基于深度学习的内陆水道水下疾病目标检测方法的研究
Tao Yu1, Yu Xie2, Jinsong Luo3
1Zhejiang Scientific Research Institute of Transport, Hangzhou, 310023, Zhejiang, China.
Scientific reports
|April 24, 2025
概括
这项研究介绍了YOLOv5-GBCE,这是一个改进的内陆水道水下疾病目标检测算法. 它提高了复杂环境中小型目标的准确性和概括性.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 环境监测 环境监测
背景情况:
- 在内陆水道中检测水下疾病面临的挑战是准确性低,概括性差.
- 现有的算法难以处理复杂的背景和小目标识别.
研究的目的:
- 为内陆水道开发一个改进的水下疾病目标检测算法.
- 在复杂的水下环境中提高检测准确性,概括能力和效率.
主要方法:
- 设计了一个改进的YOLOv5算法 (YOLOv5-GBCE),结合了双向特征金字塔网络 (BiFPN) 来实现特征融合.
- 集成了Coordinate Attention (CA) 模块,以关注关键领域,并使用EIoU损失函数来实现更快的融合.
- 使用幽灵卷积网络来减少模型的复杂性和计算.
主要成果:
- YOLOv5-GBCE算法实现了平均准确率为89.8% (IOU=0.5),比YOLOv5s.s.提高了6.2%.
- 检测速度达到了78.25 FPS,模型计算减少了25.9%.
- 该算法在复杂环境和小目标场景中表现出有效性.
结论:
- 拟议的YOLOv5-GBCE算法显著提高了内陆水道的水下疾病目标检测准确性和概括性.
- 整合BiFPN,CA模块,EIoU损失和Ghost网络有效地应对复杂背景和小目标的挑战.
- 这种增强的算法为水下环境监测提供了更有效,更准确的解决方案.
