MBSeg: 基于CNN-Mamba协同建模的船舶船体海洋生物污损语义分割高效网络

《Displays》:MBSeg: An efficient network with CNN-Mamba collaborative modeling for ship hull marine biofouling semantic segmentation

【字体: 大 中 小 】 时间:2026年09月29日 来源:Displays 3.9

编辑推荐:

   •MBSeg 实现了高效的船体海洋生物污损分割。•Bio Mixer 实现了海洋生物污损分割中全局 - 局部特征的协同建模。•LCBA 模块实现了高效的通道对齐和多尺度特征精炼。•为船体图像构建了专用的海洋生物污损分割数据集。•大量实验表明,其在分割和污损严重程度评估方面具有

  
  • •
    MBSeg 实现了高效的船体海洋生物污损分割。
  • •
    Bio Mixer 实现了海洋生物污损分割中全局 - 局部特征的协同建模。
  • •
    LCBA 模块实现了高效的通道对齐和多尺度特征精炼。
  • •
    为船体图像构建了专用的海洋生物污损分割数据集。
  • •
    大量实验表明,其在分割和污损严重程度评估方面具有卓越性能。

引言

海洋生物污损是指在长期运行过程中,海洋生物在淹没的船体表面持续附着、生长和繁殖形成的复杂生物层 [1]。作为船舶整个服役期间不可避免的问题,海洋生物污损不仅增加了水动力阻力,导致更高的燃油消耗和运营成本 [2],还通过促进入侵物种的跨界传播而带来生态风险 [3]。因此,及时高效地清除海洋生物污损对于经济运营和环境保护至关重要。由于不同程度的生物污损需要不同的清洁策略,采用针对严重程度的清洁方法可以有效减少清洁资源和能源消耗,同时将船体涂层和表面结构的损伤降至最低 [4], [5]。因此,准确评估污损严重程度已成为智能船体维护和清洁决策的关键前提。当前的污损分级标准主要依赖两个关键因素:污损区域的覆盖率和污损生物的种类 [6]。传统的污损严重程度评估主要依赖人工目视检查 [7], [8],这既费力又低效,而且无法准确量化污损覆盖率。此外,人工评估易受主观判断影响,往往导致误检和漏检。为应对这些挑战,本文采用语义分割技术对船体海洋生物污损图像进行像素级分析,从而准确划定污损区域并精确识别污损生物种类。所得到的分割结果为实现准确高效的污损严重程度评估提供了可靠的视觉信息。
据我们所知,利用语义分割进行自动海洋生物污损严重程度评估的研究仍然有限。尽管如此,已有几项研究探讨了海洋生物污损图像的语义分割方法。Zhao 等人提出了一种名为 MFONet 的像素级语义分割模型,用于细粒度的海洋生物污损分割,并将其应用于污损分析和智能船体清洁 [9]。Signor 等人采用卷积神经网络(CNN)将宏观生物污损图像分为四类,显著提高了污损生物识别的效率 [10]。Xing 等人提出了一种名为 MusselDet 的端到端检测和实例分割框架,有效克服了传统微观识别方法在效率和识别准确性方面的局限性 [11]。Veerasingam 等人进一步研究了用于自动生物污损检测和分类的目标检测模型,证明了其在智能污损识别中的有效性 [12]。Su 等人开发了一种基于深度学习的水下清洁机器人生物污损识别框架,实现了自动污损识别并支持自主清洁操作 [13]。
尽管现有研究在海洋生物污损图像分割方面取得了令人鼓舞的成果并显示出巨大的应用潜力,但利用语义分割进行自动污损严重程度评估对分割准确性和污损生物种类的可靠识别提出了更高的要求。海洋生物污损图像通常表现出模糊的对象边界、严重的类间粘连,以及显著的类内尺度变化并伴有结构异质性。这些挑战使得现有的最先进的语义分割方法难以实现准确且鲁棒的污损表征,从而限制了后续污损严重程度评估的可靠性。
为应对上述挑战,我们提出了一种高效的语义分割网络,称为 Marine Biofouling Segmentation (MBSeg),用于船体海洋生物污损分割。考虑到该任务不仅需要准确划定污损区域,还需要可靠地区分不同的污损物种,仅依赖单一的特征提取范式不足以同时捕获局部细节和全局上下文信息。因此,我们采用了结合 CNN 和基于状态空间模型(SSM)的 Mamba 架构的混合建模策略。如图 1 所示,CNN、Transformer 和 Mamba 在特征建模方面表现出不同的特性。CNN 在提取局部特征方面表现出卓越的能力,但在建模长程依赖关系方面固有局限。相比之下,基于 Transformer 和 Mamba 的架构均提供了强大的全局建模能力。然而,与 Transformer 相比,Mamba 以显著更低的计算复杂度和更高的计算效率实现了相当的全局上下文建模。这使得 MBSeg 能够整合 CNN 和 Mamba,利用它们在局部特征提取和全局上下文建模方面的互补优势。大量实验结果表明,在船体海洋生物污损分割方面,MBSeg 在分割准确性和模型效率上均优于现有的最先进方法。本文的主要贡献总结如下:
  • 1.
    提出了一种高效的语义分割网络 MBSeg,用于准确高效的船体海洋生物污损分割。
  • 2.
    提出了一种双分支 Bio Mixer,通过门控机制自适应融合 CNN 和 Mamba 特征,实现全局和局部表征的有效协同建模。
  • 3.
    提出了一种基于深度可分离卷积的轻量级 LCBA 模块,以高效对齐骨干网络和 FPN 之间的特征尺度。
  • 4.
    通过人工标注船体图像并分配专家指定的污损严重程度标签,构建了一个专用的像素级海洋生物污损分割数据集。
本文其余部分组织如下。第 2 节回顾语义分割的相关工作。第 3 节详细介绍提出的 MBSeg 框架。第 4 节描述实验设置并讨论实验结果。最后,第 5 节总结本文。

章节摘要

基于 CNN 的分割

基于 CNN 的语义分割方法主要依赖卷积操作来学习局部空间表征,长期以来一直是密集预测的主导范式。早期研究主要建立了语义分割的编码器 - 解码器框架 [14], [15], [16],通过逐步精炼的特征表示实现有效的特征提取和空间信息恢复。为了进一步提高分割准确率,后续研究集中在

整体架构

提出的语义分割框架遵循典型的编码器 - 解码器架构,其整体结构如图 2 所示。它由特征提取骨干网络和基于 UPerNet 框架 [32] 的解码器组成。输入图像首先由 stem 层处理以提取低级视觉特征,随后经过四个连续阶段进行渐进式特征编码。在第 1 阶段和第 2 阶段,采用 Conv 模块来捕获低级和

数据集

据我们所知,目前尚无可公开获取的专门针对船体海洋生物污损语义分割标注的数据集。为克服这一局限,我们通过从现有的公开船体生物污损图像库中收集的图像进行像素级标注,构建了一个专用的语义分割数据集。[39] 通过汇集来自多个

结论

本文提出了一种高效的语义分割框架,称为 MBSeg,以应对海洋生物污损图像中显著的尺度形态变化、复杂的异质结构以及不同污损类别之间严重粘连的挑战。所提出的框架采用 Bio Mixer 模块协同建模全局上下文信息和局部细粒度特征,同时整合轻量级 LCBA 模块以实现高效的特征精炼

CRediT 作者贡献声明

Shengxuan Meng: 概念化、方法学、软件。

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会影响本文报告的工作。

致谢

本工作由海南省重点研发计划(ZDYF2025GXJS145)支持。
Shengxuan Meng|Changbin Wang|Kunqian Li|Dalei Song
相关新闻
生物通微信公众号
微信
新浪微博

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