基于改进YOLOv5s的水面垃圾检测方法.pdf

第42 卷第5 期2023年10 月文章编号：2 0 9 5-7 38 6（2 0 2 3)0 5-0 0 9 8-0 8DOI:10.3969/j.issn.2095-7386.2023.05.014武汉轻工大学学报Journal ofWuhanPolytechnicUniversityVol.42 No.5Oct.2023基于改进YOLOv5s的水面垃圾检测方法杜艾卿，郭峰林，张正林，李雅琴（武汉轻工大学数学与计算机学院，武汉430 0 48）摘要：针对传统水面垃圾检测方法在水面环境复杂的情况下难以兼顾检测精度和检测速度以及检测效率低的问题，提出一种改进YOLOv5s的水面垃圾检测方法。首先使用GhostBot-tleneck模块替换YOLOv5s模型结构中的C3和部分CBS模块，使YOLOv5s模型更加轻量化，提升检测效率；然后在骨干网络的末端加入ECA注意力机制，让模型对水面垃圾的特征提取有更多关注；再使用Alpha-CIOU损失函数代替YOLOv5原本的GIOU损失函数，使回归更加准确，以获取质量更好的AnchorBoX。经过上述改进获得YOLOv5s-GEA模型，模型规模减少了11.2%，每秒率FPS为41.6，在测试集上的mAP值达到9 0.3%，相比原YOLOv5s模型提高了3.9%。相比传统的水面垃圾检测方法，提出的YOLOv5s-GEA模型可以有效兼顾检测精度和检测速度，能够准确迅速地检测出水面垃圾的种类和位置，并且具有较小的模型体积，易于部署到水面清理机器移动端。关键词：神经网络；注意力机制；水面垃圾检测；YOLOv5s;GhostNet;Alpha-IOU中图分类号：TP391Water surface garbage detection based on improved YOLOv5sDU Aiqing,GUO Fenglin,ZHANG Zhenglin,LI Yaqin(School of Mathematics and Computer Science,Wuhan Polytechnic University,Wuhan 430048,China)Abstract:Addressing the challenges faced by conventional water surface garbage detection techniques inreconciling detection accuracy and speed,as well as the low detection efficiency in intricate aquatic environ-ments,we present an enhanced water surface garbage detection approach founded on the YOLOv5s frame-work.Initially,the GhostBottleneck module substitutes the C3 and a portion of CBS modules within theYOLOv5s model structure,rendering the YOLOv5s model more compact while augmenting detection effi-ciency.Subsequently,the incorporation of the ECA attention mechanism at the conclusion of the backbonenetwork enables the model to focus more intently on water surface garbage feature extraction.Lastly,theAlpha-CIOU loss function supplants the YOLOv5s original GIOU loss function,resulting in more preciseregression and superior quality Anchor Boxes.The resulting YOLOv5s-GEA model demonstrates a reduc-tion in model size by 11.2%,a frame rate of 41.6 FPS,and a mAP value of 90.3%on the test set,constitu-ting a 3.9%enhancement in comparison to the unmodified YOLOv5s model.This evidence indicates that,relative to traditional water surface garbage detection methods,the proposed YOLOv5s-GEA model profi-ciently balances detection accuracy and speed,precisely and expeditiously determining the types and loca-收稿日期：2 0 2 3-0 9-15.作者简介：杜艾卿（19 9 9-），男，硕士研究生，E-mail:.通信作者：郭峰林（19 6 9-），男，教授，博士，E-mail：2 8 0 8 0 36 6 3 q q.c o m.基金项目：国家自然科学基金（6 19 0 6 140）。文献标识码：A5期tions of water surface garbage.Moreover,it has a smaller model size,making it easy to deploy on mobiledevices for water surface cleaning machines.Key words:neural network;attention mechanism;water surface garbage detection;YOLOv5s;GhostNet;Alpha-IOU精度。张睿萍等9 提出一种基于改进Mask R-1引言CNN算法的生活垃圾检测模型，采用改进的随着我国经济水平和居民生活质量的迅速提ResNeXt101作为主干网络，实现了对生活垃圾的高，人工湖、景观河道、池塘等生活水域数量逐渐增高精度检测。赵珊等10 I提出一种改进SSD模型，多。大部分生活水域缺乏管理，导致水面垃圾污染将改进后的MobileNetV2引人SSD，然后加人带有问题逐渐严重。为了改善居民生活中常见的水域环空洞卷积的空间金字塔池化模块（ASPP），采用IF-境，保护紧缺的淡水资源，对水面垃圾检测清理技术PN从网络的深层到浅层逐级融合SSD,检测耗时也就有了更高的要求1。减少了7 2.7%。宇欣等11提出基于胶囊推理和残传统的水面垃圾检测用到的方法主要是通过统差增强的全推理目标检测网络。首先，建立层间残计水面物体的纹理、颜色、轮廓等信息建立模板，然差信息增强模块，然后在Transformer的结果进行后使用相应的分类器识别水面垃圾的种类。方晶推理的过程中引人胶囊推理模块挖掘实体信息，其等2 以改进视觉注意模型为基础，采用小波变换提在小目标、中目标和大目标的检测上平均预测准确率取特征，使用高斯金字塔和归一化算子方法融合特分别达到了2 5.8%、48.7%和6 2.7%。王林等12 用征，算法抗干扰能力有所提升，但是对水面复杂气候MobileNetV3替换YOLOv4中的主干网络，同时结合和多目标情况检测精度不高。YangG等31通过海Ghost 模块和 MobileNext 网络结构思想，设计了一面和检测目标的灰度差异实现对海面目标的检测。种全新的bottleneck，FPS值达到了6 7.5。总体而李庆忠等4以海面背景纹理模型为基础，利用图像言，以上使用深度学习的检测算法对比传统水面垃子块离散余弦变换(DCT)域的能量特征，实现了海圾检测方法，在检测精度和速度方面有明显提升，但面目标检测，但该算法易受水面倒影和水岸轮廓的是难以同时兼顾二者。而且对于水面垃圾数据集存干扰，影响水面垃圾识别效率。谷湘煜等5 将空域在的检测目标与背景颜色差异小、尺寸多变、水面光先验信息与频域相位谱融合，对水面垃圾进行显著影复杂等问题缺乏针对性的解决方案。性检测，达到了较高的检测精度，但是检测单张水面在本文中，我们通过改进YOLOv5s网络模型，垃圾图片的平均时间为0.6 5 4.s,检测速度达不到实将主干网络的传统卷积替换为Ghost卷积,降低模时检测的标准。型参数量以实现轻量化，然后融人ECANet（Effi-由于传统水面垃圾检测算法存在过于依赖检测cient Channel Attention Network）注意力机制模环境，复杂环境下鲁棒性差等缺点，在实际工作场景块，增强模型对水面垃圾特征的提取能力，并加入中难以满足对水面垃圾高性能检测的需求。因此，Alpha-IOU损失函数提升预测框定位精度，旨在解近年来深度学习和卷积神经网络逐渐应用于水面垃决上述模型对水面垃圾数据集检测存在的问题，同圾检测，检测效率有较大幅度提高。王一早等6 在时兼顾检测精度和检测速度。水面垃圾数据集是在YOLOv3的主干网络后添加SE-PPM模块，使用多武汉市金银湖、黄塘湖、府河、汉江等水域拍摄得到向金字塔网络对不同尺度的特征图进行融合，然后的水面垃圾图片，然后经统一裁剪、数据增强获得。在损失函数中使用focal loss计算负样本的置信度通过实验，在水面垃圾数据集上验证了本文中的改损失，提升了3.9 6%的水面垃圾检测精度。马雯进YOLOv5s算法的有效性。等7 采用Soft-NMS算法替代传统的非极大值抑制2YOLOv5 算法算法，提出改进的Faster RCNN目标检测模型与VGG16及ResNet50卷积神经网络相结合的垃圾检测算法，平均精度提高了8.2 6 个百分点。白阳等8 采用八度卷积方法来代替传统CNN卷积压缩图像低频信息，再使用ResNet代替VGG网络，提出一种改进的 SSD垃圾检测模型,有效提升了检测杜艾卿，郭峰林，张正林，等：基于改进YOLOv5s的水面垃圾检测方法99YOLOv5网络是YOLO系列算法131中比较新的技术，优势在于较高的检测精度和检测速度，其检测速度最快能达到140 FPS。另一方面，YOLOv5网络模型的权重文件规模较小，比YOLOv4小近9 0%，说明YOLOv5模型适合部署到嵌入式水面垃圾清理设100备上实现对水面垃圾的实时检测。YOLOv5共有四种版本的网络模型，分别是YOLOv5s、YO LO v 5 m、YOLOv5l、YO LO v 5 x。其中YOLOv5s 的计算速度最快,模型规模最小,平均精度是最低的。YOLOv5x的特点与YOLOv5s相反,平均精度最高，但是计算速度最慢，模型规模是最大的。由于本文中提出的改进YOLOv5水面垃圾检测算法将会部署到水面清理机器移动端，有轻量化的需求，所以实验选用参数量较少且易于训练的YOLOv5s作为预训练模型进行改进。YOLOv5s网络结构主要由三个部分组成，分别是骨干网络（Backbone）、颈部网络（Neck）和头部网络(Head)。骨干网络的作用是提取特征，主要包含Focus、C BS、C 3和 SPP模块。其中,Focus模块的作用是在图像进人Backbone时做四次切片，然后用concat操作扩展输入通道；CBS模块由Conv、BN、Silu 组成，用于下采样C3模块的作用是加快推理速度；SPP是空间金字塔池化层14，由三个卷积核尺寸不同的MaxPooling和一个Concat模块组成，主要功能是融合局部特征和全局特征。颈部网络的作用是融合骨干网络所提取的特征，将特征金字塔网络(FPN)与路径聚合网络(PAN)结合，以增强多尺度特征融合能力。头部网络用于检测，可以检测出水面垃圾的类别、位置和置信度信息。近年来有学者进行改进YOLOv5s用于垃圾检测的研究。邢洁洁等15 提出了一种基于YOLOv5s的垃圾检测方法,将 ShuffleNetV2的构建单元作为特征提取网络，有效提升了检测速度。罗安能等16 结合ShuffleNetv2与深度可分离卷积,提出一个更轻量化的YOLOv5s改进模型对可回收垃圾进行检测，改进模型的参数量为原始模型参数量的38.9 8%，检测精度提升幅度较小。涂成凤等17 在YOLOv5n的架构上引人轻量级网络ShuffleNetv2与GhostNet实现了检测网络的轻量化；同时添加注意力机制SE增强特征提取能力，优化后的YOLOv5n的参数量减少2 2.3%，检测精度mAP增加1.6%。现有的改进YOLOv5s模型进行垃圾检测的研究普遍不兼具轻量化和高精度实时检测的效果，并且由于水面垃圾尺寸较小，而且水面光影环境复杂，难以适用水面垃圾的检测。3改进的YOLOv5s算法本研究首先用Ghost卷积替换网络主干部分的常规卷积，使用GhostBottleneck 模块替换YOLOv5s模型结构中的C3和部分CBS模块，使模武汉轻工大学学报型轻量化，用以解决模型体积大、参数量多的问题；然后将ECA注意力机制模块加到骨干网络末端，在不增加模型复杂度的同时加强通道特征，提高模型对水面垃圾目标检测的精确率,提升对小目标和复杂光影下的目标的检测效果；再使用Alpha-CI-OU损失函数代替YOLOv5s原本的GIOU损失函数，用以提升模型的定位能力和预测性能，改善收敛效果。改进后的YOLOv5s网络结构如图1所示，其中GB1和GB2分别表示Stride=1和Stride=2的 GhostBottleneck模块。6406403CBSFocusCBSGB1_1GB2GB1_3ECACBSGB1GB2GB1.3ECAGB2SPPGB1ECABackbone图1改进的YOLOv5s模型结构图Fig.1The structure of the improvedYOLOv5s model3.1使用GhostBottleneck模块GhostNet计算模块具备创新性，由华为诺亚方舟实验室在CVPR2020中提出18 。GhostNet可由GhostBottleneck 模块堆叠得到,是一种分阶段的卷积计算模块，先进行少量的非线性卷积得到特征图，再以此为基础进行线性卷积来获取更多的特征图，并且消除穴余特征，得到轻量化的模型。GhostNet的计算过程如下：Y=XXf.yi=i.,(yi),iE1,2,.,m;jE1,2,s.(2)其中公式(1)表示卷积操作,X为输入的特征图，f表示尺寸为k的卷积核，Y表示经过卷积操作输出的m个特征图。公式(2)对Y中每个特征图yi进行线性运算ij，最终得到mXs个输出特征图Y=Y11,Y12,.,Ym通过比较普通卷积模块和GhostNet模块的计算成本，可以得出GhostNet模块运算量为普通卷积模块运算量的1/s。G h o s t Ne t 降低了运算量，并2023年2020CBS40 x40UpsampleCBSUpsampleCBS8080HeadNeck(1)5期且保持了输出特征图的尺寸，实现了低延迟和快速响应的轻量化目的。为了实现高效率高性能检测的目的,用Ghost-Bottleneck模块替换Backbone网络中的 C3和CBS模块。其中GhostBottleneck模块结合了轻量化和高效的特点，通过使用两个1xl卷积层来减少和增加维度，然后将结果相加以恢复原始维度。这样做可以减少参数量，同时优化计算，并保持原有的精度。C3模块通过引人多个Conv模块和Bottleneck模块，实现了特征的多层级提取和融合。CBS模块是一个组合模块，封装了卷积、批归一化和LeakyReLU激活函数的组合操作。GhostBottleneck模块根据步长不同可以分为两种结构，如图 2 所示。步长为 1 的 GhostBottle-neck由两个Ghost 模块叠加得到，其中第一个Ghost模块为扩展层，用于增加通道数量，提升特征的维度；第二个Ghost模块用于减少通道数量，降低特征的维度，使其与 Shortcut 路径相匹配。Shortcut用于连接两个Ghost模块的输人和输出。步长为2 的GhostBottleneck通过DW卷积层连接两个Ghost模块得到。这两种步长的GhostBottle-neck模块搭建Ghostnet模型时需要灵活选择。由于YOLOv5s模型的Bottleneck结构对输入特征图先使用32 个11卷积核进行卷积操作，再使用6 4个3X3卷积核进行卷积操作，所以本文中我们使用步长为1的GhostBottleneck替换YOLOv5骨干网络中的C3模块，使用步长为2 的 GhostBottleneck替换CBS模块。AddBNGhostmoduleBN ReLUGhostmoduleStride=1bottleneck图 2 两种 GhostBottleneck 结构Fig.2The two structures of GhostBottleneck杜艾卿，郭峰林，张正林，等：基于改进YOLOv5s的水面垃圾检测方法3.2引入ECA注意力机制ECANet(Efficient Channel Attention Network)是一种轻量化的通道注意力机制19 ，由SENet升级而来。SENet的弊端在于模块中采用的降维操作会对通道注意力的预测产生负面影响，获取所有通道的依赖关系是低效且不必要的。为解决不同输入特征图，提取不同范围的特征时,ECANet模块使用了动态的卷积核来做11卷积，学习不同通道之间的重要性。ECANet模块使用自适应方法确定快速一维卷积核的尺寸k，k 表示了局部跨通道交互的覆盖范围，模块根据当前通道和k个附近的通道可以实现跨通道信息捕获，不需要减少通道数，保持了模型的计算效果，并且减少了参数量，提升了模型的计算效率。ECANet模块计算特征图在通道位置上的权重信息，然后根据信息分配权重加强通道特征，让模型对有利于检测的水面垃圾特征信息有更多的关注，同时减少对非水面垃圾的其他次要信息的关注，整体提升了模型的性能。3.3损失函数改进原始的YOLOv5s模型采用LoseGIOu作为预测框的损失函数，GIOU通过构造包含真实框和预测框的最小外接矩形,类似于图像处理中的闭包区域，来获取真实框和预测框在闭包区域内的比重。这就导致GIOU存在弊端，假设预测框完全在真实框的内部,那么预测框的位置变化不会对GIOU值产生改变，即GIOU值无法反应出预测框位置的变化。如图3所示，实线框表示真实框，虚线框表示预测框，图中的三种情况对应的GIOU值是相同的，但其预测框的位置是不同的。这个弊端会导致无法定位到效果最佳的预测框。Add为了解决上述GIOU损失函数存在的问题,本文中我们采用Alpha-IOU损失函数2 0 。其原理是BN在原有的Loseiou上面加一个参数作为幂，GhostmoduleLoseAlpha-Iou定义如公式(3)所示。BNDWConvStride=2BN ReLUGhostmoduleStride=2bottleneck101图3预测框位于真实框内部Fig.3 The prediction box is locatedinside the real box-IOU)0)=1-10U.0.(3)102通过调节 Alpha-IOU中超参数的值,就可以推导获取现有的大多数基于IOU的损失函数，可以方便地改进检测器的效果，而且没有增加额外的参数，保证了训练时间。由于目前CIOU的效果最好而且应用广泛，在本文中,k将选取 CIOU改进为LoseAlphalIou，推导过程如公式（4)和（5)所示。在上述公式中，c代表包含真实框和预测框的最小外接矩形的对角线长度，b和6 分别为预测框和真实框的中心点，（b,6)为预测框和真实框之间的欧氏距离。用来衡量长宽比的一致性,是用于平衡的正值权衡参数。4实实验结果与分析4.1王环境配置与数据集本文的实验环境操作系统为Windows10,CPU型号为 Intel Xeon Processor（Sk y la k e）2.10 G H z,GPU型号为NVIDIA GeForce RTX2080Ti,采用PyTorchl.7.0深度学习框架进行编码，Python版本为3.8.13,cuda版本为11.3。本文实验所使用的数据是在武汉市金银湖、黄塘湖、府河、汉江等水域拍摄得到的水面垃圾图片，数据采集时间段为每天上午的9 点12 点、下午16点19 点，选取晴朗天气拍摄，涵盖了一天内的主要光照变化情况，其中正午光线充足，下午水面反光严重，傍晚光线暗淡。采集的数据集包含六种常见水面垃圾类型：饮料瓶（bottle）、易拉罐（can）、塑料袋（plastic_bag）、塑料盒（plastic_box）、牛奶盒（milk_box）、树枝（branch）。由于采集到原始的水面垃圾数据集数量有限，为了避免直接训练导致过拟合，本实验通过数据增强来扩充数据集，数据增强的方法包括图像翻转、调节亮度、调节对比度、添加高斯噪声。通过数据增强并去除掉低质量图片后，数据集一共有36 40 张图片，按照7:2：1的比例划分训练集、验证集和测试集，划分之后训练集有2 5 48 张图片，验证集和测试集分别有7 2 8 张和36 4张图片。将增强后的数据集用LabelImg 对图片中的水面垃圾进行标注，生成对应的包含水面垃圾位置信息和样本路径的txt标签文件。4.2训练方案和评价指标在本实验中,改进的YOLOv5s网络通过随机梯度下降算法(SGD)以端到端的方式进行训练，训练模型的batch-size设置为16，初始学习率设置为武汉轻工大学学报Lecou=1-10U+P(b,b).0.01，学习率动量因子设置为0.9 37，采用余弦退火+o.(4)22023年法2 1 动态调整学习率。色调、饱和度和亮度的增强系数分别设置为0.0 14、0.7 和0.4，训练次数设置为 30 0 个epoch。每次都由 BN层进行正则化以更新模型的权重。按照上述训练策略，依次对原始的YOLOv5s模型和改进后的模型进行训练和测试，将每个模型的性能进行对比。在本文中,从精确率（P）、召回率（R)、平均AP值mAP、参数量（Params）、计算量（FLOPs）、模型规模、每秒帧率(FPS)等方面对模型性能进行比较。设Pr表示实际为正样本并且被预测为正类的数量，PF表示实际为负样本被预测为正类的数量，NF表示实际为正样本被预测为负类的数量。则精确率和召回率定义如公式（6）和公式（7）所示，AP和mAP定义如公式（8)和公式(9)所示。其中,P(R)为PR曲线的表达式,PR曲线通过选择不同置信度值,得到不同组合的P、R，然后以R为横坐标,P为纵坐标绘制而成。AP的值等于PR曲线与坐标轴围成的面积，用来反馈精确率和召回率的综合性能。公式(9)中QR表示类别的数量，q用于接收不同QR的赋值。P=7(Pr+Pr):PTR=(PT+NF):AP=JP(R)dR.1mAP=ZAP(q).QR/Q=QR4.3改进后模型的对比方案我们在本实验方案中设计了6 种改进的模型用来和原始的YOLOv5s模型对比，分别为：(1)YOLOv5s-G:使用GhostBottleneck模块替换Backbone网络中的C3和 CBS模块。（2）YO LO v 5 s-E：在骨干网络中添加三个ECA-Net注意力机制模块。(3)YOLOv5s-A:使用基于 Alpha-IOU损失函数推导的LoseAlpha-CIou替换原始YOLOv5s模型使用的 GIOU损失函数。(4)YOLOv5s-GE:使用 GhostBottleneck 模块替换Backbone网络中的 C3和 CBS模块,并且在骨干网络中添加ECANet注意力机制模块。(5)YOLOv5s-GA:使用GhostBottleneck模块替换Backbone网络中的C3和CBS模块，并且用LoseAlphaCIou替换模型原本的GIOU损失函数。（6）YO LO v 5 s-G EA:使用GhostBottleneck模块替换Backbone网络中原有的C3和CBS模块，并PT(6)(7)(8)(9)5期且添加ECA注意力机制模块，再用LoseAlphaCIou替换模型原本的GIOU损失函数。4.4实验效果对比4.4.1模型性能与复杂度对比为了对比每一种改进YOLOv5s模型的效果，我们在数据集上进行消融实验，依次分析每个改进点的效果。对YOLOv5s和上述6 种改进的模型分别在同一个数据集上训练和验证,得到以上模型的性能对比表和模型复杂度对比表,如表1和表2 所示。表1改进模型的性能对比Table 1 Performance comparison of improved models网络模型FPSmodels/%YOLOv5s81.9YOLOv5s-G80.4YOLOv5s-E89.9YOLOv5s-A83.6YOLOv5s-GE85.6YOLOv5s-GA82.2YOLOv5s-GEA81.0表2改进模型的复杂度对比Table 2Complexity comparison of improved models网络模型modelsYOLOv5sYOLOv5s-GYOLOv5s-EYOLOv5s-AYOLOv5s-GEYOLOv5s-GAYOLOv5s-GEA分析上述实验结果，可以看出YOLOv5s-G相比YOLOv5s,虽然精确率P略有下降，但是参数量减少了41.2%，浮点数计算量减少了42.0%,模型规模减少了39.9%，FPS增长了6.9，这是因为加人了GhostNet轻量化模块，大幅减少了参数量和浮点数计算量,并且提升了模型的响应速度。YOLOv5s-E相比YOLOv5s，由于引入了ECANet注意力机制模块，导致参数量、浮点数计算量和模型规模略有上升，但是mAP提升了2.0%,这说明ECA注意力机制模块有效关注了有利于检测的水面垃圾特征信息。YOLOv5s-A对比YOLOv5s，参数量和浮点数计算量没有明显变化，召回率提升了0.3%，mAP提升了0.7%，这说明使用Alpha-CIOU作为损失函数可以提高模型预测的准确定位能力，增强模型的收敛效果。YOLOv5s-GE相对 YOLOv5s,mAP提升了3.1%，提升幅度较大，同时参数量也有明显杜艾卿，郭峰林，张正林，等：基于改进YOLOv5s的水面垃圾检测方法mAP0.5P/%R/%88.283.487.588.585.586.388.7参数量浮点数模型规模/MB计算量/GB7.1616.94.219.87.2417.07.1816.75.9410.35.889.1.6.249.4103下降，这是因为加人了GhostNet轻量化和ECANet注意力机制模块，有效缩小模型规模，并且提升了对小目标和复杂光影中目标的检测能力。YOLOv5s-GA相对YOLOv5s,浮点数计算量减少46%,mAP有小幅提升,这是由于加入了GhostNet模块使模型轻量化,Alpha-CIOU损失函数使回归更准确，获取到更好的定位框。YOLOv5s-GEA相比 YOLOv5s，参数量减少了12.8%，浮点数计算量减少了44.4%，模型规模减少了11.2%,mAP提升了3.9%,FPS增长了1.5,改进后的YOLOv5s-GEA模型对水面垃圾的综合检测性能优于对比方案中的其他模型。4.4.2模型训练过程损失变化对比选取 YOLOv5s、YO LO v 5 s-G、YO LO v 5 s-E、86.440.187.547.088.437.387.138.689.542.487.442.890.341.6/MB14.38.614.514.311.911.412.7YOLOv5s-A、YO LO v 5 s-G EA 五种模型绘制损失变化曲线图如图4所示。损失变化曲线图的横坐标表示训练模型的迭代次数，纵坐标表示损失值。从图4中可以看出各个模型在迭代次数5 0 次之前的时候损失值下降很快，在迭代次数8 0 之后损失值达到稳定的水平。分析每个模型的损失变化情况，可知原始的YOLOv5s收敛速度最慢，YOLOv5s-G收敛也比较慢。YOLOv5s-A收敛较快，这是因为使用Alpha-CIOU损失函数代替YOLOv5s模型原本的GIOU损失函数,使回归更准确,改善了收敛效果。改进后的YOLOv5s-GEA模型收敛速度最快，整体的收敛性最好,训练效果良好。0.140.120.100.080.060.040.020图4改进模型的损失变化对比Fig.4Comparison of loss changesfor improved models4.5检测效果对比为了直观地展示本文中我们提出的改进模型YOLOv5s-GEA的检测效果,用YOLOv5s-GEA和原本的YOLOv5s模型对测试集的数据进行检测，观察检测结果对改进后的模型进行分析。部分检测YOLOv5sYOLOv5s-GYOLOv5s-EYOLOv5s-AYOLOv5s-GEA2040送代次数6080100104结果如图5 所示，其中（a）、（b）、（c）、（d）是使用YOLOv5s检测的效果，（e）、（f）、（g）、（h）是YOLOv5s-GEA对同样数据的检测效果。检测框上方内容分别为检测物体的类别名称和置信度。分析改进前后的检测结果可以看出，原始的YOLOv5s模型对图5(a)和(c)水面光影复杂的情况存在漏检，对(d)中被覆盖和遮挡的物体检测效果武汉轻工大学学报不佳。而改进后的模型YOLOv5s-GEA检测出了YOLOv5s 漏检的plastic_box和plastic_bag,如(e)和(g)所示,并且对(d)中 YOLOv5s漏检的被覆盖、遮挡物体的检测效果有明显提升。改进后模型检测物体的置信度总体比YOLOv5s高，对比（b）和（f)可以看出，对milk_box类别尤其显著。YOLOv5s-GEA的定位能力和检测性能有明显的综合提升。2023年plastic_bagbottmilk_box0.58C9PQ.41botbottle0.7can0.65(a)(b)(c)(d)plastic_bag,plastic.boxcan0.86plastic-bago.7milk_box0.92bottle0.9bottprancho.fcof5.85-bcibo0otte0.90branch.o.Z1pldstic_bag0.77(e)Fig.5 Comparison of detection effects of improved models4.6不同目标检测模型横向对比为了进一步分析本文中我们提出的改进YOLOv5s算法的性能，将改进后得到的YOLOv5s-GEA模型与当前主流的目标检测模型以及其他改进的YOLOv5s模型进行横向对比，包括FasterRCNN,SSD,YOLOv422,YOLOv5 s-ShuffleNetV2(以下简称 YOLOv5s-S）、YO LO v 5 s-C BA M-A l-phaloU(以下简称YOLOv5s-CA)网络模型。对上述模型在同一配置的训练平台使用同样的数据集进行训练，得到各模型性能对比情况如表3所示。表3不同目标检测模型性能对比Table 3Comparing the performanceof different models网络模型mAP0.5FPSmodels/%FasterRCNN81.4SSD70.1YOLOv484.5YOLOv5s-S64.5YOLOv5s-CA89.4YOLOv5s-GEA90.3(f)图5 改进模型的检测效果对比分析表3实验结果，可知本研究改进后的模型YOLOv5s-GEA相比其他对照模型，对水面垃圾数据集检测的mAP最高，达到了9 0.3%；而且FPS在所对比模型中也是较高的,达到了41.6，实现了对水面垃圾的实时检测；相比于其他目标检测算法，YOLOv5s-GEA模型的参数量大幅减少，使得模型更加轻量化。其中，在YOLOv5s网络加人CBAM注意力机制和AlphaloU损失函数得到的YOLOv5s-CA模型的检测精度与YOLOv5s-GEA接近,但是检测速度和参数量存在明显的不足。综合上述分析，YOLOv5s-GEA相比于其他主流目标检测算法对水面垃圾进行检测，在精度、速度和空间复杂度方面有明显优势，整体检测性能最好。参数量/MB9.3136.725.823.914.764.047.32.937.517.641.66.24(g)5结论针对传统的水面垃圾检测模型难以兼顾检测精度和检测速度，以及对水面垃圾数据集存在的检测目标与背景颜色差异小、尺寸多变、水面光影复杂等问题缺乏针对性解决方案，我们提出改进YOLOv5s模型的水面垃圾检测方法。首先使用Ghostnet网(h)5期络结构对YOLOv5s模型进行轻量化改进，提高模型的检测效率,并有效降低了算法的空间复杂度；然后加人ECA注意力机制，在不增加模型复杂度的同时加强通道特征，提升检测效果；再将YOLOv5s模型原本的GIOU损失函数替换为Alpha-CIOU损失函数，提升模型的定位能力和预测性能，改善收敛效果。实验结果表明，在自然水面环境，改进后的模型YOLOv5s-GEA对水面垃圾数据集检测的mAP值达到9 0.3%,检测速度为41.6 FPS,有较高的检测精度和检测速度，而且YOLOv5s-GEA针对原始模型在水面垃圾尺寸多变、水面光影复杂等情况发生的漏检问题具有明显改善。接下来的研究工作将在不同数据集上验证YOLOv5s-GEA模型的训练效果和检测性能，收集更多水面垃圾样本来提高模型泛化能力，继续优化网络结构，进一步提升模型的检测精度和检测速度，并且把训练好的模型部署到水面垃圾清理机器的可移动嵌入式平台，在实际水面垃圾检测工作中对模型加以改进和完善。参考文献：1汤伟，高涵.改进卷积神经网络算法在水面漂浮垃圾检测中的应用中国科技论文，2019,14(11):1210-1216.2方晶，冯顺山，冯源。水面航行体对舰船目标的图像检测方法J.北京理工大学学报，2 0 17，37(12):1235-1240.3】Yang G,Li B,Ji S,et al.Ship detection fromoptical satellite images based on sea surfaceanalysisJ.IEEE Geoscience and RemoteSensing Letters,2013,11(3):641-645.4李庆忠，臧风妮，张洋.动态视频监控中海上舰船目标检测J.中国激光，2 0 14，41（8）：2 6 8-274.5谷湘煜，祝礼佳，柳胡南，等.基于空时域信息融合的水面垃圾显著性检测J.电子测量技术,2 0 2 2,45(11):15 4-16 0.6王一早，马纪颖，罗星，等.基于 SPMYOLOv3的水面垃圾目标检测J.计算机系统应用，2023,32(3):163-170.7马雯，于炯，王潇，等.基于改进Faster R-CNN的垃圾检测与分类方法门.计算机工程，2021,47(8):294-300.8白阳，刘斌，李彦彤.基于SSD的可回收垃圾检测研究LJ.陕西科技大学学报，2 0 2 0，38杜艾卿，郭峰林，张正林，等：基于改进YOLOv5s的水面垃圾检测方法105(6):152-158.9张睿萍，宁芊，雷印杰，等.基于改进MaskR-CNN的生活垃圾检测J.计算机工程与科学,2 0 2 2,44(11):2 0 0 3-2 0 0 9.10赵珊，刘子路，郑爱玲等基于Mobile-NetV2和IFPN改进的SSD垃圾实时分类检测方法J.计算机应用，2 0 2 2，42（S1)：106-111.11 宁欣，田伟娟，于丽娜，等