先进的深度学习策略用于检测和量化秘鲁海岸沿线河流中的巨型塑料
Miguel Angel Astorayme1, Ian Vázquez-Rowe2, Eizo Muñoz-Sovero2
1Peruvian Life Cycle Assessment & Industrial Ecology Network (PELCAN), Department of Engineering, Pontificia Universidad Católica del Perú, Av. Universitaria 1801, San Miguel 15074, Lima, Peru; Dept. of Fluid Mechanics Engineering, Universidad Nacional Mayor de San Marcos, Av. Universitaria/Av. Germán Amezaga s/n., Lima 15081, Lima, Peru.
这项研究使用人工智能 (AI) 和无人机图像来检测和分类河流巨型塑料污染. 人工智能模型准确地识别了轮胎和塑料袋,为监测河流垃圾提供了一种新方法.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 河流是塑料垃圾进入海洋的主要通道,因垃圾管理不善而加剧,特别是在全球南方.
- 巨型塑料污染对生态系统和人类健康构成风险,目前的估计方法有局限性.
- 对河流塑料污染的有效监测对于制定有针对性的减缓战略至关重要.
研究的目的:
- 开发和验证人工智能驱动的方法框架,用于检测和分类河流中的巨型塑料污染.
- 评估深度学习模型 (YOLOv11) 在河流环境中识别各种城市固体废物 (MSW) 类别的有效性.
- 分析河流系统中巨型塑料积累的空间和时间动态.
主要方法:
- 利用深度学习方法,特别是YOLOv11卷积神经网络模型,进行图像分析.
- 训练并验证了YOLOv11模型,使用无人机拍摄的河流部分图像.
- 专注于检测和分类八类混合无机MSW,重点是巨型塑料.
主要成果:
- YOLOv11模型在快速计数特定宏观塑料类型方面表现出高准确性,特别是轮胎 (mAP = 0.94) 和塑料袋 (> 0.74).
- 由于诸如碎片大小,丰富度和对比度等因素,模型精度因家具和PET瓶等类别而异.
- 在干旱和潮湿季节之间观察到巨型塑料丰富度的显著时间变化.
结论:
- 基于人工智能的框架显示了快速准确评估河流巨型塑料污染的巨大潜力.
- YOLOv11模型适用于覆盖更大面积的现场工作项目,可开发自动化监控系统.
- 这项研究为加强对河流塑料废物流量的监测提供了基础,特别是在秘鲁海岸沿线.
更多相关视频
05:31Sampling, Sorting, and Characterizing Microplastics in Aquatic Environments with High Suspended Sediment Loads and Large Floating Debris
Published on: July 28, 2018
08:56Automatic Image Processing to Determine the Community Size Structure of Riverine Macroinvertebrates
Published on: January 13, 2023
