O lixo marinho é uma parte principal dos problemas ambientais globais, e robôs subaquáticos autônomos podem limpar lixo em águas profundas até certo ponto. Para detectar rápida e precisamente os detritos em águas profundas, foi construído um modelo de detecção leve usando métodos de aprendizado profundo (Deep-sea debris yolo, Debris-yolo). Um conjunto de dados de detritos em águas profundas foi criado com base no banco de dados Deep-sea debris lançado pelo Centro Global de Dados Oceânicos (GODAC). Uma rede de fusão de características BiFPN aprimorada foi introduzida para reduzir o número de parâmetros do modelo e melhorar a capacidade do modelo de distinguir o fundo. Em seguida, foi projetada uma cabeça de detecção leve para reduzir a complexidade computacional e aumentar a praticidade e a capacidade de implantação do modelo de detecção de detritos em águas profundas. Finalmente, foi proposta a função de perda Wise-DIoU (Wise Distance Intersection over Union) para suprimir a interferência de amostras de baixa qualidade no modelo, permitindo que o modelo localize com maior precisão os detritos em águas profundas. Durante o treinamento, foram usados aumento de dados e equilíbrio adaptativo de cores para restauração submarina para melhorar o conjunto de dados de treino. Os resultados experimentais mostram que, em comparação com o YOLOv8n, o modelo Debris-yolo proposto neste trabalho aumentou o mAP_0.5 e o mAP_0.5∶0.95 em 1,3% e 1,6%, respectivamente, enquanto o número de parâmetros e GFLOPS foram reduzidos em 48,2% e 36%, respectivamente.

visão computacional;detecção de objetos;robôs subaquáticos;lixo em águas profundas