Bài báo trình bày một tổng quan hệ thống về việc ứng dụng máy bay không người lái, học sâu và Internet vạn vật trong công tác giám sát rác thải nhựa, nhằm giải quyết những hạn chế của các phương pháp khảo sát thủ công truyền thống. DOI: http://doi.org/10.64588/jc.40.05.2026
TÁC GIẢ:
Trần Gia Vinh1, PGS.TS Phan Văn Hưng1,*, Trịnh Hương Mai1,
Phạm Văn Quyến1, THS Nguyễn Văn Hùng2,
Nguyễn Đức Hải Dương2, Bùi Hải Đăng2
1Khoa Hàng hải, Trường Đại học Hàng hải Việt Nam
2Khoa Điện - Điện tử, Trường Đại học Hàng hải Việt Nam
*Email: phanvanhung@vimaru.edu.vn
THÔNG TIN BÀI BÁO
Chuyên mục: Khoa học công nghệ
Ngày nhận bài: 26/3/2026
Ngày sửa bài: 08/4/2026
Ngày chấp nhận đăng: 16/4/2026
Ngày xuất bản Online: 25/5/2026
Tác giả liên hệ: Email: phanvanhung@vimaru.edu.vn
TÓM TẮT
Bài báo trình bày một tổng quan hệ thống về việc ứng dụng máy bay không người lái, học sâu và Internet vạn vật trong công tác giám sát rác thải nhựa, nhằm giải quyết những hạn chế của các phương pháp khảo sát thủ công truyền thống. Thông qua việc phân tích 302 nghiên cứu khoa học lớn và đánh giá chuyên sâu 30 nghiên cứu tiêu biểu nhất, bài báo đã làm rõ các xu hướng công nghệ, phương pháp luận cũng như khoảng trống nghiên cứu hiện tại. Kết quả đánh giá chỉ ra sự chuyển dịch mạnh mẽ hướng tới các hệ thống phát hiện thời gian thực triển khai trên thiết bị điện toán biên. Về thuật toán, họ mô hình YOLO đang chiếm ưu thế vượt trội trong việc phát hiện đối tượng, trong khi các mạng như U-Net hay ResUNet50 lại thể hiện sức mạnh trong phân đoạn ngữ nghĩa và lập bản đồ. Về phần cứng và hạ tầng, các UAV thương mại như DJI Phantom 4 Pro trang bị camera RGB 20MP, kết hợp vi xử lý NVIDIA cùng mạng 5G/4G là cấu hình phổ biến nhất. Mặc dù có nhiều bước tiến lớn, lĩnh vực này vẫn đang đối mặt với một số thách thức cốt lõi như thiếu hụt các bộ dữ liệu chuẩn hóa đa địa điểm, khả năng tổng quát hóa mô hình còn yếu và chưa có nhiều hệ thống quản lý khép kín. Do đó, trong tương lai cần hướng đến việc xây dựng các bộ dữ liệu lớn có gán nhãn, chuẩn hóa tiêu chí đánh giá, cải thiện khả năng thích ứng của thuật toán và đẩy mạnh tích hợp đa cảm biến để nhận diện nhựa mạnh mẽ hơn.
Từ khóa: Máy bay không người lái; học sâu; Internet vạn vật; nhận diện rác thải nhựa; YOLO.
TÀI LIỆU THAM KHẢO
[1] L. Fallati, A. Polidori, C. Salvatore, L. Saponari, A. Savini and P. Galli. Anthropogenic Marine Debris assessment with Unmanned Aerial Vehicle imagery and deep learning: A case study along the beaches of the Republic of Maldives. Science of The Total Environment, vol. 693, p. 133581, 2019.
[2] G. Jakovljević, M. Govedarica, F. Álvarez-Taboada, and L. Pajewski. A Deep Learning Model for Automatic Plastic Mapping Using Unmanned Aerial Vehicle (UAV) Data. Remote Sensing, vol. 12, no. 9, p. 1515, 2020.
[3] N. Maharjan, N. Miyazaki, T. Witayangkurn, H. M. Dailey and R. Shibasaki. Detection of River Plastic Using UAV Sensor Data and Deep Learning. Remote Sensing, vol. 14, no. 13, p. 3049, 2022.
[4] M. A. Samsudeen, S. Sathish, K. Karthikeyan and R. Rajmohan. Sky Sweeper: A Drone Survelliance Model Using YOLOV8 and Jetson Nano for Plastic Waste Monitoring System, 2023 International Conference on Intelligent Computing and Next Generation Networks (ICNGN), 2023.
[5] T. V. Tran, R. Reef and X. Zhu. Detection of Bottle Marine Debris Using Unmanned Aerial Vehicles and Machine Learning Techniques. Drones, vol. 6, no. 12, p. 401, 2022.
[6] S. Duangsuwan, P. Prapruetdee, C. Subongkod and W. Klubsuwan. Drone-Enabled AI Edge Computing and 5G Communication Network for Real-Time Coastal Litter Detection. Drones, vol. 8, no. 12, p. 750, 2024.
[7] H.-Y. Liao, W.-C. Su, C.-C. Liu, Y.-C. Chiu, Y.-H. Chen and H.-Y. Chao. Real-Time UAV Trash Monitoring System. Applied Sciences, vol. 12, no. 4, p. 1838, 2022.
[8] T. Malche, P. Maheshwary and R. Kumar. Efficient solid waste inspection through drone‐based aerial imagery and TinyML vision model. Transactions on Emerging Telecommunications Technologies, vol. 34, no. 11, p. e4878, 2023.
[9] S. Manivannan, S. Prabhu, and S. Venkatesan. Garbage Monitoring And Management Using Deep Learning. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. X-1-2024, pp. 163-170, 2024.
[10] Đỗ Thị Phương Thảo, Nguyễn Thị Thu Hiền và Trần Thị Vân. Nghiên cứu mô hình phát hiện rác thải nhựa ven biển sử dụng ảnh máy bay không người lái và mạng nơ-ron tích chập sâu. Tạp chí Khoa học Đo đạc và Bản đồ, tập 49, tr. 543-552, 2022.
[11] L. De Keukelaere, S. Sterckx, D. Raymaekers, K. Moelans, J. Verschelde and L. De Smet. Large-scale remote monitoring of riverine litter using drones and bridge-mounted cameras. EGU General Assembly 2025, Vienna, Austria, 2025.
[12] O. Karakuş. On advances, challenges and potentials of remote sensing image analysis in marine debris and suspected plastics monitoring. Frontiers in Remote Sensing, vol. 4, p. 1302384, 2023.
[13] S. Balamurugan, V. Arun, C. Vishnu, P. Ramya and M. Vignesh. Integration of deep learning in real-time monitoring and alert system for evaluating plastic pollution levels in oceanic regions. AIP Conference Proceedings, vol. 3161, no. 1, 2025.
[14] C. Egbuna, J. C. Ifemeje, S. M. Udedi, G. Tijjani, M. Adetunji and K. C. Patrick-Iwuanyanwu. Advancing environmental sustainability through emerging AI-based monitoring and mitigation strategies for microplastic pollution in aquatic ecosystems. World Journal of Biology Pharmacy and Health Sciences, vol. 22, no. 2, pp. 438-456, 2025.
[15] O. Youme, N. Bayet, J. Dembele and J. Cambier. Deep learning and remote sensing: detection of dumping waste using UAV. Procedia Computer Science, vol. 185, pp. 361-369, 2021.
[16] M. Lucas-Thomson. EcoVision Lite: A Low-Cost Drone System for Real-Time Plastic Waste Detection and Mapping, TechRxiv, 2025.
[17] H.-Y. Liao, Y.-T. Wu, W.-C. Su, Y.-C. Chiu and H.-Y. Chao. Automatic Marine Debris Inspection, Aerospace, vol. 10, no. 1, p. 84, 2023.
[18] A. Anggraini. Integrated Approaches to Macroplastic Detection and Solid Waste Management Practices in Urban and Coastal Waterways. Ph.D. dissertation, 2024.
[19] A. Denih, B. Subartini and C. Wulandari. Identification of Plastic Waste with Unmanned Aerial Vehicle (UAV) Using Deep Learning and Internet of Things (IoT). Journal of Hazardous Materials Advances, vol. 13, p. 100622, 2025.
[20] S. Navya. Plastic Detection in The Surrounding Using Machine Learning Technique. International Scientific Journal of Engineering and Management, vol. 3, no. 27, 2025.
[21] A. Mane, S. Jadhav, P. Gaikwad, S. Shinde and Prof. S. Gaikwad. Garbage Detection Solution for Smart Cities Using YOLOv8 Image Recognition. Research Square preprint, 2025.
[22] C. Astorayme, W. Murillo, L. Andrade, and M. Alvarez. Advanced deep learning strategies for detection and quantification of macroplastics in rivers along the Peruvian coast. Marine Pollution Bulletin, vol. 213, p. 118649, 2026.
[23] M. Pfeiffer, M. Koschitzki and G. Scheffler. Use of UAVs and Deep Learning for Beach Litter Monitoring. Electronics, vol. 12, no. 1, p. 198, 2022.
[24] L. Fallati, A. Polidori, C. Salvatore, L. Saponari, A. Savini and P. Galli, 5.1 Anthropogenic Marine Debris assessment with Unmanned Aerial Vehicle imagery and Deep Learning: a case study along the beaches of the Republic of Maldives. Conference presentation, 2019.
[25] A. Bak, J. Ryu, and H. Yoon. Detection and monitoring of beach litter using uav image and deep neural network. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLII-3-W8, pp. 55-59, 2019.
[26] K. Perera, S. Ratnayake and D. Amarasinghe. Coastal and Marine Plastic Pollution Monitoring and Control Using Remote Sensing (RS) and Artificial Intelligence (AI) Technologies. Plastic Waste Management, Wiley, ch. 17, 2025.
[27] Y. Diez. Can We ‘Sense’ the Call of The Ocean? Current Advances in Remote Sensing Computational Imaging for Marine Debris Monitoring, arXiv preprint arXiv:2210.06090, 2022.
[28] Y. Zhou, X. Chen and L. Wang. AI-empowered Search Drone: Advanced AI-based Tiny Object Search Drone for Broad Areas. Applied and Computational Engineering, vol. 95, pp. 20241767, 2024.
[29] J. Han, M. Kim, and S. Lee. A Deep Learning Model for Automatic Plastic Waste Monitoring Using Unmanned Aerial Vehicle (UAV) Data. ESSOAr preprint, 2021.
[30] I. Cortesi. Machine Learning techniques applied to UAV imagery for macro-plastic detection in the fluvial environment. Master’s thesis, 2023.
Xem bài báo tại đây
