本文提出了一个基于深度学习的高效检测方法和包含多种水下环境的标注数据集,以更精确地定位、分类和移除水下废弃物及海底垃圾,并解决由于光线折射、颜色失真等因素带来的诸多挑战。
May, 2023
本文对使用深度神经网络(DNN)进行海洋垃圾检测的问题及相关问题(如图像分类、匹配和检测建议)进行了全面评估,研究结果表明,对于评估任务,DNN 是一种优越的技术,尤其是在匹配和检测建议任务方面具有很大的优势,这对于实践者是有价值的信息。
May, 2019
20 年来,深度学习技术一直在海洋垃圾问题中得到探索,并且在过去的 5 年中取得了快速发展。该研究提供了 28 项最近和最重要的关于深度学习在海洋垃圾识别中的贡献的全面、最新的总结和分析。交叉引用研究结果表明,YOLO 系列方法在目标检测方面明显优于其他方法,但是有很多受认可的贡献明确表示目前没有可用于机器学习的全面的水下垃圾数据库。我们使用我们自己策划和标记的小型数据集,在二元分类任务上测试了 YOLOv5,发现准确率较低,假阳性率较高,凸显了建立全面数据库的重要性。最后,我们提出了 40 多项未来研究建议和开放性挑战。
Mar, 2024
使用计算机视觉和开放视觉的增强卷积神经网络方法检测塑料残留物,以解决塑料垃圾在环境中的积累和污染问题。
Jul, 2023
利用航拍图像和计算机视觉技术,本研究介绍了一种远程垃圾调查框架,通过 Grounding DINO 和 CLIP 实现零样本的垃圾检测和分类,并使用 Scale-Invariant Feature Transform 进行重复匹配,旨在支持高效可持续的社区清洁项目。
May, 2024
印度尼西亚是一个海洋国家,由于无效的垃圾管理,海洋中积聚了大量的垃圾,影响严重。本研究提出了一种自动垃圾清理机器人的视频物体检测方法,利用 YOLOv5 模型和 Robust & Efficient Post Processing (REPP) 方法,通过考虑邻近帧的检测结果,提高了检测性能,相较于仅使用 YOLOv5,性能提高了约 3%。该方法有潜力用于实时基于图像的垃圾清理机器人,有望改善印度尼西亚的垃圾处理系统,减轻过去垃圾造成的损害。
本文介绍了基于深度分割模型和远程遥感技术,对海洋垃圾进行快速、自动化定量监测和检测的方法,实验结果表明设计强调样本多样性和标签优化的数据集比深度学习模型的选择更加重要。
该研究利用零浪费(ZeroWaste)数据集的计算机视觉技术,旨在提高回收处理过程中的分选效率,从而减少污染。
Jun, 2021
该研究介绍了 TrashCan 数据集,用于开发机器学习算法进行水下垃圾和海洋垃圾检测,训练也给出了两种分类方法,并通过 Mask R-CNN 和 Faster R-CNN 算法给出了初步结果。
Jul, 2020
海底目标检测中的图像增强算法对提高检测效果具有重要影响,本研究通过使用 18 种最先进的海底图像增强算法对数据进行预处理,重训练 7 种深度学习目标检测模型,得出了 126 个海底目标检测模型,并通过对比原始图像上的 7 个目标检测模型,全面分析了图像增强对海底目标检测的影响。
Nov, 2023