上的檢測精度，最高檢測精度達(dá)到96%。而一次性塑料盒、一次性杯子、樹枝以及塑料袋這4類物體的檢測精度也都達(dá)到了90%左右。即使是檢測精度最低的落葉類，改進(jìn)后的算法也比YOLOX提升了1765%。綜上所述，改進(jìn)后的算法能夠更加適用于水庫水面漂浮物檢測，特別是對水庫中的小目標(biāo)漂浮物可以做到不漏檢且分類更為準(zhǔn)確。

3結(jié)語

本文針對目前水庫水面小目標(biāo)漂浮物檢測識別的需求，提出了一種基于改進(jìn)YOLOX的目標(biāo)檢測算法。主要的改進(jìn)在于主干網(wǎng)絡(luò)和特征金字塔網(wǎng)絡(luò)的優(yōu)化。通過實驗對比分析，相較于YOLOv4和YOLOX算法，本文提出的算法在此次收集的數(shù)據(jù)集上整體檢測精度分別提升了2993%和1211%。此外，針對常見的8類水面漂浮物（瓶子、塑料垃圾袋、落葉、樹枝、零食袋、一次性塑料盒、白色泡沫和一次性杯子）其檢測精度也有顯著提升。實驗證明改進(jìn)后的算法為水庫水面檢測尤其是小目標(biāo)檢測識別提供了有效的解決方案，有助于緩解人工巡查帶來的不便，后續(xù)可以將此改進(jìn)模型與智能化平臺相結(jié)合，通過傳入原圖經(jīng)此模型檢測后，將檢測結(jié)果展示在前端屏幕，從而提升水庫智能化管理水平，并為水生態(tài)環(huán)境保護(hù)提供了重要技術(shù)支撐。

參考文獻(xiàn)：

［1］李寧，王雨萱，徐守坤，等基于AlexNet的小樣本水面漂浮物識別［J］計算機(jī)應(yīng)用與軟件，2019，36（2）：245-251

［2］BARRERAA，BELTRNJ，GUINDELC，etalBirdNet+：two-stage3DobjectdetectioninLiDARthroughasparsity-invariantbird′seyeview［J］IEEEAccess，2021，9：160299-160316

［3］李國進(jìn)，姚冬宜，艾矯燕，等基于改進(jìn)FasterR-CNN的水面漂浮物識別與定位［J］信陽師范學(xué)院學(xué)報（自然科學(xué)版），2021，34（2）：292-299

［4］鮑佳松，黃細(xì)霞，姬克，等基于深度卷積神經(jīng)網(wǎng)絡(luò)的水面漂浮物分類識別［J］傳感器與微系統(tǒng)，2021，40（10）：136-138，146

［5］劉偉，王源楠，江山，等基于MaskR-CNN的水面漂浮物識別方法研究［J］人民長江，2021，52（11）：226-233

［6］張堡瑞，肖宇峰，鄭又能基于激光雷達(dá)與視覺融合的水面漂浮物檢測［J］應(yīng)用激光，2021，41（3）：619-628

［7］SANCHEZPR，ZHANGH，HOSS，etalComparisonofone-stageobjectdetectionmodelsforweeddetectioninmulchedonions［C］∥2021IEEEInternationalConferenceonImagingSystemsandTechniques（IST），IEEE，2021：1-6

［8］李國進(jìn)，姚冬宜，艾矯燕，等基于改進(jìn)YOLOv3算法的水面漂浮物檢測方法［J］廣西大學(xué)學(xué)報（自然科學(xué)版），2021，46（6）：1569-1578

［9］SHANHUAZ，LIP，NING-SHENGFReal-timedetectionmethodofsurfacefloatingobjectsbasedondeeplearning［C］∥202019thInternationalSymposiumonDistributedComputingandApplicationsforBusinessEngineeringandScience（DCABES），IEEE，2020：174-177

［10］HAQMA，RUANSJ，SHAOME，etalOnestagemonocular3Dobjectdetectionutilizingdiscretedepthandorientationrepresentation［J］IEEETransactionsonIntelligentTransportationSystems，2022，23（11）：21630-21640

［11］ZHANGL，WEIY，WANGH，etalReal-timedetectionofriversurfacefloatingobjectbasedonimprovedRefineDet［J］IEEEAccess，2021，9：81147-81160

［12］ZHOUJ，HUW，ZOUA，etalLightweightdetectionalgorithmofkiwifruitbasedonimprovedYOLOX-S［J］Agriculture，2022，12（7）：993

［13］ROYAM，BOSER，BHADURIJAfastaccuratefine-grainobjectdetectionmodelbasedonYOLOv4deepneuralnetwork［J］NeuralComputingandApplications，2022，34（5）：3895-3921

［14］CHENGB，WEIY，SHIH，etalRevisitingRCNN：onawakeningtheclassificationpoweroffasterRCNN［C］∥ProceedingsoftheEuropeanconferenceoncomputervision（eccv），2018：453-468

［15］KOYUNOC，KESERRK，AKKAYAIB，etalFocus-and-detect：Asmallobjectdetectionframeworkforaerialimages［J］SignalProcessing：ImageCommunication，2022，104：116675

［16］HEK，GKIOXARIG，DOLLáRP，etalMaskr-cnn［C］∥ProceedingsOfTheIEEEinternationalconferenceoncomputervision，2017：2961-2969

［17］HEA，CHENG，ZHENGW，etalDrivercell-phoneusedetectionbasedonCornernet-liteNetwork［C］∥IOPConferenceSeries：EarthandEnvironmentalScienceIopPublishing，2021，632（4）：042004

［18］PADILLAR，PASSOSWL，DIASTLB，etalAcomparativeanalysisofobjectdetectionmetricswithacompanionopen-sourcetoolkit［J］Electronics，2021，10（3）：279

［19］PALSK，PRAMANIKA，MAITIJ，etalDeeplearninginmulti-objectdetectionandtracking：stateoftheart［J］AppliedIntelligence，2021，51：6400-6429

［20］LIUB，HUANGJ，LINS，etalImprovedYOLOX-Sabnormalconditiondetectionforpowertransmissionlinecorridors［C］∥2021IEEE3rdInternationalconferenceonPowerDataScience（ICPDS），IEEE，2021：13-16

（編輯：郭甜甜）