近日，在实验室徐向荣教授指导下，2024级环境工程专业型硕士研究生曾峻森以第一作者身份在国际环境科学领域权威期刊Journal of Hazardous Materials发表题为“Semantic-guided adaptive dual-stream inference for marine floating litter detection”的研究论文。该研究针对复杂海面环境下漂浮垃圾小目标易漏检、高分辨率检测计算开销大的难题，提出一种语义引导的自适应双流推理框架（GL-DSI），为兼顾小目标识别精度与计算效率提供了全新方法。

海洋漂浮垃圾的准确识别是开展污染监测、空间分布分析和清理规划的重要前提。然而，漂浮垃圾小目标在图像降采样后容易丢失细节信息，海面反光、泡沫等背景干扰进一步增加识别难度；而单纯提高分辨率或采用全覆盖切片策略又会增加计算负担，并可能引入更多背景误检。针对上述问题，研究团队将全局场景信息与局部精细检测相结合，构建了GL-DSI框架，主要创新如下：

1.提出语义引导双流机制，实现按需局部精细检测。利用低分辨率全局流中的低置信度候选检测作为语义线索，引导高分辨率局部流选择性处理疑似区域，将计算资源优先分配给需要进一步辨识的区域。相较于穷尽式切片，该机制平均减少73.5%的局部图像块处理数量，有效降低冗余计算。

2.设计尺度感知高斯衰减模块（SAGA），缓解切片边界伪影。根据目标像素面积及其与切片边界的距离动态调整检测置信度，在抑制目标截断引起的伪检测与重复检测的同时，降低真实小目标被过度抑制的风险，提高边界区域检测的可靠性。

3.构建尺度—语义一致性过滤模块（SSCF），抑制海面背景误检。结合随目标尺度变化的置信度阈值、全局与局部检测结果的一致性，以及目标面积、颜色饱和度等多维信息，进一步筛除海面反光、泡沫等干扰引起的可疑检测，增强了复杂海面环境下的检测稳定性。

在自建海洋漂浮垃圾数据集上的实验结果表明，以YOLOv11s为基础检测器，GL-DSI取得93.4%的F1得分，在桌面端达到44.6帧/秒的处理速度。相较于标准YOLOv11s推理，像素面积小于256 px²的目标召回率由58.0%提升至69.0%，其中像素面积小于64 px²的极小目标召回率由13.5%提升至27.0%（上述尺度均依据目标在图像中的像素面积划分）。基于YOLOv8s和YOLOv11s的对比实验进一步验证了该框架在不同代际检测器上的适用性。Jetson Orin Nano边缘端测试验证了其在无人艇等边缘部署场景下的可行性，部署后保留了小目标检测收益，内存占用与基线方法基本持平。

该研究通过语义引导的局部精细检测与尺度感知误检抑制，为改善海洋漂浮垃圾小目标漏检、抑制背景干扰与减少冗余计算提供了新方法，可为面向无人艇等平台的智能海洋环境监测应用提供技术支撑，对服务我国海洋生态环境保护与海洋强国建设具有积极意义。

本研究得到了广西重点研发计划项目（AB25069113、2025FN9619929）、广西科技计划项目（AD25069075）及海南省科技专项（ZDYF2022SHFZ317）等项目的资助。

论文详细信息：

Zeng Junsen, Zhao Zirui, Jiang Honglei, Huang Shuowen, Huang Qianyi, Xu Xiangrong*, Yu Kefu. Semantic-guided adaptive dual-stream inference for marine floating litter detection. Journal of Hazardous Materials, 517 (2026), 143863.

原文链接：https://doi.org/10.1016/j.jhazmat.2026.143863

论文首页

文字作者：曾峻森

图片来源：期刊论文

编辑：周剑、李艳丹

一审一校：周剑

二审二校：刘旗扬

三审三校：徐向荣