海洋ゴミは世界的な環境問題の主要な要素であり、自律型水中ロボットはある程度深海ゴミを除去することができます。深海ゴミを迅速かつ正確に検出するために、ディープラーニングの手法を用いて軽量検出モデル（Deep-sea debris yolo、Debris-yolo）を構築しました。世界海洋学データセンター（GODAC）が提供するDeep-sea debrisデータベースに基づいて深海ゴミのデータセットを作成しました。改良されたBiFPN特徴融合ネットワークを導入し、モデルのパラメータ数を削減し、背景を区別する能力を向上させました。その後、軽量検出ヘッドを設計し、計算の複雑さを低減し、深海ゴミ検出モデルの実用性と展開性を向上させました。最後に、Wise-DIoU（Wise Distance Intersection over Union）損失関数を提案し、低品質のサンプルがモデルに与える影響を抑制し、モデルが深海ゴミをより正確に定位できるようにしました。訓練過程では、データ増強と適応的な色調補正による水中復元を用いて訓練データセットを強化しました。実験結果から、本研究が提案したDebris-yoloモデルはYOLOv8nと比較して、mAP_0.5およびmAP_0.5∶0.95をそれぞれ1.3％および1.6％向上させ、パラメータ数とGFLOPSがそれぞれ48.2％および36％削減されていることが示されました。

コンピュータビジョン;物体検出;水中ロボット;深海ゴミ