改进机器学习的应用在旅游业塑料废物分布的大规模调查中 强化人工海岸线
Haoluan Zhao1, Xiaoli Wang1, Xun Yu2
1School of Environmental Science and Safety Engineering, Tianjin University of Technology, Tianjin 300384, China.
Environmental pollution (Barking, Essex : 1987)
|June 1, 2024
概括
这项研究增强了YOLOv8深度学习模型,用于监测人工海岸线上的塑料废物. 改进的模型显著提高了检测率,减少了假阳性,有助于环境保护工作.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 海洋是塑料垃圾的最终沉积点,在复杂的人工海岸线上,这就带来了重大监测挑战.
- 机器学习为塑料垃圾提供了很高的检测准确度,但通常会出现错误的阳性结果,特别是错误识别游客.
研究的目的:
- 增强YOLOv8深度学习模型,以提高人工海岸线上的塑料废物检测准确度.
- 减少以无人机为基础的监控系统中将游客误认为塑料废物.
主要方法:
- 在中国天津东江港人工海岸线进行了广泛的无人机调查.
- 通过集成InceptionNeXt和LSK模块来改进YOLOv8深度学习模型.
- 通过比较原始和增强的YOLOv8模型在553张含有3488个塑料废品的高分辨率图像上进行性能评估.
主要成果:
- 改进的YOLOv8s-IL模型实现了64.9%的检测率,比原始模型增加了11.5%.
- 在改进的模型中,假阳性减少了32.3%.
- 多类F分数达到76.5%,平均检测时间为每张图像2.7秒.
结论:
- 改进的YOLOv8s-IL模型为人工海岸线上的塑料废物监测提供了更准确,更有效的解决方案.
- 这项研究为沿海环境的大规模塑料废物监测计划提供了宝贵的技术支持.
- 减少虚假阳性对于可靠的废物自动检测系统至关重要.
