DOI: https://doi.org/10.1038/s41598-026-44542-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41851375
تاريخ النشر: 2026-03-18
المؤلف: N. Deluxni وآخرون
الموضوع الرئيسي: الميكروبلاستيك وتلوث البلاستيك
نظرة عامة
تقدم البحث إطار عمل Mask R-CNN خفيف الوزن وقابل للتكيف يهدف إلى تعزيز تقسيم الكائنات وتصنيفها في الوقت الحقيقي تحت الماء. يسلط الدراسة الضوء على التحديات التي تطرحها التباين المنخفض والضوضاء في الصور تحت الماء، مما يعقد اكتشاف الحطام. لمعالجة هذه القضايا، يدمج النموذج المقترح وحدة تصحيح الألوان المعتمدة على CNN ويستخدم MobileNetV3 كهيكل خفيف الوزن لاستخراج الميزات بشكل فعال. يتم استخدام شبكة اقتراح المنطقة (RPN) المحسّنة لتحسين تحديد موقع الكائنات، مما يؤدي إلى نظام يعمل بكفاءة في ظل ظروف تحت الماء الصعبة.
تظهر تقييمات الأداء أن النموذج المقترح يتفوق بشكل كبير على طرق Mask R-CNN التقليدية، حيث يحقق دقة متوسطة (mAP) تبلغ 88.1%، وتداخل على اتحاد (IoU) يبلغ 83.7%، وقدرات معالجة في الوقت الحقيقي تصل إلى 30 إطارًا في الثانية (FPS). يتم التحقق من متانة النموذج عبر ظروف بيئية متنوعة، بما في ذلك الإضاءة المنخفضة والعتامة العالية. تشمل اتجاهات البحث المستقبلية تعزيز الإطار لتحسين التكيف مع المجالات عبر بيئات تحت الماء المتنوعة وتحسين الخوارزميات للنشر على المركبات تحت الماء المستقلة (AUVs) والمركبات التي يتم تشغيلها عن بعد (ROVs). بالإضافة إلى ذلك، يتم اقتراح دمج البيانات من أنواع متعددة من المستشعرات، مثل السونار ومعلومات العمق، لتحسين أداء النظام وموثوقيته بشكل أكبر.
مقدمة
تسلط المقدمة الضوء على التحديات البيئية الحرجة التي تطرحها التلوث تحت الماء، وخاصة من النفايات البلاستيكية، التي تهدد النظم البيئية البحرية وجودة المياه. يؤكد النص على دور المركبات تحت الماء المستقلة (AUVs) والمركبات التي يتم تشغيلها عن بعد (ROVs) في مراقبة وتخفيف هذه القضايا، مع الإشارة إلى التحديات الكبيرة التي تواجهها في الإدراك البصري واكتشاف الكائنات بسبب الظروف تحت الماء مثل تشويه الألوان، وتخفيف الضوء، والتشتت. تعاني تقنيات الرؤية الحاسوبية التقليدية من قيود في التعميم عبر بيئات تحت الماء المتنوعة، مما يدفع إلى استكشاف طرق التعلم العميق، وخاصة الهياكل المعتمدة على المحولات والشبكات العصبية التلافيفية (CNNs)، التي أظهرت وعدًا في معالجة الصور ولكن تعاني من متطلبات حسابية عالية.
لمعالجة هذه التحديات، يقترح البحث Mask R-CNN خفيف الوزن هجين قابل للتكيف يدمج مستخرج ميزات خفيف الوزن مع إطار عمل Mask R-CNN ووحدة تصحيح ألوان محسّنة. يهدف هذا النهج إلى تقليل التكاليف الحسابية مع تحسين تعلم الميزات وتقسيم الكائنات في ظروف تحت الماء الصعبة. تشمل المساهمات الرئيسية إطار عمل Mask R-CNN خفيف الوزن موجه للنشر مصمم لتحديد الحطام تحت الماء، وتعزيز الصورة المستندة إلى الفيزياء ودمج تقسيم الكائنات الذي يعزز المتانة في البيئات ذات التباين المنخفض، وتكوين قادر على اكتشاف الحطام الصغير وغير المنتظم والمخفي جزئيًا. يعد البحث بتقييمات شاملة عبر مجموعات بيانات متعددة، مما يضمن إمكانية إعادة الإنتاج والتطبيق في الوقت الحقيقي على منصات AUV ذات الموارد المحدودة. ستتناول الأقسام التالية الأعمال ذات الصلة، والمنهجية، ومقاييس الأداء، والاستنتاجات مع اتجاهات البحث المستقبلية.
طرق
تتركز المنهجية المقترحة على Mask R-CNN خفيف الوزن هجين مصمم لتقسيم الكائنات بدقة عالية في البيئات تحت الماء مع الحفاظ على كفاءة المعالجة. يتضمن النموذج وحدة تحسين الصور تحت الماء المتخصصة التي تعالج التحديات الشائعة مثل تشتت الضوء وتخفيف الألوان من خلال استخدام تصحيحات مدفوعة بالنموذج الفيزيائي وتقنيات استعادة التعلم العميق.
تم إجراء تقييمات تجريبية باستخدام وحدة معالجة الرسوميات NVIDIA RTX 3090 مع تنفيذات في TensorFlow وPyTorch. أظهر النموذج أداءً في الوقت الحقيقي عند 30 إطارًا في الثانية، حيث يعالج 480 صورة في الثانية في وضع الدفعة مع وقت استدلال يبلغ 33 مللي ثانية لكل صورة. من الجدير بالذكر أنه تفوق على الخوارزميات الحالية مثل Faster R-CNN وYOLOv4، محققًا دقة متوسطة (mAP) تبلغ 88.1%، وتداخل على اتحاد (IoU) يبلغ 83.7%، ودرجة مؤشر التشابه الهيكلي (SSIM) تبلغ 0.91، إلى جانب نسبة إشارة الذروة إلى الضوضاء (PSNR) تبلغ 28.6 ديسيبل. تؤكد هذه النتائج ملاءمة النموذج للتطبيقات التي تتطلب اتخاذ قرارات في الوقت الحقيقي، مثل عمليات المركبات تحت الماء المستقلة (AUV) في الاستكشاف تحت الماء، واكتشاف الحطام البحري، والمراقبة البيئية، مما يبرز فعاليته في تحقيق التوازن بين الدقة والسرعة والكفاءة الحسابية.
نقاش
تسلط قسم النقاش في ورقة البحث الضوء على التقدم في اكتشاف الكائنات تحت الماء وتحسين الصور، مع التأكيد على قيود تقنيات الرؤية الحاسوبية التقليدية في الظروف تحت الماء القاسية. بينما تم استخدام طرق تقليدية مثل تحسين Retinex وتساوي الهيستوجرام على نطاق واسع، إلا أنها تكافح مع التعديلات الديناميكية على ظروف الإضاءة المتغيرة. في المقابل، أظهرت طرق التعلم العميق، بما في ذلك الكاشفات ذات المرحلة الواحدة مثل YOLO وSSD، والنماذج ذات المرحلتين مثل Faster R-CNN، أداءً متفوقًا في التطبيقات في الوقت الحقيقي، على الرغم من وجود مقايضات بين السرعة والدقة. لقد حسنت دمج تقنيات التعلم غير المراقب والنماذج الهجينة من فعالية الاكتشاف، خاصة في البيئات تحت الماء الصعبة.
يعالج نموذج Mask R-CNN خفيف الوزن الهجين القابل للتكيف المقترح التحديات الحالية من خلال دمج الهياكل الخفيفة الوزن مثل MobileNetV3 مع تقنيات تحسين الصور المتقدمة. يستخدم هذا النموذج وحدة تصحيح الألوان المعتمدة على CNN لاستعادة الألوان الطبيعية والتباين، مما يحسن بشكل كبير من دقة اكتشاف الكائنات. تستخدم شبكة اقتراح المنطقة المحسّنة (RPN) دمج الميزات متعددة المقاييس واختيار المراسي التكيفية لتحسين اكتشاف الكائنات ذات الأحجام المتنوعة. يتم تقييم أداء الإطار باستخدام مقاييس مثل الدقة المتوسطة (mAP) والتداخل على الاتحاد (IoU)، مما يظهر فعاليته في التطبيقات تحت الماء في الوقت الحقيقي. بشكل عام، تؤكد الدراسة على أهمية تحقيق التوازن بين الكفاءة الحسابية ودقة الاكتشاف في مهام التعرف على الكائنات تحت الماء.
DOI: https://doi.org/10.1038/s41598-026-44542-0
PMID: https://pubmed.ncbi.nlm.nih.gov/41851375
Publication Date: 2026-03-18
Author(s): N. Deluxni et al.
Primary Topic: Microplastics and Plastic Pollution
Overview
The research presents an Adaptive Lightweight Mask R-CNN framework aimed at enhancing real-time instance segmentation and categorization of underwater debris. The study highlights the challenges posed by low contrast and noise in underwater imagery, which complicate debris detection. To address these issues, the proposed model integrates a CNN-based color correction module and employs MobileNetV3 as a lightweight backbone for effective feature extraction. An upgraded Region Proposal Network (RPN) is utilized to improve object localization, resulting in a system that operates efficiently under challenging underwater conditions.
Performance evaluations demonstrate that the proposed model significantly outperforms traditional Mask R-CNN methods, achieving a Mean Average Precision (mAP) of 88.1%, an Intersection over Union (IoU) of 83.7%, and real-time processing capabilities of 30 frames per second (FPS). The model’s robustness is validated across various environmental conditions, including low light and high turbidity. Future research directions include enhancing the framework for better domain adaptation across diverse underwater environments and optimizing the algorithms for deployment on Autonomous Underwater Vehicles (AUVs) and Remotely Operated Vehicles (ROVs). Additionally, the integration of data from multiple sensor types, such as sonar and depth information, is proposed to further improve system performance and reliability.
Introduction
The introduction highlights the critical environmental challenges posed by underwater pollution, particularly from plastic waste, which threatens marine ecosystems and water quality. The text emphasizes the role of autonomous underwater vehicles (AUVs) and remotely operated vehicles (ROVs) in monitoring and mitigating these issues, while noting the significant challenges they face in visual perception and object detection due to underwater conditions such as color distortion, light attenuation, and scattering. Traditional computer vision techniques have limitations in generalizing across varying underwater environments, prompting the exploration of deep learning methods, particularly Transformer-based architectures and Convolutional Neural Networks (CNNs), which have shown promise in image processing but suffer from high computational demands.
To address these challenges, the paper proposes an adaptive hybrid lightweight Mask R-CNN that integrates a lightweight feature extractor with a Mask R-CNN framework and an enhanced color correction module. This approach aims to reduce computational costs while improving feature learning and object segmentation in challenging underwater conditions. Key contributions include a deployment-oriented lightweight Mask R-CNN framework tailored for underwater debris identification, a physics-informed image enhancement and instance segmentation integration that enhances robustness in low-contrast environments, and a configuration adept at detecting small, irregular, and partially obscured debris. The paper promises thorough evaluations across multiple datasets, ensuring reproducibility and real-time applicability on resource-constrained AUV platforms. Subsequent sections will delve into related work, methodology, performance metrics, and conclusions with future research directions.
Methods
The proposed methodology centers on an adaptive hybrid lightweight Mask R-CNN designed for high-accuracy instance segmentation in underwater environments while maintaining processing efficiency. The model incorporates a specialized underwater image enhancement module that addresses common challenges such as light dispersion and color attenuation by employing both physical model-driven corrections and deep learning restoration techniques.
Experimental evaluations were conducted using an NVIDIA RTX 3090 GPU with implementations in TensorFlow and PyTorch. The model demonstrated real-time performance at 30 frames per second, processing 480 images per second in batch mode with an inference time of 33 milliseconds per image. Notably, it outperformed existing algorithms like Faster R-CNN and YOLOv4, achieving a mean Average Precision (mAP) of 88.1%, an Intersection over Union (IoU) of 83.7%, and a Structural Similarity Index Measure (SSIM) score of 0.91, alongside a Peak Signal-to-Noise Ratio (PSNR) of 28.6 dB. These results underscore the model’s suitability for applications requiring real-time decision-making, such as Autonomous Underwater Vehicle (AUV) operations in underwater exploration, marine debris detection, and environmental monitoring, highlighting its effectiveness in balancing accuracy, speed, and computational efficiency.
Discussion
The discussion section of the research paper highlights advancements in underwater object detection and image enhancement, emphasizing the limitations of traditional computer vision techniques in extreme underwater conditions. While conventional methods such as Retinex-based enhancement and histogram equalization have been widely used, they struggle with dynamic adjustments to varying light conditions. In contrast, deep learning approaches, including single-stage detectors like YOLO and SSD, and two-stage models such as Faster R-CNN, have demonstrated superior performance in real-time applications, albeit with trade-offs between speed and accuracy. The integration of unsupervised learning techniques and hybrid models has further improved detection efficacy, particularly in challenging underwater environments.
The proposed adaptive hybrid lightweight Mask R-CNN model addresses existing challenges by combining lightweight architectures like MobileNetV3 with advanced image enhancement techniques. This model utilizes a CNN-based color correction module to restore natural colors and contrast, significantly improving object detection accuracy. The enhanced Region Proposal Network (RPN) employs multi-scale feature fusion and adaptive anchor selection to optimize detection of objects of varying sizes. The framework’s performance is evaluated using metrics such as mean average precision (mAP) and intersection over union (IoU), demonstrating its effectiveness in real-time underwater applications. Overall, the study underscores the importance of balancing computational efficiency with detection accuracy in underwater object recognition tasks.