摘" 要： 為解決戶外水域垃圾自動(dòng)回收船的垃圾目標(biāo)定位與識(shí)別差的問題，提出一種結(jié)合YOLOv8與雙目測(cè)距算法的水面漂浮垃圾回收船的垃圾識(shí)別定位系統(tǒng)。該系統(tǒng)主要由攝像頭、上位機(jī)視覺處理單元和下位機(jī)控制單元三部分組成，通過對(duì)水域環(huán)境內(nèi)的垃圾進(jìn)行視覺識(shí)別分類后，再進(jìn)行定位和測(cè)距，實(shí)現(xiàn)水域垃圾的定位和識(shí)別；在定位和識(shí)別之后，控制機(jī)器收集垃圾。采用雙目相機(jī)獲取圖像，使用Jetson Nano嵌入式芯片作為上位機(jī)主控芯片，利用最新深度學(xué)習(xí)模型YOLOv8進(jìn)行水面垃圾的提取與識(shí)別，并通過SGBM算法進(jìn)行雙目測(cè)距，得到距離和角度信息；然后將上位機(jī)測(cè)得的距離和角度信息通過串口通信發(fā)送給下位機(jī)Arduino控制板，以控制船體做出轉(zhuǎn)向和航行。測(cè)試結(jié)果表明，收集裝置識(shí)別結(jié)果穩(wěn)定，準(zhǔn)確率達(dá)到90.5%，測(cè)距結(jié)果準(zhǔn)確，精度達(dá)到厘米級(jí)，能夠?qū)崿F(xiàn)控制裝置自動(dòng)收集的目標(biāo)。

關(guān)鍵詞： 水面漂浮垃圾； 目標(biāo)定位； 垃圾識(shí)別； YOLOv8； 雙目測(cè)距算法； 視覺檢測(cè)； 自動(dòng)收集

中圖分類號(hào)： TN911.73?34； TP391.4" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " 文章編號(hào)： 1004?373X（2024）20?0001?07

Design of water surface floating garbage detection and positioning system combining YOLOv8 and binocular ranging algorithm

HE Junyao， WANG Wensheng， HAN Yihang

（Mechanical and Electrical Engineering School， Beijing Information Science and Technology University， Beijing 100192， China）

Abstract： In order to solve the problem of poor location and recognition of garbage target of automatic garbage recovery ship in outdoor waters， a garbage identification and location system of floating garbage recovery ship is proposed， which combines YOLOv8 and binocular ranging algorithm. The system is mainly consisted of three parts： camera， upper computer visual processing unit， and lower computer control unit. After visual identification and classification of garbage in the water environment， location and ranging are carried out to realize the location and identification of garbage in the water area. After positioning and recognition， the machine is controlled to collect garbage. Binocular camera is used to obtain images， Jetson nano embedded chip is used as the host computer main control chip， the latest deep learning model YOLOv8 is used to extract and identify surface garbage， and binocular distance is obtained by means of SGBM algorithm. The distance and angle information measured by the upper computer are sent to the lower computer Arduino control board by the serial communication to control the ship′s turning and navigation. The testing results show that the recognition result of the collection device is stable， the accuracy rate can reach 90.5%， the ranging result is accurate， the accuracy can reach centimeter level， and the automatic collection effect of the control device can be achieved.

Keywords： water surface floating garbage; target positioning; garbage identification; YOLOv8; binocular ranging algorithm; visual detection; automatic collection

0" 引 言

隨著計(jì)算機(jī)視覺技術(shù)的不斷迭代發(fā)展，視覺可以通過深度學(xué)習(xí)對(duì)不同的圖像進(jìn)行識(shí)別、分類及追蹤操作。以視覺技術(shù)作為信息處理的手段變得越來越普遍，利用視覺進(jìn)行目標(biāo)識(shí)別就是最重要的應(yīng)用之一。戶外水域生態(tài)保護(hù)尤其河流、濕地等是生態(tài)環(huán)境保護(hù)的重點(diǎn)，但河流、濕地這些水域中往往有很多的漂浮垃圾，目前主要采用人工開船打撈的方式，存在較多不足。而使用機(jī)器視覺進(jìn)行自動(dòng)垃圾識(shí)別是有價(jià)值的研究[1]，將這種機(jī)器視覺的識(shí)別應(yīng)用在無人船上，就可以實(shí)現(xiàn)水面漂浮垃圾的自動(dòng)清理。

目前水面垃圾收集多依賴于人工和固定收集裝置，借助視覺技術(shù)進(jìn)行垃圾的檢測(cè)定位是一項(xiàng)有價(jià)值的前沿研究。水面垃圾收集方向的研究集中在垃圾識(shí)別，主要分為三種：機(jī)器視覺法、GPS慣性導(dǎo)航結(jié)合機(jī)器視覺分類法和超聲波避障結(jié)合機(jī)器視覺法。GPS慣性導(dǎo)航結(jié)合機(jī)器視覺法主要使用自主導(dǎo)航模塊，即GPS結(jié)合慣性導(dǎo)航設(shè)備進(jìn)行航行軌跡規(guī)劃，使用視覺判斷垃圾屬性并分類至不同存儲(chǔ)艙室。如陳玲等人設(shè)計(jì)了一種基于自助航行模塊的新型水面垃圾清理分揀船，使用導(dǎo)航算法規(guī)劃路徑來控制船體進(jìn)行垃圾收集[2]。超聲波避障結(jié)合機(jī)器視覺法主要是安裝超聲波傳感器測(cè)量障礙物距離，使用攝像頭識(shí)別垃圾。如張芙蓉等人提出一種水面垃圾清理機(jī)器人，使用三軸重力加速度傳感器來控制船體姿態(tài)，利用超聲波傳感器測(cè)距，采用攝像頭識(shí)別垃圾[3]。也有一些學(xué)者采用機(jī)器視覺的方式進(jìn)行水面垃圾回收的研究，如谷湘煜等提出了一種融合空域先驗(yàn)信息和頻域相位譜的水面垃圾顯著性檢測(cè)方法，來抵抗光照、水紋、倒影等對(duì)目標(biāo)的干擾[4]；同時(shí)，朱永強(qiáng)等提出了一種應(yīng)用于海面垃圾清理船的機(jī)械設(shè)計(jì)，能夠?qū)Ｃ胬M(jìn)行準(zhǔn)確抓取、清理和回收[5]。此外，還有其他學(xué)者進(jìn)行了相關(guān)研究[6?13]。

本文對(duì)垃圾識(shí)別和目標(biāo)定位兩個(gè)模塊進(jìn)行了軟件程序設(shè)計(jì)，在Jetson Nano平臺(tái)下設(shè)計(jì)識(shí)別算法的嵌入式硬件化，并添加到無人船上控制舵機(jī)方向，實(shí)現(xiàn)自動(dòng)垃圾回收。軟件部分使用最新深度學(xué)習(xí)算法模型YOLOv8進(jìn)行垃圾識(shí)別，垃圾定位采用雙目視覺方式，無需增加額外的雷達(dá)傳感器，使系統(tǒng)更簡(jiǎn)單方便，從而實(shí)現(xiàn)水面漂浮垃圾自動(dòng)回收。

1" 系統(tǒng)總框架設(shè)計(jì)與電路設(shè)計(jì)

本文設(shè)計(jì)的系統(tǒng)總框架如圖1所示，系統(tǒng)由上位機(jī)Jetson Nano進(jìn)行雙目測(cè)距、立體匹配，并與下位機(jī)Arduino Mega2560嵌入式開發(fā)板進(jìn)行通信。在前期準(zhǔn)備工作中，使用攝像頭拍攝和互聯(lián)網(wǎng)收集得到足夠的樣本，并通過PC收集水面垃圾的圖像，將圖像進(jìn)行標(biāo)注制作成數(shù)據(jù)集，對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理和訓(xùn)練。系統(tǒng)通過深度學(xué)習(xí)識(shí)別圖像，采用YOLOv8m算法模型得到權(quán)重文件與訓(xùn)練結(jié)果，并對(duì)訓(xùn)練結(jié)果進(jìn)行分析。配置Jetson Nano的環(huán)境使其可以運(yùn)行YOLOv8算法。將訓(xùn)練好的YOLOv8算法權(quán)重放入Jetson Nano中，使用雙目攝像頭實(shí)時(shí)采集圖像，并將圖像傳遞給OpenCV，通過OpenCV校正輸入圖像；再將校正完成后的圖像傳入YOLOv8和OpenCV中，Jetson Nano通過權(quán)重對(duì)水面垃圾進(jìn)行分類識(shí)別，并將識(shí)別結(jié)果傳遞至像素坐標(biāo)。Jetson Nano經(jīng)過SGBM算法立體匹配之后生成深度圖（Depth Map），通過在深度圖內(nèi)進(jìn)行像素坐標(biāo)計(jì)算，得出世界坐標(biāo)。再利用世界坐標(biāo)計(jì)算得到距離和角度信息，并傳遞給下位機(jī)Arduino Mega2560，接收到信息之后，Arduino Mega2560計(jì)算距離和角度信息并控制驅(qū)動(dòng)電機(jī)運(yùn)動(dòng)，從而進(jìn)行垃圾收集。下位機(jī)循環(huán)讀取陀螺儀和水位傳感器的狀態(tài)，水泵將水從抽水口抽至不同的浮箱隔倉中，調(diào)整吃水深度和重心。圖2展示了系統(tǒng)流程，而本文僅介紹上位機(jī)視覺系統(tǒng)部分。

2" YOLOv8模型與雙目視覺算法

上位機(jī)的識(shí)別程序使用YOLOv8模型進(jìn)行水面垃圾分類識(shí)別。程序在Jetson Nano開發(fā)板上運(yùn)行，當(dāng)完成一次識(shí)別，會(huì)通過串口將識(shí)別結(jié)果發(fā)送給下位機(jī)Arduino Mega2560，并進(jìn)行相關(guān)操作。

2.1" YOLOv8算法模型

2.1.1" 數(shù)據(jù)集制作

本文以常見水域垃圾為例，尤其針對(duì)小河流域（水渠、河流、湖泊、池塘等）所產(chǎn)生的垃圾為例進(jìn)行算法研究。收集常見水域垃圾數(shù)據(jù)，包括保溫杯、玻璃壺、玻璃瓶、玻璃器皿、購物袋、盒子、金屬罐、酒瓶、快遞紙袋、奶粉罐、塑料桶、拖鞋、鞋子、飲料瓶、一次性杯子共15類，數(shù)據(jù)集共計(jì)15 000張圖像，篩選出特征明確且清晰的圖像5 362張。

數(shù)據(jù)集按照1∶7∶2劃分，558張用于測(cè)試，4 286張用于訓(xùn)練，518張用于檢驗(yàn)。采集到圖像之后，使用Labelimg 軟件進(jìn)行標(biāo)注，軟件將物品類別和像素位置保存為txt文件。部分訓(xùn)練數(shù)據(jù)集圖像如圖3所示。使用YOLOv8m模型進(jìn)行500輪訓(xùn)練（epochs），任務(wù)類別為檢測(cè)（detect），訓(xùn)練大小為640，訓(xùn)練批次（batch）為8。

2.1.2" YOLOv8網(wǎng)絡(luò)模型

圖4顯示了YOLOv8模型的網(wǎng)絡(luò)結(jié)構(gòu)圖。YOLOv8建立在以前YOLO版本的基礎(chǔ)上，其引入了新的功能和改進(jìn)以增強(qiáng)系統(tǒng)性能、靈活性和效率。YOLOv8支持檢測(cè)、分割、姿態(tài)分析、跟蹤和分類等功能。

1） Backbone結(jié)構(gòu)

所有的C3模塊被新的C2f模塊所取代。C2f模塊在一定程度上豐富了梯度回傳時(shí)的支流，并且引入了更多的分支，更加簡(jiǎn)化和高效。C2f的配置按照3/6/6/3的方式進(jìn)行，將原先的9減小為6。

采用PaFPN結(jié)構(gòu)來構(gòu)建YOLO的特征金字塔網(wǎng)絡(luò)。PaFPN結(jié)構(gòu)的應(yīng)用使得多尺度信息能夠充分融合，相較于YOLOv5，YOLOv8在top?down過程中的上采樣操作中少了一層1×1卷積，并且將C3模塊替換為C2f模塊。除此之外，它們的結(jié)構(gòu)基本保持一致。

3） Detection head結(jié)構(gòu)

采用解耦頭的結(jié)構(gòu)，兩條并行的分支分別提取類別特征和位置特征，然后各用一層1×1卷積完成分類和定位任務(wù)。YOLOx的解耦頭中，類別分支和回歸分支的通道數(shù)都設(shè)置為256，即類別分支和回歸分支具有相同的通道數(shù)。以L模型為例，L模型解耦頭的通道數(shù)配置為類別分支Ccls=256，回歸分支Creg=64。

4） 預(yù)測(cè)層

預(yù)測(cè)層能夠在單次檢測(cè)中預(yù)測(cè)物體的種類，識(shí)別出置信度和物體在圖像中的坐標(biāo)值，從而得到最終的檢測(cè)結(jié)果，無需額外的多次檢測(cè)操作。

2.2" SGBM雙目測(cè)距

在目標(biāo)識(shí)別過程中，YOLOv8算法會(huì)對(duì)得到的圖像進(jìn)行縮放，與數(shù)據(jù)集圖像相匹配。所以當(dāng)機(jī)器距離垃圾過遠(yuǎn)時(shí)，所獲得的圖像經(jīng)過縮放后會(huì)丟失一部分特征，無法有效提取特征，從而導(dǎo)致識(shí)別不到或者識(shí)別不準(zhǔn)確的情況發(fā)生。且機(jī)器需要依靠距離和角度信息驅(qū)動(dòng)機(jī)器進(jìn)行垃圾收集，所以需要在一定距離范圍內(nèi)對(duì)垃圾與機(jī)器的距離進(jìn)行測(cè)量。

雙目匹配的目的是將左右視圖中對(duì)應(yīng)的像素點(diǎn)進(jìn)行匹配，以獲得視差圖。視差圖反映了同一場(chǎng)景在左右視圖中的像素位移差異。通過雙目匹配可以得到視差數(shù)據(jù)，即左右視圖中對(duì)應(yīng)像素點(diǎn)之間的水平位移量；利用視差數(shù)據(jù)可以相對(duì)容易地計(jì)算出場(chǎng)景中物體的深度信息。深度信息對(duì)于理解和分析三維場(chǎng)景非常重要。在拍攝到的圖像經(jīng)過校正之后，計(jì)算2幅圖像的視差，利用視差可以測(cè)量與前方物體的距離，視差的大小和被測(cè)物體與成像平面之間的距離相對(duì)應(yīng)。如圖5所示，假設(shè)P是待測(cè)物體上的某一點(diǎn)，沿垂直于相機(jī)中心連線的方向進(jìn)行上下移動(dòng)，OR與OT分別是2個(gè)相機(jī)的光心。點(diǎn)P在2個(gè)相機(jī)CMOS上的成像點(diǎn)為XT和XR，f代表相機(jī)焦距，B代表相機(jī)中心之間的距離，Z表示深度信息，點(diǎn)P到點(diǎn)P'的距離是dis。點(diǎn)P在左右相機(jī)上的成像位置會(huì)不斷發(fā)生變化，即d=XT-XR的數(shù)值大小不斷變化，且點(diǎn)P與相機(jī)間的距離Z跟視差d存在著反比關(guān)系。雙目視覺測(cè)距實(shí)際操作分為相機(jī)標(biāo)定、雙目校正、雙目匹配、深度信息計(jì)算4個(gè)步驟，具體公式如下：

[dis=B-（XR-XT）] （1）

式中：[XR-XT]為成像點(diǎn)距離，單位為mm。

[B-（XR-XT）B=Z-fZ] （2）

式中：Z為深度值，單位為mm；f為相機(jī)焦距，單位為mm。深度值計(jì)算公式如下：

[Z=fBXR-XT] （3）

lt;E：＼2023＼m20＼2024年20期＼Image＼68t5.tifgt;

圖5" 雙目測(cè)距原理圖

2.2.1" 相機(jī)標(biāo)定

由于光學(xué)透鏡的特性，攝像頭成像存在著徑向畸變，CMOS與光學(xué)鏡頭之間不是完全平行，故成像存在切向畸變。而雙目攝像頭標(biāo)定需要得到每個(gè)攝像頭的內(nèi)部參數(shù)、旋轉(zhuǎn)矩陣和平移向量。

2.2.2" 雙目校正

為使2幅圖像在水平方向嚴(yán)格對(duì)齊，使2幅圖像的對(duì)極線恰好在同一水平線上，需要進(jìn)行雙目校正。校正完成后2幅圖像的任一匹配點(diǎn)就必然具有相同的行號(hào)，只需在該行進(jìn)行一維搜索就可匹配到對(duì)應(yīng)點(diǎn)。徑向畸變公式如式（4）所示，切向畸變公式如式（5）所示。

[Xcorrected=x（1+k1r2+k2r4+k3r6）Ycorrected=y（1+k1r2+k2r4+k3r6）] （4）

[xcorrected=x+2p1y+p2（r2+2x2）ycorrected=y+2p1x+p2（r2+2y2）] （5）

打開攝像頭后得到左右攝像頭畫面，使用OpenCV中的cv2.remap（）函數(shù)調(diào)用左右相機(jī)的內(nèi)參、左右相機(jī)的畸變系數(shù)、左右相機(jī)之間的旋轉(zhuǎn)矩陣、平移向量進(jìn)行重映射來重建無畸變圖像。重映射就是把一幅圖像中某位置的像素放置到另一幅圖像指定位置的過程。

2.2.3" 雙目匹配

為了匹配左右視圖上的同一場(chǎng)景所對(duì)應(yīng)的像素點(diǎn)，需要進(jìn)行雙目匹配得到視差圖。本文雙目匹配采用半全局匹配（Semi?Global Block Matching， SGBM）算法，在OpenCV中實(shí)現(xiàn)。SGBM是BM（Block Matching）立體匹配算法的優(yōu)化版，屬于半全局匹配，相對(duì)于BM花的時(shí)間要更多，但效果更優(yōu)。

2.2.4" 深度信息計(jì)算

在完成半全局匹配并生成深度圖后，根據(jù)一組差異圖像構(gòu)建3D空間，使用歸一化函數(shù)算法計(jì)算所得到的三維坐標(biāo)值，三維坐標(biāo)值需要乘以16，才等于現(xiàn)實(shí)中的距離。再根據(jù)YOLOv8所返回的像素坐標(biāo)計(jì)算距離。為防止測(cè)距偏差，需篩選中心點(diǎn)一定范圍內(nèi)數(shù)據(jù)，將其中較大和較小的距離測(cè)量數(shù)據(jù)剔除，在剔除后計(jì)算平均值并進(jìn)行輸出。

3" 結(jié)果與分析

3.1" 垃圾雙目測(cè)距實(shí)驗(yàn)結(jié)果分析

由于OpenCV中具有不同的SGBM算法模式，使用不同的SGBM算法模式運(yùn)行20次，繪制得到的結(jié)果如表1所示。

從表1可以看出，SGBM算法模式運(yùn)行時(shí)間由快到慢為SGBM_3WAY、SGBM_MODE_HH、SGBM_MODE_SGBM（本文），精度反之。本文裝置需要考慮識(shí)別精度問題，由以上的實(shí)驗(yàn)數(shù)據(jù)可知，使用SGBM_MODE_SGBM算法模式為最優(yōu)解。

使用SGBM_MODE_SGBM算法經(jīng)過處理后所得的視差圖如圖6所示，識(shí)別背景為木門，識(shí)別物為懸掛的1.5 L礦泉水瓶。

3.2" 垃圾目標(biāo)識(shí)別實(shí)驗(yàn)結(jié)果分析

數(shù)據(jù)集訓(xùn)練程序的運(yùn)行環(huán)境為Ubuntu 18.04系統(tǒng)、CUDNN 8.2、CUDA 11.4，顯卡型號(hào)為16 GB的TeslaT4，PyTorch框架版本為1.9；垃圾圖像數(shù)據(jù)集的訓(xùn)練過程中設(shè)置輪數(shù)為200輪，2次共400輪，每輪耗時(shí)96 s，共計(jì)耗時(shí)9.5 h；在訓(xùn)練時(shí)將圖像輸入大?。↖mage Size）設(shè)定為640×640，單次傳遞的數(shù)據(jù)個(gè)數(shù)（Beatch Size）設(shè)定為8。

各項(xiàng)指標(biāo)變化曲線及本文數(shù)據(jù)集訓(xùn)練后的識(shí)別效果如圖7所示。共進(jìn)行了2次200輪訓(xùn)練，總訓(xùn)練次數(shù)為400輪。

圖7反映了隨著次數(shù)的增加，訓(xùn)練指標(biāo)的變化趨勢(shì)。其中box_loss用于監(jiān)督檢測(cè)框的回歸，預(yù)測(cè)框與標(biāo)定框之間的誤差（CIoU）值越小，誤差越小，識(shí)別越準(zhǔn)確；cls_loss用于監(jiān)督類別分類，其目的是計(jì)算錨框與相應(yīng)的標(biāo)記分類是否準(zhǔn)確，數(shù)值越小代表目標(biāo)分類越精確；dfl_loss則用于迅速使網(wǎng)絡(luò)集中于目標(biāo)y附近的值，增加這些值的概率，數(shù)值越小意味著集中速度越快；Precision表示訓(xùn)練的精確度；而Recall則代表召回率。隨著訓(xùn)練次數(shù)的增加，訓(xùn)練精確度和召回率在波動(dòng)上升，最終穩(wěn)定在約97%的數(shù)值水平。召回率最優(yōu)時(shí)達(dá)到98%數(shù)值附近，召回率在最后穩(wěn)定在80%的數(shù)值附近。mAP（mean Average Precision）即每個(gè)類別分別計(jì)算AP，然后平均，代表平均精度；而mAP50表示在使用0.5的IoU（損失函數(shù)）閾值時(shí)，各類別圖像的平均精度值；mAP50?95則表示在0.5～0.95的IoU閾值范圍內(nèi)，根據(jù)損失函數(shù)的平均mAP。當(dāng)訓(xùn)練達(dá)到大約100輪時(shí)，mAP提升至接近0.98，mAP50?95上升至0.78附近，并且隨著訓(xùn)練輪次的增加而不斷波動(dòng)上升，最終mAP50～95穩(wěn)定在0.75附近，最優(yōu)值在0.8附近；mAP最終穩(wěn)定在0.8附近，最優(yōu)值接近0.97。

在復(fù)雜的水體環(huán)境背景下，距離船體30～85 cm的距離內(nèi)檢測(cè)效果最優(yōu)。在模擬水面波動(dòng)的情況下，間隔1 ms截取一幀圖像，如表2所示，共截取圖像482張，使用YOLOv8算法準(zhǔn)確識(shí)別圖像中的垃圾436張、誤檢8張、漏檢數(shù)38張，準(zhǔn)確率約為90.5%，基本滿足實(shí)際需求。

圖8所示為水面垃圾圖像識(shí)別及測(cè)距結(jié)果，圖中數(shù)字“13”表示垃圾種類編號(hào)，對(duì)應(yīng)為“水瓶”；右側(cè)數(shù)字為雙目測(cè)距給出的距離和角度信息。在識(shí)別過程中，識(shí)別結(jié)果受圖像立體匹配和圖像校正的影響，當(dāng)垃圾角度越偏離正前面時(shí)，識(shí)別越準(zhǔn)確。

4" 結(jié) 論

本文設(shè)計(jì)了一種基于YOLOv8和雙目視覺的水面垃圾收集船定位識(shí)別系統(tǒng)。因?yàn)閅OLOv8深度學(xué)習(xí)模型具有出色的穩(wěn)定性和準(zhǔn)確性，所以它成為實(shí)現(xiàn)對(duì)水面垃圾的高效識(shí)別的理想選擇。

機(jī)器使用攝像頭采集圖像，使用Jetson Nano運(yùn)行YOLOv8模型，同時(shí)使用雙目視覺對(duì)垃圾進(jìn)行距離和角度的判斷，上位機(jī)將距離和角度同時(shí)通過串口發(fā)送給下位機(jī)控制器。

本文的主要?jiǎng)?chuàng)新點(diǎn)在于結(jié)合最新的深度學(xué)習(xí)模型YOLOv8和雙目視覺測(cè)距技術(shù)，以實(shí)現(xiàn)對(duì)水面垃圾的準(zhǔn)確識(shí)別和距離測(cè)量，從而實(shí)現(xiàn)水面垃圾的自動(dòng)收集。本文使用最新的YOLOv8算法進(jìn)行垃圾識(shí)別，利用雙目視覺進(jìn)行測(cè)距，從而達(dá)到實(shí)時(shí)控制船體，解決了傳統(tǒng)收集方式效率低的額問題，識(shí)別準(zhǔn)確率可達(dá)到90.5%。本設(shè)計(jì)可為水域生態(tài)修復(fù)及水域垃圾收集提供理論和實(shí)踐參考。

注：本文通訊作者為王文勝。

參考文獻(xiàn)

[1] 王子濤，杜超，李振強(qiáng)，等.基于聚攏裝置的無人水面垃圾清理船設(shè)計(jì)與仿真[J].人民黃河，2023，45（z1）：194?195.

[2] 陳玲，高潔.一種新型水面垃圾清理分揀船的設(shè)計(jì)[J].船舶工程，2020，42（2）：39?43.

[3] 張芙蓉，湯澤軍.一種水面垃圾清理機(jī)器人設(shè)計(jì)[J].技術(shù)與市場(chǎng)，2022，29（9）：8?11.

[4] 谷湘煜，祝禮佳，柳胡南，等.基于空時(shí)域信息融合的水面垃圾顯著性檢測(cè)[J].電子測(cè)量技術(shù)，2022，45（11）：154?160.

[5] 朱永強(qiáng)，張平霞.海洋垃圾回收船設(shè)計(jì)[J].機(jī)械設(shè)計(jì)與制造，2020（1）：18?20.

[6] 涂成鳳，易安林，姚濤，等.輕量化YOLOv5n的高精度垃圾檢測(cè)算法[J].計(jì)算機(jī)工程與應(yīng)用，2023，59（10）：187?195.

[7] 王莉，何牧天，徐碩，等.基于YOLOv5s網(wǎng)絡(luò)的垃圾分類和檢測(cè)[J].包裝工程，2021，42（8）：50?56.

[8] 湯偉，高涵，劉思洋.基于樹莓派的小型水域智能垃圾清理機(jī)器人系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].科學(xué)技術(shù)與工程，2019，19（34）：239?247.

[9] 崔志遠(yuǎn)，曹文康，張志高，等.基于視覺識(shí)別的水面垃圾處理裝置[J].智能城市，2022，8（8）：1?3.

[10] 張方超，董振，張棟，等.基于圖像視覺的垃圾分類機(jī)器人識(shí)別控制系統(tǒng)算法設(shè)計(jì)[J].電子測(cè)量技術(shù)，2019，42（20）：63?67.

[11] ZHU X， LYU S， WANG X， et al. TPH?YOLOv5： improved YOLOv5 based on transformer prediction head for object detection on drone?captured scenarios [C]// 2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW）. Montreal， BC， Canada： IEEE， 2021： 2778?2788.

[12] ALDRIC SIO G， GUANTERO D， VILLAVERDE J. Plastic waste detection on rivers using YOLOv5 algorithm [C]// 2022 13th International Conference on Computing Communication and Networking Technologies. Kharagpur， India： IEEE， 2022： 1?6.

[13] 王文勝，年誠旭，張超，等.基于YOLO v5模型的非住宅區(qū)自動(dòng)垃圾分類箱設(shè)計(jì)[J].環(huán)境工程，2022，40（3）：159?165.

作者簡(jiǎn)介：何君堯（2001—），男，北京人，碩士研究生，研究方向?yàn)闄C(jī)械電子工程、計(jì)算機(jī)視覺。

王文勝（1990—），男，河北人，博士研究生，副教授，碩士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)視覺。

DOI：10.16652/j.issn.1004?373x.2024.20.001

引用格式：何君堯，王文勝，韓宜航.結(jié)合YOLOv8與雙目測(cè)距算法的水面漂浮垃圾檢測(cè)定位系統(tǒng)設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2024，47（20）：1?7.

收稿日期：2023?12?28" " " " " "修回日期：2024?01?31

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃課題（2020YFB1713205）；北京市教育委員會(huì)科研計(jì)劃項(xiàng)目資助（KM202411232023）；2024年北京信息科技大學(xué)“青年骨干教師”支持計(jì)劃（YBT202403）