Морской мусор является основной частью глобальной экологической проблемы, и автономные подводные роботы могут в определенной степени убирать мусор на морском дне. Для быстрого и точного обнаружения глубоководного мусора была разработана легкая модель обнаружения с использованием методов глубокого обучения (Deep-sea debris yolo, Debris-yolo). Набор данных для глубоководного мусора был создан на основе базы данных глобального центра океанографических данных (GODAC). Был введен улучшенный слияния признаков BiFPN, сокращающий количество параметров модели и повышающий ее способность отличать фон. Затем была разработана легкая модель обнаружения, снижающая вычислительную сложность и повышающая практичность и развертываемость модели обнаружения глубоководного мусора. Наконец, была предложена функция потерь Wise-DIoU (Мудрое расстояние пересечения над объединением), подавляющая влияние низкокачественных образцов на модель и позволяющая ей более точно идентифицировать глубоководный мусор. В процессе обучения было использовано увеличение данных и адаптивное цветовое балансирование для улучшения тренировочного набора данных. Результаты эксперимента показывают, что по сравнению с YOLOv8n введенная в этой статье модель Debris-yolo увеличивает значения mAP_0.5 и mAP_0.5∶0.95 на 1.3% и 1.6% соответственно, а количество параметров и GFLOPS уменьшаются на 48.2% и 36%.

computer vision;target detection;underwater robot;deep-sea debris