基于轻量级深度学习模型的深海多金属块的图像细分和覆盖率估计

科学领域:

• 海洋地质学和资源勘探
• 人工智能和计算机视觉
• 矿物加工和材料科学 矿物加工和材料科学

背景情况:

• 深海多金属块是战略性金属的重要来源,需要有效的勘探方法.
• 准确评估节点参数,如覆盖率,对于评估存款价值至关重要.
• 现有的节点数据采集方法可能是缓慢和劳动密集型的,阻碍了有效的勘探.

研究的目的:

• 开发一个精简的,高速的深度学习模型,用于实时分析海底视频数据.
• 准确计算聚金属结节的覆盖率参数.
• 提高深海矿产资源勘探和评估的效率和准确性.

主要方法:

• 提出了一个新的细分模型,YOLOv7-PMN,专门用于分析海底视频数据.
• 用MobileNetV3-Small和集成的Squeeze-and-Excitation注意力机制取代了YOLOv7的骨干.
• 在头网中使用深度可分离的卷积模块来减少模型参数.

主要成果:

• 与原始YOLOv7.7相比,YOLOv7-PMN在各种大小的结节中显示出更好的检测和细分性能.
• 对结节的回忆率实现了3%的增加.
• 模型参数减少了61.78%,内存使用量减少了61.15%,推断速度增加到65.79 FPS.
• 展示了强大的概括能力,减少了对高质量的视频数据和广泛的注释的依赖.

结论:

• YOLOv7-PMN对于处理多金属结的复杂海底图像非常有效.
• 该模型为结节分析的速度,准确性和效率提供了显著的改进.
• 这项技术在深海矿产勘探中具有实用应用的巨大潜力.