AquaYOLO26:一个具备退化感知能力的YOLO26框架,用于水下海洋垃圾检测与边缘设备部署

《Symmetry》:AquaYOLO26: A Degradation-Aware YOLO26 Framework for Underwater Marine Debris Detection and Edge Deployment

【字体: 大 中 小 】 时间:2026年08月28日 来源:Symmetry 2.2

编辑推荐:

  。摘要面对日益严重的海洋污染问题,自主水下航行器(AUVs)对水下残骸的自动化视觉检测对于机器人海洋清洁工作至关重要。然而,水下检测存在根本性的挑战:波长依赖性的光线衰减使得红色通道的响应比蓝绿色通道减弱得更严重;浊度引起的散射会破坏小目标特征的对称性;而跨水域的差异会进一步扭曲

  
。

摘要

面对日益严重的海洋污染问题,自主水下航行器(AUVs)对水下残骸的自动化视觉检测对于机器人海洋清洁工作至关重要。然而,水下检测存在根本性的挑战:波长依赖性的光线衰减使得红色通道的响应比蓝绿色通道减弱得更严重;浊度引起的散射会破坏小目标特征的对称性;而跨水域的差异会进一步扭曲特征分布。为了解决这些问题,本文提出了AquaYOLO26,这是一个具备降噪感知能力和领域适应性的边缘检测框架,它能够明确建模水下的不对称性,同时在特征层面保持平衡以实现鲁棒的感知效果。具体而言,我们引入了水下感知批量归一化(UWBN)来补偿特征提取器中的通道非对称颜色衰减;引入了浊度条件下的小目标感知标签分配算法(Turb-STAL),在散射条件下非对称地调整被遮挡小目标的候选对象分配;以及引入了领域对抗性渐进损失(DA-ProgLoss),以统一不同水域环境中的特征表示。在SeaClear、TrashCan 1.0和Trash-ICRA19等基准测试中的实验表明,AquaYOLO26在SeaClear主要测试数据集上的mAP@0.5得分达到了73.4 ± 0.33%。在代表性的跨领域评估中,其在Trash-ICRA19上的表现比YOLO26基线提高了8.9个百分点。对于嵌入式应用,该模型保持了紧凑的参数规模,仅有2.46 M个参数和6.2 GFLOPs的计算量,在NVIDIA Jetson Orin NX平台上可实现45.1 ± 0.5 FPS的运行速度。与Improved YOLOv11相比,AquaYOLO26在相同参数数量(少79.0%)和计算量(少77.0%)的情况下,实现了1.1个百分点更高的平均mAP@0.5,并且提升了Jetson的运行效率(45.1 ± 0.5 FPS vs. 28.4 ± 0.5 FPS)。这些结果展示了在水资源受限的水下机器人感知应用中,该模型在准确性和效率之间取得了良好的平衡。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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