摘要：文章提出一種基于圖像處理技術(shù)的水面漂浮物檢測方法，該方法通過分析和處理水面圖像檢測水面漂浮物。首先，對原圖進(jìn)行感興趣區(qū)域提取和仿射變換，劃分水面區(qū)域；其次，使用HSI（色調(diào)、飽和度、亮度）顏色空間對水面背景進(jìn)行提取與去除，減小水面對后期圖像處理的影響；最后，經(jīng)過圖像去噪、灰度圖像增強(qiáng)、灰度化和閾值化處理、形態(tài)學(xué)處理、邊緣提取和輪廓提取等步驟，實(shí)現(xiàn)對漂浮物的檢測。其中，灰度增強(qiáng)采用了非線性映射函數(shù)提升漂浮物的灰度特征，以便更好地分離漂浮物。使用實(shí)際水域采集的圖像對檢測方法進(jìn)行驗(yàn)證，結(jié)果表明，該檢測方法在特定水域能較好地完成水面漂浮物的檢測，準(zhǔn)確率在90%以上。

關(guān)鍵詞：圖像處理技術(shù)；水上漂浮物檢測；HSI顏色空間

中圖分類號：TP391" " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號：1674-0688（2024）04-0095-06

0 引言

水資源是生態(tài)環(huán)境的基本組成部分，也是一個(gè)國家綜合國力的重要體現(xiàn)。隨著城市化進(jìn)程的加快和工業(yè)化程度的提高，水資源的污染和破壞情況日益嚴(yán)重，水質(zhì)檢測和保護(hù)工作成為當(dāng)務(wù)之急。水面漂浮物是導(dǎo)致水體富營養(yǎng)化和水質(zhì)惡化的重要因素之一，因此有效檢測和管理水面漂浮物對水資源保護(hù)具有重要意義。傳統(tǒng)的水面漂浮物檢測方法主要依賴人工觀測或固定攝像頭監(jiān)測，存在檢測范圍有限、效率低、成本高等問題。隨著無人機(jī)技術(shù)的應(yīng)用與發(fā)展，無人機(jī)因其具有靈活、高效、低成本等優(yōu)勢，成為水質(zhì)檢測領(lǐng)域的重要工具。同時(shí)，智能時(shí)代的到來使水面漂浮物自動(dòng)檢測變得可行。本文提出一種基于圖像處理技術(shù)的水面漂浮物檢測方法，該方法利用無人機(jī)搭載的高清相機(jī)對水面進(jìn)行高效拍攝，并結(jié)合圖像處理技術(shù)及相關(guān)算法，實(shí)現(xiàn)對水面漂浮物的自動(dòng)檢測，可極大地提高水質(zhì)檢測的效率，為水資源保護(hù)和環(huán)境管理提供重要支持。本文將詳細(xì)介紹該方法的設(shè)計(jì)與實(shí)現(xiàn)過程，并通過實(shí)驗(yàn)驗(yàn)證其在水面漂浮物檢測方面的可行性和有效性，旨在為水質(zhì)檢測領(lǐng)域的進(jìn)一步研究和實(shí)踐提供參考和借鑒。

1 相關(guān)研究綜述

水面漂浮物檢測是一項(xiàng)高難度的工作，也是水利工程中亟待解決的問題之一，因此水面漂浮物檢測方式一直以來備受研究人員的關(guān)注。隨著信息化和人工智能的發(fā)展，基于圖像處理技術(shù)和智能算法的水面漂浮物檢測方法得到了廣泛應(yīng)用。

1.1 基于YOLO（You Only Look Once）的水面漂浮物檢測

基于YOLO的水面漂浮物檢測算法應(yīng)用廣泛，取得了不錯(cuò)的檢測效果。侯添［1］提出一種基于YOLOv5（FMA-YOLOv5s）網(wǎng)絡(luò)的針對8種類型水面漂浮物的檢測算法，通過在主干網(wǎng)絡(luò)末端增加一個(gè)特征圖注意力層及采用數(shù)據(jù)增強(qiáng)的方式提升對小目標(biāo)的檢測效果。李國進(jìn)等［2］提出一種基于改進(jìn)的YOLOv3的水面漂浮物目標(biāo)檢測算法，主要針對人工湖面的水面漂浮物進(jìn)行檢測。在數(shù)據(jù)集處理上采用K-means聚類算法提高定位框與數(shù)據(jù)集標(biāo)注框的匹配度，在網(wǎng)絡(luò)上將基于邊界框的定位方式替換成基于像素點(diǎn)的定位方式。任英杰等［3］提出一種基于改進(jìn)的YOLOv3的輕量化漂浮物檢測算法，使用輕量級網(wǎng)絡(luò)MobileNet3代替主干特征提取網(wǎng)絡(luò)，有效降低了計(jì)算量和參數(shù)量，為在移動(dòng)端進(jìn)行實(shí)時(shí)檢測提供了可能性，并且減少了對硬件的需求。

1.2 基于深度學(xué)習(xí)方法的水面漂浮物檢測

基于深度學(xué)習(xí)方法完成水面漂浮物的檢測也取得了一定的研究成果，其中包含一些新穎的方法。李國進(jìn)等［4］提出基于改進(jìn)的Faster R-CNN（Faster Regions with Convolutional Neural Network）算法的水面漂浮物識(shí)別與定位方法，在輸出的結(jié)果中采用類別激活網(wǎng)絡(luò)去除邊界框，提高識(shí)別與定位的精準(zhǔn)度。陳任飛等［5］提出基于改進(jìn)的SSD（Single Shot Multibox Detector）模型自適應(yīng)濾波算法的水面漂浮物的檢測跟蹤算法，在單幀圖片中采用SSD檢測網(wǎng)絡(luò)、在多幀濾波中采用自適應(yīng)濾波算法完成信息融合，實(shí)現(xiàn)持續(xù)檢測跟蹤。黎嘉明等［6］采用基于對抗生成網(wǎng)絡(luò)的水面漂浮物分割算法，去除多余的檢測信息，精細(xì)化分割水面漂浮物，獲取水域的漂浮物污染程度。

1.3 基于機(jī)器視覺方法的水面漂浮物檢測

基于機(jī)器視覺方法的水面漂浮物檢測具有實(shí)時(shí)性好、資源需求低的優(yōu)勢。林友鑫［7］提出基于機(jī)器視覺的河道表觀異物檢測方法，通過采用通用性的水體分割算法，設(shè)計(jì)局部二值化模式和色調(diào)值方差的水體描述特征，并使用改進(jìn)的核相關(guān)濾波算法實(shí)現(xiàn)河道表觀異物的跟蹤。張堡瑞等［8］提出一種將三維激光雷達(dá)點(diǎn)云數(shù)據(jù)和視覺信息融合的檢測方法，采用CornerNet-Lite目標(biāo)檢測網(wǎng)絡(luò)，通過對大量樣本的訓(xùn)練實(shí)現(xiàn)水面漂浮物的檢測。

2 水面漂浮物檢測方法采用的圖像處理技術(shù)

本文提出的基于圖像處理技術(shù)的水面漂浮物檢測方法可通過利用無人機(jī)平臺(tái)采集的圖片完成檢測，是一種輕量化、便捷化的水面漂浮物檢測方法。該檢測方法主要采用的圖像處理技術(shù)包括感興趣區(qū)域（Region of Interest，ROI）、仿射變換、HSI顏色空間、去噪、灰度化（閾值處理）、形態(tài)學(xué)處理、邊緣提取及輪廓檢測等。拍攝水域圖片的復(fù)雜度很高，受環(huán)境及拍攝技術(shù)的影響非常大。本文提出的方法主要解決一些特定水域的水面漂浮物檢測，從而實(shí)現(xiàn)快速清理?；趫D像處理技術(shù)的水面漂浮物檢測方法流程圖見圖1。

2.1 ROI區(qū)域及仿射變換

數(shù)字圖像處理中的ROI指圖像中用戶感興趣或希望關(guān)注的特定區(qū)域。ROI區(qū)域通常是圖像的一個(gè)子集，可能包括感興趣的對象、區(qū)域或特征。本文中ROI指圖片中包含漂浮物的一個(gè)水面區(qū)域。

仿射變換是一種基本的幾何變換，在圖像處理中，仿射變換可實(shí)現(xiàn)圖像的平移、旋轉(zhuǎn)、縮放和剪切等操作，可以維持原始圖像中直線和平行線的狀態(tài)，并且保持圖像的平行性和共線性。仿射變換的數(shù)學(xué)表達(dá)式如下：

[x'y'1=ab0cd0txty1xy1]" " " " " " " " " " " "[1]

其中：[xy1T]是原始圖像中的一個(gè)點(diǎn)，[x'y'1T]是變換后的點(diǎn)，[abcd]是線性變換矩陣，[txty]是平移向量。

對原始圖像中的每個(gè)點(diǎn)應(yīng)用仿射變換矩陣，可以得到變換后的圖像。平移變換是通過將平移向量[txty]加到每個(gè)點(diǎn)的坐標(biāo)上實(shí)現(xiàn)；旋轉(zhuǎn)變換可以通過設(shè)置線性變換矩陣實(shí)現(xiàn)。

2.2 剔除水面顏色

為了減少背景（即水面）對漂浮物檢測的影響，本文使用HSI顏色空間對水面顏色進(jìn)行剔除。水面一般呈藍(lán)綠色，根據(jù)HSI顏色空間將此顏色部分剔除，同時(shí)根據(jù)現(xiàn)場實(shí)際采集的數(shù)據(jù)，統(tǒng)計(jì)實(shí)際圖片中的水面顏色，得到其范圍后同樣將這部分剔除。

RGB（紅綠藍(lán)色彩模式）向HSI的轉(zhuǎn)換是一種常見的顏色空間轉(zhuǎn)換，其轉(zhuǎn)換關(guān)系如下：

[H=θ360?θ B≤G Bgt;G]" " " " " " " " " " " [2]

[θ]、[ S] 、 [I] 的計(jì)算方式如下：

[θ=cos?10.5×R?G+R?BR?G2+R?BG?B]" " " [3]

[S=1?3×minR，G，BR+G+B" R+G+B≠0 ]" " " [4]

[I=R+G+B3]" " " " " " " " " " " " " " " [5]

公式（2）至公式（5）中，R、G、B分別是像素的紅色、綠色、藍(lán)色通道的值；[H]、S、I分別是色調(diào)、飽和度、亮度的值；[θ]是RGB值的三角函數(shù)。

本文使用的水面藍(lán)綠色的HSI范圍為（60，50，50）～（100，255，255），實(shí)際采集水面數(shù)據(jù)的HSI范圍為（70，10，65）～（（100，55，200）。

2.3 圖像去噪

為了減少噪聲點(diǎn)對圖片質(zhì)量的影響，本文采用均值濾波和高斯濾波2種濾波方式進(jìn)行圖像去噪，目的是盡量減小噪聲點(diǎn)和波浪的影響。在圖像中，濾波是一種常見的圖像處理技術(shù)，用于去除圖像中的噪聲，平滑圖像。其原理是對圖像中每個(gè)像素周圍鄰域內(nèi)的像素灰度值進(jìn)行卷積計(jì)算，從而實(shí)現(xiàn)圖像的模糊化處理。具體來說，對于圖像中的每個(gè)像素，選擇一個(gè)固定大小的濾波器窗口，將該窗口內(nèi)計(jì)算出的像素值與卷積核的卷積結(jié)果作為新的像素值，即源圖片濾波器大小窗口區(qū)域像素值與卷積核對應(yīng)位置相乘并相加。不同的濾波采用不同的卷積核。濾波能有效地去除噪聲信號，使圖像變得更清晰和平滑。

設(shè)原始圖像為[ I（x， y）]，濾波器的卷積核為[G（x，y）]，經(jīng)過濾波處理后的圖像[ Ismoot?（x，y）]可以表示為

[Ismoot?x，y=Ix，y?Gx，y]" " " " " " " " "[6]

其中：[? ]表示卷積操作；x，y表示像素坐標(biāo)值。

均值濾波中，卷積核為

[Gx，y=1n1…1???1…1]" " " " " " " " " "[7]

其中，n表示卷積核的大小。

高斯濾波中，卷積核服從高斯分布，表示為

[Gx，y=12πσ2e?x2+y22σ2]" " " " " " " " " " "[8]

其中，σ是高斯函數(shù)的標(biāo)準(zhǔn)差，對高斯濾波器的形狀和大小有影響，[σ]越大，高斯濾波器的形狀越寬，平滑效果越明顯。

2.4 圖像灰度化與閾值化

圖像灰度化是指將彩色圖片轉(zhuǎn)換為灰度圖片，圖像灰度化通常使用以下公式進(jìn)行計(jì)算：

[Y=0.299×R+0.587×G+0.114×B" " " "][9]

其中，Y表示灰度值。

圖像閾值化是將圖像根據(jù)設(shè)定的閾值進(jìn)行二值化處理的過程，即將灰度圖像中的像素值與設(shè)定的閾值進(jìn)行比較，大于閾值的像素設(shè)為一個(gè)值（如255，表示白色），小于等于閾值的像素設(shè)為另一個(gè)值（如0，表示黑色）。閾值化的功能是分離前景與背景，本文通過使用一定的閾值實(shí)現(xiàn)漂浮物和水面分離。

2.5 圖像灰度值增強(qiáng)

圖像灰度值增強(qiáng)的作用是改善圖像的質(zhì)量、增強(qiáng)圖像的對比度或凸顯圖像中的特定細(xì)節(jié)。由于本研究中漂浮物的灰度值一般高于背景，因此本文使用小于1的指數(shù)函數(shù)對原灰度值進(jìn)行非線性變換，對灰度值大的數(shù)據(jù)進(jìn)行增強(qiáng)，以利于圖像背景分割。灰度值非線性變換公式如下：

[f'x，y=（fx，y255）z×255]" " " " " " " " " [10]

其中： [f'x，y]表示變換后的像素值； [f（x，y）]表示原圖像素值；z為指數(shù)函數(shù)，取值小于1。

2.6 形態(tài)學(xué)處理

形態(tài)學(xué)處理是一種基于數(shù)學(xué)形態(tài)學(xué)理論的圖像處理技術(shù)，主要用于對圖像中的形狀和結(jié)構(gòu)進(jìn)行分析和處理。形態(tài)學(xué)處理的核心是應(yīng)用數(shù)學(xué)形態(tài)學(xué)的基本操作，如腐蝕、膨脹、開運(yùn)算、閉運(yùn)算等。本文主要使用的形態(tài)學(xué)處理技術(shù)為開運(yùn)算，開運(yùn)算是先進(jìn)行腐蝕操作，再進(jìn)行膨脹操作的組合運(yùn)算，通常用于去除圖像中的小物體、孤立的像素及細(xì)小的噪聲，本文將其用于邊緣提取前去除漂浮物以外的噪聲。開運(yùn)算操作的集合表示方式為

[A°B=∪Bz|Bz∈A]" " " " " " " " " "[11]

其中：A為原圖；B為結(jié)構(gòu)元；[（B）z]為結(jié)構(gòu)元的平移操作。

2.7 邊緣提取及輪廓檢測

邊緣是圖像中像素灰度值快速變化的區(qū)域，通常表示物體的邊界或區(qū)域的分界線。邊緣提取的目標(biāo)是識(shí)別這些快速變化的像素，以便定位物體的位置和形狀。本文采用的邊緣提取方法為Canny邊緣提取法，該方法首先采用高斯濾波降低輸入圖像的噪聲，高斯濾波可以平滑圖像并模糊細(xì)節(jié)，使后續(xù)的邊緣檢測更穩(wěn)定和準(zhǔn)確；其次，利用梯度計(jì)算找到圖像中像素的梯度和方向，常用的方法是使用Sobel算子對圖像進(jìn)行卷積，分別得到水平方向（x方向）和垂直方向（y方向）的梯度值；計(jì)算得到梯度值和方向后，對圖像進(jìn)行非極大值抑制，保留梯度圖像中的局部最大值點(diǎn)，以便更精確地定位邊緣；再次，通過設(shè)置2個(gè)閾值（高閾值和低閾值），對非極大值抑制后的梯度圖像進(jìn)行閾值處理，像素值高于高閾值的被認(rèn)為是強(qiáng)邊緣，像素值低于低閾值的被認(rèn)為是弱邊緣，介于兩者之間的被視為可能的邊緣；最后，利用邊緣連接算法將弱邊緣連接為強(qiáng)邊緣，從而得到完整的邊緣，通常采用的方法是通過像素的連接形成連續(xù)的邊緣線段。

輪廓提取是基于邊緣檢測的結(jié)果，查找圖像中的連續(xù)像素點(diǎn)集，從而找到物體的邊界。本文采用的是基于圖像掃描和輪廓跟蹤思路的輪廓提取算法。從圖像的左上角開始掃描，以第一個(gè)白色像素點(diǎn)為起點(diǎn)；從起點(diǎn)開始，按照順時(shí)針或逆時(shí)針方向，依次檢查相鄰像素點(diǎn)的連通性，如果相鄰像素點(diǎn)是白色且未被訪問過，則將其添加到當(dāng)前輪廓中并將其標(biāo)記為已訪問；繼續(xù)跟蹤直到回到起點(diǎn)，形成一個(gè)完整的輪廓。繼續(xù)從圖像中查找下一個(gè)未被訪問的白色像素點(diǎn)作為起點(diǎn)，重復(fù)上述輪廓跟蹤過程，直到所有的白色像素點(diǎn)都被訪問過為止，并且記錄每一個(gè)輪廓的一系列像素點(diǎn)。

3 實(shí)驗(yàn)測試

3.1 實(shí)驗(yàn)準(zhǔn)備

本次實(shí)驗(yàn)中的數(shù)據(jù)均采用實(shí)際采集的圖片完成，圖像分辨率為2 560×1 920。評價(jià)標(biāo)準(zhǔn)為水面漂浮物的識(shí)別情況，即是否能夠正確地圈出漂浮物。

本實(shí)驗(yàn)基于圖像處理開源工具OpenCV，使用“PyCharm IDE+Anacond”完成程序編寫。個(gè)人電腦配置為CPU Intel（R） Core（TM） i7-10510U，RAM 16GB。

3.2 實(shí)驗(yàn)過程

本文使用的水面漂浮物檢測方法具有一定的難度，對采集的圖片要求較高，漂浮物和水面的顏色不能太接近，因此只適合固定的場景，這也與圖像處理技術(shù)能實(shí)現(xiàn)的效果一致。純圖像處理技術(shù)的優(yōu)勢在于實(shí)時(shí)性強(qiáng)、硬件需求較低。為了更好地完成漂浮物的檢測，在算法上除了使用感興趣區(qū)域處理、仿射變換、圖像去噪等基本的圖像處理流程，還使用基于顏色空間的背景剔除和指數(shù)函數(shù)的非線性灰度映射，以得到更好的圖像處理結(jié)果。

3.2.1 去除水面外的信息干擾

對讀取的圖像進(jìn)行感興趣區(qū)域處理，去除水面以外的區(qū)域，同時(shí)完成仿射變換，避免區(qū)域非矩形影響圖片質(zhì)量。由于本文采用的是基于純圖像處理的方法，非水面的內(nèi)容會(huì)嚴(yán)重影響圖像算法的效果，因此需要完全剔除非水面內(nèi)容的影響。通過感興趣區(qū)域完成水面內(nèi)容的提取，由于感興趣區(qū)域可能是非矩形的，因此需要做一次仿射變換矯正圖像（見圖2）。從圖2可以看出，整體區(qū)域選擇較完整，仿射變換結(jié)果保留的圖片信息與原圖相近，一致性高。

3.2.2 分離水面漂浮物

由于檢測物是在水面上，水面是背景部分，剔除水面將對后續(xù)檢測有很大幫助。根據(jù)水面具有特定顏色的特點(diǎn)，本文采用HSI顏色空間進(jìn)行水面檢測與剔除。水面（河水）的顏色一般為藍(lán)綠色，針對本文應(yīng)用場景對水面進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，得到水面的顏色范圍，對此部分的顏色范圍進(jìn)行檢測，認(rèn)定為水面部分后將水面部分賦值為0，方便后續(xù)對圖像進(jìn)行處理。

水面檢測和去除水面后的結(jié)果見圖3，從圖中可以看出，經(jīng)過水面去除操作后，可以在一定程度上剔除背景水面的內(nèi)容，使后續(xù)圖像處理的難度大大降低。從結(jié)果上看，水面分離得還不夠全面，主要原因是HSI閾值范圍設(shè)置不夠廣，但后續(xù)的圖像處理難度已經(jīng)降低，而且閾值范圍如果設(shè)置較廣，可能會(huì)破壞漂浮物的信息，因此目前的方法已經(jīng)能夠滿足檢測要求。

3.2.3 去噪處理及灰度化和灰度增強(qiáng)處理

對圖像進(jìn)行去噪處理、灰度化和灰度增強(qiáng)處理，以便后續(xù)進(jìn)行漂浮物提取。去噪處理一方面可以去除噪聲點(diǎn)，另一方面可以對圖像進(jìn)行一定的平滑處理，有利于后續(xù)的閾值處理?；叶然突叶仍鰪?qiáng)處理的目的是進(jìn)一步方便將漂浮物和剩余背景進(jìn)行分離，將漂浮物和背景的區(qū)別放大，提升漂浮物的亮度?；叶仍鰪?qiáng)處理是對灰度值進(jìn)行非線性處理，主要目的是增強(qiáng)漂浮物的灰度值，采用指數(shù)小于1的指數(shù)函數(shù)完成映射，其中指數(shù)選擇為0.75。

去噪、灰度化和灰度增強(qiáng)結(jié)果見圖4，從圖4可以看出，經(jīng)過圖像增強(qiáng)的圖片目標(biāo)物的灰度值得到一定的增強(qiáng)，有利于提升后繼的圖像處理效果。雖然整體漂浮物的增強(qiáng)只是局部性的，但是這種提升對于漂浮物的分離已經(jīng)足夠。

3.2.4 閾值處理與形態(tài)學(xué)處理

通過以上圖像處理操作，漂浮物的整體輪廓已經(jīng)顯現(xiàn)，接下來采用閾值處理方法將漂浮物分離出來，同時(shí)采用形態(tài)學(xué)處理方法（主要是開運(yùn)算操作）去除小的噪聲點(diǎn)。閾值處理采用的是動(dòng)態(tài)閾值的方式，即每張圖片設(shè)置的閾值不同，類似于經(jīng)典的雙峰法，基于整體灰度統(tǒng)計(jì)數(shù)據(jù)設(shè)置閾值，在均值和分布的基礎(chǔ)上設(shè)置一個(gè)增量完成閾值處理。閾值處理和形態(tài)學(xué)處理結(jié)果見圖5，從結(jié)果上看，大部分漂浮物區(qū)域通過處理獲得MASK（掩膜），方便通過后續(xù)的處理畫出漂浮物區(qū)域。

3.2.5 邊緣檢測和輪廓繪制

通過邊緣檢測和輪廓繪制輸出最終結(jié)果。邊緣檢測采用的是Canny邊緣提取法，根據(jù)邊緣圖繪制外輪廓，最終實(shí)現(xiàn)漂浮物的檢測。輪廓繪制結(jié)果見圖6，從結(jié)果上看，本文的方法可以成功地繪制出漂浮物的區(qū)域。雖然部分圖片存在一些輪廓提取不完全的情況，但是已足夠解決實(shí)際清理中的檢測問題。

3.3 實(shí)驗(yàn)分析

本文針對特定水域環(huán)境下的漂浮物檢測進(jìn)行了定量實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，能夠檢測出90%以上的漂浮物。對于目標(biāo)較明顯的漂浮物，能夠非常完整地檢測出漂浮物的準(zhǔn)確位置；對于邊界不明顯、與水面顏色接近的漂浮物，雖然存在檢測不完全的情況，但是也能繪制出部分漂浮物的輪廓。對于非本實(shí)驗(yàn)環(huán)境下的漂浮物，本文的方法也有一定的參考價(jià)值。

4 結(jié)語

水面漂浮物檢測對于水利工程及水質(zhì)維護(hù)工作具有重要的意義。本文提出的基于圖像處理技術(shù)的水面漂浮物檢測方法在一定的水域環(huán)境下有較好的應(yīng)用效果，漂浮物的檢測率達(dá)到90%以上。和常規(guī)的圖像處理技術(shù)相比，本文采用了基于HSI顏色空間的水面去除技術(shù)及基于非線性變化的灰度增強(qiáng)方法，使檢測的適應(yīng)性和準(zhǔn)確率得到提高。本方法不需要大量的數(shù)據(jù)進(jìn)行模型訓(xùn)練，也不需要進(jìn)行圖像壓縮，對硬件要求較低，并且實(shí)時(shí)性強(qiáng)。

5 參考文獻(xiàn)

［1］侯添.基于智能視覺算法的河道漂浮物檢測［D］.杭州：浙江大學(xué)，2022.

［2］李國進(jìn)，姚冬宜，艾矯燕，等.基于改進(jìn)YOLOv3算法的水面漂浮物檢測方法［J］.廣西大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，46（6）：1569-1578.

［3］任英杰，李傳奇，王薇，等.改進(jìn)YOLOv3的輕量化漂浮物檢測算法［J］.水利水電技術(shù)（中英文），2023，54（10）：170-179.

［4］李國進(jìn)，姚冬宜，艾矯燕，等.基于改進(jìn)Faster R-CNN的水面漂浮物識(shí)別與定位［J］.信陽師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2021，34（2）：292-299.

［5］陳任飛，彭勇，吳劍，等.基于改進(jìn)SSD模型和自適應(yīng)濾波算法的水面漂浮物目標(biāo)檢測跟蹤方法［J］.工程科學(xué)與技術(shù)，2023，55（4）：119-129.

［6］黎嘉明，謝興，張鉛海，等.基于對抗生成網(wǎng)絡(luò)的漂浮物分割算法研究［J］.數(shù)字技術(shù)與應(yīng)用，2020，38（1）：108-109，111.

［7］林友鑫.基于機(jī)器視覺的城市河道表觀異物檢測方法研究［D］.杭州：浙江大學(xué)，2020.

［8］張堡瑞，肖宇峰，鄭又能.基于激光雷達(dá)與視覺融合的水面漂浮物檢測［J］.應(yīng)用激光，2021，41（3）：619-628.