基于改进YOLOv3的浮游藻类检测算法_储震.pdf

第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展0215003-1研究论文基于改进 YOLOv3的浮游藻类检测算法储震1，张小玲1*，殷高方2，贾仁庆2，3，漆艳菊1，徐敏2，3，胡翔4，黄朋4，马明俊2，杨瑞芳2，方丽2，赵南京1，2*1安徽大学物质科学与信息技术研究院安徽省信息材料与智能感知实验室，安徽 合肥 230601；2中国科学院安徽光学精密机械研究所中国科学院环境光学与技术重点实验室，安徽 合肥 230031；3中国科学技术大学环境科学与光电技术学院，安徽 合肥 230026；4合肥学院生物食品与环境学院，安徽 合肥 230601摘要 浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标，利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法，基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对 YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题，采用空间金字塔池化（SPP）结构改进了 YOLOv3目标检测算法的特征提取方式，采用广义交并比（GIoU）边界损失函数改进了 YOLOv3目标检测算法的边界损失函数，最终构建了一种基于 SPP 和 GIoU 改进的 YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下，所提 SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达 95.21%，比 YOLOv3目标检测算法提高了 4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。关键词 机器视觉；SPP-GIoU-YOLOv3；目标检测；深度学习；浮游藻类中图分类号 X835 文献标志码 A DOI：10.3788/LOP212807Detection Algorithm of Planktonic Algae Based on Improved YOYOv3Chu Zhen1,Zhang Xiaoling1*,Yin Gaofang2,Jia Renqing2,3,Qi Yanju1,Xu Min2,3,Hu Xiang4,Huang Peng4,Ma Mingjun2,Yang Ruifang2,Fang Li2,Zhao Nanjing1,2*1Information Materials and Intelligent Sensing Laboratory of Anhui Province,Institutes of Physical Science and Information Technology,Anhui University,Hefei 230601,Anhui,China;2Key Laboratory of Environmental Optics and Technology,Anhui Institute of Optics and Fine Mechanics,Chinese Academy of Sciences,Heifei 230031,Anhui,China;3School of Environmental Science and Optoelectronic Technology,University of Science and Technology of China,Hefei 230026,Anhui,China;4School of Biological Food and Environment,Hefei University,Hefei 230601,Anhui,ChinaAbstract The species diversity and community structure of planktonic algae are important appraisal indicators for evaluating aquatic ecological environment construction,and the recognition of phytoplankton by cell image is a crucial way to achieve the detection of phytoplankton.Compared with the conventional microscopic detection method,the target detection algorithms based on deep learning have been increasingly employed in planktonic algae detection because of their effective detection capability.Aiming at the low detection accuracy challenges of small shape,fuzzy boundary,and cohesive planktonic algae in the YOLOv3 target detection algorithm,spatial pyramid pooling(SPP)was employed to enhance the feature extraction method of the YOLOv3 target detection algorithm.Additionally,the generalized intersection over union(GIoU)boundary loss function was employed to replace the YOLOv3 target detection algorithm in this study.Finally the SPP-GIoU-YOLOv3 planktonic algae detection algorithm was constructed based on the YOLOv3 algorithm.The findings demonstrate that the mean average precision of the SPP-GIoU-YOLOv3 target detection algorithm for detecting planktonic algae is up to 95.21%,which is 4.24 percentage points higher than that of theYOLOv3 algorithm.These findings are important for developing accurate rapid detection methods and technologies of planktonic algae.Key words machine vision;SPP-GIoU-YOLOv3;target detection;deep learning;planktonic algae收稿日期：2021-10-26；修回日期：2021-10-29；录用日期：2021-11-05；网络首发日期：2021-11-16基金项目：国家自然科学基金（62005001，61875207）、安徽省科技重大专项（202003a07020007）通信作者：*；*0215003-2研究论文第 60 卷 第 2 期/2023 年 1 月/激光与光电子学进展1引言浮游藻类是水生态系统的重要组成部分，准确检测浮游藻类对水质监测和水生态系统生物多样性调查有非常重要的意义1，利用浮游藻类图像对其进行准确检测是实现其分类监测的重要手段之一。实验室常用的浮游藻类检测方法为传统的显微镜检法，该方法分析速度慢、误判率高、对操作者具有相当的经验要求。随着计算机视觉技术的发展，目标检测方法被逐渐应用于浮游藻类检测领域。传统目标检测算法过程复杂，检测精度低且速度慢，无法满足大面积水域的浮游藻类快速准确检测需求。近年来，深度学习的出现给浮游藻类检测带来了新的突破，尤其是基于卷积神经网络的深度学习目标检测算法能够自动提取浮游藻类图像的深层次特征，避免了传统目标检测算法人工提取图像特征时的差异性和不确定性，大大提高了目标检测的效率2。基于卷积神经网络的目标检测算法主要分为两阶段目标检测算法和单阶段目标检测算法。两阶段目标检测算法首先对待检测目标进行区域推荐，然后再进行目标分类。具有代表性的两阶段目标检测算法有 RCNN3、Fast-RCNN4和 Faster-RCNN5等，此类算法一般检测精度高，但是速度较慢。单阶段目标检测算法可以直接回归目标的位置和类别信息，并输出目标检测结果。具有代表性的单阶段目标检测算法有 SSD6和 YOLO 系列算法7-9等，此类算法一般检测速度快，但检测精度相对较低，其中 YOLOv3 目标检测算法凭借着高效的目标检测性能被广泛运用到各 类 目 标 检 测 任 务 中。例 如：孙 迎 春 等10采 用YOLOv3 目标检测算法实现了交通灯的较高精度检测；Liu 等11采用 YOLOv3 目标检测算法实现了自然环境下番茄病虫害种类和位置的快速准确检测；柯宝生等12基于 YOLOv3 目标检测算法构建了 DetectNet目标检测算法，该算法能够高效地识别和定位有丝分裂细胞。之后，YOLOv3 目标检测算法逐渐被用于浮游藻类的检测研究中。例如，王晓阳13采用 YOLOv3目标检测算法研究了实球藻、楔形藻和裸形藻等海洋微藻的图像分类识别问题，结果表明 YOLOv3目标检测算法对海洋微藻的平均精度均值（mAP）为 88.22%。然而，由于浮游藻类细胞图像目标尺寸一般较小，通过普通光学显微镜或其他拍照设备得到的图像特征信息比同等条件下的大尺寸目标包含的特征信息更少，且部分具有链、囊、孢或其他团簇结构的藻类细胞和自然水体中由于细菌、无机悬浮物等的作用而被团聚聚集的藻类细胞，其显微图像更容易出现粘连、遮挡、景深模糊等影响浮游藻类检测精度的问题。在目标检测算法方面，YOLOv3 目标检测算法中的深层卷积会使图像的感受野变大，经过多次下采样后特征图会不断减小，导致形态小和低辨识度的浮游藻类图像特征很难被提取。另外，YOLOv3 目标检测算法采用交并比（IoU）为边界损失函数，IoU 为检测目标真实框与预测框交集与并集之比，当浮游藻类的真实框与预测框不相交时，IoU 值为 0，导致目标检测算法无法进一步学习训练14。这些原因在一定程度上降低了 YOLOv3 目标检测算法在浮游藻类上的检测能力。基于此，本文将空间金字塔池化（SPP）结构运用到 YOLOv3目标检测算法中，将浮游藻类图像的局部特征和全局特征进行融合，以提高图像特征的表达能力，采用广义交并比（GIoU）边界损失函数代替原算法中 IoU 边界损失函数，解决浮游藻类图像因模糊粘连等造成的预测框和真实框不相交时无法量化的问题，最终构建了一种基于 YOLOv3 目标检测算法的浮游藻类检测算法（SPP-GIoU-YOLOv3），来实现浮游藻类的快速准确检测。2材料与方法2.1浮游藻类图像采集和处理选择海洋中常见的 5 种浮游藻类作为实验对象，分 别 为 杜 氏 盐 藻（Dunaliella Salina）、海 洋 小 球 藻（Marine Chlorella）、威 氏 海 链 藻（Thalassiosira Weissflogii）、三角褐指藻（Phaeodactylum Tricornutum）和利玛原甲藻（Prorocentrum Lima）。培养条件如下：光照叠加式恒温振荡器（美国精骐，IS-6），白色 LED灯带，光照强度为 3000 lx，光暗周期为 12 h 12 h，温度为（251）。本研究采用的海洋浮游藻种购自上海光语生物科技有限公司。采用实验室正置