《Journal of Marine Science and Engineering》:Image-Based Estimation of Cubic Artificial Reef Settlement and Projected Remaining-Area Ratio Using Mask R-CNN
编辑推荐:
立方体人工鱼礁(Cubic Artificial Reef, CAR)模块在投放后可能发生沉降、倾斜和掩埋,需要非接触式评估。本研究提出一种基于图像的框架,将Mask R-CNN实例分割与三种几何方法相结合,用于估算垂直沉降量和投影剩余面积比。该框架在受控、清
立方体人工鱼礁(Cubic Artificial Reef, CAR)模块在投放后可能发生沉降、倾斜和掩埋,需要非接触式评估。本研究提出一种基于图像的框架,将Mask R-CNN实例分割与三种几何方法相结合,用于估算垂直沉降量和投影剩余面积比。该框架在受控、清水、近正面拍摄条件下的1:20比例水槽实验图像上进行了评估。额外的掩膜级评估使用了14张未增强的保留图像,其中包含38个标注实例,这些图像来自数据集管理者报告为未参与模型开发的源视频。保留的检查点实现了总体掩膜平均精度(Average Precision, AP)为0.896,其中AP50和AP75均等于1.000。对于均匀沉降,方法1对十个模块中的七个产生了有效估算,最大绝对归一化沉降误差为14.90%,而方法2对所有十个模块均产生了估算,最大绝对误差为5.71%。方法3评估了九个模块;归一化面积误差范围为?8.25至?0.67个百分点,平均符号差为?4.50个百分点。方法3量化的是二维投影剩余面积比,而非物理倾斜角或三维暴露面积。这些结果表明,在受控实验室领域内,对于管理者确认的保留数据集,分割和几何估算是可行的;全尺寸现场性能仍有待验证。
论文解读:基于Mask R-CNN的立方体人工鱼礁沉降与投影剩余面积比图像估算研究
一、研究背景与意义
人工鱼礁投放于海洋海底后,受自重、海底承载力有限以及水动力-泥沙耦合作用的影响,可能发生沉降、倾角变化、冲刷引起的不稳定以及掩埋等现象。局部冲刷会侵蚀鱼礁模块周围的支撑沉积物,而波浪引起的循环孔隙水压力波动可能降低松散海底沉积物的有效应力和承载阻力。过度沉降或掩埋会降低人工鱼礁的垂直高度和生态功能,而有限的嵌入量则可能增加其抗滑移和抗倾覆能力。因此,定量监测沉降量和投影剩余面积对于评估人工鱼礁投放后的状态和长期稳定性至关重要。
以往研究通过现场观测、物理模型试验和数值模拟探讨了人工鱼礁的稳定性,主要聚焦于水动力和岩土工程行为,而非投放后沉降和投影剩余面积的自动化测量。传统监测手段如潜水员或ROV巡检、水下摄影以及声学测量方法(如侧扫声呐和多波束测深)各有局限:声学测量需要专用设备和处理流程,摄影测量重建通常需要多张重叠图像、相机标定和足够的水下能见度。光学测量还对水体浊度、光照变化和透视畸变敏感,长期光学监测还可能受到生物污损的影响。近年来,人工智能在海洋环境的结构和环境监测中成为重要工具,已有研究将深度学习方法应用于人工鱼礁的声呐图像检测、分割和姿态估计,但这些研究未直接从标定的光学实例分割掩膜中估算单个CAR模块的垂直沉降量和投影剩余面积比。因此,本研究旨在填补这一研究空白,提出一种基于Mask R-CNN的自动化图像框架,用于从标定的近正面图像中估算立方体人工鱼礁的沉降和投影剩余面积比。
二、主要技术方法
研究人员在40.0 m × 1.0 m × 1.2 m的水槽中开展了1:20比例的物理模型试验,使用混凝土制成的CAR模型(9.8 cm × 9.8 cm × 9.8 cm),在清水、受控条件下通过GoPro Hero 12 Black相机采集视频数据。模型采用Mask R-CNN实例分割算法,以ResNet-101特征金字塔网络(FPN)为骨干,使用MS COCO预训练权重初始化,在CAR数据集上训练400个epoch。数据集由64张基线关键帧经七种增强变换扩充至512张图像,按80:20随机划分为训练集和验证集。另设14张未增强的保留测试图像(含38个标注实例)用于掩膜级评估。研究提出了三种几何估算方法:方法1基于分割掩膜的周长-面积二次方程估算均匀垂直沉降;方法2基于边界框坐标和已知CAR物理宽度作为内部尺度参考估算沉降;方法3基于分割掩膜面积估算近正面成像条件下的投影剩余面积比。
三、研究结果
3.1 图像增强结果
增强程序从64张基线关键帧各生成七个变体,引入受控的辐射和几何变化,包括高斯模糊、亮度调整、随机裁剪、水平翻转和平面内旋转。这些变换增加了开发数据集内的视觉多样性,但未增加独立实验场景、源视频或环境领域的数量。
3.2 模型训练与损失分析
多任务总损失在400个epoch内呈现快速下降后保持较低水平的趋势,约200个epoch后损失水平变化甚微,验证曲线较训练曲线表现出更大的局部波动。epoch 400的模型权重用于后续评估。由于增强在数据集划分前进行,训练和验证损失收敛不能独立证明不存在过拟合或对未见源视频的泛化能力。
3.3 阈值检测与掩膜级评估
训练集、验证集和112张归档评估集的平均边界框IoU范围为0.919至0.927,精确率0.994至1.000,召回率0.920至0.946,F1分数0.958至0.969,CSI 0.920至0.940。在14张未增强的保留测试图像上,总体掩膜AP为0.896,AP50和AP75均为1.000,Cube AR类AP为0.893,Non-Cube AR类AP为0.900,表明在受控实验室条件下预测掩膜与人工标注在常规掩膜IoU阈值下高度一致。
3.4 定性检测与分割结果
在12张未增强图像的定性推理中,模型成功区分CAR模块与非CAR边界物体,将相邻CAR模块分离为独立实例,所有视觉可识别的CAR模块均被赋予CAR标签,预测掩膜基本贴合可见边界。
3.5 沉降与投影剩余面积比估算
方法1对十个均匀沉降模块中的七个产生有效估算,有效估算率为70%,最大绝对归一化沉降误差为14.90%。三个不可估案例的判别式不满足可接受条件,被报告为不可估(N.E.)而非零沉降。方法2对所有十个模块均产生数值估算,归一化沉降误差范围为?5.71%至5.71%,最大绝对误差为5.71%。在两种方法均可估算的七个案例中,方法2在六个案例中产生更小的绝对归一化误差。方法3对九个模块产生投影剩余面积比估算,所有归一化面积误差均为负值,范围为?8.25至?0.67个百分点,平均符号差为?4.50个百分点(标准差2.14个百分点),表明估算比值在所有评估案例中均低于采用的人工参考值。
四、讨论与结论
方法1在低沉降条件下表现出周长-面积公式的数学敏感性,当可见轮廓接近正方形时判别式趋近于零,小的一致性误差可能主导判别式。方法2使用已知CAR宽度作为内部尺度参考,在理想正视投影下相机距离引起的均匀缩放可在比值中抵消,但相机旋转、透视畸变和部分遮挡可能引入系统性误差。方法3量化的是二维投影剩余面积比,无法区分掩埋引起的面积损失与平面外姿态引起的几何缩短,20°平面外旋转可减少约6%的投影面积。所有九个负误差表明预测掩膜偶尔截断了部分外部结构边缘和倒角,但无法单独归因于分割模型偏差。
测量变异性方面,参考沉降三次读数标准差约0.058 cm,钢尺最小刻度0.10 cm,激光测距仪精度±2 mm,1 cm轴向失配对应约1.7%长度尺度变化。方法2中±1像素扰动产生约0.053-0.100 cm的沉降变化。实验验证限于1:20比例模型和单一受控清水水槽环境,未包含全尺寸实验、现场海底图像或ROV/AUV作业调查。数据集划分未按源视频分组,增强变体可能同时出现在训练和验证子集中。保留测试集的精确图像到视频映射未保留,限制了独立审计能力。
研究结论表明,在受控实验室条件下,将实例级图像输出与几何估算相结合是可行的。方法1在七个有效案例中最大绝对归一化沉降误差为14.90%;方法2对所有十个模块产生估算,最大绝对误差为5.71%;方法3的归一化面积误差均为负值,平均符号差为?4.50个百分点。保留数据集的掩膜级评估显示总体AP为0.896,AP50和AP75均为1.000。然而,这些结果应被解释为受控实验室条件下可行性和保留数据性能的证据,而非现场性能的验证。未来需要在全尺寸结构、可变浊度、光照、生物污损、遮挡和不受控相机轨迹等条件下进行系统验证,并采用立体成像、激光标定或基于已知CAR几何的姿态估计等方法实现帧级几何校正。