[論文レビュー] Intelligent Debris Mass Estimation Model for Autonomous Underwater Vehicle

Mohana Sri S, S Swethaa+2 more|arXiv (Cornell University)|Sep 19, 2023

Water Quality Monitoring TechnologiesEnvironmental Science被引用数 3

ひとこと要約

本論文では、水中画像からの廃棄物の検出と分離にYOLOv7ベースのインスタンスセグメンテーションを用いて、自律型水中機械（AUVs）向けの知能的なデブリ質量推定モデルを提案する。バイナリマスク処理、モルフォロジカル後処理、モンテカルロ面積推定を適用することで、総デブリ面積および質量推定が高精度に達成され、AUVの環境清掃ミッションにおける能力が向上する。

ABSTRACT

Marine debris poses a significant threat to the survival of marine wildlife, often leading to entanglement and starvation, ultimately resulting in death. Therefore, removing debris from the ocean is crucial to restore the natural balance and allow marine life to thrive. Instance segmentation is an advanced form of object detection that identifies objects and precisely locates and separates them, making it an essential tool for autonomous underwater vehicles (AUVs) to navigate and interact with their underwater environment effectively. AUVs use image segmentation to analyze images captured by their cameras to navigate underwater environments. In this paper, we use instance segmentation to calculate the area of individual objects within an image, we use YOLOV7 in Roboflow to generate a set of bounding boxes for each object in the image with a class label and a confidence score for every detection. A segmentation mask is then created for each object by applying a binary mask to the object's bounding box. The masks are generated by applying a binary threshold to the output of a convolutional neural network trained to segment objects from the background. Finally, refining the segmentation mask for each object is done by applying post-processing techniques such as morphological operations and contour detection, to improve the accuracy and quality of the mask. The process of estimating the area of instance segmentation involves calculating the area of each segmented instance separately and then summing up the areas of all instances to obtain the total area. The calculation is carried out using standard formulas based on the shape of the object, such as rectangles and circles. In cases where the object is complex, the Monte Carlo method is used to estimate the area. This method provides a higher degree of accuracy than traditional methods, especially when using a large number of samples.

研究の動機と目的

• 自律型水中機械（AUVs）が海洋環境におけるデブリ質量を推定できる知的モデルの開発を目的とする。
• 低視認性およびごみの多い複雑な水中シーンにおける正確なデブリ検出とセグメンテーションの課題に対処することを目的とする。
• 正確なデブリ体積および質量推定により、AUVのナビゲーションおよび干渉能力を向上させることを目的とする。
• ディープラーニングおよび画像処理技術を活用して、水中作業におけるリアルタイムのデブリ評価を実現することを目的とする。
• 海洋保護を支援するため、海洋清掃ミッションにおけるデブリ質量推定のスケーラブルで自動化されたソリューションを提供することを目的とする。

提案手法

• 水中画像における海洋デブリのオブジェクト検出バウンディングボックスを、Roboflowに統合されたYOLOv7を用いて、分類ラベルおよび信頼度スコアとともに生成する。
• 畳み込みニューラルネットワークを用いて、モデル出力のバイナリしきい値処理によりセグメンテーションマスクを生成する。
• モルフォロジカル操作および輪郭検出を用いてセグメンテーションマスクを精錬し、精度を向上させるとともにノイズを低減する。
• 簡単な形状（例：長方形、円）のための幾何学的公式を用いて、個々のセグメンテーション済みデブリインスタンスの面積を計算する。
• 複雑な形状のデブリの面積推定にモンテカルロ法を採用し、サンプル数を増やすことで精度を向上させる。
• 個々のインスタンス面積を合算して総デブリ面積を算出し、その後、仮定された密度に基づいて質量を推定する。

実験結果

リサーチクエスチョン

• RQ1 YOLOv7を用いたインスタンスセグメンテーションは、実際の水中画像において海洋デブリをどれほど正確に検出し、分離できるか？
• RQ2 モルフォロジカル操作や輪郭検出などの後処理技術は、セグメンテーションマスクの品質をどの程度向上させるか？
• RQ3 不規則な形状のデブリの面積推定において、モンテカルロ法は幾何学的公式と比較してどのように異なるか？
• RQ4 統合モデルは、AUVを用いた海洋清掃ミッションにおいて、画像データからの総デブリ質量を信頼性高く推定できるか？
• RQ5 画像品質および環境条件が、デブリ質量推定パイプラインの性能に及ぼす影響は何か？

主な発見

• YOLOv7とインスタンスセグメンテーションの統合により、水中画像における海洋デブリの高精度な検出および局所化が可能になった。
• モルフォロジカル操作などの後処理技術は、ノイズ低減および領域内のギャップの埋め埋め込みにより、マスク品質を顕著に向上させた。
• モンテカルロ法は、特にサンプル数を増やすことで、幾何的近似よりも複雑な形状のデブリの面積推定においてより高い精度を達成した。
• 個々のインスタンス面積を合算して総デブリ面積を算出し、質量推定の信頼性の高い基盤を構築した。
• 提案されたモデルは、AUVアプリケーションにおけるリアルタイムのデブリ質量推定の実現可能性を示しており、自律的な環境モニタリングおよび清掃を支援する。
• 本手法は、多様なデブリ形状および水中の視認条件に対しても耐性を示し、AUVの運用自律性を向上させる。