使用水下图像和深度学习驱动的图像修复来检测海底碎片:泰国Koh Tao的一个案例研究

科学领域:

• 海洋生物学 海洋生物学
• 计算机视觉 计算机视觉
• 环境科学 环境科学

背景情况:

• 由于高成本和复杂的海洋环境,海底碎片监测具有挑战性.
• 现有的水下成像方法在图像质量和检测准确性方面存在局限性.

研究的目的:

• 开发一种创新且具有成本效益的方法来检测海底碎片.
• 通过优化对象检测模型,利用超分辨率重建 (SRR) 技术.
• 在具有挑战性的水下条件下提高海洋垃圾识别的精度.

主要方法:

• 在泰国Koh Tao进行了实地研究.
• 利用七个SRR模型重建超分辨率图像.
• 采用优化的基于YOLOv8的模型,海底碎片-YOLO (SFD-YOLO),用于对象检测.
• 分析了放大因子在SRR过程中的影响.

主要成果:

• 该RDN模型实现了卓越的图像重建 (PSNR: 41.02 dB,SSIM: 95.08%).
• 使用RDN重建图像的SFD-YOLO模型,通过4倍放大因子实现了最先进的碎片检测精度 (mAP:91.2%) .
• 定量比较证明了SRR在提高图像质量和检测性能方面的有效性.

结论:

• 拟议的方法为加强海底碎片监测提供了一个实际的解决方案.
• 与优化物体检测相结合的SRR技术显著改善了海洋碎片的识别.
• 这种方法推进了水下调查技术,以更精确地检测海洋碎片.