基于深度学习的水下废物检测：YOLOv7 与 10 和 Faster RCNN 的性能比较
计算机视觉与模式识别
2026-04-21 v1 人工智能
机器学习
摘要
水下污染是当今最重要的环境问题之一，世界各地海洋、河流和景观中都发现大量垃圾。准确检测这些废物材料对于成功的废物管理、环境监测和缓解策略至关重要。本研究研究了五种前沿目标识别算法的性能，即 YOLO（You Only Look Once）模型系列，包括 YOLOv7、YOLOv8、YOLOv9、YOLOv10 以及 Faster Region-Convolutional Neural Network（R-CNN），以确定哪种模型在水下情境中最有效。对这些模型进行了全面的训练和测试，数据集包含 15 种不同类别，在多样化条件下进行测试，如低能见度和可变深度。从上述模型中，YOLOv8 的平均精度（mAP）达到 80.9%，表现最为突出，这种提升的性能归因于 YOLOv8 的网络结构，该结构融合了改进的无锚框机制和自监督学习等先进特征，使其能够在多种环境中实现更精确、更高效的识别。这些发现凸显了 YOLOv8 模型在全球反治污行动中的潜力，显著提升了检测能力和规模化水平，改善了水下清理作业的效果。
引用
@article{arxiv.2507.18967,
title = {Underwater Waste Detection Using Deep Learning A Performance Comparison of YOLOv7 to 10 and Faster RCNN},
author = {UMMPK Nawarathne and HMNS Kumari and HMLS Kumari},
journal= {arXiv preprint arXiv:2507.18967},
year = {2026}
}
备注
7 pages, 11 figures, to be published in International Journal of Research in Computing (IJRC)