第60卷第2期/2023年1月/激光与光电子学进展0215003-1研究论文基于改进YOLOv3的浮游藻类检测算法储震1，张小玲1**，殷高方2，贾仁庆2，3，漆艳菊1，徐敏2，3，胡翔4，黄朋4，马明俊2，杨瑞芳2，方丽2，赵南京1，2*1安徽大学物质科学与信息技术研究院安徽省信息材料与智能感知实验室，安徽合肥230601；2中国科学院安徽光学精密机械研究所中国科学院环境光学与技术重点实验室，安徽合肥230031；3中国科学技术大学环境科学与光电技术学院，安徽合肥230026；4合肥学院生物食品与环境学院，安徽合肥230601摘要浮游藻类的种类多样性和群落结构是水生态环境建设评价的重要指标，利用细胞图像对其进行识别是实现浮游藻类检测的重要手段。相较于传统的显微镜检法，基于深度学习的目标检测算法因更高效的检测能力而越来越多地被运用到浮游藻类检测领域。针对YOLOv3目标检测算法对部分形态小、边界模糊和粘连浮游藻类的检测精度低等问题，采用空间金字塔池化（SPP）结构改进了YOLOv3目标检测算法的特征提取方式，采用广义交并比（GIoU）边界损失函数改进了YOLOv3目标检测算法的边界损失函数，最终构建了一种基于SPP和GIoU改进的YOLOv3浮游藻类检测算法（SPP-GIoU-YOLOv3）。实验结果表明：在检测速度无明显差异的情况下，所提SPP-GIoU-YOLOv3分类检测算法对实验藻类的平均精度均值达95.21%，比YOLOv3目标检测算法提高了4.24个百分点。本研究为发展准确快速的浮游藻类检测方法技术提供了一定的基础。关键词机器视觉；SPP-GIoU-YOLOv3；目标检测；深度学习；浮游藻类中图分类号X835文献标志码ADOI：10.3788/LOP212807DetectionAlgorithmofPlanktonicAlgaeBasedonImprovedYOYOv3ChuZhen1,ZhangXiaoling1**,YinGaofang2,JiaRenqing2,3,QiYanju1,XuMin2,3,HuXiang4,HuangPeng4,MaMingjun2,YangRuifang2,FangLi2,ZhaoNanjing1,2*1InformationMaterialsandIntelligentSensingLaboratoryofAnhuiProvince,InstitutesofPhysicalScienceandInformationTechnology,AnhuiUniversity,Hefei230601,Anhui,China;2KeyLaboratoryofEnvironmentalOpticsandTechnology,AnhuiInstituteofOpticsandFineMechanics,ChineseAcademyofSciences,Heifei230031,Anhui,China;3SchoolofEnvironmentalScienceandOptoelectronicTechnology,UniversityofScienceandTechnologyofChina,Hefei230026,Anhui,China;4SchoolofBiologicalFoodandEnvironment,HefeiUniversity,Hefei230601,Anhui,ChinaAbstr...
