کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8871078 1622704 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Use of unmanned aerial vehicles for efficient beach litter monitoring
ترجمه فارسی عنوان
استفاده از وسایل نقلیه هوایی بدون سرنشین برای نظارت بر کف دست شسته ساحلی
کلمات کلیدی
ترجمه چکیده
ارزیابی بستر ساحلی در سطح جهانی با استفاده از روش های کم کارآیی و پروتکل های غیر قابل مقایسه ای که مانع ادغام و به دست آوردن اطلاعات در مقیاس ملی می شود، به چالش کشیده می شود. بنابراین پیاده سازی یک رویکرد هدفمند، قابل تجدید پذیر و کارآمد لازم است. در اینجا ما استفاده از یک روش مبتنی بر سنجش از راه دور با استفاده از یک ساحل آزمایش واقع در خط ساحلی دریای سعودی را نشان می دهد. از طریق تصویربرداری از یک وسیله نقلیه بدون سرنشین، از طریق تصویر ثبت شد، در حالی که پردازش اتوماتیک تصاویر با حجم زیاد از طریق یادگیری ماشین، برای تشخیص آلودگی ها و طبقه بندی در سه دسته استفاده شد. با استفاده از این روش، تقریبا 40 برابر سریعتر از پوشش ساحلی در مقایسه با یک روش استاندارد بصری، سرشماری شد. در حالی که ابزار یادگیری ماشین مواجه با برخی از چالش ها در تشخیص درست آثار مورد علاقه، اولین نتایج طبقه بندی امیدوار کننده و انگیزه تلاش برای توسعه بیشتر تکنیک و پیاده سازی آن در مقیاس بسیار بزرگتر است.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات اقیانوس شناسی
پیش نمایش مقاله
استفاده از وسایل نقلیه هوایی بدون سرنشین برای نظارت بر کف دست شسته ساحلی
چکیده انگلیسی
A global beach litter assessment is challenged by use of low-efficiency methodologies and incomparable protocols that impede data integration and acquisition at a national scale. The implementation of an objective, reproducible and efficient approach is therefore required. Here we show the application of a remote sensing based methodology using a test beach located on the Saudi Arabian Red Sea coastline. Litter was recorded via image acquisition from an Unmanned Aerial Vehicle, while an automatic processing of the high volume of imagery was developed through machine learning, employed for debris detection and classification in three categories. Application of the method resulted in an almost 40 times faster beach coverage when compared to a standard visual-census approach. While the machine learning tool faced some challenges in correctly detecting objects of interest, first classification results are promising and motivate efforts to further develop the technique and implement it at much larger scales.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Marine Pollution Bulletin - Volume 131, Part A, June 2018, Pages 662-673
نویسندگان
, , , , , ,