一种基于深度学习的新漂浮垃圾检测方法及其在环境可持续发展中的有效性评估
Yuhai Zheng1, Xizhi Nong2, Lihua Chen1
1College of Civil Engineering and Architecture, Guangxi University, Nanning, 530004, China.
Journal of environmental management
|April 5, 2025
概括
这项研究引入了一种高效的深度学习模型,用于检测水面上的漂浮垃圾. 改进的YOLOv8模型提高了检测准确度,并减少了模型大小,帮助环境清理工作.
科学领域:
- 环境科学与工程环境科学与工程
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 漂浮垃圾对水生态系统和可持续性构成重大威胁.
- 复杂的环境因素,如水流和风,使垃圾检测和收集复杂化.
- 自动检测和收集系统对于有效的水污染管理至关重要.
研究的目的:
- 开发一种高效,经济的深度学习解决方案,用于检测水面上的聚合漂浮垃圾.
- 提高漂浮垃圾检测系统的准确性和效率.
- 为了创建一个适合户外环境监测应用的轻量级模型.
主要方法:
- 使用基于YOLOv8 (You Only Look Once v8) 的深度学习方法.
- 通过改进骨干,整合Wise-Powerful IoU损耗,并添加一个AuxHead检测头来增强模型.
- 在检测准确度 (mAP,P) 和效率 (模型大小,参数) 方面评估了模型的性能.
主要成果:
- 实现了89.4%的平均平均精度 (mAP) 和95.8%的精度 (P) 检测聚合漂浮垃圾.
- 与原始模型相比,模型大小减少到18.8 MB,参数减少了32.2%.
- 与Faster R-CNN相比,收集率提高了61.5%,节省了大量能源并减少了污染.
结论:
- 拟议的基于YOLOv8的轻量级模型有效地解决了在复杂环境中检测聚合浮动垃圾的挑战.
- 该模型的卓越检测性能和效率有助于改善水生态系统的保护和恢复.
- 该解决方案提供了大量的环境效益,包括减少水污染,节能和减少碳排放.
