State-of-the-Art Image Recognition for Surface Water Garbage Detection, Classification, and Counting
本文提出了一种基于 YOLOv8n 的轻量化图像识别系统，用于检测、分类和统计地表水垃圾，证明了该方法在数据有限且仅使用 CPU 资源的情况下是可行的，但其目前较低的性能（mAP50 为 0.244）也凸显了通过扩大数据集、优化标签以及延长训练时间以实现实际应用价值的必要性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
河流、湖泊和池塘是景观的脉络，但它们正日益被另一种类型的碎片所堵塞：漂浮的垃圾。塑料瓶、袋子和其他废物在水面上漂流，困住野生动物，阻塞排水，并破坏景观。目前，追踪这种污染的唯一方法是让人沿着岸边行走或乘船巡视，眯着眼睛观察水面并记录下所见之物。这种方法缓慢、不一致，且无法频繁重复，难以捕捉不断增长的问题。解决方案在于赋予机器“视觉”。通过在桥梁、船只或无人机上安装摄像头，我们可以每天捕捉水面的图像。挑战在于教计算机如何观察一张照片，找到每一件垃圾，识别它是什么，并统计有多少件。这就是目标检测的工作，在这个领域中，人工智能学习识别形状和模式，就像人类眼睛一样，但拥有机器的速度和耐力。
印度三维尼大学（Sanjivani University）的一位研究人员着手测试一个小型、高效的计算机程序是否能在不需要昂贵、高性能硬件的情况下处理这项任务。目标是构建一个系统，使其能够在标准笔记本电脑处理器上运行的同时，识别照片中的漂浮垃圾、命名废物的类型并统计总数。该研究人员选择了一个被称为 YOLOv8 的特定工具，这是一种旨在快速且轻量化的现代检测系统。为了教导这个系统，他们使用了一组包含 371 张含有垃圾的水面图像，以及另外 105 张用于检查系统进度的图像。这些图像带有七个不同类别的标签，范围从塑料瓶、罐头到纤维废弃物及其他碎片，尽管原始数据集中的某些标签是标注过程中留下的不完善占位符。
训练过程涉及将这些图像输入计算机模型进行一系列称为“轮次”（epochs）的步骤，使软件能够调整其内部规则以更好地识别垃圾。整个训练过程是在中央处理器（即标准计算机的主脑）上进行的，而不是通常用于重度人工智能工作的专用图形卡。经过 24 个训练轮次后，系统达到了能够以一定准确度识别垃圾的水平。在这次运行的最佳时刻，模型正确识别了它所画出的物体框中约 62% 的物体，这意味着当它声称看到某个物体时，通常是正确的。然而，它仅找到了图像中实际存在的约 28% 的垃圾，漏掉了许多明明就在那里的物品。衡量模型与真实物体匹配程度的总体得分并不高，这反映了任务的难度以及所使用的少量数据。
尽管存在这些局限性，该系统仍证明了其具备端到端工作的能力。当看到一张新的湖泊照片时，模型在不到一秒的时间内扫描了图像，在发现的每件垃圾周围画出一个框并为其分配一个名称。如果计算机看到了三个标有“塑料瓶”的框，它就会计数三个瓶子。这种依赖于检测步骤的简单计数方法表明，整个流程是功能完备的。该模型足够谨慎，大多数情况下不会产生误报，但它还不够灵敏，无法捕捉到每一件漂浮的废物。训练图像数量过少以及数据集中存在混乱或占位符标签的情况，很可能导致了漏检。水域本身对视觉而言是一个困难的环境，眩光、波纹和反射会改变物体的外观，使得计算机难以将漂浮的瓶子与一片光影区分开来。
研究结论认为，虽然目前的结果并不完美，但该方法对于低成本监测是可行的。该系统可以在普通计算机硬件上运行，学习速度快，并成功连接了寻找、命名和计数垃圾的各个步骤。研究人员指出，目前的结果只是一个未完成项目的缩影；训练在达到其全部潜力之前就停止了，且该系统尚未在从未见过的另一组图像上进行测试。未来的工作将包括清理标签、增加数千张在不同天气条件下拍摄的图像，并测试更大、更强大的模型。最终目标是将这项技术部署在安装在无人机或船只上的摄像头上，将缓慢的人工观察河流的任务转变为自动化的、持续的数据流，从而帮助保护我们的水道。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。