摘要
视觉感知是近距海上态势感知的重要组成部分，尤其是在AIS和雷达等传统监测手段出现延迟、信息不完整或无法使用时。船尾流能够提供与运动相关的视觉线索，但由于其形态呈长条状、纹理较为模糊，且常常与水面杂波混在一起，因此对其进行分割十分困难。本研究提出了Shipwake-YOLO，这是一种针对内河水域图像中的船舶及船尾流目标进行分割的YOLOv9-Seg改进版本。该模型的任务定位为提取视觉导航状态线索，而非预测未来的船舶运动轨迹。该模型能够对船舶主体及船尾流进行分割，并通过生成的掩码提供空间线索，以便进一步分析船舶的状态。在架构设计上，该模型将iAFF引入跨尺度特征融合过程，用经过SAConv优化过的卷积操作替代原有的高级SPPELAN聚合模块，用iSACADown替换部分下采样路径，同时采用MPD-IoU作为边界框回归损失函数。在基于长江芜湖段的2100张图像构成的数据集上测试，相比YOLOv9-Seg基准模型，Shipwake-YOLO的Box-mAP@50数值从77.7%提升至84.6%，Mask-mAP@50数值从67.6%上升至79.8%。在更严格的IoU阈值条件下，该模型的Box-mAP@[0.50:0.95]数值为48.9，Mask-mAP@[0.50:0.95]数值为46.2。此外，该模型的参数数量减少了7.5%，GFLOPs计算量也从144.2降至137.1。这些结果表明，所提出的改进方案有效提升了内河水域中对于船尾流的感知能力，为后续的船舶导航状态估算提供了重要的视觉依据。
