一种适用于弱光及折叠干扰条件下渔网损伤的UUV视觉检测方法

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A UUV Visual Detection Method for Fishing Net Damage Under Low-Light and Folding Interference Conditions

　　

摘要

无人水下航行器已被用于检测水产养殖场中的渔网损坏情况。然而，水下光线昏暗以及渔网折叠等问题使得无人水下航行器难以区分真正的损坏与正常的折叠痕迹。为解决这一问题，本文提出了一种利用无人水下航行器在低光条件及渔网折叠干扰下检测受损渔网的视觉检查方法。首先通过比较相邻网孔的面积来识别可能受损的区域。该方法的优点在于能够有效抑制因水流引起的整体或局部拉伸、压缩等非损坏因素导致的面积波动所引发的误报。为解决因水下照明不足和渔网折叠导致的漏检问题，该方法采用了集成注意力机制的YOLOv8模型，该机制运用了稀疏连接性和可变形卷积技术，并对初始检测结果进行二次验证，从而准确识别出水产养殖渔网的受损部分。最初，需要对水下渔网图像进行预处理以提取渔网结构并实现二值化处理，随后为每个网孔编号，将与参考网孔相邻的网孔归为一组，再按网孔面积大小对同一组内的网孔进行排序。如果某组中最大面积与第二大面积的差值超过该组网孔的平均面积，则判定该区域为受损。为解决因渔网折叠导致的漏检问题，还提出了一种特征识别方法，该方法通过结合稀疏连接性、可变形卷积注意力机制以及上下文信息挖掘，针对渔网上的细小缝隙，以提高无人水下航行器检测渔网漏洞的准确性。此外，为应对水下照明不良的问题，还引入了基于协变正则化的弱监督变换鲁棒性模块，该模块有助于促进更深层次的特征交互，进而进一步提升模型在低光条件下识别渔网损坏的精度。实验结果表明，所提出的模型具有92.00%的准确率、82.10%的召回率以及87.30%的mAP值。与其他模型相比，该模型在低光条件及渔网折叠场景下的检测准确率均处于最高水平。因此，该方案为在照明条件不佳的环境下利用无人水下航行器检测水下渔网损坏提供了有效的解决方案。