[论文解读] YOLO series target detection algorithms for underwater environments

Chenjie Zhang, Pengcheng Jiao|arXiv (Cornell University)|Sep 7, 2023

Water Quality Monitoring TechnologiesEnvironmental Science被引用 3

一句话总结

本文提出 YOLO-UC 和 YOLO-UH，为结构健康监测和有毒生物检测中的水下目标检测改进了基于 YOLO 的模型。通过整合数据增强、拉普拉斯锐化和小目标优化，模型在低能见度条件下提升了检测准确率，尽管面临浑浊、模糊和识别距离有限等挑战，仍表现出更强的鲁棒性。

ABSTRACT

You Only Look Once (YOLO) algorithm is a representative target detection algorithm emerging in 2016, which is known for its balance of computing speed and accuracy, and now plays an important role in various fields of human production and life. However, there are still many limitations in the application of YOLO algorithm in underwater environments due to problems such as dim light and turbid water. With limited land area resources, the ocean must have great potential for future human development. In this paper, starting from the actual needs of marine engineering applications, taking underwater structural health monitoring (SHM) and underwater biological detection as examples, we propose improved methods for the application of underwater YOLO algorithms, and point out the problems that still exist.

研究动机与目标

• 解决因能见度差、浑浊和图像退化导致的水下环境中目标检测鲁棒性不足的问题。
• 开发 YOLO-UC 以检测海洋结构物中的水下混凝土损伤，在成像条件恶劣时提升检测准确率。
• 构建 YOLO-UH 以识别小型潜在有毒海洋生物，重点提升在真实水下环境中对小目标的检测能力。
• 研究影响 YOLO 在水下机器人和自主系统中部署的软硬件限制。
• 识别主要挑战，如摄像头画质、计算资源限制、通信限制，以及从陆地域到水下域的领域偏移问题。

提出的方法

• 应用辐射度和几何数据增强，提升模型对水下场景中光照和视角变化的鲁棒性。
• 整合马赛克和混合增强技术，提升在复杂背景和小目标上的检测性能。
• 将标准 IoU 损失替换为广义 IoU（GIoU）损失，以改善边界框回归，尤其在预测区域无重叠的情况下。
• 应用拉普拉斯锐化以提升水下图像的清晰度并减少模糊，改善特征提取。
• 通过专为小目标设计的颈部模块和针对极小目标定制的数据增强，提升 YOLO-UH 中的小目标检测能力。
• 提出一种早期预警机制，通过优先处理和优化输出边界框，减少漏检。

实验结果

研究问题

• RQ1 如何有效适配基于 YOLO 的模型以应对低能见度、浑浊和图像退化的水下环境？
• RQ2 哪些数据增强和图像预处理技术能显著提升水下目标检测任务中的检测准确率？
• RQ3 通过模型架构改进，能在多大程度上提升水下环境中对小目标的检测性能？
• RQ4 影响水下机器人系统中实时 YOLO 部署的主要软硬件限制是什么？
• RQ5 从陆地域到水下域的领域偏移如何影响 YOLO 模型的泛化能力？哪些适应策略是有效的？

主要发现

• YOLO-UC 模型通过采用 GIoU 损失和数据增强，在不同光照和视角条件下对水下混凝土损伤检测的准确率得到提升，尤其在复杂成像条件下表现更优。
• YOLO-UH 通过专用颈部模块和数据增强，显著提升了小目标检测能力，在检测极小海洋生物方面优于基线 YOLOv5。
• 当识别距离超过 1.5 米后，识别准确率显著下降，主要由于摄像头对焦失败和图像模糊，表明有效检测范围存在硬性限制。
• 图像预处理技术如拉普拉斯锐化和对比度增强显著提升了特征可见性与检测可靠性。
• 实地测试表明，沉积物浓度和距离对检测性能有显著影响，在高浑浊度和远距离条件下准确率明显下降。
• 硬件限制——尤其是摄像头分辨率、自动对焦能力和芯片算力——被确定为主要瓶颈，即使软件优化也无法完全弥补，限制了整体系统性能。