基于YOLO v3 的微生物目標(biāo)檢測(cè)研究

楊龍飛 王海龍 劉婉瑩 張宇軒 吳開(kāi)帥 紀(jì)曉娜，3 田曦，3＊

（1、長(zhǎng)春工程學(xué)院，吉林長(zhǎng)春 130012 2、吉林省天恒水務(wù)工程有限公司，吉林長(zhǎng)春 130000 3、吉林省城市污水處理重點(diǎn)實(shí)驗(yàn)室，吉林長(zhǎng)春 130012）

活性污泥法污水處理工藝是利用活性污泥中的微生物具有吸附和氧化的能力，分解去除污水中的有機(jī)污染物達(dá)到凈水目的?；钚晕勰酄顟B(tài)良好時(shí)才可以使出水水質(zhì)達(dá)標(biāo)，故而活性污泥狀態(tài)的檢測(cè)是保障出水水質(zhì)達(dá)標(biāo)的第一道關(guān)卡。

利用活性污泥中的指示性微生物種類即可得知活性污泥的狀態(tài)。傳統(tǒng)的活性污泥狀態(tài)檢測(cè)手段使用電子顯微鏡觀察活性污泥中的微生物種類，最終人工判斷活性污泥的狀態(tài)。目前其具有如下缺點(diǎn)：需要提取泥樣，制作玻片樣本，操作顯微鏡，人工分析判斷這四個(gè)繁瑣的步驟；指示微生物從增殖到生物相處于穩(wěn)定需要時(shí)間，若活性污泥狀態(tài)發(fā)生急劇變化不能實(shí)現(xiàn)即時(shí)檢測(cè)診斷。針對(duì)這一系列問(wèn)題，使用人工智能目標(biāo)檢測(cè)手段可以實(shí)現(xiàn)微生物種類的快速識(shí)別的方式即可解決。未來(lái)可通過(guò)識(shí)別出的結(jié)果對(duì)應(yīng)當(dāng)下生物處理池內(nèi)環(huán)境，匹配水廠自動(dòng)化設(shè)備，通過(guò)調(diào)節(jié)池內(nèi)各項(xiàng)環(huán)境因素使活性污泥始終保持良好的狀態(tài)。

1 主流的深度學(xué)習(xí)目標(biāo)檢測(cè)算法

圖像目標(biāo)檢測(cè)是人工智能的關(guān)鍵領(lǐng)域之一。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法也愈加成熟，此類算法具有自己學(xué)習(xí)的能力，檢測(cè)速度較快，并且檢測(cè)精度較高，已經(jīng)在各種視覺(jué)檢測(cè)場(chǎng)景中被采用。目前主流的基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為了如下兩個(gè)流派類別。

1.1 兩階段目標(biāo)檢測(cè)算法

此類算法是將目標(biāo)檢測(cè)分為兩個(gè)階段，第一階段使用候選區(qū)域生成網(wǎng)絡(luò)（Region Proposal Network，RPN）生成一個(gè)有可能包含待檢物體的候選框，第二階段利用卷積神經(jīng)網(wǎng)絡(luò)完成對(duì)候選框中候選目標(biāo)位置與類別的預(yù)測(cè)及識(shí)別[1]。常見(jiàn)的兩階段目標(biāo)檢測(cè)算法有R-CNN（Region-Conventional Neural Network）、Fast R-CNN[2]、Faster R-CNN。

1.1.1 R-CNN 目標(biāo)檢測(cè)算法

R-CNN 引入卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)如何更好地提取特征。但是R-CNN 算法本身存在很多缺陷在提取特征向量時(shí),每個(gè)候選區(qū)域都會(huì)被單獨(dú)地從原圖上裁剪下來(lái),再依次輸入神經(jīng)網(wǎng)絡(luò),這樣做占用了大量磁盤(pán)空間,也帶來(lái)了很多重復(fù)性計(jì)算,導(dǎo)致訓(xùn)練速度和推斷速度都非常緩慢。

1.1.2 Fast R-CNN 目標(biāo)檢測(cè)算法

Fast R-CNN 不再使用支持向量機(jī)進(jìn)行分類, 其直接訓(xùn)練CNN 在兩個(gè)新的網(wǎng)絡(luò)分支上分別進(jìn)行分類和回歸。這種結(jié)構(gòu)雖然解決了存儲(chǔ)空間的問(wèn)題，然而在訓(xùn)練時(shí)能及識(shí)別精度上改進(jìn)空間較少。

1.1.3 Faster R-CNN 目標(biāo)檢測(cè)算法

Ren 等人提出了Faster R-CNN 算法。該算法最大的創(chuàng)新點(diǎn)在于設(shè)計(jì)了RPN 這樣一個(gè)候選框生成網(wǎng)絡(luò)。有了RPN 取代選擇性搜索算法,Faster R-CNN 最終在GPU 上的檢測(cè)速度達(dá)到了5FPS。該算法是第一個(gè)真正實(shí)現(xiàn)了端到端訓(xùn)練的檢測(cè)算法,標(biāo)志著兩階段檢測(cè)器的正式成型，然而兩階段目標(biāo)檢測(cè)算法在真正投入使用中檢測(cè)速度遠(yuǎn)遠(yuǎn)大于單階段目標(biāo)檢測(cè)算法，不能滿足于我們實(shí)時(shí)微生物檢測(cè)的設(shè)想。

1.2 單階段目標(biāo)檢測(cè)算法

單階段目標(biāo)檢測(cè)算法不使用RPN，直接在卷積神經(jīng)網(wǎng)絡(luò)中提取特征來(lái)預(yù)測(cè)物體分類和位置信息，是一種端到端的目標(biāo)檢測(cè)算法[3-4]，因此單階段目標(biāo)檢測(cè)算法具有更快的檢測(cè)速度。常見(jiàn)的單階段目標(biāo)檢測(cè)算法有SSD （Single Shot multibox Detector）、YOLOv1（You Only Look Once）、YOLO V2、YOLO-V3等。

1.2.1 OverFeat 目標(biāo)檢測(cè)算法

Sermanent 等人于2013 年提出的OverFeat 是最早的一階段檢測(cè)器。雖然它的精度不如同期R-CNN,但其思想很有前瞻性，使得OverFeat 比R-CNN 的檢測(cè)速度快了9 倍。然而OverFeat 采用了多尺度貪婪的劃窗策略，導(dǎo)致計(jì)算量很大，沒(méi)有考慮多尺度特征融合，對(duì)小目標(biāo)效果差，整體的檢測(cè)效果不盡人意。

1.2.2 YOLOv1 目標(biāo)檢測(cè)算法

2015 年,Redmon 提出的YOLOv1 算法則真正地實(shí)現(xiàn)了實(shí)時(shí)性目標(biāo)檢測(cè)。YOLOv1 的缺點(diǎn)有定位不夠準(zhǔn)確，找回率低。并且YOLOV1 預(yù)訓(xùn)練的時(shí)候會(huì)導(dǎo)致分類切換到檢測(cè)的時(shí)候，模型需要適應(yīng)圖像分辨率的改變，該算法還有極大的改進(jìn)空間。

1.2.3 YOLOv2 目標(biāo)檢測(cè)算法

YOLOv2 吸取了很多深度學(xué)習(xí)的技巧,最終在速度、精度上均得到提高。但是YOLOv2 把多尺度考慮到訓(xùn)練的data 采樣上，導(dǎo)致相鄰很近的物體還有很小的物體檢測(cè)的效果不是很好，尤其同一類物體中出現(xiàn)的不常見(jiàn)的長(zhǎng)寬比和其他情況時(shí)，泛化能力會(huì)弱一些，對(duì)于如微生物這種小目標(biāo)的檢測(cè)能力不足。

1.2.4 YOLOv3 目標(biāo)檢測(cè)算法

Redmon 等人再次進(jìn)行升級(jí),提出了YOLOv3。其實(shí)現(xiàn)了最好的速度與精度的權(quán)衡,逐漸提升對(duì)小目標(biāo)的檢測(cè)能力，同時(shí)實(shí)現(xiàn)了對(duì)高覆蓋率圖像的精準(zhǔn)檢測(cè)，且結(jié)構(gòu)簡(jiǎn)單、背景誤檢率低，也是目前工業(yè)界目標(biāo)檢測(cè)的首選算法之一。在保持速度優(yōu)勢(shì)的前提下，提升了預(yù)測(cè)精度，尤其是加強(qiáng)了對(duì)小物體的識(shí)別能力，綜合其檢測(cè)能力及檢測(cè)速度是目前最適合識(shí)別微生物的深度學(xué)習(xí)算法。

2 基于YOLOv3 的目標(biāo)檢測(cè)平臺(tái)特點(diǎn)

2.1 使用Darknet53 主干特征提取網(wǎng)絡(luò)

YoloV3 所使用的主干特征提取網(wǎng)絡(luò)為Darknet53，它具有一個(gè)重要特點(diǎn)是使用了殘差網(wǎng)絡(luò)，特點(diǎn)是容易優(yōu)化，能夠通過(guò)增加相當(dāng)?shù)纳疃葋?lái)提高準(zhǔn)確率。殘差塊的使用了跳躍連接，緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來(lái)的梯度消失問(wèn)題。

2.2 構(gòu)建FPN 特征金字塔和利用Yolo Head

從特征中提取預(yù)測(cè)結(jié)果，在此過(guò)程中可分為兩個(gè)部分，分別是構(gòu)建FPN 特征金字塔進(jìn)行加強(qiáng)特征提取和利用Yolo Head對(duì)三個(gè)有效特征層進(jìn)行預(yù)測(cè)，特征金字塔可以將不同shape 的特征層進(jìn)行特征融合，有利于提取出更好的特征。

利用Yolo Head 獲得預(yù)測(cè)結(jié)果，利用FPN 特征金字塔，我們可以獲得三個(gè)加強(qiáng)特征，然后我們利用這三個(gè)特征層傳入Yolo Head 獲得預(yù)測(cè)結(jié)果。

圖1 為YOLOv3 深度學(xué)習(xí)思想搭建目標(biāo)檢測(cè)平臺(tái)的思路示意圖。

圖1

3 基于YOLOv3 的微生物目標(biāo)檢測(cè)平臺(tái)展望

3.1 使用YOLOv3 解決微生物識(shí)別的問(wèn)題

針對(duì)在活性污泥中微生物的檢測(cè)場(chǎng)景中往往會(huì)出現(xiàn)受到遮擋，且有些微生物移動(dòng)速度較快相機(jī)難以捕捉等問(wèn)題。憑借YOLOv3 算法極快的檢測(cè)速度，以及對(duì)微小物體準(zhǔn)確的識(shí)別能力，可以實(shí)現(xiàn)活性污泥中微生物種類的精準(zhǔn)快速識(shí)別。

以aeroplane ；Bicycle；bird；等傳統(tǒng)圖像作為識(shí)別目標(biāo)為例，該算法有較強(qiáng)特征提取能力，有著較高的精確度且在識(shí)別速度在40ms-60ms，能夠滿足微生物識(shí)別的所需的準(zhǔn)確及快速的要求。（圖2）

圖2

3.2 使用YOLOv3 在微生物識(shí)別中的能力表現(xiàn)

使用復(fù)雜場(chǎng)景中包含多目標(biāo)的圖片進(jìn)行測(cè)試表明：基于YOLOv3 的微生物目標(biāo)檢測(cè)平臺(tái)，具備復(fù)雜環(huán)境下對(duì)于較小型目標(biāo)的檢測(cè)能力。（圖3）

圖3

基于YOLOv3 目標(biāo)檢測(cè)算法搭建的目標(biāo)檢測(cè)平臺(tái)是適用于微生物種類識(shí)別的，還有提高檢測(cè)能力并改進(jìn)的方向：

（1）在制作活性污泥中微生物的數(shù)據(jù)集時(shí)，使用高分辨率相機(jī)拍攝圖片，通過(guò)圖片預(yù)處理手段進(jìn)行數(shù)據(jù)集特征增強(qiáng)。要針對(duì)某一微生物進(jìn)行大量的數(shù)據(jù)集制作。

（2）在訓(xùn)練階段，選取合適的預(yù)訓(xùn)練權(quán)重，訓(xùn)練時(shí)關(guān)注loss和val-loss 值的變化，規(guī)避過(guò)擬合。

（3）加入如今的針對(duì)小尺度目標(biāo)檢測(cè)的新思想，如引進(jìn)基于上下文信息的小目標(biāo)檢測(cè)思想，改進(jìn)錨點(diǎn)分布思想等。

4 結(jié)論

目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法已經(jīng)涉及各行各業(yè)，若在傳統(tǒng)的污水處理領(lǐng)域加以利用，可實(shí)現(xiàn)對(duì)于活性污泥中微生物種類的快速識(shí)別，未來(lái)通過(guò)對(duì)比微生物種類及當(dāng)下生物處理池中的各項(xiàng)環(huán)境指標(biāo)，實(shí)時(shí)判斷出活性污泥的狀態(tài)是否異常。配套污水處理廠的自動(dòng)化控制系統(tǒng)，調(diào)節(jié)生物處理池內(nèi)的環(huán)境參數(shù)，保證活性污泥的良好狀態(tài)，如此設(shè)想可為污水處理保駕護(hù)航的同時(shí)大大降低人工勞動(dòng)成本。