人工智能在河流污染监测中的应用以支持环境管理与减缓影响

《Infrastructures》:Application of Artificial Intelligence in River Pollution Monitoring for Environmental Management Support and Impact Mitigation

【字体: 大 中 小 】 时间:2026年07月06日 来源:Infrastructures 3.6

编辑推荐:

  水体中可见固体废弃物污染日益加剧,对生态系统和公众健康构成威胁。该研究提出了一种基于卷积神经网络(Convolutional Neural Networks, CNNs)的低复杂度方法,利用图像自动检测河流中的可见垃圾。研究方法涉及从多个来源筛选数据集,并应用

  
水体中可见固体废弃物污染日益加剧,对生态系统和公众健康构成威胁。该研究提出了一种基于卷积神经网络(Convolutional Neural Networks, CNNs)的低复杂度方法,利用图像自动检测河流中的可见垃圾。研究方法涉及从多个来源筛选数据集,并应用基于MobileNetV2架构的迁移学习(Transfer Learning),该架构因其计算效率而被选用。模型在20次独立运行中表现稳定,平均测试准确率为89.7%,F1分数为90.9%,曲线下面积(Area Under the Curve, AUC)为0.996。值得注意的是,用于定性说明的代表性模型在测试集上产生了零假阴性;该结果反映了特定模型实例的行为,应被理解为说明性结果,而非该方法保证性的操作性能。结果表明,所提出的方法是自动化河流监测的可行、可扩展且可及的技术替代方案。未来与网络应用程序和地理空间平台的集成可增强其对环境机构和公共管理者的效用。
该研究聚焦于水体可见垃圾污染的自动化监测问题,旨在开发一种基于卷积神经网络(Convolutional Neural Networks, CNNs)的低复杂度图像分类模型,以支持环境管理与污染影响减缓。研究背景方面,人类活动导致全球水资源的持续压力,水污染已成为紧迫的环境问题。联合国教科文组织《世界水发展报告》(2024年)指出,全球超过80%的废水未经充分处理即排入环境;在巴西,超过110,000 km的河流水质受损,83,450 km的水源因污染而无法用于公共供水。河流水质直接影响粮食生产、能源生成、公共健康和经济动态。传统监测方法存在成本高、耗时久、覆盖范围有限等局限,难以实现污染物的快速检测与有效响应。在此背景下,计算机视觉(Computer Vision)技术,特别是CNN,因其在视觉模式识别方面的优势,成为环境监测的有望策略。然而,传统CNN架构在计算、能源和连接性资源受限的环境监测场景中应用受限。因此,研究人员旨在开发一种基于轻量级CNN的自动化可见垃圾检测方法,以实现更具可扩展性和可及性的河流监测。

研究人员开展了以下工作:构建并整理了一个来自多源的标注图像数据集;采用基于MobileNetV2架构的迁移学习实现二分类模型;通过20次独立运行进行严格的统计评估;并开发了交互式网络应用程序以展示模型的实际应用。研究结论表明,该方法具有可行性和可扩展性,为水资源管理提供了低成本的自动化监测工具。

该研究采用的主要关键技术方法包括以下几个方面。在数据层面,研究人员构建了多源数据集,结合知识共享许可协议(Creative Commons)下手动收集的图像与Roboflow平台的补充数据集,并通过数据增强(Data Augmentation)技术扩充样本量。在模型架构方面,选用在ImageNet数据集上预训练的MobileNetV2作为基础网络,该网络采用深度可分离卷积(Depthwise Separable Convolutions)、逆向残差结构(Inverted Residuals)和线性瓶颈(Linear Bottlenecks)设计,具有计算效率高、参数量少的特点。研究人员冻结了MobileNetV2的基础层权值,在其上添加全局平均池化层(Global Average Pooling)、两个丢弃率(Dropout rate)为30%的弃用层、含64个神经元及ReLU激活函数的全连接层,以及用于二分类的Sigmoid输出层。训练过程中应用了Adam优化器(学习率0.0001)、二元交叉熵损失函数(Binary Cross-Entropy),并通过类别权重(Class Weights)处理样本不平衡问题。此外,研究人员开发了基于Streamlit库的交互式网络应用程序,支持图像上传、推理分析及基于全球定位系统(Global Positioning System, GPS)的地理定位功能。

研究结果部分包含以下小节。

**20次运行的整合指标**:通过20次独立运行的均值和标准差评估模型性能的稳健性。训练集准确率均值为91.53%,标准差仅±0.27%;验证集准确率降至86.92%,标准差为±1.69%;测试集准确率均值为89.70%,F1分数为90.96%。训练损失均值为0.2132,验证损失为0.2918。箱线图显示各项指标分布集中,表明模型具有良好的稳定性和可预测性。

**收敛性分析**:学习曲线显示模型收敛稳定,训练准确率稳步提升,验证准确率与之紧密跟踪,两者差异较小;损失曲线持续下降且无剧烈波动,验证损失在训练末期未出现显著增长,表明模型未出现过拟合现象。最佳模型的验证曲线虽存在随机性导致的变异,但其验证准确率落在20次运行均值(86.92% ± 1.69%)的±2% widerof内,确认其代表性。

**最佳选定模型的性能**:该模型为测试集上F1分数最高的代表性模型,仅用于定性说明,主要性能指标仍基于20次运行的聚合统计。混淆矩阵显示,171张"受污染"图像全部正确分类,160张"未受污染"图像中137张正确分类、23张误报(假阳性)。分类报告显示"受污染"类别的召回率(Recall)达1.00。ROC曲线的AUC为0.996,精确率-召回率曲线(Precision–Recall curve)的平均精确率(Average Precision, AP)亦为0.996,表明模型具有优异的类别区分能力。

**阈值对分类指标的影响**:通过0.3至0.9的不同决策阈值进行探索性分析。当阈值为0.5时,召回率达到1.000(零假阴性),同时保持适度的假阳性数量(23个),在环境安全优先的监测系统中具有优势。其他阈值虽在特定指标上略有改善,但会引入假阴性,不利于污染预警。

**模型的实际应用**:研究人员开发了基于Streamlit库的交互式网络应用程序,支持JPG、PNG和HEIC格式图像上传,经格式验证、RGB转换、224×224像素缩放及像素归一化预处理后,由训练好的CNN模型进行推理,返回污染概率值。应用程序同时提取图像的地理元数据(日期、纬度、经度),并在交互式地图上显示位置信息。该应用程序具有响应式设计,可在智能手机、平板和桌面设备上使用,已在线部署以供公众访问。

**与相关工作的比较**:研究人员将本研究结果与文献中MobileNetV2在环境和废物分类任务中的表现进行了对比。在塑料废物分类研究中,MobileNetV2达到97.12%的准确率、96.31%的精确率、92.69%的召回率和94.26%的F1分数;在海洋塑料检测的跨域基准测试中,MobileNetV2在包括ResNet-18和视觉变换器(Vision Transformers)在内的多种架构中取得最强的跨域F1分数。研究人员指出,这些比较基于不同数据集和任务定义的结果,并非控制实验条件下的直接基准测试,未来需在相同数据集上进行形式化对比。

**未增强数据的补充评估**:为回应评估子集中使用增强图像的关切,研究人员使用仅经像素归一化(缩放至[0, 1])的原始未增强图像进行了额外评估。原始验证集包含235张图像(80张"未受污染"、155张"受污染"),测试集包含230张图像(75张"未受污染"、155张"受污染")。结果显示,未增强数据上的测试准确率为88.26%,F1分数为91.03%,精确率为93.84%,与原始报告结果完全一致,证实确定性增强策略未人为夸大指标,模型对原始未修改图像具有稳健的泛化能力。AUC降至96.16%(原为99.60%),反映了该补充分析中评估集更小且类别更不平衡的特点。

讨论部分,研究人员进一步分析了研究结果的意义与局限。模型在20次独立运行中取得的平均测试准确率89.7%和F1分数90.9%,表明基于MobileNetV2和迁移学习的方法具有良好的稳健性和可泛化性。MobileNetV2的计算效率已在文献中得到充分证实,其通过深度可分离卷积和逆向残差块设计,在保持较高准确率的同时大幅减少了参数量和浮点运算量,此前在移动和嵌入式硬件上的部署已实现每图像数十毫秒的推理时间,这支持了其在智能手机和无人机等资源受限设备上部署的可行性。最佳模型零假阴性的特性对环境监测应用尤为重要,因为在该场景下漏检真实污染事件的后果远比误报严重;但需注意的是,这一结果仅针对测试集F1分数选定的代表性模型,20次运行的平均"受污染"类别召回率为90.96%(±1.69%),表明不同初始化下性能 consistently high但并非绝对。区分类别和子集的数据增强策略有效应对了初始类别不平衡问题,20次运行中低标准差(如训练准确率±0.27%)进一步确认了训练流程的可重复性和可靠性。

该研究的局限在于:模型仅针对静态图像进行离线操作,未设计用于实时视频流处理;未在相同数据集上与MobileNetV3-Small、EfficientNet-B0、ShuffleNetV2或ResNet18等替代轻量级CNN架构进行控制对比基准测试。此外,推理延迟和内存占用的直接量化基准测试也未在本研究中开展,被列为未来工作方向。与传统监测方法相比,该方案提供了可扩展、低成本的替代选择,网络应用程序界面进一步降低了环境检查员和公共管理者等非专业用户的采用门槛。

研究结论部分翻译如下:该工作提出并评估了一种基于CNN方法的智能分类器,用于自动检测河流表面图像中的可见污染。为此,研究人员构建了一个经手动标注和增强的数据库,并采用基于MobileNetV2架构的迁移学习模型进行"受污染"或"未受污染"的二分类。结果证明,模型取得了高且一致的性能,测试集平均准确率为89.7%,F1分数为90.9%。ROC曲线的AUC为0.996,精确率-召回率曲线的AP亦为0.996,表明模型在不同决策阈值下均能有效区分类别。最佳运行中假阴性的缺失强化了其在需要最大灵敏度的环境警报系统等场景中的适用性。从应用角度看,模型结果揭示了其融入大规模监测系统的潜力,尤其在基础设施有限的地区。MobileNetV2架构的计算轻量性使其能够在资源受限设备(如智能手机)以及无人机或其他嵌入式系统上运行,可直接集成至机载软件执行实时推理,结果可用于任务自动化和远程数据传输。该研究的主要贡献在于提出了一种低成本、可扩展且可复现的水监测解决方案,以扩展环境管理和影响减缓的支持工具。未来工作方面,向实时和连续监测场景的拓展是自然而技术上可行的下一步,具体包括两条部署路径:一是基于无人机的监测,需开发帧提取和机载预处理流程、在嵌入式处理器上实现边缘推理、设计地理空间日志协议以将污染检测与GPS坐标关联;二是固定摄像头视频流监测,可采用滑动窗口聚合或变化检测算法等时间过滤机制以降低连续采集场景中的假阳性率。此外,与地理信息系统(Geographic Information Systems, GIS)集成、跨不同流域和地理区域扩展训练数据集、以及结合位置、天气和季节变化等上下文元数据的多模态方法,也是进一步提升检测准确率和鲁棒性的未来方向。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号