《Marine Pollution Bulletin》文章：基于深度学习的海洋溢油检测方法及其在无人机影像中的应用

溢油不仅会造成海水水质长期恶化，还会直接毒害鸟类、鱼类及浮游动物，引发生境退化、生物大规模死亡与营养级联紊乱等一系列深远而持续的生态灾害。因此，发展高效、智能的溢油检测技术，实现及时预警与快速响应，具有重要现实意义。
为克服传统人工巡检与雷达监测在时效性与识别精度上的局限，中山大学团队发展了一个基于YOLOv12的无人机影像溢油智能检测框架。该方法通过构建包含多类溢油形态、复杂海洋环境及多尺度目标的遥感数据集，结合高分辨率输入、预训练权重初始化与余弦退火学习率调度等策略，有效增强了模型对溢油特征的辨识与泛化能力。实验表明，模型训练过程中各类损失函数收敛迅速，最终在测试集上取得了F1分数0.7929、mAP@0.5达0.8334、mAP@0.5–0.95为0.7503的检测性能，其精确率-召回率曲线平滑，反映出良好的识别稳定性与边界回归精度。
此外，该模型在静态图像中能有效抑制复杂背景干扰，实现溢油区域的准确提取；在动态视频场景下也表现出稳定的帧间检测与持续跟踪能力。本研究证实，基于YOLOv12的检测框架可为海洋溢油的实时监测、生态风险评估与应急决策提供可靠的技术支持，具备较好的实际应用潜力。。

来源：Marine Pollution Bulletin