Применение модели YOLOV5 для обнаружения микрообъектов в морской среде

от

А.Н. Греков1,2, Ю.Е. Шишкин1, С.С. Пелюшенко1, А.С. Маврин1,2

 1Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

2Севастопольский государственный университет, РФ, г. Севастополь, ул. Университетская, 33

E—mail: i@angrekov.ru

DOI: 10.33075/2220-5861-2022-4-112-122

УДК 681.3                                                                                                                

Реферат: 

   В современной науке машинное зрение является одним из наиболее перспективных методов автоматизации процессов анализа данных визуального мониторинга морской среды. За последнее десятилетие достигнут большой прогресс в области обнаружения объектов на фото- и видеоизображениях в режиме реального времени за счет разработки одноэтапных алгоритмов нейронных сетей и высокопроизводительных графических процессоров для их практического применения. Обнаружение микрообъектов рассматривается как метод компьютерного зрения, который используется для нахождения и идентификации объектов микропланктона и микропластика in situ.

   В статье представлены результаты исследований применения модели машинного обучения YOLOV5 для решения задачи автоматизированного обнаружения и распознавания микрообъектов в морской среде. Выбраны численные метрики оценки качества распознавания изображений, точности и полноты. Эти функции оценки потерь применялись при настройке модели распознавания, в процессе обучения и для её валидации. Произведена оценка сходимости получаемых решений в зависимости от числа итераций при обучении и объема обучающей выборки. Обучение и валидация модели осуществлялась на специально подготовленной базе данных реальных изображений, содержащей образцы микропланктона и микропластика. Приведены результаты экспериментов, с использованием обученного алгоритма, по нахождению микрообъектов на фото- и видеоизображениях в режиме реального времени. Экспериментальные исследования показали высокую достоверность результатов, получаемых моделью, сравнимую с распознаванием вручную.

 Ключевые слова: машинное обучение, морская среда, YOLOV5, микропластик, микропланктон, распознавание в реальном времени.

Для цитирования: Греков А.Н., Шишкин Ю.Е., Пелюшенко С.С., Маврин А.С. Применение модели YOLOV5 для обнаружения микрообъектов в морской среде // Системы контроля окружающей среды. 2022. Вып. 4 (50). C. 98-103. DOI: 10.33075/2220-5861-2022-4-112-122

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Viola P., Jones M. Managing work role performance: challenges for twenty-first century organizations and their employees // Rapid Object Detect using a Boost Cascade Simple Featur, 2001. P. 511–518.
  2. Sachin M. Different Types of Object Detection Algorithms in Nutshell // Machine Learning Knowledge, 2020.
  3. Dalal N., Triggs B. Histograms of oriented gradients for humandetection // 2005 IEEE computer society conference on computervision and pattern recognition (CVPR’05). 2005. Vol. 1. P. 886–893.
  4. Lowe D.G. Distinctive image features from scale-invariant keypoints // International journal of computer vision. 2004. Vol. 60, № 2. P. 91–110.
  5. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521, № 7553. P. 436–444.
  6. Dai J., Wang R., Zheng H., Ji G., Qiao X. Zooplanktonet: Deep convolutional network for zooplankton classification. // Proceedings of the OCEANS 2016-Shanghai, Shanghai, China, 10–13 April 2016; IEEE: New York, NY, USA, 2016. P. 1–6.
  7. Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation // Proceedings of the IEEE conference on computer vision and pattern recognition. 2014. P. 580–587.
  8. Girshick R. Fast R-CNN in AI // Proceedings of the IEEE international conference on computer vision. 2015. P. 144–148.
  9. Ren S., He K., Girshick R., Sun J. Faster R-CNN: Towards realtime object detection with region proposal networks // Advances in neural information processing systems. 2015. Vol. 28. P. 91–99.
  10. Girshick R. Fast R-CNN // Proceeding IEEE International Conference Computer Visual. 2015. P. 1440–1448.
  11. Ren S., He K., Girshick R., Sun J. Faster R-CNN: towards real-time object detection with region proposal networks // IEEE Trans. Pattern Anal. Mach. Intell. 2017. Vol. 39(6). P. 1137–1149.
  12. Konishi Y., Hanzawa Y., Kawade M., Hashimoto M. Fast 6D pose estimation using hierarchical pose trees // Eccv. 2016. 1. P. 398–413.
  13. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection // Proceeding IEEE Computer Social Conference Computer Visual Pattern Recognition 2016-December, 2016, pp. 779–788.
  14. Redmon J., Farhadi A. YOLO 9000: better, faster, stronger // Proceedings of the IEEE conference on computer vision and pattern recognition, 2017. P. 7263–7271.
  15. Farhadi A., Redmon J. YOLOV3: An incremental improvement // Computer Vision and Pattern Recognition, 2018: Springer Berlin/Heidelberg, Germany. P. 1804–2767.
  16. 16. Liu W. Ssd: Single shot multibox detector // European conference on computer vision. 2016: Springer. 21–37.
  17. Тимошкин М.С., Миронов А.Н., Леонтьев А.С. Сравнение YOLOV5 и faster R-CNN для обнаружения людей на изображении в потоковом режиме // Международный научно-исследователь-ский журнал № 6 (120). Ч. 1. С. 137–146.
  18. 18. Филичкин C.А., Вологди С.В. Применение нейронной сети YOLOV5 для распознавания наличия средств индивидуальной защиты // Интеллектуальные системы в производстве. Т. 20, № 2. С. 61–67.
  19. Liang T.J., Pan W.G., Bao H., Pan F, Vehicle wheel weld detection based on improved YOLOV4 algorithm // Computer optics. 2022. Vol. 46, № 2. P. 271–279
  20. Каплуненко Д.Д., Зотов С.С., Суботэ А.Е., Фищенко В.К. Применение нейронных сетей для классификации биологических объектов по подводным камерам МЭС острова Попова // Подводные исследования и робототехника. 2022. № 1 (39). С. 72–79.

Loading