基于YOLOv5的水面垃圾旋转目标检测模型

水面垃圾污染给生态环境带来巨大威胁，无人船抓拣为水面垃圾清理提供了一种更为高效环保的方法。水面垃圾目标检测是无人船研究的关键技术之一。传统的水平目标检测在环境复杂，目标角度不规则的情况下检测精度较低且抓拣失误率较高。针对此问题，本文提出一种基于改进YOLOv5的水面垃圾旋转目标检测模型。该模型优化了YOLOv5模型的检测头，可以对任意角度的水面垃圾生成定向检测框。在此基础上，本文进一步从三个方面改进了YOLOv5在水面垃圾检测中的性能：提出动态平滑角度损失函数以增强角度预测能力；通过增强浅层特征并引入注意力机制来优化骨干网络；改进特征聚合网络，增强特征多尺度融合效果。实验结果表明，该方法对水面垃圾的目标检测性能优于其它深度学习方法。

随着全球工业化进程的加速，水污染问题日益严重，其中水面垃圾问题尤为突出。水面垃圾不仅破坏了水域环境的美观，更重要的是，它对水生生物健康和人类的生活质量构成了严重威胁。因此，有效的水面垃圾监测和清理是保护环境和管理水资源的重要手段。

随着智能交通技术的快速发展，智能驾驶的水面无人船悄然兴起[1]，尤其是专门从事水面清洁的无人船，它们使得漂浮垃圾的清理工作实现全自动化、全天候操作。这些无人船还能够进入人类无法难以到达的危险区域，从而大幅提升漂浮垃圾清理的效率和工作安全性[2] [3]。

在水面垃圾清理的无人船运用中，垃圾检测系统的检测精度和速度成为了评估其清洁效率的关键指标。得益于计算机视觉和深度学习技术的广泛应用，无人船配备的图像采集系统能够充分利用所捕获的视觉图像信息。因此，基于视觉图像的水面垃圾检测成为了目标最经济、最有效的检测手段[4]。文献[5]通过在YOLOv3 主干网络后添加SE-PPM 模块的方式加强网络提取水面目标特征的能力。

文献[6]将多尺度特征与注意力机制相结合， 提出一种水面小目标检测算法， 解决复杂海面场景下小目标特征信息匮乏， 纹理信息不清晰等问题。这些方法都采用水平检测框的方式进行目标定位。而在本文研究的水面垃圾检测场景中，无人船检测的角度通常带有俯视倾角，这就意味着观测点和目标物体不处于相同的水平面。

加之无人船的航行路径并非固定，因此无人船捕捉到的图像会随着观察角度的变化而出现缩放和旋转等多种情况。若仍然采用传统的水平检测框识别目标，将会在检测过程中引入大量背景噪声，不仅增加了错拣的可能，而且在目标较为密集的情况下导致检测框之间的严重重叠，从而出现漏检的情况。

针对上述问题， 本文改进YOLOv5 模型提高了其对水面垃圾检测应用场景的适用性。

主要贡献如下： 1) 增加角度预测网络和损失函数，以及用于角度分类的动态角度平滑算法以改进角度预测能力。

2) 优化主干网络中的BottleneckCSP 模块来增强模型提取定向水面垃圾特征的能力。

3) 优化特征聚合网络以提高多尺度特征融合效果。

2. 水面垃圾旋转目标检测模型 如图1 所示，水面垃圾检测方案框架包括五个部分：输入层、特征提取主干网络、特征聚合网络、