通过使用改进的更快的R-CNN模型,识别和检测海洋环境中的微塑料颗粒
Junsheng Wang1, Jianhong Dong1, Mengrao Tang1
1Liaoning Key Laboratory of Marine Sensing and Intelligent Detection, Dalian Maritime University, 116026, Dalian, China; Department of Information Science and Technology, Dalian Maritime University, 116026, Dalian, China.
Journal of environmental management
|August 17, 2023
概括
这项研究引入了一种改进的Faster R-CNN模型,用于检测海洋环境中的微塑料. 先进的模型实现了高精度,对于理解微塑料的分布和影响至关重要.
科学领域:
- 环境科学 环境科学
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
背景情况:
- 微塑料,定义为塑料颗粒<5mm,构成严重的环境威胁.
- 精确检测微塑料对于评估它们在海洋生态系统中的分布和生态影响至关重要.
研究的目的:
- 开发一种先进的深度学习模型,用于精确识别和检测海洋环境中的微塑料颗粒.
- 增强现有的物体检测模型用于微塑料分析的功能.
主要方法:
- 开发了一种改进的Faster R-CNN模型,利用ResNet-50作为增强特征提取的骨干.
- 功能金字塔网络 (FPN) 已集成,以解决多个规模的微塑料目标检测.
- 该模型经过训练和验证,用于在各种环境条件下识别微塑料颗粒.
主要成果:
- 改进的Faster R-CNN模型表现出更高的性能,对微塑料颗粒的平均检测可靠性达到99%.
- 精确的界限框预测确保了微塑料混合物的准确定位,没有错过或错误的检测.
- 成功识别了聚乙烯微塑料,即使在具有不同背景和物体大小的复杂悬浮中也是如此.
结论:
- 开发的Faster R-CNN模型为在海洋环境中准确检测微塑料提供了强大的解决方案.
- 这一进步有助于更好地了解微塑料的流行程度和影响.
- 在具有挑战性的条件下,该模型的有效性突显了其在环境监测方面的潜力.
