海岸线管理中的先进监测技术：融合监控摄像头与深度学习（YOLOv8-segmentation）的创新应用

来自越南的研究人员针对海岸侵蚀监测需求，开展基于深度学习（YOLOv8-segmentation）的海岸线自动提取研究。通过整合多源数据（包括监控影像、地面控制点与潮位数据），实现了0.883米平均位置误差和84帧/秒的高效处理，显著优于U-Net模型，为实时海岸管理提供技术支撑。

　　

海岸线检测是海岸带管理中的核心环节。近年来越南中部美溪海滩面临严重海岸侵蚀，亟需高精度、高效率的监测手段。虽然已有多种技术被提出，但其精度与计算效率仍存在局限。本研究提出一种融合多源现场数据（含监控影像、地面控制点、海滩剖面与潮位数据）的图像校准方法，并结合YOLOv8分割模型（YOLOv8-segmentation）实现自动化海岸线提取与监测。该模型平均位置误差为0.883米，均方根误差为1.264米，显著优于广泛使用的U-Net模型。此外，基于YOLOv8的系统处理速度达到84帧/秒，展现出其在实时监测及未来应用（如无人机影像处理）中的潜力。在长达一年的观测中，该系统成功捕捉到海岸线动态变化，证明了其在长期海岸管理中的实用价值。