基于声纳图像的轻量级深度学习模型用于水下废物细分
1School of Automation Science and Engineering, Faculty of Electronic and Information Engineering, MOE Key Lab for Intelligent Networks and Network Security, Xi'an Jiaotong University, Xi'an 710049, Shaanxi, China.
Waste management (New York, N.Y.)
|September 15, 2024
概括
这项研究引入了一种轻量级的网络,用于从声纳图像中对水下废物进行细分,从而提高自主机器人的效率. 该方法增强了海洋垃圾的识别和回收,以实现可持续发展.
科学领域:
- 海洋生物学 海洋生物学
- 机器人技术 机器人技术 机器人技术
- 计算机视觉 计算机视觉
背景情况:
- 海洋废物积累带来了重大的生态威胁和污染挑战.
- 传统的手动废物收集方法是低效和危险的.
- 自动化水下废物回收对于海洋环境保护至关重要.
研究的目的:
- 利用声纳图像开发一个轻量级,高效的水下废物细分网络.
- 为自主水下机器人提供像素级位置和类别信息.
- 提高自主水下废物回收系统的精度和效率.
主要方法:
- 提出了用于声纳图像分割的轻量级多尺度跨层次网络.
- 引入混合感知和多尺度注意模块用于特征提取.
- 利用采样注意力和跨层次交互模块进行特征融合和下方采样.
主要成果:
- 实现了74.66%的平均交叉在欧盟 (mIoU) 只有0.68万个参数.
- 性能优于现有的语义细分模型,包括PIDNet Small和SeaFormer T.
- 在mIoU (1.15%与PIDNet Small相比,2.07%与SeaFormer T相比) 显著改善,参数减少 (91%比PIDNet Small少,比SeaFormer T少59%).
结论:
- 拟议的网络在模型大小和水下废物细分精度之间提供了平衡的性能.
- 这项技术为智能水下废物回收提供了宝贵的见解,并促进了可持续的海洋发展.
- 该方法提高了自主水下机器人的废物管理能力.
