Los desechos marinos son un componente principal del problema ambiental global, y los robots submarinos autónomos pueden limpiar en cierta medida los desechos marinos en las profundidades del mar. Para detectar de forma rápida y precisa los desechos marinos en aguas profundas, se ha desarrollado un modelo ligero de detección utilizando métodos de aprendizaje profundo (Deep-sea debris yolo, Debris-yolo). Se ha creado un conjunto de datos sobre desechos marinos en aguas profundas a partir de la base de datos de desechos marinos en aguas profundas lanzada por el Centro de Datos Oceanográficos Globales (GODAC). Se introdujo una red mejorada de fusión de características BiFPN, reduciendo el número de parámetros del modelo y mejorando su capacidad para distinguir el fondo. Luego, se diseñó una cabeza de detección liviana, reduciendo la complejidad de cálculo y mejorando la practicidad y despliegue del modelo de detección de desechos marinos en aguas profundas. Finalmente, se propuso una función de pérdida Wise-DIoU (Wise Distance Intersection over Union), suprimiendo la interferencia de muestras de baja calidad en el modelo y permitiendo que el modelo localice de manera más precisa los desechos marinos en aguas profundas. Durante el entrenamiento, se utilizó un aumento de datos y un equilibrio de color adaptativo en el mar para mejorar el conjunto de datos de entrenamiento. Los resultados experimentales muestran que, en comparación con YOLOv8n, el modelo Debris-yolo propuesto en este artículo aumenta respectivamente en un 1,3 % y 1,6 % los valores de mAP_0.5 y mAP_0.5∶0.95, y reduce el número de parámetros y GFLOPS en un 48,2 % y 36 %.

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