使用开源视觉识别模型快速检测环境样本中的微纤维
Stamatia Galata1, Ian Walkington2, Timothy Lane3
1School of Biological and Environmental Sciences, Liverpool John Moores University, 3 Byrom Street, Liverpool L3 3AF, United Kingdom.
Journal of hazardous materials
|October 11, 2024
概括
新的人工智能模型YOLOv7和Mask R-CNN有效地检测环境样本中的微纤维. YOLOv7显示了更高的准确性,使得能够快速量化微塑料,并推进污染研究.
科学领域:
- 环境科学 环境科学
- 计算机视觉 计算机视觉
- 分析化学 分析化学
背景情况:
- 微塑料,特别是微纤维,是普遍存在的环境污染物.
- 在复杂样品中精确检测和定量是具有挑战性和劳动密集的.
- 现有的微塑料分析方法往往缺乏速度和效率.
研究的目的:
- 引入和评估开源视觉识别模型,以实现高效的微纤维识别.
- 为了比较YOLOv7和Mask R-CNN在微塑料量化中的性能.
- 为推进微塑料污染评估提供可访问的工具.
主要方法:
- 培训和应用两个深度学习模型:YOLOv7和Mask R-CNN.
- 利用广泛的数据集进行微纤维识别模型培训.
- 在冰岛Seyðisfjörður的真实水生样本上测试模型性能.
主要成果:
- 在微纤维检测中,YOLOv7获得了71.4%的准确性,而Mask R-CNN在微纤维检测中获得了49.9%的准确性.
- 与手动方法相比,YOLOv7显示了显著更快的微纤维识别.
- 这些模型提供了快速的结果,在几秒钟内处理样本.
结论:
- 开源视觉识别模型,特别是YOLOv7,为微塑料量化提供了高效和快速的解决方案.
- 这些用户友好的模型提高了微塑料污染研究的速度和可访问性.
- 该研究通过提供工具来更好地评估微塑料污染及其影响,从而推动环境科学.
