基于深度学习的多任务水质色度检测方法
Shenlan Zhang1,2,3, Shaojie Wu1,2, Liqiang Chen1,2
1Key Laboratory of Advanced Manufacturing and Automation Technology, Education Department of Guangxi Zhuang Autonomous Region, Guilin University of Technology, Guilin 541006, China.
Sensors (Basel, Switzerland)
|November 27, 2024
概括
这项研究引入了一种新的深度学习方法,用于多目标水质色度检测,提高现场测试的准确性和效率. 优化的模型实现了高精度和回忆,优于现有的快速水分析方法.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 颜值测量方法提供快速,低成本的现场水质检测.
- 目前用于色度检测的深度学习主要集中在单个目标分类上.
- 需要自动化,多目标的水质分析.
研究的目的:
- 开发一种使用深度学习的多任务水质色度检测方法.
- 自动化水质评估过程,从图像输入到结果输出.
- 为了提高检测准确度,同时降低现场应用的计算负载.
主要方法:
- 提出了一种基于YOLOv8n的多任务水质色度检测方法.
- 在各种照明条件下构建了色度传感器数据的数据集.
- 改进包括MGFF,LSKA-SPPF和GNDCDH模块,以提高深度学习性能.
主要成果:
- 优化的算法实现了高精度 (96.4%),回忆 (96.2%) 和mAP50 (98.3%).
- 与YOLOv8n.n.相比,参数数量和计算负载减少了25.8%和25.6%.
- 观察到精度,回忆,mAP50和mAP95的显著改善.
结论:
- 拟议的方法显示了在现场快速检测水质的巨大潜力.
- 优化的深度学习方法为水质监测提供了新的技术洞察力.
- 这项工作推进了环境传感中的自动化,多目标分析.
