在城市水域使用卷积神经网络进行高效准确的微塑料识别和细分
1School of Civil Engineering and Transportation, State Key Laboratory of Subtropical Building and Urban Science, South China University of Technology, Guangzhou 510641, China; Pazhou Lab, Guangzhou 510335, China.
The Science of the total environment
|November 24, 2023
概括
卷积神经网络 (CNN) 有效地识别城市水域中的微塑料 (MP). UNet和UNet2plus模型提供了准确和快速的检测,对于大规模的污染研究至关重要.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 微塑料 (MP) 是城市水域普遍存在的污染物,对生态系统和人类健康构成风险.
- 国会议员作为其他污染物的载体,加剧了全球污染.
- 手动识别国会议员是劳动密集型和耗时的,阻碍了大规模的研究.
研究的目的:
- 开发和评估卷积神经网络 (CNN) 模型,以有效和准确地识别城市水域中的微塑料.
- 为了比较UNet,UNet2plus和UNet3plus模型在复杂背景的微塑料细分方面的性能.
主要方法:
- 一个数据集的微塑料从城市水域在中国南部的精心策划.
- 在微塑料数据集上训练和验证了UNet,UNet2plus和UNet3plus CNN模型.
- 每个模型的计算和推断性能,包括细分精度 (mIoU),都被评估.
主要成果:
- UNet和UNet2plus实现了高细分精度 (分别为91.45%和91.08%).
- 这三种模型都提供了高效的推理,UNet和UNet2plus在1秒和2秒以下完成了100张图像.
- 与UNet和UNet2plus相比,UNet3plus的表现较低 (mIoU ≈ 82.21%).
结论:
- UNet和UNet2plus模型表明,在城市水生环境中精确有效地识别微塑料的巨大潜力.
- 这些CNN模型可以在大规模的微塑料污染监测中大幅减少手工劳动.
- 进一步开发人工智能驱动的解决方案对于有效管理微塑料污染至关重要.
