基于协同优化的多层次自适应图像增强技术在水下船舶检测中的应用

《Expert Systems with Applications》:Collaboratively Optimized Multi-Level Adaptive Image Enhancement for Underwater Ship Inspection

【字体: 大 中 小 】 时间:2026年01月10日 来源:Expert Systems with Applications 7.5

编辑推荐:

  提出一种协同优化的多级自适应网络CO-MLAN,通过任务对齐框架将图像增强与分割联合优化,有效解决水下船舶检查中曝光失衡、浑浊水体导致的图像质量下降与分割精度不足问题。

  
Jiashuo Shang|Ying Li|Jingyi Yuan|Shen Guo
大连海事大学导航学院,中国大连116026

摘要

在水下船舶检查场景中,近距离主动照明和高浊度水会导致ROV拍摄的图像出现曝光不均衡、对比度低和细节丢失的问题。这些退化不仅影响手动解释的准确性,还降低了分割精度。大多数现有的增强方法仅关注视觉质量,而没有与任务目标进行联合优化。这种脱节常常导致图像在视觉上得到改善,但分割性能却下降。为了解决这些问题,我们提出了一种轻量级的协同优化多层自适应网络(CO-MLAN)。在任务对齐框架内,该网络将增强与分割紧密结合,实现端到端优化,从而直接提高分割精度。该网络集成了一种针对水下船舶图像退化的多层可微分滤波器组,以实现可解释性和任务适应性增强,并结合了全局-局部闭环控制框架,确保整体颜色一致性同时细化局部细节。此外,分阶段的冻结-预热策略通过缓解梯度冲突来稳定训练,双重正则化抑制冗余和颜色失真,提高感知真实性。在多个公共数据集上的实验表明,CO-MLAN在多个主流分割网络中提高了视觉质量和分割性能,并验证了其在水下船舶检查任务中的有效性和泛化能力。其轻量级设计(仅有约0.42 M个参数)使其能够部署在计算资源有限的水下平台上,突显了其可扩展性和工程应用价值。

引言

随着全球海上贸易的持续扩张,船队规模和货物周转量稳步增加,对船舶运营的效率、安全性和经济性提出了更高的要求。长时间暴露在海水中会导致钢板表面出现缺陷,加速氯化物引起的腐蚀和电偶腐蚀,削弱结构强度,并促进裂纹扩展,从而威胁航行安全(Cardaillac, Skjetne, & Ludvigsen (2024); Lin & Dong (2023))。这些缺陷还会加速微生物附着,显著增加船体表面的粗糙度,进一步增加航行阻力和燃料消耗,导致温室气体排放增加(Imran et al. (2024))。船体长时间处于高腐蚀性的海水中,诸如腐蚀和生物附着等缺陷通常只能通过水下检查才能准确及时地发现和评估(Mai, Wiele, Liniger, & Pedersen (2024))。此外,传统的陆地干船坞检查需要将船舶停运,产生高昂的运营和维护成本,无法满足频繁检查的需求。因此,及时高效的水下船舶检查对于防止结构退化、降低安全风险和减少运营成本至关重要。
传统的水下船舶检查通常依赖于潜水员进行近距离手动检查,这不仅受到能见度低、波浪湍流等复杂环境因素的限制,而且停船成本高且存在人员安全风险。近年来,随着水下光学传感器的微型化和智能化发展,配备了高清成像系统的小型ROV逐渐出现。这些ROV可以在不使船舶停运的情况下检测涂层缺陷、海洋生物附着和腐蚀,从而显著降低检查成本并提高运营效率,因此迅速获得了广泛认可和普及。
由于水下环境的固有因素,如光散射、海水中的吸收和悬浮颗粒,ROV收集的水下图像常常存在颜色偏差、对比度低和细节模糊等问题(Wu et al. (2024)。这些退化显著降低了图像的可见性,影响了目标检测和语义分割等下游任务的性能。对于一般的水下场景,研究人员提出了非学习和深度学习增强技术来提高视觉质量。然而,与一般水下图像相比,ROV在进行水下船舶检查任务时通常面临两个额外挑战:(i) ROV通常在带有主动光源的较高位置进行拍摄,导致捕获的图像曝光严重不均衡,局部高亮和阴影交织在一起;(ii) 船体周围浅水区悬浮固体的高浓度加剧了光散射,进一步降低了图像对比度。大多数现有的水下图像增强方法是为通用场景设计的,并未针对上述退化机制进行明确建模或优化。更重要的是,大多数现有方法仅针对主观视觉质量进行优化,忽略了下游任务的需求(Wang et al. (2024d)进一步指出,过度增强视觉质量会破坏关键特征分布,从而削弱下游任务的性能。
为了解决图像增强与下游任务之间优化目标不一致的问题,研究人员提出了任务驱动的联合训练框架。然而,大多数现有的任务驱动方法主要是为目标检测任务设计的,缺乏针对需要更高像素级一致性的水下船舶检查任务的特定适应。此外,联合优化增强和下游目标往往会导致梯度冲突和收敛不稳定,阻碍了视觉质量与任务性能之间的平衡。
现有研究主要通过两种方法来提高水下船舶检查的分割精度:(i) 通过改进的水下船舶检查分割方法增强传统模型,以增强表示能力和区分能力。然而,在处理由近距离主动照明和强散射引起的模糊边缘和亮度不平衡时,它们只能取得有限的改进;(ii) 两阶段解耦的分割方法将图像增强和分割分为两个阶段,旨在通过提高输入图像质量来改善分割效果。然而,它们缺乏与分割目标一致的一致性约束,容易导致特征分布漂移和训练不稳定,因此只能提供有限的总体收益。
总的来说,从数学角度来看,现有的增强方法缺乏与分割目标的对齐,未能模拟水下船舶检查中近距离照明和浊度的特定退化。主要为水下目标检测设计的任务驱动增强方法无法满足分割所需的像素级一致性,常常面临梯度冲突和收敛不稳定问题。没有一致性约束的解耦两阶段分割方法会导致特征漂移和训练不稳定。从实验角度来看,改进的分割方法在严重照明和散射条件下仅能提供有限的边界分离能力和鲁棒性提升。因此,需要一种协同增强的分割方法来平衡视觉质量和分割一致性,最终提高水下船舶检查的准确性和稳定性。
为了解决这些挑战,我们提出了一种用于水下船舶检查的协同优化多层自适应网络(CO-MLAN),如图1所示。该网络通过任务对齐将增强网络和分割网络紧密结合,使增强策略能够直接针对像素级分割目标,并实现端到端协同优化。因此,CO-MLAN在保持和强化关键语义和边界区分特征的同时,提高了水下图像质量,有效弥合了视觉增强与下游任务性能之间的差距。创新点如下:
(i) 为了解决水下船舶图像的退化模式,我们设计了一种多层可微分滤波器组。采用任务驱动的方式,它执行自适应参数优化,结合了图像增强的可解释性和端到端可微分性,从而使增强策略能够直接与分割要求对齐。滤波器级消融实验验证了其自适应参数优化机制有效提高了分割性能。
(ii) 我们建立了一个全局-局部闭环增强控制框架。在该框架内,动态参数预测网络(DPPN)动态参数化滤波器操作符并确保全局一致性;上下文空间门控网络(CSGN)为选择性激活分配感知像素的适应权重;软残差门校准整体增强强度,同时抑制冗余响应。模块级消融实验表明,它们的协同调节实现了精细的增强效果,并提高了整体分割精度。
(iii) 我们提出了一种分阶段的冻结-预热训练策略。通过在训练过程中应用分阶段的冻结和逐步解冻,该策略有效缓解了端到端增强-分割优化中的梯度冲突和收敛不稳定,从而使网络能够在视觉质量和分割性能之间实现更好的平衡。通过损失收敛分析和消融实验验证了训练策略的有效性。
(iv) 通过引入门控稀疏正则化和全局颜色偏移正则化,我们抑制了冗余增强和颜色失真,从而提高了增强图像的真实感和分割结果的可靠性。权重消融实验验证了双重正则化对分割性能的贡献。
通过在不同主流骨干网络上的增强和分割方面的定性和定量实验,以及对任务驱动方法的比较实验,全面验证了CO-MLAN的总体有效性。

章节片段

综述

本章回顾了水下图像增强和水下船舶检查的研究。首先介绍了非学习、深度学习和任务驱动的增强方法;然后讨论了一般的语义分割方法以及针对水下船舶检查的特定改进;最后总结了当前研究的局限性,为所提出的方法奠定了基础。

方法

本章系统介绍了所提出的CO-MLAN。首先概述了网络架构,然后详细描述了其各个组件,并最终介绍了损失函数和训练策略的设计。
所提出的模型将CO-MLAN与分割网络以串行配置集成,如图2所示进行端到端训练。CO-MLAN架构主要包括以下组件:一个用于预处理的骨干网络

实验

本章对所提出的方法进行了全面的实验验证。首先介绍了数据集、训练设置、比较方法和评估指标。然后展示了定量和定性结果,以验证该方法的有效性,随后通过消融研究分析了每个模块的贡献。最后,将该方法扩展到水下目标检测任务,以展示CO-MLAN的跨任务泛化能力。
数据集:

结论

本文介绍了一种轻量级的水下图像增强网络CO-MLAN,专为水下船舶检查任务设计。内置的多层可微分滤波器组合抑制了散射噪声和不均匀照明,提高了对比度和纹理细节,同时保留了对分割至关重要的关键语义信息。由DPPN、CSGN和软残差门组成的全局-局部闭环增强控制框架实现了全局和局部的精细调节

CRediT作者贡献声明

Jiashuo Shang: 方法论、研究、撰写——原始草稿。Ying Li: 资源、监督、撰写——审阅与编辑。Jingyi Yuan: 可视化、研究。Shen Guo: 数据整理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号