《Environmental Pollution》：DeepLitterAI: Automated detection and quantification of deep-sea benthic plastic and macrolitter with field validation in waters around Japan
编辑推荐：
深海影像是一种用于监测海底垃圾的非破坏性工具，但人工检查限制了其可扩展性。研究人员开发了DeepLitterAI，一种基于YOLOv11x的检测器结合BoT-SORT跟踪，用于自动检测和量化深海底层大块垃圾（macrolitter）。该模型使用J-Litter
深海影像是一种用于监测海底垃圾的非破坏性工具，但人工检查限制了其可扩展性。研究人员开发了DeepLitterAI，一种基于YOLOv11x的检测器结合BoT-SORT跟踪，用于自动检测和量化深海底层大块垃圾（macrolitter）。该模型使用J-Litter数据集进行训练，该数据集包含12,029张标注图像，提取自日本海洋研究开发机构（Japan Agency for Marine-Earth Science and Technology, JAMSTEC）于1983年至2025年间获取的影像。J-Litter包括小型垃圾对象和非垃圾图像。DeepLitterAI与仅使用大型、清晰可见的垃圾训练的模型进行了比较，以评估训练数据偏差。在包含小物体的真实测试图像上，DeepLitterAI对塑料薄膜（plastic film）、塑料瓶（plastic bottle）和饮料罐（beverage can）的平均精度（Average Precision, AP）达到0.79–0.81，F1分数（精确率和召回率的调和平均值）为0.71–0.76（平均AP@0.5=0.80，平均F1=0.73），AP值平均比大物体模型高1.6倍。在六次独立调查视频中（深度860–5641米），以人工检查为参考，DeepLitterAI的F1分数为0.65–0.89，各类别平均为0.77。人工智能（AI）得出的总垃圾密度平均为人工估计的1.1倍。AI分析比人工检查快1.5–3.1倍，平均加速2.1倍。性能对视角鲁棒，但在最高合成浊度条件下，假阴性率（false-negative rate）增至25%。DeepLitterAI为深海大垃圾的标准化监测和绘图提供了可扩展、非破坏性的框架。
**论文解读文章**
**研究背景、问题与意义**
海洋塑料污染已成为全球性环境问题，大量塑料垃圾通过不当管理或意外泄漏进入海洋环境。塑料持久性强、降解缓慢，对海洋生物多样性及生态系统完整性造成威胁。深海海底（>200米）覆盖了93%的海洋面积，被认为是海洋垃圾的最终汇，然而低温、高压和缓慢的物质循环限制了污染恢复能力，因此亟需高精度信息以了解海底垃圾的分布、密度和动态。传统上，底拖网被用于定量调查海底大块垃圾（macrolitter），但该方法会破坏底栖生态系统且回收效率低。基于图像的调查（如使用遥控潜水器（ROV）、自主水下航行器（AUV）、载人潜水器（HOV）和摄像机系统）因非破坏性和高效性而日益受到推荐，但其可扩展性受限于仍需人工目视检查大量影像以进行检测、分类和计数。尽管已有工具如BIIGLE支持标注，但人工检查仍是必需环节。深度学习技术已广泛应用于复杂环境问题，基于深度学习的物体检测成为自动化垃圾识别与量化的热点。日本海洋研究开发机构（JAMSTEC）通过J-EDI和深海垃圾数据库公开了大量深海影像，但现有研究存在三个主要局限：训练数据偏向近距离、高可见性的大垃圾图像，导致模型对小物体、部分遮挡或低对比度目标性能差；大多数研究仅关注检测或分类，而未实现准确计数（需跨帧跟踪以避免重复计数）；许多模型仅在现有清晰垃圾图像数据集上评估，缺乏在可变光照、浊度等真实条件下的现场验证。为克服这些局限，研究人员开发了DeepLitterAI框架，整合小物体导向的训练数据、基于跟踪的自动计数和真实深海调查条件下的现场验证，旨在为标准化、非破坏性的海底垃圾监测与长期绘图提供实用基础。该论文发表在《Environmental Pollution》。
**关键技术与方法**
研究人员使用了以下主要技术方法：（1）构建训练数据集J-Litter，包含12,029张标注图像，提取自JAMSTEC在1983–2025年间获取的深海调查影像，其中包含小垃圾对象和背景图像（非垃圾图像），样本来源包括HOV Shinkai 2000、Shinkai 6500、ROV Kaiko和Hyper-Dolphin，以及2022–2025年在日本周边进行的宽视野横断面观测。（2）采用YOLOv11x作为目标检测模型，结合BoT-SORT跟踪算法实现跨帧物体关联，以自动计数单个垃圾物品。（3）通过迁移学习在J-Litter上训练两个模型：DeepLitterAI（使用全部数据）和DeepLitterAI-J-EDI（仅使用J-EDI大垃圾图像），以评估训练数据偏差。（4）在六次独立深海调查视频（深度860–5641米，日本海及周边海域）中进行现场验证，以人工目视检查为参考标准，评估检测与计数性能。（5）分析不同视角、光照强度和浊度条件下的检测性能（使用合成海洋雪模拟浊度）。
**研究结果**
**3.1 标注测试集上的检测性能**
DeepLitterAI-J-EDI在J-EDI测试集（大而清晰的垃圾）上表现良好，对塑料薄膜、塑料瓶和饮料罐的平均精度（AP）为0.89–0.95，F1分数为0.82–0.92。但在包含小物体的真实测试集上，AP骤降至0.44–0.59，表明仅训练大物体泛化能力差。相比之下，DeepLitterAI在J-EDI测试集上三种主要类别的平均AP（mAP@0.5）为0.89，在真实小物体测试集上mAP@0.5为0.80，F1为0.73，AP值平均比DeepLitterAI-J-EDI高1.6倍。其他金属和其他塑料类别性能较低，因形状变异大且样本少。
**3.2 AI自动计数与人工参考的比较**
以人工目视检查为地面真值，DeepLitterAI在六次横断面调查中各类别的F1分数为0.65–0.89，平均为0.77±0.09。塑料薄膜是主要类别，人工与AI计数结果总体一致（图3a）。AI与人工密度比平均为1.13±0.13（总垃圾），表明AI估计略高，部分源于假阳性和假阴性。
**3.3 人工与AI分析所需时间**
人工检查时间随垃圾密度增加，平均为视频时长的1.5±0.4倍；AI处理速度为39–42帧/秒，比人工检查快1.5–3.1倍，平均加速2.1倍，在高密度调查中优势更明显。
**3.4 不同成像条件下的检测性能**
**3.4.1 视角差异**：视角对检测影响很小，单一塑料薄膜从不同角度（正面、前斜、侧方、后斜）均被正确检测，置信度0.84–0.90。
**3.4.2 光照差异**：高、中光照下所有物体均被正确检测；低光照（亮度22.3–28.1）下，一个被沉积物覆盖的塑料薄膜未被检测（假阴性），而人眼可见的另两个物体被AI检测到。
**3.4.3 浊度差异**：在20张合成海洋雪图像中，假阴性率随颗粒数量增加而上升：50,000和100,000颗粒时无假阴性，200,000至2,400,000颗粒时假阴性率从5%增至25%。置信度和交并比（IoU）在各浊度水平间无显著差异。
**讨论与结论**
DeepLitterAI的主要贡献包括：（1）包含小垃圾的训练数据显著提升了真实调查条件下的检测性能；（2）基于物体跟踪实现了自动计数；（3）现场验证表明AI计数与人工分析F1分数约0.8。讨论指出，以往模型因训练数据中大垃圾占主导而难以泛化到小物体场景，DeepLitterAI通过纳入宽视野小物体图像改善了小目标检测。与先前研究（如TrashCan、Trash-ICRA19）相比，DeepLitterAI在J-EDI数据上达到的mAP=0.92属于高性能范围，但真实调查中需结合小物体训练。BoT-SORT跟踪优于质心跟踪，能更好保持跟踪连续性。计数性能F1约0.8尚不能完全替代人工，但已可用于区域比较和长期监测；塑料薄膜性能稳定尤为重要。AI密度估计平均比人工高约10%，源于假阳性和假阴性。假阴性常见于部分埋藏垃圾或复杂背景，假阳性常误判生物或海底地形。AI分析速度约为人工的两倍，在高密度调查中优势更明显，有利于大规模数据库处理。
**研究结论**：DeepLitterAI是一个基于YOLOv11x的物体检测与跟踪框架，用于自动检测和量化深海底层大块垃圾。包含小垃圾的训练数据显著提升了实际调查条件下的性能，跟踪实现了自动计数，相对于人工分析的F1分数约0.8。AI分析也比人工判读更快，支持大规模监测和数据库开发。这些能力使DeepLitterAI成为有效的筛查和监测工具，可用于高效识别垃圾热点、优先评估区域，并支持海底垃圾的标准化长期监测。未来需通过扩展训练数据、优化成像和模型设置来进一步提升鲁棒性和泛化能力。
