企业官网建设流程全解析

点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12920366/pdf/10661_2026_Article_15040.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

城市内涝频发，河道漂浮垃圾竟是关键 “推手”！如何用 AI 实现实时监测、自动计数、预警联动？本文研究给出了可落地的解决方案。

PART/1

痛点

城市河流中的漂浮垃圾，不只是污染问题，更是防洪隐患——

• 阻塞水流、抬高上游水位，直接加重内涝；

• 传统人工巡查、普通监控耗时、滞后、易漏判；

• 现有 AI 模型多只识别 “垃圾” 一类，缺乏细分类，无法支撑防洪决策。

针对这些痛点，研究团队搭建了一套YOLO + 视频监控的实时漂浮垃圾监测框架，在马来西亚莎阿南易涝河道落地验证。

PART/2

方案

方案：双 YOLO 模型搭配，兼顾速度与精度

团队选用YOLOv7 + YOLOv9双模型协同，互补短板：

1. YOLOv7：速度快、鲁棒性强，适配边缘设备 24 小时不间断运行；
2. YOLOv9：小目标、低对比度、半淹没垃圾检测更优，雨天更稳。

系统硬件部署

整套监测单元包含：AI 云台相机、NVIDIA Jetson 边缘计算设备、雷达水位计、气象站，支持昼夜全天候作业，数据不上云也能实时推理。

数据集与分类

构建15000 张实景图像数据集，覆盖 13 类垃圾：瓶子、树枝、易拉罐、杯子、泡沫、塑料袋、成堆垃圾、塑料盒、纸板、遮阳棚、桌子、椅子、大伞，精准匹配城市河道真实场景。

核心流程

1. 现场安装→数据采集→图像预处理与增强；

2. YOLOv7/YOLOv9 训练→模型导出；

3. 边缘设备实时推理→垃圾分类计数→阈值预警→决策支持。

PART/3

结果

结果：YOLOv7 整体更优，雨天选 YOLOv9

在真实河道光照、反光、浑浊、雨天等复杂环境下测试：

• 综合性能：YOLOv7 全面领先，mAP@0.5 达91.8%，精度、召回率、F1 值更稳定；
• 恶劣天气：YOLOv9 在雨天、模糊场景下衰减更小，漏检更少；
• 实时性：边缘端 YOLOv7 达23.4 FPS，YOLOv9 达 19.8 FPS，均满足实时要求。

混淆矩阵与精度 / 召回曲线显示：模型对常见塑料、瓶罐类识别极准，主要误判来自形状相似垃圾与强光眩光。

关键指标对比

• 精度：YOLOv7 对成堆垃圾、塑料容器更准；YOLOv9 对树枝、塑料袋略优；

• 召回率：YOLOv7 整体更高，尤其小目标不漏检；

• mAP：YOLOv7 在多阈值下均领先，定位更精准。

PART/4

价值

价值：从 “看垃圾” 到 “防洪水”

这套系统不只是环保监测，更是防洪前置预警工具：

1. 垃圾密度突增→预判河道堵塞→提前清淤；

2. 分类识别→判断污染源→精准治理；

3. 联动水位、雨量数据→构建一体化防洪预警；

4. 助力联合国 SDG 11（可持续城市）、SDG 13（气候行动）目标。

PART/5

总结与展望

✅ 结论：YOLOv7 更适合城市河道常态化实时监测，YOLOv9 可作为恶劣天气补充；

✅ 创新：实景数据集、双模型对比、边缘端落地、计数预警一体化；

🔜 未来：融合雷达 / 红外、扩展多流域、打造 AI + 水文学混合预警系统。

AI 让河道 “看得见、数得清、能预警”，为城市防洪与水资源管理提供低成本、可复制的智能方案！

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测