해양 쓰레기는 전 세계적인 환경 문제의 주요 부분이며, 자율 수중 로봇은 일정 부분 깊은 바다 쓰레기를 정리할 수 있습니다. 깊은 바다 쓰레기를 빠르고 정확하게 감지하기 위해 딥러닝 방법을 사용하여 경량 감지 모델(Deep-sea debris yolo, Debris-yolo)을 구축했습니다. 전 세계 해양학 데이터 센터(GODAC)에서 제공하는 Deep-sea debris 데이터베이스를 기반으로 깊은 바다 쓰레기 데이터셋을 생성했습니다. 개선된 BiFPN 특징 융합 네트워크를 도입하여 모델 파라미터 수를 줄이고 배경을 구분하는 모델의 능력을 향상시켰습니다. 그 후, 경량 감지 헤드를 설계하여 계산 복잡성을 줄이고 깊은 바다 쓰레기 감지 모델의 실용성과 배치 가능성을 높였습니다. 마지막으로, Wise-DIoU(Wise Distance Intersection over Union) 손실 함수를 제안하여 저품질 샘플이 모델에 미치는 영향을 억제하고 모델이 깊은 바다 쓰레기를 더 정확하게 위치할 수 있도록 했습니다. 훈련 과정에서는 데이터 증강과 적응형 색 균형 수중 복원을 사용하여 훈련 데이터셋을 강화했습니다. 실험 결과, YOLOv8n과 비교하여 본 논문에서 제안한 Debris-yolo 모델은 각각 mAP_0.5와 mAP_0.5∶0.95를 1.3%와 1.6% 향상시켰으며, 파라미터 수와 GFLOPS는 각각 48.2%와 36% 감소했습니다.

컴퓨터 비전;객체 감지;수중 로봇;심해 쓰레기