开发一个船上摄像头监控系统,用于浮动的海洋垃圾
Ruofei Yang1, Keiichi Uchida1, Yoshinori Miyamoto1
1Tokyo University of Marine Science and Technology, 4-5-7 Konan, Minato-ku, Tokyo 108-8477, Japan.
Marine pollution bulletin
|July 21, 2024
概括
本研究引入了一种自动化系统,用于使用深度学习和先进的跟踪算法监测浮动海洋垃圾 (FMD). 该系统通过视频准确地检测到口病,为手工调查更大的碎片提供了可持续的替代方案.
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:
- 对浮动海洋垃圾 (FMD) 的手动调查是劳动密集型和耗时的.
- 有效的监测对于了解海洋污染和制定减缓战略至关重要.
- 现有的自动化方法经常与环境噪音和碎片分类扎.
研究的目的:
- 开发和验证浮动海洋碎片 (FMD) 的自动监测系统.
- 为了减少疾检测和分类所需的手工工作.
- 使用人工智能提高海洋垃圾监测的准确性和效率.
主要方法:
- 从广泛的视频录像和注释图像中创建了一个全面的口病数据库.
- 一个使用YOLOv8架构的深度学习模型在FMD数据库上进行了训练.
- 实施了BoT-SORT算法来跟踪口病,并结合了轨迹分析来过环境干扰.
- 该系统在16次航行中在各种海洋环境中进行了测试.
主要成果:
- 深度学习模型实现了FMD识别的0.97的平均平均精度 (mAP@0.5).
- 自动化系统在视频录像中检测到口病的F1得分为83.63%.
- 该系统有效地过了海浪和海鸟等干扰,提高了检测准确度.
- 该系统显示了对大于20厘米的口和口腔疾病的监测有很高的潜力,其性能优于手工方法.
结论:
- 开发的自动监测系统提供了一个高度准确和高效的解决方案,用于疾检测.
- 这种人工智能驱动的方法显著降低了与传统视觉调查相关的劳动强度.
- 该系统提供了一个可行的,可扩展的替代方案,用于在各种海洋环境中监测更大的漂浮海洋垃圾.
更多相关视频
07:43Methods for Image-based Surveys of Benthic Macroinvertebrates and Their Habitat Exemplified by the Drop Camera Survey for the Atlantic Sea Scallop
Published on: July 2, 2018
9.5K
09:19Measuring the Structure, Composition, and Change of Underwater Environments with Large-area Imaging
Published on: April 18, 2025
402
