Eine praktische Deep-Learning-Architektur zur Überwachung von großflächigen festen Abfällen basierend auf UAV-Bildern

Die Entwicklung der globalen Urbanisierung hat eine signifikante Menge an festen Abfällen hervorgebracht. Diese unbehandelten Abfälle können in jeder Ecke abgeladen werden, was ernsthafte Umweltverschmutzung verursacht. Daher ist es notwendig, ihre Verteilungsstandorte und detaillierte Randinformationen genau zu erfassen. In dieser Studie wurde ein praktisches Deep-Learning-Netzwerk zur Erkennung von festen Abfallhaufen über große Flächen mittels Bildern von unbemannten Luftfahrzeugen (UAV) vorgeschlagen und verifiziert. Zunächst wurde ein hochauflösendes Datenset zur Erkennung von festen Abfällen basierend auf UAV-Luftdaten erstellt. Dann wurde ein Dual-Branch-Semantische-Segmentierungsmodell für feste Abfälle konstruiert, um die Merkmale der Integration der Verteilung fester Abfälle mit der Umwelt und der unregelmäßigen Randmorphologie zu adressieren. Der Kontextmerkmalszweig ist verantwortlich für die Extraktion hochrangiger semantischer Merkmale, während der räumliche Merkmalszweig entworfen wurde, um feinere räumliche Details zu erfassen. Nach der Informationsfusion konnte das Modell eine umfassendere Merkmalsrepräsentation und Segmentierungsfähigkeit erreichen. Die Wirksamkeit der Verbesserung wurde durch Ablationsversuche verifiziert und mit 13 gebräuchlich verwendeten semantischen Segmentierungsmodellen verglichen, wodurch die Vorteile der Methode bei Segmentierungsaufgaben für feste Abfälle mit einer Gesamtgenauigkeit von über 94 % und einer Rückrufquote von 88,6 % - weit besser als die besten Vergleichswerte - demonstriert wurden. Schließlich wurde eine räumliche Verteilungskarte fester Abfälle im Distrikt Jiaxing, China, durch die Modellinferenz erstellt, die der Umweltabteilung half, das Umweltmanagement abzuschließen. Die vorgeschlagene Methode bietet einen praktikablen Ansatz zur genauen Überwachung fester Abfälle, um politische Unterstützung für den Umweltschutz zu bieten.