海洋环境下基于增强YOLOv7的垃圾目标检测
电子技术应用
廖辰津
福建理工大学
摘要： 针对海洋垃圾识别任务在实际应用中模型准确率不高的问题，提出一种基于优化YOLOv7的海洋垃圾识别算法。在图像增强部分，基于概率UIE的框架，通过添加eSE注意力减少特征信息的丢失。在损失函数部分，在IoU损失函数的基础上引入两层注意力机制的损失函数，将其与EIoU损失函数融合进一步提升模型的泛化能力。将该算法应用于海洋垃圾检测任务，并在基础数据集上对其进行评估。在YOLOTrashCan两个数据集上的平均精度均值指标分别达到69.5%、63.5%，相较于YOLOv7算法分别提升6%、1.6%。整体实验结果表明，所构建的算法能有效提升海洋垃圾检测的准确性。
中圖分類號：TP391.41 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.244869
中文引用格式： 廖辰津. 海洋環(huán)境下基于增強YOLOv7的垃圾目標檢測[J]. 電子技術(shù)應用，2024，50(6)：66-70.
英文引用格式： Liao Chenjin. Garbage object detection based on enhanced YOLOv7 in marine environment[J]. Application of Electronic Technique，2024，50(6)：66-70.
中文引用格式： 廖辰津. 海洋環(huán)境下基于增強YOLOv7的垃圾目標檢測[J]. 電子技術(shù)應用，2024，50(6)：66-70.
英文引用格式： Liao Chenjin. Garbage object detection based on enhanced YOLOv7 in marine environment[J]. Application of Electronic Technique，2024，50(6)：66-70.
Garbage object detection based on enhanced YOLOv7 in marine environment
Liao Chenjin
Fujian University of Technology
Abstract： To address the issue of low model accuracy in practical applications of marine debris identification, this paper proposes an improved garbage classification algorithm based on optimized YOLOv7. In the image enhancement part, a probabilistic UIE framework is introduced to reduce the loss of feature information by incorporating eSE attention. In the loss function part, a two-layer attention mechanism is added to the IoU loss function to enhance the model’s generalization ability when combined with the EIoU loss function. The proposed algorithm is applied to marine debris detection tasks and evaluated on benchmark datasets. The average precision on the YOLOTrashCan datasets achieves 69.5% and 63.5%, respectively, representing a 6% and 1.6% improvement compared to the YOLOv7 algorithm. Overall experimental results demonstrate that the algorithm constructed in this paper effectively enhances the accuracy of marine debris detection.
Key words : EUIE；eSE attention；marine debris detection
引言
海洋是地球上最大的生態(tài)系統(tǒng)，其重要性不可低估。隨著人類社會對海洋的探索，人類制造越來越多的垃圾通過各種途徑進入海洋并滯留在海洋中。尤其是海洋織物垃圾，這種海洋垃圾具有持久性與不可分解性。因此，清理海洋垃圾刻不容緩。
近年來，YOLO系列深度學習算法在實際工程中獲得了廣泛應用。鑒于海洋目標檢測在實際應用中的需求，本文以YOLOv7[1]為基礎框架。
本文詳細內(nèi)容請下載：
http://m.tom3567.com/resource/share/2000006033
作者信息：
廖辰津
（福建理工大學，福建 福州 350118）
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。