面向无人机(UAV)海岸垃圾语义分割的轻量级CoastalLitterNet：L-Net、ASPP与CLG协同设计

《Plants》：Integrating Abiotic Stress Adaptation and Disease Resistance in Climate-Resilient Crops: Pangenomics, Genomic Selection, and AI-Driven Breeding

　　

滞留于海滩的垃圾会严重退化当地生态系统并降低沿海地区旅游价值。将深度学习集成到无人机（UAVs）中为海岸垃圾自动分割提供了有效手段。然而，垃圾尺度变化大和复杂海岸背景导致检测精度相对较低。此外，大多数现有检测模型需要大量计算资源，限制了部署。为解决这些问题，研究人员构建了一个海岸垃圾分割数据集，并开发了轻量级分割模型CoastalLitterNet。该数据集包含不同大小、颜色和形状的垃圾对象，以及多种背景。在CoastalLitterNet中，设计了轻量级非对称U形骨干网络（L-Net）以降低模型复杂度，并引入空洞空间金字塔池化（ASPP）以分割不同尺度的垃圾对象。提出了CoastalLitterGate（CLG）以增强垃圾相关特征并提高对复杂背景的适应性。对比实验表明，CoastalLitterNet的mIoU、IoU₁和F1分别达到93.95%、88.42%和93.85%。模型参数量（Params）和浮点运算量（FLOPs）分别仅为12.90 M和189.30 G。定量和定性结果表明，CoastalLitterNet在保持轻量级架构的同时，有效分割不同尺度的垃圾对象，并良好适应复杂海岸环境。

海岸垃圾（coastal litter）已成为影响海岸带生态环境质量的重要污染因素。受海岸居民、旅游活动及其他人类扰动影响，各类废物和垃圾持续进入海岸带。滞留海滩附近的垃圾不仅降低当地旅游价值，也严重影响当地海洋生物。为保护海洋生态环境，中国生态环境部发布美丽海湾建设相关行动计划，按照“一湾一策”推动近岸海域污染防治、生态保护修复和海滩岸线环境改善，并强调加强海滩垃圾污染管理。因此，及时获取海岸垃圾空间分布信息对于海岸环境评估、垃圾清除和海洋生态修复至关重要。人工野外调查耗时费力。无人机（unmanned aerial vehicles，UAVs）具有高机动性和灵活数据采集能力，可在较短时间内获取高分辨率海岸影像，已广泛用于海岸垃圾识别。基于深度学习的海岸垃圾识别与提取通常分为目标检测和语义分割（semantic segmentation）；目标检测多用边界框定位，语义分割可像素级划定垃圾区域，提供更详细的边界和空间覆盖信息。因此，本研究采用语义分割从UAV影像中提取海岸垃圾。尽管如此，仍存在若干问题：垃圾对象尺度差异大，塑料碎片、泡沫碎片和散落生活垃圾像素面积小，网络下采样易削弱边缘纹理；累积或大型垃圾形成连续区域，模型需兼顾小尺度局部细节和大尺度整体语义；海岸环境背景复杂，沙、海沫、砾石、植被等与生活垃圾特征相似，小垃圾可能散落或被遮挡；UAV平台存储、功耗和计算能力有限，要求模型控制网络规模和计算复杂度。基于此，研究人员构建UAV海岸垃圾分割数据集，并提出轻量级海岸垃圾分割网络CoastalLitterNet，包含空洞空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP）、轻量级非对称U形骨干网络（Lightweight Asymmetric U-shaped Backbone Network，L-Net）和CoastalLitterGate（CLG）机制。ASPP用于捕捉多尺度上下文信息；L-Net作为轻量骨干，结合LiteBottleneck-ECA模块和非对称编解码结构，降低参数和计算复杂度；CLG自适应过滤和增强垃圾相关特征，减少复杂海岸背景干扰。研究结论表明，CoastalLitterNet在保持轻量架构的同时，能够有效分割不同尺度垃圾并适应复杂海岸环境，对UAV海岸垃圾检测实际应用具有潜力。

关键技术方法概括：研究人员利用UAV获取高分辨率海岸影像，因保密要求未披露采集地点和具体UAV型号；数据集由两幅无空间重叠的24位三通道RGB海岸正射影像组成，地面采样距离为5 mm/pixel，包含沙地、砾石和人工海岸等背景。人工标注后裁剪为600 × 600像素非重叠块，共9457块；筛选去除空白超过50%和无垃圾块，按8:2划分训练和验证，最终5446个样本，其中4356个训练样本、1090个验证样本。泛化实验使用公开TUN-MED-MAR-UAV-LITTER数据集。方法上设计L-Net轻量非对称U形编解码骨干、ASPP分割头和CLG门控机制，并进行模型比较、消融和泛化实验，以mIoU、IoU₁、F1、Precision、Recall、Params和FLOPs评价。

研究结果如下。

3.1 不同模型对比实验。研究人员将CoastalLitterNet与U-Net、DeepLabV3+、GCNet、DSNet、PSP-Net、Segmenter和Swin-S比较。CoastalLitterNet在mIoU、IoU₁、F1、Precision和Recall上均最高，分别为93.95%、88.42%、93.85%、94.57%和93.15%。其Params仅为12.90 M，FLOPs为189.30 G，低于U-Net、DeepLabV3+、PSP-Net、Segmenter和Swin-S；GCNet和DSNet参数与计算更低，但五项分割指标均低于CoastalLitterNet。定性结果显示，在简单沙地和砾石场景中多数模型可识别主要垃圾，但PSP-Net和GCNet结果较差；在复杂散落小垃圾和杂草遮挡场景中，其他模型难以同时识别连续垃圾区域和散落垃圾，并损失边界细节，而CoastalLitterNet能识别连续区域和散落垃圾，保留更多边界，并在杂草遮挡下准确识别垃圾；在大面积不规则垃圾场景中，差异主要集中在局部边界和小目标。

3.2 消融实验。将U-Net替换为L-Net后，模型参数降至12.87 M，较基线减少16.19 M，约减少55.71%，FLOPs由344.51 G降至187.59 G，约减少45.55%，分割指标仅小幅变化。与L-Net+FCN相比，L-Net+ASPP将mIoU从85.42%提高至93.37%，IoU₁从72.30%提高至87.30%，参数几乎不变，FLOPs由170.27 G增至187.59 G。引入CLG后，CoastalLitterNet参数为12.90 M，仅比无CLG模型多0.03 M，FLOPs由187.59 G增至189.30 G，仅增加1.71 G，同时mIoU由93.37%升至93.95%，IoU₁由87.30%升至88.42%，Recall由92.19%升至93.15%，Precision由94.27%升至94.57%。定性上，在复杂多样垃圾和背景条件下，L-Net+FCN、U-Net+ASPP和L-Net+ASPP能识别聚集垃圾但漏掉部分散落小垃圾，CoastalLitterNet保留主要连续垃圾区域并分割多个散落小垃圾；在大面积不规则场景中，L-Net+FCN在局部产生额外预测，U-Net+ASPP和L-Net+ASPP漏掉孤立小垃圾，CoastalLitterNet恢复该对象并保持主要连续区域。

3.3 泛化实验。在TUN-MED-MAR-UAV-LITTER数据集上，CoastalLitterNet取得89.99% mIoU、81.17% IoU₁、89.61% F1、87.02% Precision和92.63% Recall。定性结果表明，在不同地理和环境条件下，简单沙地砾石场景中其预测轮廓接近真值；复杂场景中垃圾形态多样，并混有石头、贝壳和植被碎片，模型仍可识别连续垃圾区域和小型孤立对象并保持清晰边界；在大面积不规则和密集分布场景中，模型仍识别主要垃圾，但存在少量误分类和边界不准确。总体表明，模型在垃圾丰富或形态复杂场景中表现良好。

讨论部分总结如下。

4.1 整体性能。UAV海岸垃圾分割要求模型适应对象尺度变化大、形状不规则、空间离散和背景纹理复杂，同时考虑UAV部署的存储、推理效率等成本。U-Net在恢复垃圾细节方面表现好，但多尺度识别优势有限，标准卷积堆叠引入计算冗余。DeepLabV3+利用ASPP捕捉不同感受野上下文，对散落小目标和大型垃圾区域适应性较好。PSP-Net受解码结构限制，复杂边界处理较差。GCNet和DSNet在Params和FLOPs上有优势，但垃圾分割性能有限；GCNet垃圾IoU、F1和Recall最低，复杂背景下明显漏掉小型和散落垃圾；DSNet虽优于GCNet，但垃圾IoU、F1和Recall仍低于DeepLabV3+、Segmenter、Swin-S和CoastalLitterNet，并漏掉一些小型垃圾区域。Segmenter和Swin-S作为基于视觉Transformer（Vision Transformer，ViT）的模型，对大空间对象表现好，但对小型和离散垃圾识别有限，参数和计算复杂度也不利于UAV部署。CoastalLitterNet按实际需求设计：L-Net恢复垃圾位置和边界，ASPP适应不同尺度和聚集程度，CLG增强垃圾相关特征。其在比较模型中参数和计算较低，同时总体精度最佳，并在TUN-MED-MAR-UAV-LITTER数据集验证泛化能力，表明在保持轻量架构的同时具有较强垃圾识别性能，对UAV海岸垃圾检测实际应用具有潜力。

4.2 L-Net、ASPP和CLG的作用。消融结果表明，以L-Net替换U-Net作为骨干显著降低参数和计算复杂度，分割指标仅小幅变化，说明LiteBottleneck-ECA模块和非对称编解码结构可减少特征提取和传播中的冗余计算，同时保留大部分垃圾相关信息。将CLG引入L-Net+ASPP后，参数和计算仅略微增加，而所有分割指标改善，说明CLG能以较小额外成本增强垃圾对象特征表示。Grad-CAM热图显示，U-Net和L-Net对连续垃圾区域响应较强，但对散落小垃圾关注有限；在杂草遮挡和砾石干扰下，L-Net响应分散于杂草和石头，与消融精度下降一致。引入CLG后，对散落小垃圾响应明显增强，对背景无关响应减少，高响应区域更符合垃圾位置，与垃圾IoU、F1和Recall提升一致。以相同L-Net骨干比较FCN和ASPP时，L-Net+ASPP对额外散落小垃圾区域表现局部响应，支持ASPP对垃圾特征表示的贡献。

4.3 CLG三个分支讨论。为考察CLG三个分支贡献，研究人员分别移除局部外观分支（Fl）、高频细节分支（Fh）和浅层上下文分支（Fc）。与完整CoastalLitterNet相比，移除Fl、Fh、Fc使mIoU从93.95%分别降至93.90%、93.90%和93.88%，垃圾类IoU从88.42%分别降至88.31%、88.32%和88.27%。移除Fl使Recall从93.15%降至92.95%；移除Fc导致垃圾类IoU₁最大下降。尽管性能变化较小，但表明三个分支在当前实验设置下均对垃圾分割性能有一定贡献。

4.4 局限性。数据集覆盖沙地、砾石、植被遮挡和大型垃圾堆积等多样条件，但标注仅区分垃圾和背景，未进一步分类具体垃圾类别，无法细粒度分割不同垃圾类型。轻量评估主要在PC平台进行，尚未在实际UAV硬件上系统测试实际推理速度、稳定性等部署指标。未来将扩展数据集、细化类别标注，研究不同垃圾类型分割，并评估模型在UAV平台上的实际部署性能。

研究结论翻译：针对当前UAV海岸垃圾检测任务，由于部署资源有限、垃圾尺度变化大和海岸背景复杂，挑战仍然存在。研究人员利用高分辨率UAV影像构建海岸垃圾数据集，并提出CoastalLitterNet，该网络以轻量非对称编解码结构L-Net为骨干，以平衡模型轻量性和垃圾特征提取；引入ASPP作为特征提取头，以适应不同尺度的垃圾对象；设计CLG以增强垃圾特征表示并提高复杂背景条件下的识别精度。实验结果表明，CoastalLitterNet在保持轻量架构的同时，能够准确识别复杂背景中的垃圾对象和UAV影像中的多尺度垃圾对象。这表明其在UAV海岸垃圾检测实际应用中具有潜力。