基于深度学习的棉田航拍图像中塑料污染物检测
计算机视觉与模式识别
2022-12-16 v1
摘要
被从道路旁吹走并缠绕在棉花植株上的塑料购物袋，若在收获前未被清除，可能最终进入轧棉厂。此类袋子不仅可能在轧棉过程中造成问题，还可能嵌入棉纤维中降低其质量与商品价值。因此，需要在棉花收获前检测、定位并移除这些袋子。人工在棉田中检测与定位这些袋子劳动强度大、耗时且成本高昂。为应对这些挑战，我们提出应用 YOLOv5 的四种变体（YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x），利用无人机系统（UAS）获取的 RGB（红、绿、蓝）图像检测塑料购物袋。我们还展示了塑料袋颜色及 YOLOv5 变体对平均精度（AP）、均值平均精度（mAP@50）和准确率的固定效应模型检验。此外，我们展示了塑料袋高度对检测精度的影响。研究发现，在所有四种变体中，袋子颜色对准确率有显著影响（p < 0.001），而在 95% 置信水平下，其对 YOLOv5m（p = 0.10）和 YOLOv5x（p = 0.35）的 AP 无显著影响。类似地，YOLOv5 变体对白袋的 AP（p = 0.11）和准确率（p = 0.73）无显著影响，但对棕袋的 AP（p = 0.03）、准确率（p = 0.02）以及 mAP@50（p = 0.01）和推理速度（p < 0.0001）有显著影响。此外，塑料袋高度对总体检测精度有显著影响（p < 0.0001）。本文报告的结果有助于在收获前加速清除棉田中的塑料袋，从而减少进入轧棉厂的污染物数量。
引用
@article{arxiv.2212.07527,
title = {Plastic Contaminant Detection in Aerial Imagery of Cotton Fields with Deep Learning},
author = {Pappu Kumar Yadav and J. Alex Thomasson and Robert G. Hardin and Stephen W. Searcy and Ulisses Braga-Neto and Sorin C. Popescu and Roberto Rodriguez and Daniel E Martin and Juan Enciso and Karem Meza and Emma L. White},
journal= {arXiv preprint arXiv:2212.07527},
year = {2022}
}
备注
preprint