.png){kind=icon}
返回
UAV-based water pollutants detection and classification framework using multi-modal and multi-sensor ensemble learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10661-025-14104-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于塑料、工业及家庭废物的排放导致水污染物急剧增加，已经威胁到生态系统的微妙平衡和人类生活的福祉。因此，对这类水污染物的检测与监测已成为广泛开放地表水体的必要任务。无人机（UAVs）与计算机视觉（CV）模型及通信技术的最新进展，为自动化此类地表水体的污染物监测过程提供了可能性，同时减少了人为干预。本文提出了一种综合框架，整合无人机进行自主数据采集和污染物分类。采用定制的YOLOv5模型用于水污染物的分类与检测，以提高效率和精度。此外，我们提出了一种多模态特征提取模块，利用Vision Transformer（ViT）、YOLOv5和NodeMCU传感器创建全面的数据表示。提取的特征随后通过结合TabNet和XGBoost的集成模型进行分类，从而提升整体分类性能。本研究使用无人机相机在不同变焦水平和高度下捕获的视频序列，制备了用于水污染物检测的图像数据集。结果表明，所提出的模型在响应时间和mAP方面均优于MobileNet、YOLOv4、YOLOv5s和YOLOv8，其中藻类（Algae）的mAP为94.7%，垃圾（trash）的mAP为96.7%，多类污染物分类的mAP为94.3%。本研究旨在推动无人机在环境监测中的应用，为水污染物检测提供高效且可扩展的解决方案。
Keyword:
Computer vision
Deep learning
Wireless sensor networking
Vision transformer
YOLO
期刊
IF:
3
论文数:
2.3K
被引数:
3.5W
机构
暂无机构信息
引用论文
Efficient Object Detection Method Based on Improved YOLOv3 Network for Remote Sensing Images基于改进YOLOv3网络的遥感图像高效目标检测方法
PREAI
分享收藏Single Image Based Algal Bloom Detection Using Water Body Extraction and Probabilistic Algae Indices.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Using Machine Learning Models for Predicting the Water Quality Index in the La Buong River, VietnamWATER
OAAI
WATERIF3
OAAI分享收藏分享收藏
查看更多内容