1. 项目背景与挑战
海滩塑料垃圾检测是当前海洋环境保护领域的重要课题。传统的人工巡查方式效率低下且成本高昂，而基于计算机视觉的自动检测技术正逐渐成为主流解决方案。我们团队在尝试使用YOLO13-MLCA模型进行海滩塑料垃圾检测时，发现了一些亟待改进的问题。
首先，海滩环境具有高度复杂性。塑料垃圾往往与沙石、贝壳、海藻等自然物体混杂在一起，且受光照条件、潮汐变化等因素影响，给检测带来了巨大挑战。其次，塑料垃圾的形态多变——从完整的塑料瓶到碎片化的塑料袋，尺寸差异可达数个数量级。此外，部分半埋藏的塑料垃圾只有局部可见，进一步增加了识别难度。
在初步测试中，原始YOLO13-MLCA模型的表现存在三个主要问题：
- 对小尺寸塑料碎片（<20×20像素）的检测召回率不足45%
- 对半埋藏物体的误检率高达32%
- 在强光反射条件下的检测准确率下降明显
2. 模型改进方案
2.1 多尺度特征融合增强
针对小目标检测问题，我们在原有MLCA（Multi-Level Context Aggregation）模块基础上进行了三项关键改进：
- 跨层特征重加权：在FPN结构中引入通道注意力机制，通过SE模块动态调整各层特征的贡献权重。具体实现如下：
class SEWeightedFPN(nn.Module): def __init__(self, in_channels): super().__init__() self.se = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, in_channels//16, 1), nn.ReLU(), nn.Conv2d(in_channels//16, in_channels, 1), nn.Sigmoid() ) def forward(self, features): weights = [self.se(f) for f in features] return [f*w for f,w in zip(features,weights)]高分辨率浅层保留：在backbone网络中保留更多高分辨率浅层特征（从原图的1/4下采样改为1/2），同时采用深度可分离卷积控制计算量。
微尺度预测头：新增一个专门针对<32×32像素目标的检测头，其感受野调整为原YOLO头的1/4。
2.2 环境鲁棒性提升
为应对海滩复杂的光照条件，我们开发了多模态数据融合策略：
偏振光信息融合：在输入阶段增加偏振度（DoP）特征通道，计算公式为：
DoP = (I_max - I_min)/(I_max + I_min)其中I_max和I_min分别表示偏振方向平行和垂直时的光强。
动态白平衡校正：基于图像统计特性自动调整色彩平衡，特别针对沙滩反光区域：
def auto_white_balance(img): avg_rgb = img.mean(axis=(0,1)) gray_val = avg_rgb.mean() scale = gray_val / (avg_rgb + 1e-6) return np.clip(img * scale[None,None,:], 0, 255)阴影感知增强：通过亮度分布分析自动识别阴影区域，对阴影内外的检测结果采用不同的置信度阈值。
3. 训练策略优化
3.1 数据增强方案
我们设计了一套针对海滩场景的特殊数据增强策略：
自然掩蔽增强：随机模拟沙子部分覆盖效果
def sand_occlusion(img, max_ratio=0.3): h,w = img.shape[:2] mask = np.random.rand(h,w) < max_ratio img[mask] = img[mask]*0.7 + np.array([210,180,140])*0.3 return img光照条件模拟：包括：
- 强太阳光反射（模拟正午）
- 低角度光照（模拟清晨/黄昏）
- 薄雾效果（模拟海雾）
潮汐位置变化：随机调整图像中"海水线"的位置
3.2 损失函数改进
提出多任务加权损失函数：
L = λ1*L_obj + λ2*L_cls + λ3*L_box + λ4*L_edge其中新增的边缘感知损失L_edge计算为：
def edge_aware_loss(pred, target, edge_mask): edge_weight = 1.0 + 2.0 * edge_mask.float() return F.mse_loss(pred*edge_weight, target*edge_weight)4. 部署优化与实测效果
4.1 边缘计算优化
为适应海滩现场的边缘计算设备，我们进行了以下优化：
- 模型量化：采用混合精度量化（FP16+INT8）
- 自适应分辨率：根据设备负载动态调整输入分辨率
- 区域兴趣检测：基于潮位信息动态调整检测区域
4.2 实测性能对比
在自建BeachPlastic-1k测试集上的结果：
| 指标 | 原YOLO13-MLCA | 改进版 | 提升 |
|---|---|---|---|
| mAP@0.5 | 68.2% | 82.7% | +14.5% |
| 小目标召回 | 44.8% | 73.6% | +28.8% |
| 半埋藏检测 | 51.3% | 79.2% | +27.9% |
| FPS (Jetson TX2) | 28 | 23 | -5 |
5. 实际应用中的经验总结
数据采集建议：
- 覆盖不同潮位时段（高潮、低潮、涨落潮过程）
- 包含多种天气条件（晴、阴、雨、雾）
- 注意收集"负样本"（易混淆的自然物体）
部署注意事项：
- 摄像头安装高度建议1.2-1.5米
- 避免正午强光直射镜头
- 定期清洁镜头防止盐雾腐蚀
持续改进方向：
- 引入时序信息分析垃圾堆积趋势
- 结合无人机进行大范围扫描
- 开发塑料类型分类模块
这套改进方案在实际海滩清洁项目中已取得显著成效，在某试点海滩的自动检测系统运行三个月后，塑料垃圾的发现率比人工巡查提高了240%，同时减少了75%的人力成本。
