提升自主水面船舶可靠性的实时目标检测模型鲁棒性基准测试研究

为解决自主水面船舶(ASV)在复杂水域环境中目标检测模型鲁棒性不足的问题，研究人员开发了首个水域专用鲁棒性基准测试框架SeaShips-C/SMD-C/SSAVE-C，包含25种合成腐蚀类型和5级严重度。通过评估YOLOv8、RT-DETR等模型发现，典型模型在对比度腐蚀下mAP50最大下降59.5%，为ASV安全部署提供了关键验证工具。该研究填补了ISO/IEC TR 5469标准在船舶领域的应用空白。

　　

随着全球90%国际贸易依赖海运，自主水面船舶(ASV)正成为航运业数字化转型的核心。然而现有ASV视觉系统面临严峻挑战：强日光眩光、镜头水滴附着等水域特有干扰可使目标检测模型性能骤降，而目前缺乏针对性的鲁棒性评估体系。更严峻的是，根据国际海事组织统计，96%的海事事故源于人为失误，这使得ASV的可靠感知成为关乎人命的安全红线。

针对这一迫切需求，国内研究团队开发了首个水域专用鲁棒性基准框架。研究创新性地扩展了ImageNet-C基准，新增10种水域特有腐蚀类型（如浪花飞沫、盐雾结晶等），构建包含25种腐蚀类型的测试库，涵盖5级严重度。基于SeaShips、SMD等公开数据集，团队创建了增强版SeaShips-C、SMD-C和SSAVE-C测试集，其中首次引入混合腐蚀场景（如雨雾叠加），更真实模拟复杂水域环境。

研究采用模块化技术路线：首先通过算法合成25种腐蚀类型，包括15种改进的ImageNet-C腐蚀和10种新型水域腐蚀；其次构建三级评估体系，从单腐蚀、混合腐蚀到渐进严重度测试；最后采用mAP⁵⁰等指标系统评估YOLOv8、SSD、NanoDet-Plus和RT-DETR四大类模型的性能衰减规律。所有代码和数据集已开源，兼具验证工具和数据增强双重价值。

在结果部分，研究揭示了关键发现：

1. 腐蚀敏感性差异：YOLOv8n在SeaShips-C的对比度腐蚀下mAP⁵⁰下降43%，而YOLOv8x仅下降28.7%，证明模型规模与鲁棒性正相关。
2. 混合腐蚀叠加效应：雨滴与运动模糊复合腐蚀使RT-DETR-L的检测精度较单腐蚀额外降低16.2%。
3. 域特异性挑战：新型水域腐蚀（如镜头水滴）导致性能衰减较传统腐蚀高21.5%，凸显基准定制必要性。

这项发表于《Expert Systems with Applications》的研究，首次将ISO/IEC TR 5469功能安全标准引入ASV领域。其创建的混合腐蚀测试框架，为AMLAS安全认证体系提供了可量化的验证工具。实践层面，研究建议采用"大模型+针对性增强"的部署策略——例如对高频腐蚀类型（如眩光）进行专项数据增强，可使YOLOv8x在强光下的误检率降低34%。

该研究不仅填补了水域机器人鲁棒性评估的空白，其开源的腐蚀生成算法更可作为通用增强工具。正如讨论部分强调的，当ASV面临IEC 61508定义的最严苛条件（如热带风暴中的盐雾腐蚀）时，此基准能提前暴露90%以上的潜在故障模式。这些发现为制定ASV视觉系统的安全边际提供了数据支撑，标志着水域自主系统向"可验证的可靠性"迈出关键一步。