徐超 王宇濤 陳勇

【摘 要】 黨的二十大報(bào)告指出，尊重自然、保護(hù)自然、順應(yīng)自然是全面建設(shè)社會主義現(xiàn)代化國家的內(nèi)在要求，開展自然資源審計(jì)的重要性不言而喻。當(dāng)下自然資源審計(jì)雖然已經(jīng)取得了一定的成果，但在圖像等非結(jié)構(gòu)化數(shù)據(jù)的處理上仍然效率不高。水資源作為自然資源的重要組成部分，其審計(jì)工作的重要性不言而喻，而且圖像等非結(jié)構(gòu)化數(shù)據(jù)在水資源審計(jì)數(shù)據(jù)中占比很大。為此，文章以自然資源審計(jì)中的水資源審計(jì)為例，聚焦于水污染圖像數(shù)據(jù)處理，設(shè)計(jì)了一種基于深度學(xué)習(xí)的自然資源審計(jì)數(shù)據(jù)處理算法。通過對主流YOLOv5 網(wǎng)絡(luò)的改進(jìn)，使其在水污染圖像數(shù)據(jù)處理的準(zhǔn)確率和處理速度等方面具有良好的表現(xiàn)，為提升自然資源審計(jì)的效率提供了有力支撐。

【關(guān)鍵詞】 自然資源審計(jì)； 深度學(xué)習(xí)； 目標(biāo)檢測； 輕量化網(wǎng)絡(luò)； YOLOv5； 水資源審計(jì)

【中圖分類號】 F234.3? 【文獻(xiàn)標(biāo)識碼】 A? 【文章編號】 1004-5937（2024）12-0010-09

一、引言

黨的二十大報(bào)告指出，大自然是人類賴以生存發(fā)展的基本條件。尊重自然、順應(yīng)自然、保護(hù)自然，是全面建設(shè)社會主義現(xiàn)代化國家的內(nèi)在要求。必須以習(xí)近平生態(tài)文明思想為指引，牢固樹立和踐行綠水青山就是金山銀山的理念，站在人與自然和諧共生的高度謀劃發(fā)展[1]。在新時(shí)代背景下，自然資源審計(jì)顯得尤為重要，這也是打贏污染防治攻堅(jiān)戰(zhàn)的關(guān)鍵一環(huán)。

水資源作為自然資源的重要組成部分，必須高度重視水資源審計(jì)工作，從而實(shí)現(xiàn)對水資源的保護(hù)。我國水資源短缺情況較為嚴(yán)重，人均淡水量低于世界平均水平，且存在較為嚴(yán)重的污染問題。結(jié)合當(dāng)下自然資源審計(jì)缺乏對于非結(jié)構(gòu)化數(shù)據(jù)的關(guān)注[2]且存在效率低下的問題，本文以水資源審計(jì)為例，聚焦水污染治理[3]，而水污染圖像數(shù)據(jù)作為水資源審計(jì)數(shù)據(jù)中占比較大的數(shù)據(jù)，自然就成為審計(jì)人員必須重點(diǎn)分析和處理的。此外，圖像數(shù)據(jù)可以很好地體現(xiàn)出水污染治理的情況，便于審計(jì)人員找出關(guān)鍵審計(jì)點(diǎn)，避免審計(jì)方向出現(xiàn)偏差。水污染圖像的處理一般采用人工方式，導(dǎo)致大量人力物力被浪費(fèi)在人工判別水污染圖像的工作中。具體而言，審計(jì)人員在進(jìn)行水資源審計(jì)過程中，會遇到大量水污染圖像，以目前審計(jì)人員的業(yè)務(wù)水平可以很好地對少量圖像進(jìn)行判別。但是水污染圖像的數(shù)量一旦上升，審計(jì)人員難免會因?yàn)楣ぷ髁縿≡觯瑢?dǎo)致對部分圖像的判別出現(xiàn)錯(cuò)誤。長此以往，判別錯(cuò)誤的圖像累積到一定數(shù)量，必然會對審計(jì)工作產(chǎn)生不良影響。審計(jì)人員不得不額外分配時(shí)間對水污染圖像進(jìn)行校對，從而導(dǎo)致審計(jì)工作時(shí)間被浪費(fèi)，這與水資源審計(jì)工作的初衷相違背。此外，部分水污染圖像中存在一些較小的污染物，很難精確地通過肉眼辨別，需要借助其他技術(shù)手段來進(jìn)行判別。

隨著近年來計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，深度學(xué)習(xí)算法模型開始得到廣泛應(yīng)用。較之傳統(tǒng)機(jī)器學(xué)習(xí)算法，深度學(xué)習(xí)算法通過模擬神經(jīng)元傳遞信息的方式，實(shí)現(xiàn)了算法的高精度。傳統(tǒng)目標(biāo)檢測算法多基于手工提取特征，導(dǎo)致識別精度較低，而基于深度學(xué)習(xí)的目標(biāo)檢測算法可以很好地實(shí)現(xiàn)高精度的圖像自動(dòng)化檢測，從而節(jié)省大量人力物力，便于有關(guān)部門將更多的成本投入到圖像檢測后的具體治理方法研究中，為打贏污染防治攻堅(jiān)戰(zhàn)提供了有力保障。

在深度學(xué)習(xí)技術(shù)與審計(jì)結(jié)合方面，相關(guān)學(xué)者從不同角度展開了研究。吳勇等[4]在明確深度學(xué)習(xí)概念的基礎(chǔ)上，結(jié)合國際“四大”會計(jì)師事務(wù)所的實(shí)際應(yīng)用探究了深度學(xué)習(xí)在審計(jì)中應(yīng)用的策略和路徑。蔣楠[5]分析了深度學(xué)習(xí)和人工智能技術(shù)對國家審計(jì)的影響、風(fēng)險(xiǎn)和挑戰(zhàn)，為推進(jìn)國家治理體系和治理能力現(xiàn)代化提供借鑒和參考。張慶龍等[6]在區(qū)分內(nèi)部審計(jì)數(shù)字化、智能化概念的區(qū)別與聯(lián)系基礎(chǔ)上，聚焦于新一代內(nèi)部審計(jì)智能化中大規(guī)模深度學(xué)習(xí)的特點(diǎn)，提出了智能化內(nèi)部審計(jì)的一系列可能與挑戰(zhàn)。邵磊落等[7]采用深度學(xué)習(xí)方法挖掘財(cái)務(wù)報(bào)表上資產(chǎn)、資金的狀態(tài)以及資產(chǎn)、資金在流轉(zhuǎn)中的增值性與內(nèi)部控制政策的因果關(guān)系，實(shí)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)的融合，最終形成一種內(nèi)部控制綜合評價(jià)體系。吳勇等[8]將深度學(xué)習(xí)的智能分析與審計(jì)師的經(jīng)驗(yàn)修正有效融合，不斷擴(kuò)充、更新、迭代審計(jì)數(shù)據(jù)倉庫，面向?qū)徲?jì)業(yè)務(wù)全流程，構(gòu)建深度學(xué)習(xí)模型應(yīng)用于審計(jì)業(yè)務(wù)不同階段的集成性、整合性框架，以便更好地指導(dǎo)和推動(dòng)深度學(xué)習(xí)模型和方法的審計(jì)應(yīng)用。綜上，目前深度學(xué)習(xí)與審計(jì)結(jié)合主要還是停留在理論框架上，且具體應(yīng)用方面也多聚焦于結(jié)構(gòu)化數(shù)據(jù)的處理。

二、研究現(xiàn)狀

現(xiàn)階段自然資源審計(jì)中，審計(jì)工作一般針對結(jié)構(gòu)化數(shù)據(jù)展開，結(jié)構(gòu)化數(shù)據(jù)的研究已經(jīng)有了較為完善的方法體系。李妍茹等[9]通過匹配中國主要流域重點(diǎn)斷面水質(zhì)監(jiān)測數(shù)據(jù)和審計(jì)試點(diǎn)信息，發(fā)現(xiàn)審計(jì)試點(diǎn)后水質(zhì)在整體層面上得到顯著改善，治理效應(yīng)主要體現(xiàn)為感官效果較直接的溶解氧有了較為明顯的改善。但是現(xiàn)實(shí)生活中，非結(jié)構(gòu)化數(shù)據(jù)的占比很大，某種程度上遠(yuǎn)大于結(jié)構(gòu)化數(shù)據(jù)。這種情況在自然資源審計(jì)中表現(xiàn)得尤為明顯，大量數(shù)據(jù)以圖像形式存儲于相關(guān)數(shù)據(jù)庫中。耿建新等[10]借鑒美國政府問責(zé)辦公室（GAO）水資源審計(jì)經(jīng)驗(yàn)時(shí)發(fā)現(xiàn)，美國GAO在編制水資源審計(jì)報(bào)告時(shí)采用多樣的審計(jì)主題，且審計(jì)時(shí)關(guān)注的數(shù)據(jù)形式多樣，其中就涉及到了不同類型的圖片數(shù)據(jù)，這對于我國探索自然資源審計(jì)方法具有重要借鑒意義。此時(shí)，如何高效準(zhǔn)確地處理非結(jié)構(gòu)化數(shù)據(jù)就顯得尤為重要。

然而，傳統(tǒng)的深度學(xué)習(xí)算法在處理圖像時(shí)準(zhǔn)確率較低且速度較慢，同時(shí)實(shí)際應(yīng)用時(shí)又局限于設(shè)備算力，無法在較小算法復(fù)雜度的情況下完成圖像處理。因此，相關(guān)學(xué)者通過借鑒深度學(xué)習(xí)算法（主要是卷積神經(jīng)網(wǎng)絡(luò)算法）的思想，創(chuàng)造出了基于深度學(xué)習(xí)的目標(biāo)檢測算法。這一圖像領(lǐng)域的分支算法能夠很好地解決自然資源審計(jì)中圖像數(shù)據(jù)處理的問題。

針對本文中聚焦的水污染圖像處理問題，現(xiàn)階段已有部分學(xué)者開展了研究工作，以期實(shí)現(xiàn)高效自動(dòng)的水污染圖像檢測。宋一格等[11]提出了基于分組卷積與雙注意力機(jī)制的河流水面污染圖像分類算法模塊（Grouped Convolution Dual Attention，GCDA），在分組卷積的基礎(chǔ)上引入簡化的雙注意力機(jī)制，使用較少的參數(shù)量增強(qiáng)了網(wǎng)絡(luò)對圖像的特征提取能力，進(jìn)一步提升圖像分類效果。該模型相較于傳統(tǒng)模型在河流污染物圖像的二分類任務(wù)中有較明顯的效果提升。李國進(jìn)等[12]針對人工湖中的水面漂浮物檢測問題，提出了一種基于改進(jìn)YOLOv3的水面漂浮物目標(biāo)檢測算法，目標(biāo)檢測包括目標(biāo)識別與目標(biāo)定位。通過對廣西大學(xué)校內(nèi)鏡湖與碧云湖的數(shù)據(jù)分析，發(fā)現(xiàn)改進(jìn)的YOLOv3算法提高了識別精度且降低了定位誤差。但他們還停留在使用復(fù)雜度較高的算法來完成檢測，雖然檢測精度不差，但是消耗的硬件資源較大，從而導(dǎo)致檢測速度較慢。

綜上所述，為了實(shí)現(xiàn)高效快速的水污染圖像檢測，本文選用YOLOv5網(wǎng)絡(luò)模型[13]作為基礎(chǔ)模型。同時(shí)為了實(shí)現(xiàn)網(wǎng)絡(luò)輕量化的目標(biāo)，本文在原有YOLOv5的基礎(chǔ)上替換骨干網(wǎng)絡(luò)[14]。用于替換原有骨干網(wǎng)絡(luò)CSPDarknet的MobileViT[15]采用現(xiàn)下流行的Transformer思想，該思想以前多應(yīng)用于自然語言處理中，可以有效實(shí)現(xiàn)模型輕量化，減少模型參數(shù)。同時(shí)將MobileViT中的激活函數(shù)從原有的SiLU替換為FReLU[16]，在不大幅提升模型參數(shù)量的情況下加速模型收斂的速度，解決Transformer模型收斂較慢的問題。最后將YOLOv5默認(rèn)的非極大值抑制模塊替換為Soft-NMS[17]模塊，在不需要額外訓(xùn)練的前提下提升檢測的準(zhǔn)確率，且不會增加算法的復(fù)雜度。

三、模型構(gòu)建

（一）基于深度學(xué)習(xí)技術(shù)的自然資源審計(jì)業(yè)務(wù)流程

自然資源審計(jì)的目標(biāo)是對相關(guān)自然資源資產(chǎn)管理和生態(tài)環(huán)境保護(hù)情況進(jìn)行科學(xué)評價(jià)，以期實(shí)現(xiàn)經(jīng)濟(jì)社會的可持續(xù)發(fā)展[18]。在引入深度學(xué)習(xí)技術(shù)后，自然資源審計(jì)將會發(fā)生巨大改變。

本文針對基于深度學(xué)習(xí)的目標(biāo)檢測算法在自然資源審計(jì)中的應(yīng)用進(jìn)行研究，以期實(shí)現(xiàn)對于圖像的自動(dòng)化檢測。由于需要實(shí)現(xiàn)更高效更準(zhǔn)確的水污染圖像檢測，因此需要對現(xiàn)有模型進(jìn)行改進(jìn)。在詳細(xì)闡述本文的模型改進(jìn)思路之前，首先需要分析引入改進(jìn)模型對于自然資源審計(jì)的影響。

常見審計(jì)業(yè)務(wù)一般分為審計(jì)準(zhǔn)備、審計(jì)實(shí)施、審計(jì)報(bào)告和審計(jì)整改四個(gè)階段，自然資源審計(jì)也不例外。通過應(yīng)用本文的改進(jìn)模型，可以很好地在這四個(gè)階段對自然資源審計(jì)進(jìn)行優(yōu)化，以期達(dá)到更好的審計(jì)監(jiān)督效果。下文將通過對具體步驟的分析來闡述優(yōu)化的具體效果，并結(jié)合具體的審計(jì)案例進(jìn)行分析。優(yōu)化后的自然資源審計(jì)業(yè)務(wù)流程如圖1所示，其中虛線部分為引入深度學(xué)習(xí)技術(shù)后重點(diǎn)變化的步驟。

在審計(jì)準(zhǔn)備階段，審計(jì)人員將會組建審計(jì)小組，根據(jù)相關(guān)的審計(jì)要求下達(dá)審計(jì)通知書。由于改進(jìn)模型的加入，審計(jì)人員將會在編寫審計(jì)通知書時(shí)更有針對性，即針對改進(jìn)模型的特點(diǎn)要求被審計(jì)單位提供相關(guān)數(shù)據(jù)。這樣可以避免被審計(jì)單位提供的數(shù)據(jù)含有大量“雜質(zhì)”，影響后續(xù)審計(jì)工作的效率。接下來，審計(jì)人員將會制定適用于改進(jìn)模型的數(shù)據(jù)規(guī)范，進(jìn)一步去收集相關(guān)的審計(jì)數(shù)據(jù)，最終將所有數(shù)據(jù)進(jìn)行整理并清洗，確保后續(xù)輸入模型的數(shù)據(jù)完全符合數(shù)據(jù)規(guī)范。例如，在水污染防治績效審計(jì)中，審計(jì)人員需要事先確定審計(jì)的目標(biāo)。一旦目標(biāo)確定，就需要進(jìn)行數(shù)據(jù)的采集。相對于傳統(tǒng)做法，改進(jìn)模型的引入給審計(jì)人員提供了可靠的處理圖像數(shù)據(jù)的方法，因此，審計(jì)人員可以把圖像數(shù)據(jù)納入審計(jì)數(shù)據(jù)庫中，豐富審計(jì)數(shù)據(jù)的類型，進(jìn)而拓寬審計(jì)的角度。

在審計(jì)實(shí)施階段，審計(jì)人員將采用本文的改進(jìn)模型進(jìn)行審計(jì)。本文以水污染圖像的審計(jì)工作切入，有別于傳統(tǒng)水污染圖像審計(jì)采用人工方式對圖像等非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行審計(jì)，本文的模型可以實(shí)現(xiàn)自動(dòng)化圖像檢測。具體來說，審計(jì)人員首先在技術(shù)人員的幫助下，將改進(jìn)模型部署至本地，然后將采集得到的水污染圖像上傳至本地電腦中，通過運(yùn)行事先完成配置的改進(jìn)算法來完成圖像的檢測工作，通常來說單張圖像在幾十毫秒內(nèi)即可完成檢測。完成檢測后，圖像會自動(dòng)保存，便于后續(xù)審計(jì)人員進(jìn)行使用。審計(jì)人員待圖像全部完成檢測后，即可開始對結(jié)果進(jìn)行匯總，為之后撰寫報(bào)告提供充足的材料。水污染圖像審計(jì)作為自然資源審計(jì)中的個(gè)例，雖有其特殊性，但其普遍性不言而喻。本文的改進(jìn)模型針對自然資源審計(jì)中最常出現(xiàn)的圖像數(shù)據(jù)進(jìn)行設(shè)計(jì)，自然可以推廣至所有的自然資源審計(jì)場景中。在推廣時(shí)，審計(jì)人員可在技術(shù)人員的幫助下針對不同場景重新制作標(biāo)簽并訓(xùn)練對應(yīng)數(shù)據(jù)集，應(yīng)用遷移學(xué)習(xí)的思想完成模型的適配，最終即可實(shí)現(xiàn)各種自然資源審計(jì)圖像的自動(dòng)化檢測。同樣的，具體到水污染防治績效審計(jì)中，整個(gè)審計(jì)工作通常包括水污染防治政策、法律法規(guī)、資金管理、工程建設(shè)、運(yùn)營管理等方面，因此數(shù)據(jù)的處理將會比較煩瑣。改進(jìn)模型的引入可以很好地節(jié)省數(shù)據(jù)處理的時(shí)間，尤其是圖像等非結(jié)構(gòu)化數(shù)據(jù)的處理時(shí)間，讓審計(jì)人員將更多的時(shí)間放在對資金和項(xiàng)目這些關(guān)鍵審計(jì)點(diǎn)的審計(jì)上。

在審計(jì)報(bào)告階段，審計(jì)人員將會對先前處理好的數(shù)據(jù)進(jìn)行整合分析。改進(jìn)模型完成檢測后將會給出各類污染物的類型和數(shù)量，審計(jì)人員將對這些數(shù)據(jù)進(jìn)行歸類，找出污染物數(shù)量較多和類型較為豐富的圖像，從而找出重點(diǎn)污染區(qū)域，進(jìn)而開展重點(diǎn)污染區(qū)域的進(jìn)一步審計(jì)工作。相較于傳統(tǒng)審計(jì)，應(yīng)用改進(jìn)模型可以很好地節(jié)省非重點(diǎn)區(qū)域的審計(jì)時(shí)間安排，也有助于審計(jì)重點(diǎn)的突出。在完成重點(diǎn)污染區(qū)域的進(jìn)一步審計(jì)工作后，審計(jì)人員能夠編寫出更有針對性的審計(jì)報(bào)告，實(shí)現(xiàn)高效審計(jì)。在水污染防治績效審計(jì)中，改進(jìn)模型將會極大提高審計(jì)報(bào)告的準(zhǔn)確度，同時(shí)也可以和其他結(jié)構(gòu)化數(shù)據(jù)得出的審計(jì)結(jié)論進(jìn)行互補(bǔ)，更好地增強(qiáng)報(bào)告的說服力。由于水污染防治績效審計(jì)中需要密切關(guān)注資金流轉(zhuǎn)過程，圖像數(shù)據(jù)得出的結(jié)論可以監(jiān)控資金的使用成果，即更多的資金應(yīng)該被投入到重點(diǎn)污染的區(qū)域，然后達(dá)到較好的防治效果。若事實(shí)與其相悖，則被審計(jì)單位必然存在一定的執(zhí)行問題，需要對其進(jìn)行及時(shí)問責(zé)并督促其改變原有的錯(cuò)誤方案，使用更加高效合理的審計(jì)方案來繼續(xù)完成水污染防治。

在審計(jì)整改階段，審計(jì)人員根據(jù)先前完成的審計(jì)報(bào)告開展對于重點(diǎn)區(qū)域的整改監(jiān)督工作。審計(jì)人員會將審計(jì)結(jié)果事先進(jìn)行披露，便于社會各界人員進(jìn)行監(jiān)督，從而實(shí)現(xiàn)審計(jì)過程透明化。相較于傳統(tǒng)方式，審計(jì)人員在更加精確的審計(jì)報(bào)告的基礎(chǔ)上能夠更有說服力，避免相關(guān)負(fù)責(zé)人員推諉責(zé)任、敷衍了事，更快督促相關(guān)負(fù)責(zé)人員開展整改工作。在整改過程中，多部門進(jìn)行聯(lián)動(dòng)，協(xié)同工作，提高工作效率。相關(guān)負(fù)責(zé)人員可以實(shí)現(xiàn)污染治理的精準(zhǔn)化、精細(xì)化，達(dá)到更好的治理效果，打好污染防治攻堅(jiān)戰(zhàn)。最終再由審計(jì)人員對于整改的結(jié)果進(jìn)行驗(yàn)收，根據(jù)情況進(jìn)行進(jìn)一步的追蹤審計(jì)，必要時(shí)可以再次重復(fù)之前的步驟，調(diào)用改進(jìn)模型對于階段性改進(jìn)成果進(jìn)行檢測，發(fā)現(xiàn)整改時(shí)存在的一些問題，便于被審計(jì)單位針對相關(guān)問題進(jìn)行整改方向上的調(diào)整，直到問題解決。任何審計(jì)終將歸結(jié)于問題的解決，水污染防治績效審計(jì)也不例外。在引入改進(jìn)模型后，審計(jì)工作變得更加標(biāo)準(zhǔn)化、自動(dòng)化，也就有了長期審計(jì)監(jiān)督的可能。許多領(lǐng)導(dǎo)干部可能在審計(jì)結(jié)束后存在松懈的問題，很容易讓已經(jīng)完成治理的區(qū)域重新被污染，導(dǎo)致先前的防治工作前功盡棄。在大部分審計(jì)人員撤出審計(jì)工作后，改進(jìn)模型就起到了其“守夜人”的作用，能夠很好地代替審計(jì)人員進(jìn)行持續(xù)審計(jì)。

如表1所示，本文改進(jìn)的算法模型相較于二階段目標(biāo)檢測的Faster RCNN有了大幅提升，模型參數(shù)量出現(xiàn)指數(shù)級下降，并且精度提升明顯。DETR同樣引入Transformer，精度很高，但是模型參數(shù)量巨大，與本文的改進(jìn)模型相比呈現(xiàn)指數(shù)級差距且檢測速度極慢，完全無法應(yīng)用于本文的水污染檢測場景。上述兩種二階段目標(biāo)檢測算法在本文水污染檢測場景下均表現(xiàn)不佳。在一階段目標(biāo)檢測算法中，SSD、YOLOv3-tiny、YOLOv4-tiny速度均快于本文的改進(jìn)模型，但是檢測精度均低于本文改進(jìn)模型且參數(shù)量也大于本文改進(jìn)模型?？紤]到本文的應(yīng)用場景，檢測精度的重要性應(yīng)該是更高的，且實(shí)際使用時(shí)對于這個(gè)量級的檢測速度差距也不會有太大的感知。因此本文模型較以上三種算法速度慢的劣勢并不是特別明顯，可以通過精度高的優(yōu)勢來進(jìn)行彌補(bǔ)。

在實(shí)際水資源審計(jì)中，同時(shí)選取水污染圖像數(shù)據(jù)集中已有圖像和網(wǎng)絡(luò)上隨機(jī)獲取的水體污染圖像，結(jié)果如圖5所示，其中上半部分為數(shù)據(jù)集內(nèi)圖像檢測結(jié)果，下半部分為數(shù)據(jù)集外圖像檢測結(jié)果。從結(jié)果可以明顯看到，本文的改進(jìn)模型可以有效檢測到圖像中水污染的位置并且判定污染的類別，完成了目標(biāo)檢測算法的分類與定位的目標(biāo)，說明本文的算法模型已經(jīng)可以完成一般情況下水污染圖像的檢測，具有較強(qiáng)的泛化能力，可以大范圍應(yīng)用于非結(jié)構(gòu)化數(shù)據(jù)的識別與處理。審計(jì)人員可以通過模型檢測結(jié)果圖像獲取到水污染圖像中的污染信息，這些污染信息可以作為后續(xù)審計(jì)點(diǎn)挖掘的關(guān)鍵證據(jù)，同時(shí)還可以寫入審計(jì)報(bào)告中，很好地豐富了審計(jì)報(bào)告的內(nèi)容，使得審計(jì)報(bào)告更加全面且更有說服力。

綜上所述，通過模型間的對比和實(shí)際檢測，得出本文的改進(jìn)模型可以在較高精度的情況下完成較為快速的檢測。

網(wǎng)絡(luò)結(jié)構(gòu)變化會對網(wǎng)絡(luò)性能產(chǎn)生影響，因此必須對三種改進(jìn)策略進(jìn)行不同組合，即消融實(shí)驗(yàn)，從而進(jìn)一步證明本文改進(jìn)模型的有效性，消融實(shí)驗(yàn)結(jié)果如表2所示。

消融實(shí)驗(yàn)結(jié)果中第一行是原算法的結(jié)果，√表示加入對應(yīng)改進(jìn)策略后的網(wǎng)絡(luò)模型。由對比結(jié)果可以很明顯地看到替換了主干網(wǎng)絡(luò)后，參數(shù)量大幅度下降，減少了一個(gè)量級，但檢測精度只下降了不到3個(gè)百分點(diǎn)，同時(shí)檢測速度提升了10。繼續(xù)引入FReLU后，檢測精度有了0.5個(gè)百分點(diǎn)的提升，但檢測速度下降了10，與原始模型持平。繼續(xù)引入Soft-NMS后，檢測精度稍有波動(dòng)，可以理解為實(shí)驗(yàn)誤差，但檢測速度已經(jīng)和只替換主干網(wǎng)絡(luò)時(shí)非常接近。綜上，本文的改進(jìn)算法模型滿足了改進(jìn)要求，是優(yōu)于原算法的。

五、改進(jìn)YOLOv5模型在自然資源審計(jì)中的應(yīng)用價(jià)值

通過上文對于模型實(shí)際在自然資源審計(jì)中的應(yīng)用分析可以發(fā)現(xiàn)，本文的模型對于改進(jìn)當(dāng)前的自然資源審計(jì)業(yè)務(wù)流程具有重要意義。本文所建立的模型能夠很好地處理海量的圖像數(shù)據(jù)，為后續(xù)審計(jì)工作提供預(yù)測分析能力，從而實(shí)現(xiàn)必要的審計(jì)決策支持。接下來將從兩個(gè)角度來分析其應(yīng)用價(jià)值。

（一）非結(jié)構(gòu)化信息識別功能

現(xiàn)階段自然資源審計(jì)工作多關(guān)注于結(jié)構(gòu)化數(shù)據(jù)，例如水資源審計(jì)多聚焦于流量、降水、地下水等水體的指標(biāo)化數(shù)據(jù)，而忽略了圖像數(shù)據(jù)。自然資源數(shù)據(jù)恰恰多表現(xiàn)為圖像數(shù)據(jù)，圖像中蘊(yùn)含了大量對于審計(jì)工作非常重要的數(shù)據(jù)。以本文的水污染圖像為例，在對某地進(jìn)行水資源審計(jì)時(shí)，水資源的保護(hù)工作必然會成為審計(jì)人員的關(guān)注點(diǎn)。在傳統(tǒng)方法下，審計(jì)人員多會關(guān)注于河流中傳感器采集到的水污染指標(biāo)化數(shù)據(jù)，例如化學(xué)需氧量、總磷和高錳酸鹽指數(shù)，而水污染圖像往往會被忽略。水污染圖像通?？梢员磉_(dá)出不同地區(qū)的污染程度以及污染的具體位置，這些信息對于審計(jì)人員判斷當(dāng)?shù)氐乃廴局卫硇Ч浅ｊP(guān)鍵，審計(jì)人員也可以憑借這些信息精準(zhǔn)地對污染程度高的地區(qū)的相關(guān)負(fù)責(zé)人員進(jìn)行問責(zé)，及時(shí)找出污染治理的問題點(diǎn)。本文的改進(jìn)模型可以很好地對水污染圖像中的這些信息進(jìn)行識別和提取，大大節(jié)省了審計(jì)人員的時(shí)間，解決了傳統(tǒng)審計(jì)中對于非結(jié)構(gòu)化數(shù)據(jù)沒有有效處理方法的弊端。

（二）決策支持功能

審計(jì)過程涉及復(fù)雜的專業(yè)判斷，特別是在確定重要性水平、評估審計(jì)風(fēng)險(xiǎn)、溝通關(guān)鍵審計(jì)事項(xiàng)和確定審計(jì)意見類型時(shí)，要求審計(jì)師必須從不同的角度綜合考慮大量的證據(jù)來做出最終的決定。

深度學(xué)習(xí)具有學(xué)習(xí)能力強(qiáng)、覆蓋范圍廣等特性[8]，這就使得深度學(xué)習(xí)方法可以很好地綜合各種信息，從而得出更加全面且更有說服力的結(jié)論。本文所使用的模型也屬于一種深度學(xué)習(xí)模型，且專注于圖像中指定目標(biāo)的分類與定位，屬于特殊化的深度學(xué)習(xí)模型。本文模型擅長提取水污染圖像數(shù)據(jù)中的污染物種類和數(shù)量信息，這為審計(jì)人員后續(xù)的工作提供了有力幫助。模型提取出的相關(guān)信息有助于審計(jì)人員尋找審計(jì)點(diǎn)，進(jìn)一步地確定后續(xù)審計(jì)工作的要點(diǎn)。再結(jié)合傳統(tǒng)審計(jì)中提取的結(jié)構(gòu)化數(shù)據(jù)，即可實(shí)現(xiàn)全方位多角度的水資源審計(jì)。

在最終決策時(shí)，審計(jì)人員可以將水污染圖像中的信息整合入審計(jì)報(bào)告中，形成最終的審計(jì)證據(jù)，從而給出合理的審計(jì)意見。審計(jì)人員在和有關(guān)部門交流時(shí)，可以給出相關(guān)審計(jì)意見的有力證據(jù)，提升了審計(jì)部門的公信力。有關(guān)部門后續(xù)可以據(jù)此制定相關(guān)的改進(jìn)措施，對癥施策，減少不必要的人力物力浪費(fèi)。

六、結(jié)語

針對自然資源審計(jì)對非結(jié)構(gòu)化數(shù)據(jù)處理效率低下的問題，本文以水資源審計(jì)中水污染圖像處理為例，結(jié)合深度學(xué)習(xí)的思想，提出了一種改進(jìn)的YOLOv5算法。首先將主干網(wǎng)絡(luò)替換成輕量化的MobileViT，然后將MobileViT中的激活函數(shù)替換為FReLU，最后將非極大值抑制算法替換成SoftNMS。實(shí)驗(yàn)表明，改進(jìn)模型的參數(shù)量大幅下降，小于現(xiàn)階段主流的目標(biāo)檢測算法，且模型精度得到了很大程度的提升，檢測速度也得到了一定程度的提升。實(shí)驗(yàn)結(jié)果表明，本文的檢測算法可以很好地被應(yīng)用于水污染圖像檢測中，具備快速、高精度的特點(diǎn)。

然而，本文的研究也只局限于圖像數(shù)據(jù)，且改進(jìn)模型只考慮了圖像檢測，還未涉及其他類型的自然資源審計(jì)數(shù)據(jù)，例如：音頻、視頻等。未來可以通過構(gòu)建對應(yīng)類型的深度學(xué)習(xí)模型來實(shí)現(xiàn)對于不同類型數(shù)據(jù)的自動(dòng)化處理，進(jìn)一步完善自然資源審計(jì)數(shù)據(jù)研究體系。

【參考文獻(xiàn)】

［1］ 習(xí)近平.高舉中國特色社會主義偉大旗幟為全面建設(shè)社會主義現(xiàn)代化國家而團(tuán)結(jié)奮斗：在中國共產(chǎn)黨第二十次全國代表大會上的報(bào)告［M］.北京：人民出版社，2022.

［2］ 鄧曉嵐，余遠(yuǎn)劍，茅金焰，等.領(lǐng)導(dǎo)干部自然資源資產(chǎn)離任審計(jì)的大數(shù)據(jù)技術(shù)應(yīng)用研究［J］.審計(jì)研究，2020，

217（5）：19-29.

［3］ 徐志耀，袁璐，李清騁，等.政府環(huán)境績效審計(jì)助力水污染防治的效應(yīng)研究——基于“三河三湖”顯性中介的分析［J］.南京審計(jì)大學(xué)學(xué)報(bào)，2023，20（2）：1-11.

［4］ 吳勇，余潔，王尚純，等.人工智能審計(jì)應(yīng)用的國際進(jìn)展［J］.中國注冊會計(jì)師，2021（6）：121-126.

［5］ 蔣楠.論人工智能時(shí)代國家審計(jì)變革與發(fā)展［J］.財(cái)會月刊，2022（11）：104-109.

［6］ 張慶龍，邢春玉，芮柏松，等.新一代內(nèi)部審計(jì)：數(shù)字化與智能化［J］.審計(jì)研究，2020（5）：113-121.

［7］ 邵磊落，周成軒，黃琪華，等.面向電網(wǎng)企業(yè)內(nèi)控審計(jì)的知識圖譜建模研究［J］.會計(jì)之友，2021（20）：122-128.

［8］ 吳勇，陸藝，朱衛(wèi)東，等.深度學(xué)習(xí)模型應(yīng)用：面向?qū)徲?jì)業(yè)務(wù)全流程的整合性框架［J］.財(cái)會月刊，2023，44（1）：108-116.

［9］ 李妍茹，李璐，翟華云.自然資源資產(chǎn)離任審計(jì)與水污染防治——基于中國主要流域水質(zhì)監(jiān)測的經(jīng)驗(yàn)數(shù)據(jù)［J］.江西社會科學(xué)，2022，42（5）：90-100.

［10］ 耿建新，胡天雨.編制自然資源資產(chǎn)負(fù)債表 搞好自然資源資產(chǎn)離任審計(jì)——美國GAO水資源審計(jì)的借鑒［J］.財(cái)會通訊，2020（1）：3-12.

［11］ 宋一格，王寧，李宏昌，等.基于分組卷積與雙注意力機(jī)制的河流水面污染圖像分類［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（9）：250-256.

［12］ 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.

［13］ 楊世忠，王瑞彬，高升，等.基于YOLOv5的草莓輕量化網(wǎng)絡(luò)檢測模型［J］.國外電子測量技術(shù)，2023，42（4）：86-95.

［14］ 張陽婷，黃德啟，王東偉，等.基于深度學(xué)習(xí)的目標(biāo)檢測算法研究與應(yīng)用綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2023，59（18）：1-13.

［15］ MEHTA S，RASTEGARI M.MobileViT： light-weight，general-purpose，and mobile-friendly vision transformer［Z］.2021.

［16］ QIU S，XU X，CAI B.FReLU：flexible rectified linear units for improving convolutional neural networks［C］.2018 24th International Conference on Pattern Recognition （ICPR）.IEEE，2018：1223-1228.

［17］ BODLA N，SINGH B，CHELLAPPA R，et al.Soft-

NMS——improving object detection with one line of code［C］.Proceedings of the IEEE International Conference on Computer Vision，2017：5561-5569.

［18］ 中央審計(jì)委員會辦公室，審計(jì)署.關(guān)于印發(fā)《“十四五”國家審計(jì)工作發(fā)展規(guī)劃》的通知［A］.2021.

［19］ REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：unified，real-time object detection［C］.Computer Vision & Pattern Recognition.IEEE，2016.

［20］ LIU W，ANGUELOV D，ERHAN D，et al.Ssd：Single shot multibox detector［C］.Computer Vision ECCV 2016：14th European Conference，Amsterdam，The Net-

herlands，October 11-14，2016，Proceedings，Part I 14.Springer International Publishing，2016：21-37.

［21］ REN S，HE K，GIRSHICK R，et al.Faster r-cnn： towards real-time object detection with region proposal networks［J］.Advances in Neural Information Processing systems，2015，28.

［22］ REDMON J，F(xiàn)ARHADI A.Yolov3：An incremental improvement［Z］.2018.

［23］ BOCHKOVSKIY A，WANG C Y，LIAO H Y M.Yolov4：optimal speed and accuracy of object detection［Z］.2020.

［24］ HOWARD A，SANDLER M，CHEN B，et al.Searching for MobileNetV3［C］.2019 IEEE/CVF International Conference on Computer Vision（ICCV）.IEEE，2020.

［25］ CARION N，MASSA F，SYNNAEVE G，et al.End-to-

end object detection with transformers［C］.European conference on computer vision.Cham：Springer International Publishing，2020：213-229.

［26］ WEI L，DRAGOMIR A，DUMITRU E，et al.SSD：single shot multibox detector［J］.Springer，Cham，2016.