基于YOLO V5算法在近海漂浮垃圾检测上的应用

李嘉俊 曹文鹏 王睿恒 李伟嘉 郭怀睦

摘 要：目前近海洋垃圾打捞远海主要人工打捞，有着人工效率低、大型水面清理机械无法清理，人工作业风险大的问题，文章提出了基于YOLO V5的垃圾自动检测。首先，在近海面拍摄漂浮物图像并转化为HSV模型;接下来，检测垃圾特征;最后，对比数据库输出结果。结果显示：该方法能够有效完成在近海海洋识别漂浮物。

关键词：YOLO V5、RGB颜色空间、HSV 颜色空间

捕捉可疑漂浮物区域

在YOLO V5算法中导入YOLO V5中超参数配置文件，加入augment_hsv函数，它能够返回调整之后的图片，而不直接覆盖输入图片。

def augment_hsv（img， hgain=0.5， sgain=0.5， vgain=0.5）：

r = np.random.uniform（-1， 1， 3） * [hgain， sgain， vgain] + 1  # random gains

hue， sat， val = cv2.split（cv2.cvtColor（img， cv2.COLOR_BGR2HSV））

dtype = img.dtype  # uint8

x = np.arange（0， 256， dtype=np.int16）

lut_hue = （（x * r[0]） % 180）.astype（dtype）

lut_sat = np.clip（x * r[1]， 0， 255）.astype（dtype）

lut_val = np.clip（x * r[2]， 0， 255）.astype（dtype）

img_hsv = cv2.merge（（cv2.LUT（hue， lut_hue）， cv2.LUT（sat， lut_sat）， cv2.LUT（val， lut_val）））.astype（dtype）

img_hsv = cv2.cvtColor（img_hsv， cv2.COLOR_HSV2BGR）

return img_hsv

近海面的背景环境存在诸多干扰项，除了有漂浮物，还有天空的倒影、漂浮物的倒影、泡沫等，存在许多颜色近似的干扰项，影响了海面漂浮物识别。因此必须采取方法把近似干扰项排除。通过把对象有RGB颜色空间转换为HSV 颜色空间，像人眼分析物体色度、饱和度、明亮值，正确提取漂浮物区域。

2.改进对小目标和邻近目标检测效果与轻量化设计

在近海洋海面上，因为季风、洋流的原因，靠近海岸侧垃圾相对集中，易于识别。但是随着离海岸距离的增加，垃圾分布逐渐稀松，一些较小的垃圾提取出来像素偏小，识别难度上升。

通过引入 CIOU边框回归损失函数来提高回归框准确率;针对低功耗移动设备终端的部署，以YOLO V5目标检测算法为基础 ，结合 MobileNetV3的特征提取网络 ，轻量化算法。

3.区分海域与海岸

利用视觉算法处理视频帧图像的目的是提取疑似垃圾区域。海面视频帧图像往往会包含海面区域和岸上区域。如果对整帧图像进行视觉计算处理，会大大增加计算量，延长处理时间，不利于满足实时性要求。 因此，有必要采取海岸线检测技术，它既能有效地降低图像处理的负担，又不会丢弃图像的有效信息， 是高效提取疑似海面垃圾区域的重要保证。 海岸线是对图像中海面区域和岸上区域进行分割的良好分界线。 海岸线检测技术采用的方法是先对图像进行边缘检测，生成一张带有图像中所有边缘信息的二值图像， 接着采用霍夫变换对生成的二值图像进行特定形状边缘信息的提取， 提取出来的特定形状的边缘信息即为所求的水岸线边缘轮廓。 最终，利用 水岸线边缘轮廓对图像中海面区域和岸上区域进行分割。

参考文献

[1]罗文俊，黄培灿，杨悦，陈耀锋.基于机器视觉的湖面垃圾识别算法设计[J].工业控制计算机，2021，34（01）：77-78+127.

[2]王铭杰.基于YOLO V3的垃圾自动定位及分类方法[J].无线互联科技，2019，16（20）：110-112.

[3]CSDN博主「昌山小屋」玩轉yolov5请看代码之augment_hsvhttps：//blog.csdn.net/ChuiGeDaQiQiu/article/details/113057867