来源：市场资讯
（来源：计算机视觉研究院）
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
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：
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
YOLOv7/YOLOv9 训练→模型导出；
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
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：
垃圾密度突增→预判河道堵塞→提前清淤；
分类识别→判断污染源→精准治理；
联动水位、雨量数据→构建一体化防洪预警；
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！
热门跟贴