Detección de objetos pequeños de objetos flotantes en canales de ríos basada en YOLOv7 mejorado

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Automático
• Monitoreo Ambiental

Sus antecedentes:

• Los requisitos de alta velocidad de cuadros en la visión por computadora para arroyos en movimiento exigen algoritmos de detección rápidos.
• La variabilidad en las cajas delimitadoras entre cuadros conduce a una baja precisión en la detección de objetos pequeños.
• La detección de objetos pequeños y flotantes en entornos dinámicos como los ríos presenta un desafío significativo.

Objetivo del estudio:

• Presentar un novedoso método de Detección de Región-Superpuesta (ROD) para mejorar la detección de objetivos pequeños.
• Abordar las limitaciones de los métodos existentes en la detección de objetos pequeños en arroyos dinámicos y en movimiento.
• Mejorar la precisión de la detección y la velocidad de convergencia utilizando una arquitectura YOLOv7 modificada.

Principales métodos:

• Implementación de un método de Detección de Región-Superpuesta (ROD) integrado con una arquitectura Mínimo Convolucionado YOLOv7 (MCY).
• Utilización de un clasificador YOLO típico para identificar el área de superposición más grande entre múltiples regiones.
• Empleo de un método secundario para extraer la caja delimitadora más grande de la convolución mínima en la capa de entrenamiento final de la red neuronal.
• Modificación de la arquitectura YOLO eliminando áreas que se cruzan de las capas convolucionales para acelerar la convergencia.

Principales resultados:

• El método MCY-ROD propuesto identifica con precisión objetos pequeños en corrientes que fluyen con alta precisión media.
• Se logró una media de Precisión Promedio (mAP) del 73,1% para la detección de objetos pequeños flotantes.
• Se alcanzó una tasa de recuperación del 70,2% en entornos dinámicos de ríos, lo que demuestra un rendimiento sólido.

Conclusiones:

• El método MCY-ROD ofrece un avance significativo en la detección de objetivos pequeños en entornos dinámicos.
• Las modificaciones en la arquitectura YOLO aceleran eficazmente la convergencia y mejoran la precisión de la detección (mAP).
• Este enfoque proporciona una solución confiable para monitorear objetos pequeños flotantes en entornos fluviales del mundo real.