基于YOLOv11深度学习的秘鲁沿海河流宏塑料污染检测与量化创新研究

本刊推荐：本研究创新性地应用YOLOv11卷积神经网络（CNN）模型，通过无人机影像实现河流宏塑料（MPs）的自动检测与分类。该框架成功识别8类城市固体废物（MSW），在轮胎检测中达到94% mAP精度，揭示了干湿季节的污染物动态变化，为全球南方地区建立河流塑料污染自动监测系统提供了关键技术支撑。

　　

^{材料与方法}

本节概述了研究开展的具体步骤：2.1节介绍了本研究采用的人工智能（AI）模型；2.2节阐述了案例选择依据及其研究价值；2.3节详细说明了研究区域的实地数据采集工作；2.4节制定了数据处理的标准化流程；2.5节讨论了模型训练与验证方案的建立。

^{模型性能表现}

通过对比不同训练轮次在默认超参数下的表现，以及增加标注图像数量（即扩大数据集）后的效果，我们筛选出了性能最优的模型。总体而言，数据集规模与各类别评估指标呈现正相关关系，且从YOLOv8升级到YOLOv11模型后，mAP₅₀性能显著提升（详见S3章节）。

^{结论与展望}

实验结果表明，提出的YOLOv11模型能有效检测特定废弃物类别，如垃圾袋、轮胎以及合成编织袋（出现频率较低）——这些都是在利马城市河岸带反复出现的污染物类型，实现了快速计数功能。但需要强调的是，模型的检测能力受多重因素影响：包括目标物在监测区域的丰度、与周围环境的色度对比度、碎片尺寸以及形态特征等。