DOI: https://doi.org/10.1371/journal.pone.0346343
PMID: https://pubmed.ncbi.nlm.nih.gov/41945579
تاريخ النشر: 2026-04-07
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بكشف أهداف خطوط الأنابيب والكابلات تحت الماء في صور السونار الجانبي (SSS)، مع التركيز بشكل خاص على قضايا مثل الأداء الضعيف في الوقت الحقيقي، ومعدلات الكشف الخاطئ العالية، وصعوبات النشر. لتعزيز قدرات الكشف، تحسن الدراسة نموذج YOLO11n-seg من خلال دمج وحدات A2C2f و DSConv، التي تستفيد من ميزات صورة الهدف. يظهر النموذج المعدل تحسينات كبيرة في الأداء، بما في ذلك زيادة بنسبة 9.7% في استرجاع الصناديق المحيطة، وتحسين بنسبة 1.6% في متوسط الدقة (mAP) عند عتبات IoU من 50-95، وزيادة بنسبة 10.3% في استرجاع تقسيم الكائنات. بالإضافة إلى ذلك، يحقق النموذج تقليصًا بنسبة 15% في حجم المعلمات، مما يجعله أكثر ملاءمة للنشر الخفيف.
في الختام، يعالج نموذج YOLO11n-seg المحسن بفعالية تحديات الكشف في صور SSS، مما يؤدي إلى تحسينات ملحوظة في دقة الكشف والاسترجاع مع تقليل الحمل الحسابي. تشير أداء النموذج، مع تحسين mAP@50 بنسبة 5.2% مقارنةً بـ YOLO12n-seg و 12.5% مقارنةً بـ YOLO13n-seg، إلى إمكانيته للتطبيقات في الوقت الحقيقي في المسوحات البحرية واستخراج ميزات خطوط الأنابيب. تشمل اتجاهات البحث المستقبلية استكشاف تقنيات نقل الأسلوب لإثراء الميزات عالية المستوى وتحسين النموذج لمواقف الكشف في الوقت الحقيقي لتعزيز الدقة مع الحفاظ على الخصائص الخفيفة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لخطوط الأنابيب والكابلات تحت الماء في البنية التحتية البحرية، لا سيما لتطوير موارد النفط والغاز في أعماق البحار. ومع ذلك، فإن هذه الخطوط عرضة للتسرب بسبب التغيرات الجيولوجية، وتآكل مياه البحر، ودفن الرواسب، مما قد يؤدي إلى خسائر اقتصادية كبيرة وأضرار بيئية. للتخفيف من هذه المخاطر، تعتبر الفحوصات الأمنية المنتظمة باستخدام تقنيات مثل السونار الجانبي (SSS) والسونار ذو الفتحة الاصطناعية (SAS) ضرورية. يقدم SSS، على وجه الخصوص، مزايا على التصوير الضوئي من خلال توفير صور عالية الدقة لقاع البحر غير متأثرة بظروف الإضاءة أو عكارة المياه، مما يجعله مناسبًا للفحوصات تحت الماء.
تناقش الورقة القيود المفروضة على طرق التفسير اليدوي التقليدية لصور SSS، والتي غالبًا ما تؤدي إلى معدلات كشف خاطئة عالية وعدم الكفاءة. لمعالجة هذه التحديات، تقترح الدراسة الاستفادة من تقنيات التعلم العميق للكشف التلقائي عن الأهداف وتقسيم الكائنات لخطوط الأنابيب تحت الماء. تم اختيار نموذج YOLO11n-seg كخط أساس بسبب قدراته المدمجة في الكشف والتقسيم، وبنيته الخفيفة، وتصميمه القابل للتعديل، مما يجعله مناسبًا للنشر على المركبات تحت الماء المستقلة (AUVs) ذات الموارد المحدودة. يعزز نموذج A2C2f المقترح إطار YOLO11n-seg من خلال دمج الوزن التكيفي والتوافق عبر المقاييس، مما يحقق تحسينات في دقة الكشف ومعدلات الاسترجاع مع تقليل المتطلبات الحسابية. تشير النتائج التجريبية إلى زيادة كبيرة في دقة التقسيم ودقة الصناديق المحيطة، مما يوضح فعالية النموذج في مهام الكشف تحت الماء في الوقت الحقيقي.
الطرق
تستخدم الدراسة مجموعة بيانات Marine-PULSE، وهي أول مجموعة بيانات عامة للسونار الجانبي (SSS) تركز على جيولوجيا الهندسة البحرية في بحر بوهاي، الصين. تم تطوير هذه المجموعة بواسطة دو شينغ وزملائه، وتتكون من صور قاع البحر المختلفة، مع التركيز بشكل خاص على خطوط الأنابيب تحت الماء (323 صورة)، ورواسب قاع البحر المتبقية (134)، وسطح قاع البحر (88)، وأرجل المنصات الهندسية (82). تتميز مجموعة البيانات بمصادر بيانات متنوعة، بما في ذلك معدات السونار المتقدمة مثل EdgeTech4200FS و BenthosSIS-1624، مما يعزز موثوقيتها في تحديد الهياكل الهندسية البحرية وأشكال قاع البحر.
لمعالجة التحديات التي تطرحها البيئة تحت الماء المعقدة – مثل الأشكال المختلفة، والمواقع، وظروف الإضاءة لخطوط الأنابيب – تستخدم الدراسة استراتيجية تعزيز بيانات متعددة الأنواع. تشمل هذه الاستراتيجية عمليات مثل التدوير، والانعكاس، والتغيير في الحجم، وإضافة الضوضاء، مما يزيد بشكل فعال من مجموعة البيانات الأصلية المكونة من 323 صورة موضحة إلى 1,615 صورة معززة. لا يخفف هذا التعزيز من الإفراط في التكيف بسبب محدودية العينات المعلّمة فحسب، بل يحسن أيضًا أداء التعميم ومرونة الشبكة العصبية التلافيفية (CNN) المستخدمة في كشف خطوط الأنابيب تحت الماء. يتم تقسيم مجموعة البيانات إلى مجموعات تدريب، والتحقق، والاختبار بنسبة 7:2:1، مما يسهل التقييم الشامل لأداء النموذج ويسمح بالتعرف السريع وتصحيح المشكلات أثناء التدريب.
المناقشة
في هذه الدراسة، تم تحسين نموذج YOLO11 الأساسي لمهام فحص خطوط الأنابيب والكابلات تحت الماء من خلال تقديم متغير YOLO11n-seg، الذي يوازن بفعالية بين دقة الكشف وسرعة الاستدلال. تعمل البنية الخفيفة لنموذج YOLO11n-seg، وخاصة وحدته C3K2، على تحسين الكفاءة الحسابية بينما تدمج الكشف عن الكائنات وتقسيم الكائنات في تمريرة واحدة للأمام. ومع ذلك، تظهر تحديات بسبب الطبيعة المعقدة لصور خطوط الأنابيب تحت الماء، التي تتميز بتباين منخفض وضوضاء عالية. لمعالجة هذه القضايا، تم استبدال وحدة C3K2 بوحدة آلية انتباه (A2C2f) تقوم بضبط المجال الاستقبالي ديناميكيًا، مما يعزز قدرة النموذج على التركيز على الميزات ذات الصلة وسط الضوضاء الخلفية. بالإضافة إلى ذلك، تم استبدال عملية الالتفاف القياسية بعملية التفاف قابلة للفصل عميقًا (DSConv) لتقليل التعقيد الحسابي بشكل أكبر وتحسين قدرات الكشف في الوقت الحقيقي.
تؤدي التعديلات المقترحة إلى تحسينات كبيرة في أداء الكشف والتقسيم، كما يتضح من تجارب الإزالة. يؤدي إدخال وحدة A2C2f إلى زيادة بنسبة 3.0% في دقة الكشف وتقليل ملحوظ في الكشف الخاطئ، بينما تعزز وحدة DSConv معدلات الاسترجاع بنسبة 3.4%. يحقق النموذج المدمج زيادة بنسبة 9.7% في الاسترجاع ويحافظ على دقة عالية، مما يظهر توازنًا ناجحًا بين تعقيد النموذج وأداء الكشف. علاوة على ذلك، يظهر النموذج قدرة قوية على التكيف مع أحجام عينات التدريب المتغيرة، حيث يحافظ على أداء يزيد عن 90% حتى مع تقليل البيانات، مما يبرز قابليته للتطبيق العملي في سيناريوهات الفحص تحت الماء في العالم الحقيقي. تم تصميم دالة الخسارة لتحسين كل من مهام الكشف والتقسيم، مما يضمن نهجًا متوازنًا لتدريب النموذج. بشكل عام، تقدم الدراسة إطارًا قويًا للكشف عن الأهداف تحت الماء في الوقت الحقيقي، مع معالجة التحديات الفريدة التي تطرحها صور السونار.
DOI: https://doi.org/10.1371/journal.pone.0346343
PMID: https://pubmed.ncbi.nlm.nih.gov/41945579
Publication Date: 2026-04-07
Author(s): Zhenyun Du et al.
Primary Topic: Advanced Neural Network Applications
Overview
This research addresses the challenges of detecting submarine pipeline and cable targets in Side-Scan Sonar (SSS) imagery, specifically focusing on issues such as poor real-time performance, high false detection rates, and deployment difficulties. To enhance detection capabilities, the study improves the YOLO11n-seg model by integrating the A2C2f and DSConv modules, which leverage target image features. The modified model demonstrates significant performance enhancements, including a 9.7% increase in bounding box recall, a 1.6% improvement in mean Average Precision (mAP) at IoU thresholds of 50-95, and a 10.3% increase in instance segmentation recall. Additionally, the model achieves a 15% reduction in parameter size, making it more suitable for lightweight deployment.
In conclusion, the enhanced YOLO11n-seg model effectively addresses the detection challenges in SSS imagery, yielding notable improvements in detection precision and recall while reducing computational overhead. The model’s performance, with a mAP@50 improvement of 5.2% over YOLO12n-seg and 12.5% over YOLO13n-seg, indicates its potential for real-time applications in marine surveys and pipeline feature extraction. Future research directions include exploring style transfer techniques to enrich high-level features and further optimizing the model for real-time detection scenarios to enhance accuracy while maintaining lightweight characteristics.
Introduction
The introduction highlights the critical role of submarine pipelines and cables in marine infrastructure, particularly for deep-sea oil and gas resource development. However, these pipelines are susceptible to leakage due to geological changes, seawater corrosion, and sediment burial, which can lead to significant economic losses and environmental damage. To mitigate these risks, regular safety inspections using technologies such as Side-Scan Sonar (SSS) and Synthetic Aperture Sonar (SAS) are essential. SSS, in particular, offers advantages over optical imaging by providing high-resolution seabed images unaffected by light conditions or water turbidity, making it suitable for underwater inspections.
The paper discusses the limitations of traditional manual interpretation methods for SSS images, which often result in high false detection rates and inefficiencies. To address these challenges, the study proposes leveraging deep learning techniques for automatic target detection and instance segmentation of submarine pipelines. The YOLO11n-seg model is selected as the baseline due to its integrated detection and segmentation capabilities, lightweight architecture, and modular design, making it suitable for deployment on resource-constrained Autonomous Underwater Vehicles (AUVs). The proposed A2C2f model enhances the YOLO11n-seg framework with adaptive weighted fusion and cross-scale optimization, achieving improved detection precision and recall rates while reducing computational demands. Experimental results indicate a significant increase in segmentation precision and bounding box accuracy, demonstrating the model’s effectiveness for real-time underwater detection tasks.
Methods
The research utilizes the Marine-PULSE dataset, the first public side-scan sonar (SSS) dataset focused on marine engineering geology in the Bohai Sea, China. Developed by Du Xing and colleagues, this dataset comprises various seabed images, specifically targeting submarine pipelines (323 images), seabed residual deposits (134), seabed surfaces (88), and engineering platform legs (82). The dataset is notable for its diverse data sources, including advanced sonar equipment like EdgeTech4200FS and BenthosSIS-1624, which enhances its reliability for identifying marine engineering structures and seabed landforms.
To address the challenges posed by the complex underwater environment—such as varying shapes, positions, and lighting conditions of pipelines—the study employs a multi-type data augmentation strategy. This approach includes operations like rotation, flipping, scaling, and noise addition, effectively increasing the original dataset of 323 annotated images to 1,615 enhanced images. This augmentation not only mitigates overfitting due to limited labeled samples but also improves the generalization performance and robustness of the convolutional neural network (CNN) used for submarine pipeline detection. The dataset is partitioned into training, validation, and testing subsets in a 7:2:1 ratio, facilitating a comprehensive evaluation of the model’s performance and enabling timely identification and correction of issues during training.
Discussion
In this study, the YOLO11 baseline model is enhanced for underwater pipeline and cable inspection tasks by introducing the YOLO11n-seg variant, which effectively balances detection accuracy and inference speed. The lightweight architecture of YOLO11n-seg, particularly its C3K2 module, optimizes computational efficiency while integrating object detection and instance segmentation in a single forward pass. However, challenges arise due to the complex nature of submarine pipeline images, characterized by low contrast and high noise. To address these issues, the C3K2 module is replaced with an attention mechanism module (A2C2f) that dynamically adjusts the receptive field, enhancing the model’s ability to focus on relevant features amidst background noise. Additionally, the standard convolution operation is substituted with a depthwise separable convolution (DSConv) to further reduce computational complexity and improve real-time detection capabilities.
The proposed modifications result in significant improvements in detection and segmentation performance, as evidenced by ablation experiments. The introduction of the A2C2f module leads to a 3.0% increase in detection accuracy and a notable reduction in false detections, while the DSConv module enhances recall rates by 3.4%. The combined model achieves a 9.7% increase in recall and maintains high accuracy, demonstrating a successful balance between model complexity and detection performance. Furthermore, the model exhibits strong adaptability to varying training sample sizes, maintaining over 90% performance even with reduced data, underscoring its practical applicability in real-world underwater inspection scenarios. The loss function is designed to optimize both detection and segmentation tasks, ensuring a balanced approach to model training. Overall, the study presents a robust framework for real-time underwater target detection, addressing the unique challenges posed by sonar imagery.