内陆水域宏观塑料污染实时检测：轻量级图像识别系统的开发与应用

《Frontiers in Environmental Science》：Real-time detection of macroplastic pollution in inland waters: development of a lightweight image recognition system

本综述系统阐述了基于YOLOv8模型的轻量级实时宏观塑料检测框架，通过图像分块（tiling）和模糊处理（blurring）等预处理技术显著提升小目标检测召回率（Recall）和平均精度均值（mAP@50-95）。研究创新性提出兼顾边缘计算（on-site）与中心化处理的混合架构，支持固定摄像头与无人机（UAV）多场景部署，为构建流域尺度塑料污染预警系统提供关键技术支撑。

　　

1 引言

1.1 河流塑料污染现状

全球塑料年产量已达4.003亿吨，其中一次性包装制品占比近半且易通过河流进入海洋环境。尽管内陆地区塑料产量与沿海相当，但因其易滞留于洪泛区或水库沉积物，导致淡水生态系统成为塑料碎片的重要聚集区。塑料污染物按尺寸可分为微塑料（<5 mm）和宏塑料，本研究聚焦于后者，尤其以塑料瓶作为代表性检测目标。

1.2 宏塑料评估方法比较

现有评估方法包括物理收集（网具、拦污栅）和视觉观测（人工计数、影像分析）。计算机视觉技术凭借其可扩展性优势，逐步成为宏塑料通量（单位时间塑料数量/重量）估算的有效手段。其中目标检测（object detection）技术因能直接定位并计数单个物体，较图像分类（image classification）和分割（segmentation）更适用于实时监测场景。

1.3 深度学习技术应用进展

YOLO系列单阶段目标检测器因高帧率特性被广泛用于水生塑料检测。然而现有研究多依赖高性能GPU，难以满足偏远地区长期监测的低功耗需求。本研究首次系统评估轻量级YOLOv8模型在真实河道环境中的适用性，并通过预处理策略优化小目标与遮挡场景下的检测性能。

2 材料与方法

2.1 检测器选型与训练

选择锚框免费（anchor-free）设计的YOLOv8框架，对比S（small）和M（medium）两种模型规模。训练采用随机梯度下降（SGD）优化器，输入分辨率调整至640×640（Model B）和1280×1280（Model C），批量大小根据GPU内存动态调整（16-32）。通过交并比（IoU）阈值设定真阳性（TP）、假阳性（FP）与假阴性（FN），以精确度（Precision）、召回率（Recall）和平均精度均值（mAP@50-95）作为核心评估指标。

2.2 数据集构建与增强

收集1,667张标注图像，涵盖多瑙河模拟污染场景、蒂萨河洪泛区实地影像及网络开源数据。通过Imgaug库进行几何变换（缩放±10%、剪切±10°）与图像级增强（运动模糊、透视变换），生成8,335个训练样本。采用70%/10%/20%比例划分训练集、测试集与验证集。

2.3 部署优化策略

为提升边缘设备推理速度，将PyTorch模型转换为TensorRT引擎，使Full HD图像处理时间从150 ms缩短至100 ms。针对无人机影像中小目标与植被遮挡问题，测试盒式模糊（Box blur）、中值模糊（Median blur）和高斯模糊（Gaussian blur）效果，并结合分块处理（10×10与12×12双网格）增大目标相对尺寸。

3 结果与讨论

3.1 模型性能验证

Model B（分辨率640×640）在验证集表现最佳，召回率达0.72，mAP@50为0.68。尽管Model C（分辨率1280×1280）泛化能力更强，但其推理速度降低50%且训练批量受限至6，故选择Model B作为主力模型。与YOLOv5x（86.7M参数）等大型模型相比，本模型在保持轻量级（11.2M参数）前提下仍达到实用精度。

3.2 多场景部署测试

在布达佩斯多瑙河模拟场景（Case A）中，模型对近摄像头区域塑料瓶检测成功率达85%，但远距离小目标识别能力有限。无人机影像分析显示：蒂萨河密集污染区（Case B）通过双分块处理使检测数从80提升至3,633；博德罗格河植被遮挡场景（Case C）结合中值模糊（核尺寸5）与分块策略后，召回率从0.52增至0.79。

3.3 系统架构设计

提出混合式监测网络：边缘轻量级方案（edge-light）仅需摄像头与路由器，依赖中心服务器多流分析；边缘重量级方案（edge-heavy）集成Jetson Orin NX板卡实现本地推理。单站点成本控制在1,000-2,000欧元，太阳能供电方案可支持偏远地区部署。

4 创新与展望

本研究首次实现从算法优化到组网应用的全链条验证，通过预处理技术将复杂场景召回率提升约50%。未来将重点开展三方面工作：①基于长期监测数据构建塑料通量与水文参数（流量、降雨）的关联模型；②结合水动力模拟预测污染物迁移路径；③通过半自动标注持续扩充数据集，迭代优化检测模型。

5 结论

轻量级YOLOv8框架在内陆水域宏塑料检测中表现出良好平衡性，双分块与模糊预处理有效缓解了小目标与遮挡问题。提出的混合架构为流域尺度塑料污染动态监测提供了经济可行的技术方案，为建立基于多源数据融合的早期预警系统奠定基础。