使用视频摄像头和深度学习构建流中浮动塑料的实时检测系统

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 河流是塑料垃圾运输到海洋生态系统的关键通道.
• 准确量化地表水塑料对于环境影响评估至关重要.
• 在自然环境中对塑料污染的实时监测,特别是降雨后,是有限的.

研究的目的:

• 开发一个实时视觉识别模型,用深度学习来检测漂浮的塑料碎片.
• 实施各种塑料类型的多类分类系统.
• 评估淡水污染监测模型的实际适用性和可移植性.

主要方法:

• 使用YOLOv8算法,特别是YOLOv8-nano,用于对象检测.
• 使用浮动塑料碎片的现场视频数据训练模型.
• 塑料垃圾分为四种类型:普通塑料,塑料瓶,塑料薄膜和乙烯基塑料以及碎塑料.

主要成果:

• YOLOv8型号实现了高性能,F1得分为0.982 (验证) 和0.980 (测试).
• 检测性能显示出优异的mAP分数:0.992 (IoU = 0.5) 和0.714 (IoU = 0.5:0.05:0.95).
• 该模型展示了漂浮塑料碎片的强大的分类和检测能力.

结论:

• 开发的深度学习模型显示了实时评估河流中的塑料垃圾排放的巨大潜力.
• 结果支持该模型在为有效的塑料污染管理策略提供信息方面的实用性.
• 建议进一步改进跟踪标签和数据收集,以提高淡水监测应用的精度.