《Ocean Engineering》：A dynamic adaptive dual-path method for active vessel-bridge collision prevention against complex background interference
编辑推荐：
船舶定位与碰撞预防系统中，动态自适应双路径架构结合物理对抗增强策略有效应对复杂环境干扰，在混合数据集上精度达96.9%和召回率96.4%。
Jian Guo|Shengchao Zhang|Zheng Wang
中国四川省成都市西南交通大学桥梁智能与绿色建造国家重点实验室，610031
摘要
在复杂的监控场景中，准确地进行船舶定位对于防止船舶与桥梁相撞至关重要。然而，传统的基于视觉的检测系统在桥梁水域场景中的性能会显著下降。这种性能下降主要是由于动态环境干扰，特别是船舶尺寸的变化、背景条件的杂乱以及光学干扰效应造成的。为了解决这些问题，提出了一种动态自适应双路径（DADP）方法。该架构包含了一个自适应场景复杂性感知（ASCP）模块，能够自主估计场景的难度，从而指导输入数据通过轻量级的浅层检测路径（SDP）或语义丰富的深层检测路径（DDP）进行传输。此外，为了在极端条件下缓解数据稀缺问题，引入了一种物理引导的对抗性增强（PGAA）策略。该策略构建了一个包含五个特定领域操作符的物理扰动空间，并采用梯度-亮度-结构（GLS）驱动的对抗性搜索来挖掘高价值的难样本。在包含1526张真实世界捕获图像和1174张对抗性生成图像的混合数据集上的实验结果表明，所提出的模型达到了96.9%的精确度和96.4%的召回率，分别比YOLOv8s和YOLOv11s高出2.0%和1.6%的mAP@0.5分数。DADP模型在常规场景中保持了计算效率，同时在极端干扰下仍具有鲁棒性，为智能海洋监控提供了一个可靠的解决方案。
引言
随着水路交通枢纽的快速扩张和跨河桥梁数量的增加，可航行水域中的船舶密度显著增加（Guo等人，2024a）。因此，船舶与桥梁相撞的频率上升，对桥梁桥墩的结构完整性构成了严重威胁（Li等人，2018；Zheng等人，2022）。在主动防止船舶与桥梁相撞的框架下，自主识别和定位接近的船舶在减轻结构风险和实现及时预警响应方面发挥着关键作用（Wang等人，2024）。
在这种情况下，视觉监控已成为提高海洋安全监督的重要手段。虽然传统的自动识别系统（AIS）是船舶跟踪的基础，但它们本质上存在信号不稳定、覆盖范围有限和易受干扰的问题，这经常导致在复杂的内陆水道中丢失轨迹数据（Zhao等人，2026）。闭路电视（CCTV）和岸基摄像头通过提供实时的高保真光学数据有效弥补了这些局限性。这些视觉信息能够捕捉到详细的船舶行为和精确的空间关系。它还支持在AIS数据流可能异步或不完整的高密度场景中连续重建多目标动态（Lu等人，2026）。因此，开发一个鲁棒的视觉检测模型对于实现桥梁-水道环境中的智能碰撞预防至关重要。
深度学习的最新进展显著提高了对象检测性能。代表性的算法如YOLO系列（Liu等人，2025；Wang等人，2024；Wu等人，2025；Zhou等人，2025）、Faster R-CNN（De Silva等人，2021；Liu等人，2021）和基于Transformer的检测器（Li等人，2024；Li和Wang，2025；Slaughter等人，2025）在标准数据集中取得了显著的成功。为了解决海洋环境的挑战，提出了各种增强策略。一类研究通过更深的网络或更密集的特征聚合来增强语义表示。例如，Escorcia-Gutierrez等人（2022）在Mask R-CNN中嵌入了多层残差通道以改进小目标检测，而Li等人（2024）使用了密集连接的模块来加强上下文信息交换。另一类研究专注于减轻尺寸变化下的检测不稳定性。具体来说，Wang等人（2022）提出了YOLO-SD通过多尺度卷积来处理尺寸变化，而Guo等人（2024）构建了轻量级架构以平衡准确性和效率。关于数据限制和环境干扰，Y. Guo等人（2022）引入了亮度增强预处理，而Chen等人（2023）开发了基于重建的检测网络。
尽管取得了这些进展，但在复杂的桥梁水域环境中，性能下降仍然是一个关键问题（Gibril等人，2023；Guo等人，2024b；Zhang等人，2023）。一方面，主要挑战来自三个方面：空间、光学和时间。空间上，密集的岸线杂乱和尖锐的桥梁阴影会导致语义模糊（Prasad等人，2017；Shan等人，2023）。光学上，镜面反射和水面反光会导致特征掩蔽（Liu等人，2021；Xu等人，2022）。时间上，运动模糊会破坏帧与帧之间的一致性（Tong和Wu，2022）。另一方面，现有方法通常依赖于缺乏场景转换自适应机制的静态模型配置（J. Guo等人，2022）。在实际监控场景中，场景难度随时间显著波动，这暴露了传统单路径检测范式的局限性。一个静态的浅层网络由于接收场小和语义表示不足，难以抑制严重的环境杂乱。相反，部署一个静态的深层神经网络进行连续监控流可以确保鲁棒性，但会导致巨大的计算冗余（Gao等人，2024）。在目标特征清晰且易于区分的常规场景中，深层卷积提供的性能提升有限，同时无法满足主动碰撞预防系统的低延迟要求。此外，传统的数据增强策略通常缺乏物理真实性，无法充分涵盖极端工程条件的分布。
为了应对这些限制，本研究提出了一种基于动态自适应机制的有效船舶检测方法，适用于具有挑战性的桥梁导航场景。本工作的主要贡献总结如下：
- 1)
提出了一种动态自适应双路径（DADP）框架，以解决静态模型配置与动态环境条件之间的不匹配问题。引入了一个自适应场景复杂性感知（ASCP）模块，用于估计场景难度并指导输入数据在轻量级浅层检测路径（SDP）和鲁棒深层检测路径（DDP）之间的路由，从而在计算效率和检测可靠性之间实现有效的平衡。
- 2)
引入了一种物理引导的对抗性增强（PGAA）策略，作为辅助训练机制，以解决极端物理条件下的数据稀缺问题。通过限制扰动参数并采用梯度-亮度-结构（GLS）驱动的对抗性搜索，系统地生成高价值的难样本，以改进深层语义分支的训练。这一过程通过增强模型对复杂光学和空间干扰的鲁棒性来减少漏检。
- 3)
在经过物理增强的数据集上的实验结果表明，所提出的方法显著优于主流基准，mAP@0.5达到了96.9%，召回率为96.4%。通过有效处理不同水平的环境复杂性，所提出的方法为主动船舶-桥梁碰撞预防系统提供了可靠且高精度的视觉感知基础。
部分摘录
整体架构
YOLOv7作为本研究的基础基准，采用单阶段检测范式，平衡了推理速度和精确度。如图1所示，该架构遵循一个包含四个主要组件的静态执行流程：输入、主干网络、颈部网络和检测头。将图像调整到标准化的640×640分辨率后，主干网络通过连续的卷积层提取层次特征。
物理引导的对抗性增强策略
高质量的训练数据对于开发鲁棒的检测模型至关重要。然而，现有的海洋数据集主要来自开阔海域环境，无法涵盖内陆桥梁水域的独特约束。为了弥合环境复杂性和模型容量之间的这一领域差距，采用了PGAA策略来构建适用于这些特定环境的船舶检测数据集。
实验配置和指标
所有实验都在配备AMD EPYC 7773X 64核处理器和NVIDIA RTX A4500 GPU的工作站上进行，使用PyTorch 2.0.1模型。关键训练参数详细列在表1中，其他配置遵循YOLOv7基线的默认协议。
为了定量评估模型在桥梁区域监控场景中的有效性，采用了一组综合指标，包括精确度（）、召回率（）、F1分数（）和平均
结论
为了降低船舶与桥梁相撞的风险，本研究提出了一种基于动态自适应机制的有效检测方法，旨在克服当前系统在桥梁水域这种非静态和复杂环境中的性能限制。本工作的主要贡献如下：
1)引入了一种动态自适应双路径（DADP）架构，以解决静态模型参数与动态环境条件之间的不匹配问题
CRediT作者贡献声明
Jian Guo：撰写——原始草案、资源、方法论、资金获取、概念化。Shengchao Zhang：撰写——审阅与编辑、形式分析、数据管理。Zheng Wang：撰写——审阅与编辑、可视化、验证、调查。
数据可用性声明
本研究中使用的数据可应相应作者的要求提供。
资助
本研究得到了中国国家重点研发计划项目（2024YFC3015205）和国家自然科学基金（资助编号：U1709207,51178429）的财政支持。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
