通过基于深度学习的图像细分来进行微塑料的分类
Hui Huang1, Huiwen Cai2, Junaid Ullah Qureshi3
1Ocean College, Zhejiang University, Zhoushan, 316021, Zhejiang, PR China; Hainan Institute of Zhejiang University, Sanya 572024, Hainan, PR China.
The Science of the total environment
|July 6, 2023
概括
本研究引入了一种使用深度学习的自动化方法,用于识别和分类海洋环境中的微塑料 (MP). 该技术准确地细分和分类塑料颗粒形状,有助于污染监测和标准化.
科学领域:
- 环境科学 环境科学
- 海洋生物学 海洋生物学
- 计算机科学 计算机科学
背景情况:
- 微塑料 (MP) 是重要的海洋污染物,具有广泛的生态影响.
- 了解MP形态对于识别来源和评估对海洋生物的危害至关重要.
- 目前用于MP识别的方法可能是劳动密集型,缺乏标准化.
研究的目的:
- 利用深度学习开发一种用于微塑料识别和形状分类的自动化技术.
- 提高海洋样本中微塑料分析的准确性和效率.
- 为微塑料分类的全球标准化做出贡献.
主要方法:
- 一个深层卷积神经网络 (DCNN),特别是Mask R-CNN,用于图像细分和分类.
- 侵蚀和扩张操作被整合起来,以提高细分性能.
- 该模型在各种微塑料图像数据集上进行了训练.
主要成果:
- 自动化方法在测试数据集上实现了平均F1分数0.7601的细分和0.617的形状分类.
- 证明了微塑料精确自动细分和形状分类的潜力.
- 该方法促进了向标准化微塑料分类的实际步骤.
结论:
- 拟议的基于DCNN的方法为自动化微塑料识别和分类提供了一个有希望的解决方案.
- 这种技术可以帮助更有效,更标准地监测海洋微塑料污染.
- 建议进行进一步的研究,以提高准确性,并探索DCNN在微塑料分析中的更广泛应用.
