使用人工智能算法来检测水生环境中的巨型塑料:批判性审查

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:

• 巨型塑料污染对生态系统和人类健康构成重大威胁.
• 精确估计巨型塑料的丰富性对于有效的废物管理至关重要.
• 遥感数据 (卫星,空中,无人机图像) 提供了巨型塑料监测的潜力.

研究的目的:

• 批判性地审查机器学习 (ML) 的应用,特别是深度学习 (DL),用于在水生环境中检测,分类和量化巨型塑料 (MP).
• 分析各种数据集的适用性,包括卫星和空中图像以及无人机视频录制.
• 提供人工智能概念的概述,参考文献分析,以及对现有方法的批判性审查.

主要方法:

• 图书识别分析通过时间和空间标准对贡献进行分类.
• 根据ML/DL复杂性和数据集类型分组批判性审查方法.
• 分析经典的ML算法 (例如,随机森林,SVM) 和DL架构 (例如,CNNs,VGG16,YOLO).

主要成果:

• 经典的ML技术在巨型塑料检测方面表现出强大,但在多类分类方面存在困难.
• 深度学习方法,特别是卷积神经网络 (CNN),正在领导国会议员的检测和多类分类.
• 越来越多的趋势是检测更小的塑料物品,需要更高分辨率的图像,以及最近对基于变压器的对象检测架构的兴趣.

结论:

• 深度学习方法在水生环境中复杂的巨型塑料检测和分类任务中优于经典的ML.
• 未来的研究应该探索基于变压器架构的巨型塑料检测潜力,解决计算成本和图像分辨率挑战.
• 人工智能的持续进步对于开发强有力的战略来打击巨型塑料污染至关重要.