Meeresmüll ist ein Hauptbestandteil des globalen Umweltproblems, und autonome Unterwasserroboter können in gewissem Maße Meeresmüll in der Tiefsee reinigen. Um Meeresmüll in der Tiefe schnell und genau zu erkennen, wurde ein leichtes Detektionsmodell unter Verwendung von Deep-Learning-Methoden entwickelt (Deep-sea debris yolo, Debris-yolo). Aus den weltweiten Ozeandaten des Global Oceanographic Data Center (GODAC) wurde ein Datensatz für Meeresmülldatenbanken erstellt. Es wurde ein verbessertes Fusionssystem für Merkmale BiFPN eingeführt, das die Anzahl der Modellparameter reduziert und die Fähigkeit des Modells zur Unterscheidung des Hintergrunds erhöht. Anschließend wurde ein leichtes Detektionsmodell entworfen, das die Berechnungskomplexität reduziert und die Praktikabilität und Bereitstellungsfähigkeit eines Modells zur Erkennung von Meeresmüll in der Tiefe verbessert. Schließlich wurde eine Wise-DIoU (Weises Distance Intersection over Union)-Verlustfunktion vorgeschlagen, die die störenden Einflüsse von minderwertigen Proben auf das Modell unterdrückt und das Modell befähigt, den Meeresmüll präziser zu lokalisieren. Während des Trainings wurden Datenverstärkung und adaptive Farbausgleichsunterwasserwiederherstellung zur Verbesserung des Trainingsdatensatzes eingesetzt. Experimentelle Ergebnisse zeigen, dass im Vergleich zu YOLOv8n das in dieser Arbeit vorgeschlagene Debris-yolo-Modell die Werte mAP_0.5 und mAP_0.5∶0.95

关键词