摘要
القمامة البحرية هي جزء رئيسي من مشكلة البيئة العالمية ، ويمكن للروبوتات البحرية الذكية تحت الماء تنظيف القمامة البحرية إلى حد ما. من أجل الكشف السريع والدقيق عن القمامة البحرية العميقة ، تم تطوير نموذج كشف خفيف الوزن باستخدام أساليب التعلم العميق (Deep-sea debris yolo ، Debris-yolo). تم إنشاء مجموعة بيانات للقمامة البحرية العميقة باستخدام قاعدة بيانات القمامة البحرية العميقة التي أطلقها مركز بيانات المحيط العالمي (GODAC). تم إدخال شبكة BiFPN لدمج الميزات المحسنة ، مما يقلل من عدد معلمات النموذج ، ويعزز قدرة النموذج على التمييز بين الخلفية. ثم تم تصميم رأس كشف خفيف الوزن ، مما يقلل من تعقيد الحساب ويزيد من قابلية استخدام ونشر نموذج كشف القمامة البحرية العميقة. في الأخير ، تم اقتراح دالة الخسارة Wise-DIoU (الذكاء المسافة التقاطع فوق الاتحاد) ، وهو يكبح تدخل العينات ذات الجودة المنخفضة في النموذج ، مما يجعل النموذج قادرًا على تحديد مكان القمامة البحرية العميقة بدقة أكبر. خلال عملية التدريب ، تم تحسين مجموعة البيانات التدريبية باستخدام تعزيز البيانات وإعادة التوازن اللوني التكيفي للعودة تحت الماء. تظهر نتائج التجربة أنه بالمقارنة مع YOLOv8n ، فإن نموذج Debris-yolo المقترح في هذه الورقة يزيد من ارتفاع mAP0.5 و mAP0.5∶0.95 بنسبة 1.3% و 1.6% على التوالي ، وتنخفض كمية المعلمات و GFLOPS بنسبة 48.2% و 36%.
关键词
computer vision;target detection;underwater robot;deep-sea debris