核能作为清洁能源的一种，核能的发展不会产生温室效应和带来空气污染等问题，核能的出现会给清洁能源的发展带来无限活力，但是，核废料的安全处理一直是个棘手的问题。对核废料进行准确检测是遥控操作移动机器人在强辐射环境下工作的第一步，传统的图像处理方法易受到复杂辐射环境影响^[1-3]，因而核废料检测准确率低。

近年来，随着深度学习技术的进步，基于深度卷积神经网络的目标检测算法取得重大突破，目前效果突出的深度卷积神经网络目标检测算法主要有两类：第一类是基于候选区域的目标检测算法，如R-CNN(Region-CNN)^[4], Fast R-CNN^[5], Faster R-CNN^[6]和Mask R-CNN^[7]等，基于候选区域的目标检测算法在对物体的检测测精度上有较好效果，但检测速度较慢，无法满足实时检测的需求; 第二类是基于回归的目标检测算法，如SSD^[8], YOLO^[9], YOLO V2^[10]和YOLO V3^[11]等，基于回归的目标检测算法检测精度低于基于候选区域的目标检测算法，但检测速度较快，可实时检测。

基于YOLO的目标检测算法在图像识别、农业检测、军事检测等很多领域都有很好的应用背景。王琳^[12]等人在YOLO V2的基础上，结合金字塔池化模块，提出了一种用于井下行人检测的方法。周云成^[13]等人在YOLO V2的基础上，结合Inception结构，提出一种基于面向通道分组番茄器官识别方法。吴天舒^[14]等人在YOLO的基础上，结合语义分割网络，提出一种驾驶员安全带佩戴检测的方法。李策^[15]等人在YOLO的基础上，结合视觉注意机制的显著性检测算法，提出一种高分辨率的遥感图像检测算法。

本文采用YOLO V3目标检测算法对辐射环境下的核废料进行检测，以YOLO V3进行特征提取的Darknet-53网络为基础，结合密集连接卷积网络^[16](DenseNet)和空洞卷积^[17]进行改进。改进后的Dense-Dilated-YOLO V3在辐射量为6.9 Gy/min且累计辐照100 Gy的复杂核环境情况下，对核废料有很好的检测效果，能满足实时检测的准确性。

1.   网络结构

YOLO V3采用Darknet-53网络，Darknet-53网络结构和残差网络结构相似，在最终目标检测也加入了残差结构，提升对小物体的检测效果。Darknet-53网络也借鉴Faster R-CNN运用的先验框，当输入为416×416图像时，YOLO V3提出13×13，26×26和52×52这3种尺度来预测，每种尺度都有3个先验框，13×13尺度特征负责检测大物体，26×26尺度特征负责检测中等大小物体，52×52尺度特征负责检测小物体。运用FPN网络对这些尺寸进行特征提取，产生金字塔网络，对多目标任务有较好的检测效果，Darknet-53网络结构如图 1所示。

图  1  Darknet-53网络结构

Figure  1.  The structure of Darknet-53 network

下载: 全尺寸图片 幻灯片

2.   网络结构改进

在采集辐射环境下核废料图像时，发现由于昏暗灯光和强辐射噪音的影响，造成拍摄的辐射环境下核废料图像质量偏低，人眼都难以区分现场分布的核废料和处置库中的核废料桶和箱。为了让YOLO V3对辐射环境下的核废料图像有较高的检测率，本文结合密集连接卷积网络和空洞卷积，构建出Dense-Dilated-YOLO V3目标检测网络，如图 2所示。

图  2  Dense-Dilated- YOLO V3结构图

Figure  2.  The structure of Dense-Dilated-YOLO V3

下载: 全尺寸图片 幻灯片

本文对Darknet-53网络结构的改进步骤如下：首先，引入密集连接卷积网络，增强浅层网络特征的传递。参考密集连接卷积网络，将Darknet-53网络拥有丰富位置信息的浅层较大尺寸特征图和拥有充足语义信息的深层较小尺寸特征图相融合，形成更加抽象的高层特征，增强特征的表达能力，提高网络对物体位置信息的刻画。将Darknet-53网络产生的208×208，104×104浅层特征图和26×26，13×13深层特征图同负责检测小物体的52×52特征图相融合，如图 2虚线连接处所示，组合后的特征图拥有多级网络特征信息，包含丰富的物体细节特征，提高了网络在复杂辐射环境下对目标的检测精度。

接着，引入空洞卷积，使得卷积层提取到更多细节信息。在Darknet-53网络的中层卷积特征52×52特征图后，不使用步长为2的卷积，借助不同空洞率的3×3卷积核进行空洞卷积，依次使用空洞率r=1的空洞卷积1次、空洞率r=2的空洞卷积2次、空洞率r=4的空洞卷积2次，能捕获多尺度图像细节信息，保留更多的图像原始特征，减少步长为2的卷积对分辨率的影响，提升预测图像精度。通过多尺度空洞卷积，提取到不同尺度的特征，捕获多尺度图像细节信息，得到表现力更强的特征，具体空洞卷积结构如图 2所示。

3.   实验结果分析

本实验的软硬件平台：Intel(R) Core(TM) i7-7700HQ CPU @ 2.80HGz; GPU为NVIDIA GeForce GTX 1080;支持CUDA9.0加速，内存为16 GB; 运用Tensorflow框架进行深度模型的搭建、训练和测试。

3.1   实验样本制作

本实验采用移动机器人耐辐照性能检验实验中心在辐照剂量为6.9 Gy/min下，累计100 Gy情况下拍摄的视频作为原始图像来源，通过视频截取得到1400张原始辐射图像，深度学习模型需要大量样本，考虑到样本不足，现在需要给样本进行增强。对图像进行旋转、剪切、改变图像色差、扭曲图像特征，最后将样本大小保持在320×320~416×416，丰富了图像训练集，使网络模型提取到更好的图像特征，防止模型训练出现过拟合问题，样本增强后一共收集到辐照样本6000张。

在辐射环境下，各种高能粒子对图像传感器采集的原始图像产生多种噪音，最主要的是椒盐噪音、高斯噪音和随机噪音，严重影响图像质量，如图 3(a)所示。实验需要保证采集图像的质量，所以对通过传感器采集到的6000张图像进行降噪处理。首先，对图像进行直方图增强操作，改善图像成像效果，增强图片对比度，如图 3(b)所示。接着，对直方图增强处理后的样本进行中值滤波处理，减轻椒盐噪音、高斯噪音和随机噪音对图像质量的影响，增强图像清晰度，如图 3(c)所示。最后，对中值滤波处理后的图像进行锐化处理，增强图像轮廓特征，使图像对比度增强，如图 3(d)所示。

图  3  去噪预处理图像

Figure  3.  Denoising preprocessing of image

下载: 全尺寸图片 幻灯片

对预处理好的样本采用LableImg进行标注，随机选用5600张作为训练集，400张作为测试集。

3.2   训练方法

对Dense-Dilated-YOLO V3和YOLO V3分别进行10000次训练，基础学习率为0.001，动量系数0.9，衰减率为0.005，每2000次自动保存一次权重。

3.3   评价指标

本文采用准确率、召回率、交并比(IOU)和平均精度(MAP)对网络进行评价。准确率、召回率、交并比计算公式为

公式中：δ_A代表准确率; R代表召回率; TP表示预测正确，将正类预测为正类; TN表示预测正确，将负类预测为负类; FP表示预测错误，将负类预测为正类; FN表示预测错误，将负类预测为正类。准确率是预测正确的样本数占总样本数的比例，召回率是预测正确的样本数与应当被正确预测的样本数之比; A表示产生的候选框区域; B表示原来标记候选框的区域，IOU表示预测候选框与标记候选框的重叠率。

3.5   实验结果分析

对Dense-Dilated-YOLO V3和YOLO V3训练得到的实验的准确率和召回率变化情况如图 4所示。图 4(a)、图 4(b)分别是准确率和召回率的变化情况。从图 4(a)可以看出，随着迭代次数增加，YOLO V3和Dense-Dilated-YOLO V3的准确率都逐渐上升，训练6000次左右都开始收敛，最后YOLO V3的准确率为87.76%，Dense-Dilated-YOLO V3的准确率为93.29%。从图 4(b)可以看出，随着迭代次数增加，YOLO V3和Dense-Dilated-YOLO V3的召回率都逐渐上升，YOLO V3在7000次左右开始收敛，Dense-Dilated-YOLO V3也在7000次左右开始收敛，最后YOLO V3的召回率为83.45%，Dense-Dilated-YOLO V3的召回率为91.73%。

图  4  网络训练参数收敛折线图

Figure  4.  Network training parameter of the convergence line graph

下载: 全尺寸图片 幻灯片

得到准确率、召回率、交并比IOU和平均精度MAP如表 1所示。从表 1中可以看出，Dense-Dilated-YOLO V3比YOLO V3在准确率、召回率、交并比和平均精度上均有所提高，尤其是在召回率上，由原来的83.45%提高到91.73%。

表  1  网络性能结果对比表

Table  1.  The comparison table of Network performance result

evaluation index	Accuracy/%	RECALL/%	IOU/ %	MAP/ %
YOLO V3	87.76	83.45	83.97	82.58
Dense-Dilated-YOLO V3	93.29	91.73	88.64	90.34

下载: 导出CSV 

| 显示表格

YOLO V3和Dense-Dilated-YOLO V3对核环境下核废料的检测结果分别如图 5(a)和图 5(b)所示。从图 5(a)中可以看出，YOLO V3对核辐射环境下的图像有一定检测效果，但是对核废料的检测效果不准确。从图 5(b)中可以看出，Dense-Dilated-YOLO V3对目标物体的检测位置更加精确，能检测出更多的核废料桶和箱，目标物体检测出的得分值更高，在复杂辐射环境下对核废料有更好的检测效果。

图  5  YOLO V3和Dense-Dilated-YOLO V3检测效果对比图

Figure  5.  Detection effect comparison chart of YOLO V3 and Dense-Dilated-YOLO V3

下载: 全尺寸图片 幻灯片

4.   结论

将基于深度卷积神经网络的目标检测方法应用到辐射环境下是目前辐射图像目标检测领域的创新，本文主要对YOLO V3目标检测算法进行特征提取的网络结构Darknet-53进行改进。首先结合密集连接卷积网络，强化了网络浅层特征的传递。其次引入空洞卷积，在准确提取核环境下目标物体图像的同时保留了更多的细节特征。通过对比实验，本文算法能够精准检测出核环境的目标物体，有较高的准确率和召回率，具有更好的核环境下目标检测能力，能够为辐射环境下核废料检测提供一种新的方法。