基于 YOLO26 的无人机视角河道水面垃圾检测系统

研究背景

河道作为城市生态系统的'血管'，其清洁程度直接关系到水环境质量、防洪安全及城市形象。然而，河道水面垃圾（特别是塑料袋、塑料瓶等难降解物）来源复杂、流动性强且分布广泛，传统的人工巡河或固定摄像头监测存在视野盲区大、响应滞后、统计困难等问题，难以满足精细化治理需求。

基于 YOLO 深度学习框架开发的无人机视角河道水面垃圾检测系统，专为河道场景设计，能够实时精准识别并统计'其他垃圾、塑料袋、塑料瓶、塑料杯、塑料包装'五类常见漂浮物。该系统的应用将河道治理从'人海战术'升级为'智慧监管'，不仅大幅提升了垃圾发现的时效性和准确率，还能通过量化数据指导清捞作业，对于构建长效治水机制、保护流域生态环境具有至关重要的意义。

应用场景

常态化河道智能巡河：替代或辅助人工巡河，无人机搭载系统沿河道自动巡航，实时识别并记录各类水面垃圾位置与数量，生成'垃圾分布电子地图'，让环卫部门一目了然。
重点河段精准清捞调度：针对垃圾易堆积的桥墩下、回水湾或排污口附近，系统可精确统计各类垃圾（如塑料瓶、包装袋）的密度，指挥清捞船只定点作业，避免盲目打捞，提高作业效率。
雨后及汛期应急排查：在暴雨或洪水过后，河道垃圾量激增，系统能快速评估受灾河段的污染负荷，区分大件垃圾（如塑料包装）与细小漂浮物，为应急清理资源的快速调配提供数据支撑。
河长制考核与成效评估：利用系统自动统计的垃圾数量和类别数据，客观量化各河段的保洁状况，为'河长制'工作考核提供不可篡改的数字化依据，直观展示治理前后的对比成效。
污染源追溯与分析：通过对不同类别垃圾（如特定品牌的塑料杯、包装）的长期监测数据分析，辅助管理部门推断垃圾主要来源（如沿岸餐饮、居民区或上游输入），从而制定针对性的源头管控措施。
饮用水源地及敏感区守护：在取水口上游或生态红线区域内进行高频次监测，一旦发现塑料垃圾入侵立即报警并定位，确保供水安全和生态敏感区的零污染。

主要工作内容

本文的主要内容包括以下几个方面：

搜集与整理数据集：搜集整理实际场景中无人机视角河道水面垃圾的相关数据图片，并进行相应的数据处理，为模型训练提供训练数据集；
训练模型：基于整理的数据集，根据最前沿的 YOLO26 目标检测技术训练目标检测模型，实现对需要检测的对象进行有效检测的功能；
模型性能评估：对训练出的模型在验证集上进行了充分的结果评估和对比分析，主要目的是为了揭示模型在关键指标（如 Precision、Recall、mAP50 和 mAP50-95 等指标）上的表现情况。
可视化系统制作：基于训练出的目标检测模型，搭配 PyQt5 制作的 UI 界面，用 Python 开发了一款界面简洁的软件系统，可支持图片、视频以及摄像头检测，同时可以将图片或者视频检测结果进行保存。其目的是为检测系统提供一个用户友好的操作平台，使用户能够便捷、高效地进行检测任务。

软件初始界面如下图所示：

在这里插入图片描述

检测结果界面如下：

在这里插入图片描述

一、软件核心功能介绍及效果演示

软件主要功能

可用于实际场景中的河道水面垃圾检测，分 5 个检测类别：['其他垃圾','塑料袋','塑料瓶','塑料杯','塑料包装']；

参数名	默认值	说明
`model`	`None`	指定用于训练的模型文件。接受指向 `.pt` 预训练模型或 `.yaml` 配置文件。对于定义模型结构或初始化权重至关重要。
`data`	`None`	数据集配置文件的路径（例如 `coco8.yaml`).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。
`epochs`	`100`	训练总轮数。每个 epoch 代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。
`patience`	`100`	在验证指标没有改善的情况下，提前停止训练所需的 epoch 数。当性能趋于平稳时停止训练，有助于防止过度拟合。
`batch`	`16`	批量大小，有三种模式：设置为整数 (例如，' Batch =16 ')，60% GPU 内存利用率的自动模式 (' Batch =-1 ')，或指定利用率分数的自动模式 (' Batch =0.70 ')。
`imgsz`	`640`	用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。
`device`	`None`	指定用于训练的计算设备：单个 GPU (`device=0`)、多个 GPU (`device=0,1`)、CPU (`device=cpu`)，或苹果芯片的 MPS (`device=mps`).
`workers`	`8`	加载数据的工作线程数（每 RANK 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。
`name`	`None`	训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。
`pretrained`	`True`	决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。
`optimizer`	`'auto'`	为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性
`lr0`	`0.01`	初始学习率（即 SGD=1E-2, Adam=1E-3) .调整这个值对优化过程至关重要，会影响模型权重的更新速度。
`lrf`	`0.01`	最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，随着时间的推移调整学习率。

参数名

默认值

说明

model

None

指定用于训练的模型文件。接受指向 .pt 预训练模型或 .yaml 配置文件。对于定义模型结构或初始化权重至关重要。

data

None

数据集配置文件的路径（例如 coco8.yaml).该文件包含特定于数据集的参数，包括训练数据和验证数据的路径、类名和类数。

epochs

100

训练总轮数。每个 epoch 代表对整个数据集进行一次完整的训练。调整该值会影响训练时间和模型性能。

patience

100

在验证指标没有改善的情况下，提前停止训练所需的 epoch 数。当性能趋于平稳时停止训练，有助于防止过度拟合。

batch

16

批量大小，有三种模式：设置为整数 (例如，' Batch =16 ')，60% GPU 内存利用率的自动模式 (' Batch =-1 ')，或指定利用率分数的自动模式 (' Batch =0.70 ')。

imgsz

640

用于训练的目标图像尺寸。所有图像在输入模型前都会被调整到这一尺寸。影响模型精度和计算复杂度。

device

None

指定用于训练的计算设备：单个 GPU (device=0)、多个 GPU (device=0,1)、CPU (device=cpu)，或苹果芯片的 MPS (device=mps).

workers

8

加载数据的工作线程数（每 RANK 多 GPU 训练）。影响数据预处理和输入模型的速度，尤其适用于多 GPU 设置。

name

None

训练运行的名称。用于在项目文件夹内创建一个子目录，用于存储训练日志和输出结果。

pretrained

True

决定是否从预处理模型开始训练。可以是布尔值，也可以是加载权重的特定模型的字符串路径。提高训练效率和模型性能。

optimizer

'auto'

为训练模型选择优化器。选项包括 SGD, Adam, AdamW, NAdam, RAdam, RMSProp 等，或 auto 用于根据模型配置进行自动选择。影响收敛速度和稳定性

lr0

0.01

初始学习率（即 SGD=1E-2, Adam=1E-3) .调整这个值对优化过程至关重要，会影响模型权重的更新速度。

lrf

0.01

最终学习率占初始学习率的百分比 = (lr0 * lrf)，与调度程序结合使用，随着时间的推移调整学习率。

基于 YOLO26 的无人机视角河道水面垃圾检测系统