《Journal of Environmental Management》：Towards lightweight coastal litter monitoring: A synergistic deep learning framework integrating efficient architectures with model compression and knowledge distillation
编辑推荐：
•OceanTrashNet：融合高效架构实现海岸垃圾检测。•采用两阶段压缩流水线对海岸垃圾模型进行轻量化。•OceanTrashNet-Lite 将 mAP 提升 2.9% 至 79.6%，并将 GFLOPs 降低 46.9% 至 3.3。引言人造海洋垃圾在全球海岸线的大范
- •
OceanTrashNet：融合高效架构实现海岸垃圾检测。
- •
采用两阶段压缩流水线对海岸垃圾模型进行轻量化。
- •
OceanTrashNet-Lite 将 mAP 提升 2.9% 至 79.6%，并将 GFLOPs 降低 46.9% 至 3.3。
引言
人造海洋垃圾在全球海岸线的大范围积聚是21世纪最紧迫的环境挑战之一。这种持续存在的污染物主要由塑料、金属、玻璃和加工木材组成，对海岸生态系统、海洋野生动物以及人类社会和经济活动构成重大威胁（Kumar 等，2021）。缠绕、吞食和入侵物种的运输是已被充分记录的生态后果，而海滩美学和娱乐价值的退化则给依赖旅游业社区带来了巨大的经济成本（Gregory，2009）。塑料材料的耐久性使这一问题更加恶化，其在环境中可存在数百年之久，并破碎成有害的微塑料渗透到食物链中（Ziani 等，2023）。传统的海洋垃圾监测方法依赖于经过训练的人员进行人工调查。虽然 OSPEAR 和 MARLIN 等标准化方案提供了有价值的数据，但本质上劳动密集、耗时且成本高昂（Kushwaha 等，2024；Raju 等，2025；Von Nordheim 等，2006）。这些局限性在空间和时间上限制了监测工作，使大片海岸线缺乏调查，从而阻碍了有效管理。
近年来，深度学习的发展在自动化监测通过各类平台（包括无人机和固定海岸摄像头）所拍摄图像中的垃圾方面取得了显著成功（Bartolo 等，2026；Fallati 等，2019）。YOLO（Redmon 等，2016）和 Mask R-CNN（He 等，2020）等模型已成功应用于识别海滩上的污染碎屑（Kraft 等，2021；C. Ren 等，2021）。这些研究证明了深度学习用于海岸污染监测的可行性，并在受控条件下实现了高精度。然而，最先进的深度学习模型虽然准确，但具有计算复杂度高、参数量大的特点（Bartolo 等，2026；Dantas 等，2024）。这种计算负担使其不适合处理持续监测活动中产生的海量高分辨率图像流，尤其是在需要考虑快速分析以指导及时清理工作的情况下。挑战不仅仅是检测垃圾，而是使用计算高效、参数占用极小的模型来实现检测，从而在不依赖昂贵硬件资源的情况下进行实时分析。
为应对这一挑战，本文提出了一种全面框架，涵盖高效神经架构和基于原则的模型压缩方法，以实现高效的海岸垃圾检测。首先，我们引入了 OceanTrashNet，这是一个专为垃圾检测设计的高效深度学习框架，整合了利用重参数化大核卷积进行全局上下文建模的骨干网络；采用高效组交换卷积进行计算经济的多尺度特征融合的颈部模块；以及结合跨尺度参数共享和稳定训练的重参数化共享卷积检测头。其次，我们引入了一种保精度的轻量化两阶段压缩流水线。第一阶段为任务驱动的通道剪枝，实现冗余网络模块的可解释移除；第二阶段为自适应学习知识蒸馏，采用自适应课程式学习策略精细恢复损失的精度。
本文其余部分组织如下。第2节回顾相关工作。第3节详细介绍 OceanTrashNet 的完整方法论，包括架构设计和协同压缩流水线。第4节呈现实验设置、数据集、结果与分析。第5节讨论贡献、局限性和未来方向。最后，第6节总结全文。
章节摘要
从人工调查到遥感
海洋垃圾的监测历史上依赖于人工实地调查。标准化方案，如 OSPAR 和 MARLIN 项目，涉及经过训练的人员沿样线步行，计数、分类和称量所有大于25毫米的可见垃圾物品（Pérez-García 等，2024；Von Nordheim 等，2006）。虽然这些方法提供了高质量的真实数据，但本质上受限于高人力成本、低空间覆盖率和低频时间采样，以及
总体架构
OceanTrashNet 整体框架包含高效架构和先进的模型压缩方法论（图1）。该架构由三个按顺序层级运行的核心模块组成：(1) UniRepLKNet（Ding 等，2024）骨干网络：基于重参数化大核卷积的特征提取器，专为大上下文建模而设计；(2) 采用 VoV-GSCSP 的 Slim-Neck（Li 等，2024）：高效的多元尺度特征聚合模块，专为
数据集与实验
本节对提出的 OceanTrashNet 框架及其轻量化变体进行全面评估，包括数据集的详细表征、通过消融研究对架构组件的系统性剖析、对模型压缩流水线的深入评估，并通过可视化分析从定性和定量两个角度论证所提方法的有效性和实用性。
分析与讨论
在本节中，我们批判性地分析 OceanTrashNet 中提出的架构集成和协同压缩流水线，承认当前工作的局限性，并为未来研究规划方向，以实现自主监测系统的全部潜力。
结论
本文提出了一种构建高效且准确的海岸污染检测深度学习框架的全面框架。首先，我们介绍了 OceanTrashNet 架构，整合了 UniRepLKNet 骨干网络、采用 GSConv 的 Slim-Neck 和 RSCD 检测头，专门针对海洋污染的比例变化、细长结构和微小物体特性。该架构达到了 0.805 的 mAP50，比 YOLOv11n 基线高出 3.8 个百分点，同时
CRediT 作者贡献声明
高旭：撰写–初稿、软件、方法论、正式分析、概念设计。朱建华：撰写–审阅与编辑、监督、概念设计。王何：软件、调查、正式分析。田震：验证、调查。薛志勇：资源、数据管理。陆臻：资源、数据管理。李少宇：验证、软件。刘晨：可视化。
利益冲突声明
作者声明不存在已知可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由国家海洋生态监测与修复技术重点实验室（MEMRT202313）、海南省重点研发计划（ZDYF2023GXJS023）、国家重点研发计划（2024YFC3109000）以及海南省科技专项基金（ATIC-2023010003）资助。
高旭 | 朱建华 | 王何 | 田震 | 薛志勇 | 陆臻 | 李少宇 | 刘晨
