本篇分享论文
Monitoring Waste from Unmanned Aerial Vehicle and Satellite Imagery Using Deep Learning Techniques: A Review
，利用深度学习技术监测无人机和卫星影像中的废弃物综述。
-
论文地址；https://ieeexplore.ieee.org/document/10738392
摘要
近年来，随着城市化进程的加快，废弃物监测和管理在城市规划和环境保护中变得至关重要。遥感技术使得人们可以从空中观测地表和海洋特征，获得高清图像，识别并定位废弃物的位置。深度学习技术在提升废弃物监测的精度和效率方面展现了巨大潜力，逐渐成为废弃物监测领域的重要手段。
传统的废弃物监测方法主要依赖手工设计的特征，通过图像分割等技术识别废弃物区域。这些方法的解释性较好，但往往适应性较低，在应对复杂的环境中表现出明显的局限性。相比之下，深度学习能够自动提取特征，更适合于应对变化多端的废弃物形状和背景，但其可解释性较弱，依然存在优化空间。
目前，深度学习在废弃物监测中面临以下三大挑战：
-
形状不规则
：废弃物的形状通常不规则，这与其他人工结构（如建筑物）不同，增加了识别的难度。
-
与周围环境的融合
：废弃物容易与周围环境（特别是在森林和农田等区域）混合，使得检测难度加大。
-
多样性和分布广泛
：废弃物种类多样，包括陆地和海洋垃圾，并且分布在森林、农村和水体等各种环境中。
本文综述了基于遥感图像使用深度学习技术进行废弃物监测的最新进展。我们
搜集并总结了9个现有的遥感废弃物检测数据集
，涵盖了无人机和卫星等不同来源的废弃物监测图像，
提供了数据集有效原始链接
，以便读者可以快速访问。
根据应用场景和技术类型，我们主要将相关方法分为语义分割和目标检测两类，讨论了各类方法的特点和局限性。通过比较不同方法的基准结果，为未来研究提供参考。我们在讨论部分指出了当前方法的不足并提出未来六大研究方向，以支持废弃物监测和环境管理的发展。
概要
本研究针对废弃物监测的文献进行了广泛的系统性调研。通过 Google Scholar、IEEEXplore、Elsevier、Springer、Web of Science 和 ResearchGate 等多个学术平台进行了文献筛选，最终筛选出
40余篇
符合条件的研究。这些文献涵盖了废弃物监测的最新进展，符合 PRISMA 2020 系统性评估标准。
调研关键词
涵盖了“waste”,“garbage”,“landfill”,“marine debris”以及“detection”,“segmentation”,“monitoring”等术语，确保覆盖废弃物监测领域的相关研究。
文献主要包括期刊论文、会议论文、预印本及学位论文。本文将它们按国家进行分类。如下图所示，图中总结了全球不同国家或地区的论文数量。调研发现中国的研究在数量上居于首位，共有21篇文献；其次是意大利和英国，分别有5篇和3篇；此外，美国、希腊、印度等国家也有显著贡献。
文章对收集到的近五年的文献综合分析，将废弃物监测方法分为两大类：基于图像的
语义分割
方法和
目标检测
方法。然后根据应用场景和图像来源进一步对无人机和卫星遥感分类讨论。
Methods Classify
数据集
数据集名称和链接如下所示：
Datasets Example
部分有代表性的方法示意图
基于语义分割的方法示意图
基于目标检测的方法示意图
讨论
当前数据集的一些不足
当前研究的一些不足
未来可能的研究方向分析
