摘要
近年来，河道非法采砂问题越来越突出，进行有效的监管与治理势在必行。但是河道采砂等违法行为，动态变化性强，依靠传统的人工巡查或视频监控的方式无法及时发现问题，并且效率低、成本高。水利视频监控在河道上广泛普及，因此有条件构建基于深度学习的目标检测技术的应用平台。本文以所收集的采砂监管对象（采砂船、采砂车和采砂机具等）为目标，基于YOLO v4算法，提出了新的算法改进模型。经过实验验证，优化改进后的YOLO v4算法模型实现了现阶段速度和精度的最佳权衡，计算复杂度减少了3.6G，推理速度方面提高了8FPS。最后基于改进后的YOLO v4算法模型，研究开发河道采砂监管系统平台，大大提高河道采砂监管效率。本论文主要研究YOLO v4算法优化和河道采砂监管平台的开发。 （1）YOLO v4算法优化改进：首先借鉴轻量型卷积神经网络模型ShuffleNetV2的通道洗牌思想，降低一半的参数量，并加强不同组通道特征图的信息交互。其次，通过RepVGG结构重参数化思想，实现训练多分支，推理单分支。训练多分支结构可以学习图像更丰富的语义信息和空间位置信息，推理单分支结构可以实现快速推理，因此没有复杂化的张量计算，并且可以减少硬件的计算内存，使网络具有高性能，又有高效推理速度。最后，以ShufflenetV2和RepVGG构建Shuffle RepVGG模块，并结合csp思想，提出新的网络结构模块CspSRB。 （2）河道采砂监管系统平台的开发：以改进的YOLO v4算法为基础，针对监管河道内的采砂船只、采砂车和采砂机具等目标进行实时检测报警，实现对河道的7×24小时不间断自动巡查，并通过系统页面、手机短信和APP等形式，及时通知相关责任人及时处理问题。
NETL