YOLO11n + RFA + RCSA, ni usanifu mwepesi wa utambuzi wa vitu ambapo vipengele vya Ujumlishaji wa Eneo la Upokeaji (Receptive-Field Aggregation, RFA) na Urekebishaji Upya wa Mabaki wa Kikanali-Kimakan (Residual Channel-Spatial Recalibration, RCSA) huongezwa kwenye kitambuzi cha vitu cha YOLO11n ili kutambua taka za baharini zenye tekstcha hafifu, mipaka isiyo wazi na ukubwa tofauti katika picha za chini ya maji. RFA hukusanya taarifa za muktadha kutoka kwenye maeneo tofauti yenye ufanisi ya upokeaji, huku RCSA ikiweka upya uzani wa umuhimu wa kikanali na kimakan wa vipengele hivyo vilivyoboreshwa. Lengo kuu la utafiti si kuongeza usahihi pekee, bali kufanya hivyo kwa modeli ya kiwango kinachoweza kutumika baadaye kwenye majukwaa ya chini ya maji yenye rasilimali zinazoweza kuwa chache, kama ROV.

Utafiti ulitumia mkusanyiko wa data wa wazi wa taka za chini ya maji wenye madarasa 15. Katika mgawanyo asili wa data wa mtoa huduma kuna picha 10.884 za mafunzo, 1.001 za validation na 501 za test. Seti ya validation ina vitu 1.892 vilivyowekewa lebo. Seti ya test ilikaguliwa kwa ukaguzi wa nakala za SHA-256 na vikundi vya provenance vilivyotokana na majina ya faili; baada ya kuondoa picha zilizokuwa katika vikundi vilevile vya provenance vilivyokaguliwa vya mafunzo au validation, seti ya mwisho ya holdout ilibaki na picha 498 na vitu 963.

Ulinganisho mkuu ulifanywa kwa epoch 100 na seed tatu tofauti: 42, 2026 na 3407. Modeli ya RFA + RCSA ilipata kwenye validation Precision 0,861 ± 0,016, Recall 0,801 ± 0,012, mAP@0.5 0,848 ± 0,001 na mAP@0.5:0.95 0,511 ± 0,002. Checkpoint hizo tatu zilitoa kwenye holdout iliyokaguliwa matokeo ya 0,820 ± 0,033, 0,748 ± 0,014, 0,779 ± 0,018 na 0,467 ± 0,007 mtawalia.

Modeli ina vigezo milioni 4,19, uzito wa takribani 8,43 MB na inahitaji hesabu ya 8,91 GFLOPs kwa ingizo la 640 × 640. Hata hivyo, kwenye vifaa halisi vya Jetson/ROV, FPS, latency ya mwanzo-hadi-mwisho, kiwango cha juu cha kumbukumbu, matumizi ya nguvu au nishati kwa kila frame havikupimwa. Kwa hiyo, matokeo yanaunga mkono modeli kama mgombea mwepesi mwenye matumaini kwa utambuzi wa ROV yenye rasilimali chache; hayathibitishi mafanikio ya mfumo uliopachikwa wa wakati halisi.

Ugunduzi mwingine muhimu wa utafiti ni kikomo cha ujanibishaji wa matokeo kwa mazingira mengine. Ingawa utendaji wa kuridhisha ulipatikana kwenye holdout iliyokaguliwa iliyoundwa kutoka kwenye mkusanyiko uleule wa data wa chanzo, katika domain tofauti ya TrashCan Material mAP@0.5 ilishuka hadi 0,031 ± 0,023 pekee. Hili linaonyesha wazi kwamba utendaji mzuri ndani ya chanzo kimoja cha data hauhamishiki kiotomatiki kwenda kwenye mikusanyiko mingine ya data, mazingira au taksonomia.

Tatizo kuu la utafiti

Upigaji picha chini ya maji ni mazingira ya kuona yasiyo thabiti zaidi kuliko upigaji picha hewani. Kupungua kwa mwanga kunakotegemea urefu wa mawimbi ndani ya maji, kutawanyika kwa mwanga kutokana na chembe zilizosimamishwa, mabadiliko ya rangi na mwanga bandia usio sawia vinaweza kupunguza utofautishaji kati ya shabaha na mandharinyuma na kuharibu mwonekano wa kitu.

Taka za baharini pia zinaweza kuwa vitu vidogo, vilivyozikwa kwa sehemu, vilivyobadilika umbo au vinavyofanana kwa mwonekano na sakafu ya bahari. Kwa hiyo, kuangaza picha pekee au kuongeza contrast hakutatui kikamilifu tatizo la uwakilishi wa muktadha usiotosha katika kitambuzi kilicho kompakt.

Tatizo la kihandisi lililoshughulikiwa na watafiti ni kurekebisha mapungufu mawili bila kuongeza ukubwa wa mtandao kiholela:

• Kukusanya muktadha mpana zaidi ili kuelewa shabaha dhaifu au zisizo wazi.
• Kutenganisha vizuri zaidi ishara yenye manufaa na vipengele changamano vya mandharinyuma baada ya uunganishaji wa vipengele vya mizani mingi.

Kwa hiyo, RFA na RCSA hazikuwekwa kama moduli mbili mbadala zinazofanya kazi moja, bali kama michakato miwili inayokamilishana katika sehemu tofauti za mtandao.

Kwa nini RFA na RCSA hutumiwa pamoja?

RFA hukusanya muktadha kutoka kwenye maeneo yenye ufanisi ya upokeaji ya ukubwa tofauti katika hatua za awali na za kati za uchimbaji wa vipengele, huku RCSA ikiweka upya uzani wa umuhimu wa kikanali na kimakan wa vipengele vilivyoundwa na kuunganishwa baadaye; katika mantiki ya usanifu wa utafiti, RFA hujibu swali “tuone muktadha gani wa mazingira?”, na RCSA “tupe kipaumbele majibu gani katika uwakilishi ulioboreshwa?”

Usanifu msingi wa YOLO11n

Modeli ya kuanzia hutumia mpangilio wa kawaida wa backbone–neck–head. Backbone huchimba vipengele vya kihierarkia kutoka kwenye picha, neck huunganisha vipengele vya viwango tofauti vya mwonekano, na detection head hutoa makadirio ya mahali pa kitu na darasa kutoka kwenye mizani mitatu tofauti.

Katika utafiti detection head haikubadilishwa. Jambo hili ni muhimu; tofauti zilizoripotiwa hazitokani na usanifu mpya wa detection head, bali na vipengele vya RFA na RCSA vilivyoongezwa kwenye njia ya uchimbaji wa vipengele na urekebishaji upya.

RFA: Ujumlishaji wa Eneo la Upokeaji hufanyaje kazi?

Eneo la upokeaji la mtandao wa convolution huonyesha ukubwa wa eneo la picha ya ingizo ambalo thamani fulani ya kipengele inaweza kupata taarifa kutoka kwake. Kutathmini shabaha ndogo kutoka eneo finyu sana pekee kunaweza kutotosha kwa vitu vya chini ya maji vyenye kingo dhaifu au visivyo wazi.

RFA hugawanya vipengele vya ingizo katika vikundi vya kanal na kuunganisha operesheni za ndani zenye maeneo tofauti yenye ufanisi ya upokeaji. Mlinganyo wa msingi katika chanzo ni huu:

\[ F_{\mathrm{RFA}} = \mathrm{Conv}_{1\times1} \left( \mathrm{Concat} [ LO_1(X_1), LO_2(X_2), \ldots, LO_N(X_N) ] \right) \tag{1} \]

Hapa \(X_i\) inawakilisha kikundi cha kanal cha i cha tensor ya vipengele vya ingizo; \(LO_i(\cdot)\) opereta ya ndani husika; \(\mathrm{Concat}\) kuunganishwa kwa vipengele vya matawi katika mwelekeo wa kanal, na convolution ya \(1\times1\) muunganisho wa mwisho wa kanal.

Katika mchoro wa chanzo inaonyeshwa kuwa opereta za ndani zinazofuatana huunda maeneo yenye ufanisi ya upokeaji ya takribani 7×7, 9×9 na 11×11. Lengo si kutumia kernel kubwa pekee, bali kuunganisha ukubwa tofauti wa muktadha bila kupoteza kabisa maelezo ya ndani.

RCSA: Urekebishaji Upya wa Mabaki wa Kikanali-Kimakan hufanyaje kazi?

Njia ya RCSA hutumia Residual Channel-Spatial Attention Block (RCSAB) ndani ya dynamic residual group (DRG). Kila RCSAB hutumia convolution mbili za 3×3. Convolution ya kwanza hufuatiwa na batch normalization na LeakyReLU, na ya pili hufuatiwa na batch normalization.

Umakini wa kanal hupitisha muhtasari wa global average pooling na global maximum pooling katika mabadiliko ya pamoja ya tabaka mbili ya 1×1. Umakini wa kimakan wenye kubadilika hutengeneza kwa kila sampuli kernel ya kimakan ya 3×3 iliyowekewa masharti na vipengele vya kimataifa.

Mlolongo msingi wa mabadiliko wa RCSAB:

\[ F=T(X) \tag{2} \]

\[ F_c=M_c(F)\odot F \tag{3} \]

\[ F_{cs}=M_s(F_c)\odot F_c \tag{4} \]

\[ F_{out}=P(X)+G(F_{cs}) \tag{5} \]

uko hivi. Hapa \(T(\cdot)\) inaonyesha mabadiliko ya convolution-normalization kabla ya attention, \(M_c\) ramani ya umakini wa kanal, \(M_s\) ramani ya umakini wa kimakan, \(G(\cdot)\) convolution ya kutoka, na \(\odot\) kuzidisha kipengele-kwa-kipengele.

\(P(X)\) ni identity shortcut ikiwa vipimo vinafanana; visipofanana ni projection shortcut inayolinganishwa vipimo vya vipengele. Njia hii ya residual hutoa upitishaji wa moja kwa moja wa taarifa unaozuia operesheni ya attention kufuta kabisa taarifa muhimu.

Ramani ya umakini wa kanal:

\[ M_c(F) = \sigma \left[ W_2\delta(W_1\,GAP(F)) + W_2\delta(W_1\,GMP(F)) \right] \tag{6} \]

hutolewa hivyo. Hapa GAP ni global average pooling, GMP ni global maximum pooling, \(\delta\) ni ReLU na \(\sigma\) ni fungsi ya sigmoid.

Kernel ya kimakan yenye kubadilika:

\[ K(F_c) = \mathrm{reshape} \left[ W_{k2}\delta(W_{k1}GAP(F_c)) \right] \in \mathbb{R}^{1\times3\times3} \tag{7} \]

na umakini wa kimakan:

\[ M_s(F_c) = \sigma \left[ K(F_c)*\mathrm{mean}_c(F_c) \right] \tag{8} \]

huonyeshwa hivyo. \(\mathrm{mean}_c\) ni wastani wa vipengele kwenye kipimo cha kanal; \(*\) ni operesheni ya grouped convolution kwa kila sampuli. Kernel si thabiti; hutokana na sampuli ya ingizo.

RCSAB nne na convolution moja ya mwisho ya 3×3 kwa pamoja huunda dynamic residual group. Tawi moja la kanal ndani ya C2PSA hupita kundi hili moja kwa moja, huku tawi jingine likipitia njia ya dynamic residual na feed-forward; matawi hayo mawili huunganishwa mwishoni na kufanyiwa fusion kwa convolution ya 1×1.

Kikomo cha ubunifu wa RFA na RCSA katika utafiti

Utafiti haudai kuwa uliibuni kwa mara ya kwanza dhana ya RFA au wazo la dynamic residual group. RFA limebadilishwa kutoka mbinu iliyopo ya RFAConv, na topolojia ya dynamic residual group kutoka DRPCA-Net. Mchango wa utafiti ni kuweka miundo hii iliyopo mahususi katika uchimbaji wa vipengele vya YOLO11n kwa mazingira ya chini ya maji, kuziunganisha ndani ya njia ya RCSA na kuzipima kwa majaribio pamoja na RFA.

Mkusanyiko wa data na kutokuwa na usawa wa madarasa

Mkusanyiko wa data una madarasa 15. Lebo za chanzo ni hizi hasa: mask, can, cellphone, electronics, gbottle, glove, metal, misc, net, pbag, pbottle, plastic, rod, sunglasses na tire. Kwa kuwa upanuzi wa tokeni za lebo kama “gbottle”, “pbag” na “pbottle” haujaelezwa tofauti katika jedwali la chanzo, hazijapewa majina mapya kwa kukisia hapa.

Madarasa hayana usawa kwa kiwango kikubwa. Kwa mfano, katika sehemu ya mafunzo kuna vitu 6.816 vya tire, huku sunglasses ikiwa na 42 pekee, rod 78 na metal 168. Kutokuwa na usawa huku ni mojawapo ya sababu muhimu za kutokuwa na uhakika kwa kila darasa katika tathmini ya holdout.

Kwa nini validation na holdout zilitenganishwa?

Sehemu ya validation yenye picha 1.001 ilitumika kuchagua modeli na checkpoint, huku holdout iliyokaguliwa yenye picha 498 ikitumika kwa tathmini ya mwisho pekee. Hivyo mchanganyiko kati ya uteuzi wa modeli na test ya mwisho ulipunguzwa.

Wakati wa kuunda holdout, ukaguzi kamili wa nakala za SHA-256 na vitambulisho vya provenance vilivyotokana na majina ya faili vilitumika. Picha za test zilizoonekana katika kundi lilelile la provenance na mafunzo au validation ziliondolewa.

Mbinu hii hupunguza uvujaji wa data ulio wazi; hata hivyo, chanzo kinasisitiza wazi kwamba hii haithibitishi uhuru wa kimwili wa eneo. Zaidi ya hayo, validation na holdout zimetokana na mkusanyiko uleule wa data wa chanzo cha wazi.

Je, modeli iliendeshwa kweli kwenye ROV kwa wakati halisi?

Hapana. Picha za ROV katika chanzo zinaonyesha muktadha wa matumizi wa majaribio yanayohusiana ambayo waandishi walishiriki; modeli iliyoripotiwa katika utafiti huu ilitathminiwa kwenye workstation kwa kutumia mikusanyiko ya data, na hakuna kipimo cha FPS cha mwanzo-hadi-mwisho, latency, kumbukumbu, nguvu au nishati kilichofanywa kwenye vifaa vya ROV vya daraja la Jetson.

Kwa nini muktadha wa ROV bado ni muhimu?

Katika ROV kompakt, uwezo wa prosesa, kumbukumbu, bajeti ya nguvu, uwezo wa kubeba na upoaji vinaweza kuwa na mipaka. Kwa hiyo, kubuni modeli yenye idadi ndogo ya vigezo na GFLOP kuna maana kiutendaji. Hata hivyo, ugumu tuli wa modeli hauwezi kuchukua nafasi ya kasi halisi ya vifaa.

Katika hatua inayofuata ya uthibitishaji, angalau latency ya mwanzo-hadi-mwisho, FPS, peak memory, matumizi ya nguvu na nishati kwa kila frame vinapaswa kupimwa kwenye vifaa lengwa.

Metriki za tathmini zina maana gani?

Precision hupima ni sehemu gani ya utambuzi chanya uliofanywa na modeli ni sahihi:

\[ Precision=\frac{TP}{TP+FP} \]

TP huwakilisha chanya sahihi na FP chanya zisizo sahihi. Precision ikiwa juu, sehemu kubwa zaidi ya visanduku ambavyo modeli inasema “kuna kitu” huwa vya kweli.

Recall hupima ni sehemu gani ya vitu halisi imepatikana na modeli:

\[ Recall=\frac{TP}{TP+FN} \]

FN huwakilisha hasi zisizo sahihi, yaani vitu vilivyokuwepo kwenye picha lakini havikugunduliwa.

Alama ya F1 huunda uwiano wa kiharmonia kati ya Precision na Recall:

\[ F_1=\frac{2PR}{P+R} \]

Hapa \(P\) ni thamani ya Precision na \(R\) ni thamani ya Recall.

mAP@0.5 hutumia wastani wa thamani za Average Precision kwa kila darasa wakati kizingiti cha Intersection over Union (IoU) ni 0,5. mAP@0.5:0.95 hupitia vizingiti vya IoU kutoka 0,50 hadi 0,95 kwa ongezeko la 0,05 na kutathmini usahihi mkali zaidi wa uwekaji mahali.

Mbinu na Matokeo ya Utafiti

Mazingira ya majaribio na mipangilio ya mafunzo

Uongezaji wa data na uboreshaji

Katika chanzo, hsv_h = 0,015, hsv_s = 0,7, hsv_v = 0,4; translate = 0,1; scale = 0,5; horizontal flip = 0,5 na Mosaic = 1,0 zilitumika. Degrees = 0, vertical flip = 0 na MixUp = 0 ziliachwa hivyo.

Chaguo la optimizer = auto katika Ultralytics 8.3.163 lilitoa Nesterov SGD. Learning rate ya kuanzia ilikuwa 0,01, momentum 0,9 na nominal weight decay 0,0005. Katika hali ya Batch 30, accumulation 2 na nbs = 64, effective weight decay iliripotiwa kuwa 0,00046875.

Warm-up ilidumu epoch tatu na patience iliwekwa 100. Learning rate ilipunguzwa kwa mstari; cos_lr ilizimwa. Mosaic ilizimwa katika epoch 10 za mwisho.

Ulinganisho mkuu wa 100-epoch

Modeli iliyounganishwa ilitoa wastani wa juu zaidi wa validation mAP@0.5. Hata hivyo, ongezeko katika metriki kali zaidi ya mAP@0.5:0.95 ni dogo sana.

RFA peke yake ilileta nini?

Katika uchunguzi wa awali wa moduli kwa seed-42, RFA ilitoa matokeo yenye nguvu zaidi ya mAP miongoni mwa wagombea wa moduli moja. Chanzo kinaripoti ongezeko la mAP@0.5 la pointi asilimia 2,2 na ongezeko la mAP@0.5:0.95 la pointi asilimia 1,3 ikilinganishwa na mwanzo wa YOLO11n.

Ingawa CSA_ConvBlock ilitoa Precision ya juu zaidi katika uchunguzi wa seed-42, faida za Recall na mAP zilikuwa ndogo. RCSA peke yake ilibadilisha metriki za jumla kwa kiwango kidogo tu.

Ugunduzi huu umetafsiriwa kwa tahadhari katika chanzo kwamba manufaa ya RCSA yanaweza kutegemea kwanza kuundwa kwa muktadha wa kutosha wenye taarifa na utaratibu kama RFA.

Tofauti ya kitakwimu ya RFA + RCSA dhidi ya RFA

Kwenye seed tatu zilizounganishwa kwa jozi, RFA + RCSA iliongeza validation mAP@0.5 kwa 0,0178 dhidi ya RFA. Kipindi cha kujiamini cha %95 kilichounganishwa kwa jozi kilikuwa 0,0103–0,0253 na paired t-test p = 0,009.

Tofauti ya mAP@0.5:0.95 ilikuwa 0,0021 pekee; kipindi cha kujiamini cha %95 kilikuwa −0,0150–0,0191 na p = 0,654. Kwa hiyo, utafiti haudai kwamba utendaji bora wa uwekaji mahali umeonyeshwa kitakwimu katika masharti makali zaidi ya IoU.

Zaidi ya hayo, n = 3 inamaanisha seed tatu tu. Waandishi wanaweka kikomo uchambuzi huu kama ulinganisho wa jozi wa uchunguzi unaoonyesha mabadiliko ya run-to-run, si kama ushahidi wa mwisho wa ubora wa jumla.

Ugumu wa modeli

RFA peke yake huongeza vigezo na gharama za hesabu kwa kiwango kidogo sana, huku kuongezwa kwa RCSA kukifikisha modeli nzima kwenye vigezo milioni 4,19. Hata hivyo, chanzo bado kinaainisha modeli kama mgombea mwepesi.

Kikomo cha ulinganisho wa YOLOv8n

Chanzo kinaripoti katika chanzo kilekile cha data Precision 0,842, Recall 0,779, mAP@0.5 0,821 na mAP@0.5:0.95 0,508 kwa YOLOv8n. Hata hivyo, YOLOv8n imetolewa kwa run moja pekee, huku YOLO11n na RFA + RCSA zikitolewa kwa run tatu. Chanzo pia kinatumia YOLOv8n kama ulinganisho wa mwakilishi wa kitambuzi chepesi kwenye dataset ileile pekee.

Kwa hiyo, jedwali hili halipaswi kutafsiriwa kama jaribio la mwisho la ubora wa jumla kati ya modeli zenye idadi tofauti za seed.

Je, matokeo ya validation yanaonyesha mafanikio ya ulimwengu halisi?

Hapana. Validation na holdout iliyokaguliwa zinatoka kwenye mkusanyiko uleule wa data wa wazi; zaidi ya hayo, kushuka kwa kiwango kikubwa kwa utendaji katika test ya nje ya TrashCan Material kunaonyesha kwamba mafanikio kwenye chanzo kilekile cha data hayawezi kutumika kutoa hitimisho la uimara wa jumla kwa domain nyingine za picha au taksonomia za madarasa.

Matokeo ya holdout iliyokaguliwa

Kuwa kwa matokeo ya holdout chini kuliko ya validation kunaonyesha kwamba seti ya mwisho ya tathmini iliyo tofauti zaidi ilikuwa jaribio gumu zaidi kwa modeli. Hata hivyo, haijathibitishwa kwamba holdout ilitoka kwenye eneo la bahari linalojitegemea kimwili.

Kutokuwa na uhakika wa long-tail kwa kila darasa

Kwa kuwa darasa la rod lina vitu viwili tu vya test, kutokuwa na uhakika kwa AP@0.5 = 0,414 ± 0,198 ni kwa kiwango kikubwa sana. Darasa la sunglasses lina sampuli moja tu. Checkpoint zote tatu kutoa AP@0.5 = 0,995 kwenye sampuli moja si ushahidi wa ujanibishaji mpana wa darasa.

Chanzo pia kinasisitiza kwamba vipindi vya kujiamini vilivyotolewa havipimi kutokuwa na uhakika wa sampuli za picha, bali vinapima tu mabadiliko kati ya seed tatu.

Je, kuchukua sampuli za madarasa nadra mara nne zaidi kulisaidia?

Hapana. 4× oversampling ilitumika kwa madarasa ya metal, rod na sunglasses, lakini hakuna picha mpya au sintetiki zilizotengenezwa; ni mara ya kuchukuliwa kwa sampuli wakati wa mafunzo pekee iliyobadilishwa.

Reference holdout mAP@0.5 ilikuwa 0,779 ± 0,018, na baada ya oversampling ikawa 0,772 ± 0,006. mAP@0.5:0.95 pia ilibadilika kutoka 0,467 ± 0,007 hadi 0,464 ± 0,007. Chanzo kinaripoti jaribio hili si kama ongezeko la utendaji, bali kama udhibiti hasi.

Ustahimilivu kwa mabadiliko ya mwangaza na contrast

Kubadilisha mwangaza kwa kipengele cha 0,70 au 1,30 kuliathiri matokeo kwa kiwango kidogo tu. Kwa upande mwingine, contrast ya chini ni hali dhahiri ya kushindwa kwa modeli.

Katika hali ya Contrast 0,70, mAP@0.5 ilishuka takribani kutoka 0,779 hadi 0,644, na mAP@0.5:0.95 kutoka 0,467 hadi 0,397. Chanzo kinatafsiri hili kama ishara kwamba kutenganika dhaifu kati ya shabaha na mandharinyuma ni hali muhimu zaidi ya kushindwa kifotometriki.

Test ya mkusanyiko wa data wa nje

Katika test ya domain ya nje yenye picha 1.204 na sampuli 599 za shabaha zilizolinganishwa kutoka kwenye sehemu ndogo ya metal/plastic ya TrashCan Material, RFA + RCSA ilitoa tu:

• mAP@0.5 = 0,031 ± 0,023
• mAP@0.5:0.95 = 0,017 ± 0,012

matokeo hayo.

Matokeo haya ya chini hayakufichwa katika chanzo; kinyume chake, yamehifadhiwa ili kuonyesha kwamba mafanikio ya holdout ya chanzo kilekile si ushahidi wa ustahimilivu wa cross-dataset. Tofauti za taksonomia na domain husababisha upotevu mkubwa wa utendaji.

Kikomo cha uhusiano na uendelevu

Utafiti unaweka utambuzi wa taka za baharini kama kipengele cha utambuzi kinachoweza kusaidia ufuatiliaji wa mara kwa mara wa makazi ya sakafu ya bahari, bandari, maeneo ya kutia nanga, nyaya za chini ya bahari na miundombinu ya nishati mbadala ya baharini.

Matumizi haya yamehusishwa na Lengo la 14 la Maendeleo Endelevu la Umoja wa Mataifa. Hata hivyo, utafiti haupimi moja kwa moja uendelevu wa mazingira.

Miongoni mwa matokeo yasiyopimwa ni:

• kiwango cha kuondoa taka za baharini,
• uboreshaji wa bayoanuwai,
• athari ya mzunguko wa maisha,
• matumizi ya nishati,
• uzalishaji wa kaboni

.

Kwa hiyo, hitimisho kwamba “modeli iliboresha mfumo ikolojia wa bahari” haliwezi kutolewa kutoka kwenye utafiti huu. Kilichothibitishwa ni utambuzi na uainishaji wa taka za baharini katika picha.

Matokeo yanayoungwa mkono na utafiti

• RFA iliweza kuboresha uwakilishi wa kimuktadha wa YOLO11n katika itifaki ya pamoja ya 100-epoch.
• RFA + RCSA iliongeza wastani wa validation mAP@0.5 hadi 0,848 ± 0,001.
• Ongezeko la mAP@0.5 la RFA + RCSA dhidi ya RFA lilionekana kwenye seed tatu zilizounganishwa kwa jozi.
• Ubora wa mAP@0.5:0.95 ulio mkali zaidi haukuonyeshwa.
• Modeli yenye vigezo 4,19 M na 8,91 GFLOPs ni mgombea wa usanifu kompakt.
• Contrast ya chini hudhoofisha utendaji kwa kiwango dhahiri.
• Idadi ndogo sana ya sampuli katika madarasa nadra huleta kutokuwa na uhakika mkubwa.
• 4× rare-class oversampling rahisi haikuboresha utendaji wa jumla wa holdout.
• Test ya mkusanyiko wa data wa nje ilionyesha tatizo kubwa la domain-generalization.

Matokeo ambayo utafiti hauungi mkono

• Haijaonyeshwa kwamba modeli iliendeshwa kwenye ROV halisi kwa wakati halisi.
• FPS au latency ya daraja la Jetson haikupimwa.
• Nguvu, energy/frame au peak memory havikupimwa.
• Holdout si eneo la bahari linalojitegemea kimwili.
• Seed tatu si ushahidi mpana wa kitakwimu wa ubora wa jumla wa modeli.
• AP ya juu kwenye sampuli moja ya sunglasses haimaanishi ujanibishaji mpana wa darasa.
• Mafanikio kwenye chanzo kilekile cha data hayakudumishwa kwenye mikusanyiko mingine ya data.
• Haikupimwa kwamba modeli ilisafisha taka za baharini kimwili au kuleta uboreshaji wa kiikolojia.
• Athari ya uendelevu, nishati au kaboni haikuhesabiwa kwa kiasi.

Mahitaji ya kazi ya baadaye

Chanzo kinaweka kipaumbele katika uthibitishaji wa baadaye kwa data zaidi za madarasa nadra, utafiti wa fungsi za hasara kama focal loss na class-balanced loss, tathmini pana zaidi ya cross-dataset, majaribio ya uwanjani chini ya mwendo halisi wa ROV na hali za ukungu/turbidity, pamoja na profiling ya kimfumo kwenye vifaa lengwa vilivyopachikwa.

Utafiti halisi wa deployment pia unapaswa kuripoti latency, FPS, peak memory, nguvu na energy/frame chini ya precision mode na batch size zilizochaguliwa.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: Lightweight Underwater Marine-Debris Detection for Sustainable Ocean Monitoring Using Receptive-Field Aggregation and Residual Channel-Spatial Recalibration

Waandishi: Yuhua He; Zhiqiang Huang; Yun Guo.

Corresponding authors: Zhiqiang Huang na Yun Guo.

Barua pepe za corresponding author: chinahuang@usst.edu.cn; graceguo1980@126.com.

Uhusiano wa taasisi 1: School of Mechanical and Automotive Engineering, Shanghai University of Engineering Science, Shanghai 201620, China.

Uhusiano wa taasisi 2: Education Union, University of Shanghai for Science and Technology, Shanghai 200093, China.

Jarida: Sustainability.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / nambari ya makala: Volume 18, Issue 17, Article 8986.

DOI: 10.3390/su18178986.

Tarehe ya kuwasilishwa: 5 Agosti 2026.

Tarehe ya marekebisho: 25 Agosti 2026.

Tarehe ya kukubaliwa: 26 Agosti 2026.

Tarehe ya kuchapishwa: 2 Septemba 2026.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wenzao na yenye ufikiaji wazi; utafiti wa utambuzi wa vitu unaotegemea ujifunzaji wa kina, urekebishaji wa usanifu na uthibitishaji wa kimajaribio.

Leseni ya makala: Creative Commons Attribution (CC BY).

Kiungo rasmi: https://doi.org/10.3390/su18178986

Mkusanyiko wa data: Underwater Waste Dataset kwenye Roboflow Universe.

Leseni ya mkusanyiko wa data: Imeelezwa kuwa CC BY 4.0 katika sehemu ya Data Availability ya makala ya chanzo.

Sehemu ya mafunzo: Picha 10.884 za kipekee.

Sehemu ya validation: Picha 1.001, vitu 1.892 vilivyowekewa lebo.

Sehemu asilia ya test: Picha 501.

Holdout ya mwisho iliyokaguliwa: Picha 498, vitu 963.

Modeli kuu: YOLO11n + Receptive-Field Aggregation (RFA) + Residual Channel-Spatial Recalibration (RCSA).

Detection head: YOLO11n detection head ambayo haikubadilishwa.

Itifaki kuu ya mafunzo: 100 epoch; seeds 42, 2026 na 3407; ingizo 640×640; batch size 30.

Ukubwa wa modeli: Vigezo milioni 4,19; 8,91 GFLOPs; uzito wa takribani 8,43 MB.

Matokeo ya msingi ya validation: Precision 0,861 ± 0,016; Recall 0,801 ± 0,012; mAP@0.5 0,848 ± 0,001; mAP@0.5:0.95 0,511 ± 0,002.

Matokeo ya msingi ya holdout: Precision 0,820 ± 0,033; Recall 0,748 ± 0,014; mAP@0.5 0,779 ± 0,018; mAP@0.5:0.95 0,467 ± 0,007.

Hali ya Embedded deployment: Haikupimwa. Hakuna data ya Jetson FPS, latency, peak memory, nguvu au energy/frame.

Supplementary Materials: S1 migawanyo ya data na leakage-control audit; S2 itifaki ya usanifu iliyounganishwa kwa jozi; S3 matokeo ya seed zilizorudiwa; S4 itifaki za ziada za tathmini; S5 deployment boundary.

Michango ya waandishi: Uundaji wa dhana Z.H. na Y.G.; mbinu Y.H., Z.H. na Y.G.; programu Y.H.; uthibitishaji Y.H. na Z.H.; uchambuzi rasmi na uchunguzi Y.H.; rasilimali Y.G.; uratibu wa data Y.H.; rasimu ya kwanza Y.H.; mapitio/uhariri Z.H. na Y.G.; uonyeshaji Y.H.; supervision na usimamizi wa mradi Z.H. na Y.G.; funding acquisition Z.H.

Taarifa ya ufadhili: Sehemu ya “Funding” ya makala inatumia kauli “This research received no external funding”.

Kutolingana ndani ya chanzo kuhusu ufadhili: Sehemu ya Acknowledgments ya makala hiyo hiyo inasema utafiti uliungwa mkono na National Natural Science Foundation of China chini ya Grant No. 52476212; katika sehemu ya Author Contributions pia Z.H. ameandikwa kuwa na “funding acquisition”. Chanzo hakielezi jinsi kauli hizi mbili zinavyopaswa kupatanishwa.

Kamati ya maadili:Haitumiki.

Ridhaa iliyoarifiwa:Haitumiki.

Mgongano wa maslahi: Waandishi hawakuripoti mgongano wa maslahi. Makala pia inaeleza kwamba mfadhili hakuwa na jukumu katika usanifu wa utafiti, ukusanyaji wa data, uchambuzi, tafsiri, uandishi au uamuzi wa kuchapisha.