面向海洋生物污损多任务识别的MTBD-Net：分类、检测与分割一体化深度学习框架

本文提出一种多任务深度学习框架MTBD-Net，集成分类（Classification）、检测（Detection）与分割（Segmentation）任务，用于海洋生物污损（Biofouling）的智能识别。基于自建高质量生物污损数据集（BFD），模型融合ResNet-50、特征金字塔网络（FPN）与卷积注意力模块（CBAM），在分类准确率（Acc 84.22%）、检测精度（Precision 69.34%）与分割性能（Dice 59.46%）方面均优于单任务基线，为海洋设施维护提供强鲁棒性解决方案。

　　

Section snippets

Image collection

为构建BFD数据集，研究团队在三亚材料站开展了为期三年的浅海浸泡实验（图1a）。依据国家标准GB/T 5370-2007，将尺寸为25 cm × 35 cm的未涂覆PVC板以三块一组的方式固定于框架（图1b），并 submerged 于约1.5米水深。2022至2024年间，分批投放样本板，每批至少浸泡一年，以捕捉多个污损发育阶段并确保时间鲁棒性。

Architecture of network

MTBD-Net是一个统一的多任务框架，集成三大核心模块：（i）采用ResNet-50骨干网络与特征金字塔网络（FPN）实现共享的多尺度特征提取；（ii）引入卷积块注意力模块（CBAM）增强通道与空间显著性；（iii）轻量级任务头部分别处理分类、检测与分割任务。如图3所示，这些模块协同融合跨尺度表征，促进高效特征共享。

Baseline

为评估MTBD-Net的有效性，我们在分类、检测与分割任务中与多种代表性CNN模型进行比较。分类任务选用VGG-16与ResNet-50作为基线模型；目标检测对比YOLOv5与RetinaNet；语义分割则以DeepLabv3与U-Net作为基准模型。

Evaluation

在评估中，分类分支区分三种污损严重等级——轻度（Light）、中度（Moderate）与重度（Heavy）；检测分支定位并识别四类生物体——藻类（Algae）、蠕虫（Worms）、贻贝（Mussels）与其他（Others）；分割分支则输出每个类别的像素级掩码。

Classification results

我们在BFD上评估MTBD-Net与两种经典单任务基线（VGG-16、ResNet-50）在污损严重度分类任务上的表现（表3）。MTBD-Net的平均准确率（mean Acc）达84.22%，平均F1分数（mean F1-score）为84.10%，较VGG-16分别提升2.90%与0.69%，较ResNet-50提升5.98%与1.21%。在纹理简单、藻类覆盖少、颜色较浅的“轻度”类别中，所有模型均表现良好。然而，“中度”与“重度”类别间仍存在显著混淆。

Conclusion

自动化图像处理方法在减少人工检查依赖的同时，极大提高了海洋生物污损检测的效率与准确性。本研究基于2022–2024年在三亚材料站采集的真实样本板，构建了一个高质量、细粒度标注的生物污损数据集（BFD），并提出统一的多任务学习框架MTBD-Net。该模型集成ResNet-50骨干网络、FPN与CBAM模块，以及三个任务特定的解码器头，实现了污损严重度分类、生物体检测与区域分割的同步进行。实验结果表明，MTBD-Net在分类、检测与分割任务中均优于单任务基线，展现出卓越的泛化能力与鲁棒性，适用于复杂海洋环境中的生物污损监测与评估。