La classification des objets marins par drone est optimisée grâce à un système avancé intégrant des techniques d’apprentissage automatique et de vision par ordinateur. Les simulations révèlent l’efficacité des algorithmes pour identifier et classer avec précision divers objets marins.
Détection et classification des objets marins
Cette section présente les travaux antérieurs sur la détection et la classification des objets marins, en examinant les recherches et les avancées technologiques dans ce domaine. Nous explorerons les méthodes et les algorithmes utilisés pour identifier et classer divers objets marins, ainsi que les résultats significatifs obtenus dans les études précédentes.
Underwater Object Detection in Marine Ranching Based on Improved YOLOv8 (Rong Jia, Bin Lv, & al., 2023) [4]
Cette étude visait à améliorer l’efficacité de la surveillance des organismes marins cibles dans les ranchs marins, pour améliorer l’efficacité de la détection des objets sous-marins dans l’élevage marin, elle a apporté plusieurs améliorations au détecteur YOLOv8. Tout d’abord, le bloc C2F d’origine a été remplacé par le bloc InceptionNeXt dans la dorsale, ce qui a amélioré les capacités d’extraction de caractéristiques du réseau sans augmenter significativement le nombre de paramètres.
Ensuite, le SEAM a été incorporé dans le cou du modèle pour améliorer la détection des cibles qui se chevauchent, augmentant ainsi l’attention portée aux régions d’objets détectées tout en affaiblissant les régions d’arrière-plan. De plus, la perte NWD a été ajoutée à la perte CIoU d’origine et les proportions ont été ajustées expérimentalement pour améliorer la détection des petites cibles sans compromettre les performances pour les cibles moyennes et grandes.
Concernant l’amélioration de l’ensemble de données, des méthodes traditionnelles d’amélioration d’image par transformations aléatoires ont été utilisées. Une méthode combinée de mosaïque et MixUp a également été appliquée pour renforcer la robustesse du réseau. Les résultats de ces améliorations sont prometteurs. Le YOLOv8 amélioré a atteint un mAP de 84,5 %, soit une augmentation de 6,2 % par rapport à la version de base.
Il n’y a pas eu d’augmentation significative du nombre de paramètres et de calculs, permettant ainsi un bon équilibre entre les performances de détection et le volume du modèle. Grâce à ces performances améliorées, ce modèle peut être appliqué aux plateformes d’observation des fonds marins pour la détection en temps réel des organismes marins.
MAFFN YOLOv5 : Multi-Scale Attention Feature Fusion Network on the YOLOv5 Model for the Health Detection of Coral-Reefs Using a Built-In Benchmark Dataset (Sivamani Kalyana Sundara Rajan & Nedumaran Damodaran, 2023) [5]
Ce travail de recherche approfondit les possibilités de construction d’un système autonome sophistiqué pour la détection de l’état de santé des récifs coralliens en utilisant les techniques les plus avancées de traitement d’images. Il propose un nouveau réseau neuronal convolutionnel innovant, baptisé ≪ MAFFN YOLOv5 ≫, visant à améliorer significativement la précision et la rapidité de détection de l’état de santé des coraux.
Pour évaluer rigoureusement les performances de cet algorithme, un ensemble de données de référence composé d’images de très haute qualité des récifs coralliens a été élaboré. Cet ensemble de données a servi de base pour l’entraînement des modèles. Dans la conception du modèle MAFFN YOLOv5, un réseau d’attention par fusion de caractéristiques multi-échelles a été intégré afin de modifier la partie du cou du YOLOv5, permettant ainsi d’atteindre une précision remarquable de 90,1 % (mAP) sur l’ensemble de données de référence.
Le modèle proposé présente l’avantage d’être léger, ce qui lui permet de répondre efficacement aux exigences en temps réel, telles qu’une précision élevée, une rapidité d’exécution et une mise en œuvre facile. L’identification et la détection précises de l’état de santé des récifs coralliens grâce à cet ensemble de données de référence représentent une avancée significative et une contribution notoire à la communauté de recherche en vision par ordinateur.
Par ailleurs, la méthode innovante proposée a été implémentée dans un système matériel dédié afin d’étudier la faisabilité d’un système automatisé de détection des conditions de santé des récifs coralliens. Ce système matériel a démontré une précision exceptionnelle, une rapidité remarquable et un coût relativement faible dans la détection de l’état de santé des coraux. Ces résultats confirment le potentiel élevé de ce modèle pour des applications pratiques à grande échelle.
A Marine Object Detection Algorithm Based on SSD and Feature Enhancement (Kai Hu, Feiyu Lu, & al., 2020) [6]
L’article explore l’application de la détection autonome par des robots sous-marins, focalisée sur la détection des oursins en milieu marin. Initialement, le modèle SSD (Single Shot MultiBox Detector) a été utilisé pour cette tâche, mais des limitations ont été identifiées, notamment la détection suboptimale des petites cibles comme les oursins. Pour améliorer ces performances, les auteurs ont remplacé l’architecture originale VGG16 du SSD par ResNet-50, ce qui a notablement renforcé la reconnaissance des oursins selon les données expérimentales analysées. Cependant, malgré ces améliorations, le modèle n’était pas encore adapté aux exigences de détection en temps réel, principalement en raison de calculs intensifs pour la détection multidirectionnelle des bords, entraînant des délais prolongés.
Pour résoudre ces défis, l’article propose une optimisation de l’algorithme ainsi qu’une compression des calculs pour permettre une détection en temps réel adaptée à l’utilisation des robots sous-marins. Une partie importante de cette optimisation repose sur l’utilisation de techniques avancées de détection de contours, telles que les opérateurs Laplace, Prewitt (2, 4, 8 et 16 directions), et Sobel (2 directions), qui ont démontré une efficacité notable dans l’extraction des caractéristiques des images sous-marines.
Les résultats expérimentaux illustrent que l’opérateur Prewitt sur 16 directions atteint une précision moyenne (AP) de 83,1 %, surpassant significativement la version sans canal de contours de 9,7 points de pourcentage. De plus, le modèle amélioré montre une stabilité accrue dans la perte d’entraînement après environ 200 cycles, avec une performance de détection constante et inférieure en termes de perte d’entraînement par rapport à l’algorithme SSD traditionnel, comme le montre le Tableau 1 des métriques de performance.
Bien que des progrès significatifs aient été réalisés dans la détection des oursins grâce à l’optimisation des caractéristiques et des opérateurs de détection de contours, des défis subsistent, notamment en matière de traitement en temps réel. L’accent sur l’optimisation continue des algorithmes et de l’efficacité computationnelle demeure essentiel pour rendre ces technologies viables à grande échelle, notamment pour les applications pratiques avec des robots sous-marins autonomes.
Underwater Object Detection Method Based on Improved Faster RCNN (Hao Wang & Nanfeng Xiao, 2023) [7]
L’article se concentre sur l’optimisation d’un algorithme en deux étapes de Faster RCNN pour détecter efficacement divers objets sous-marins comme les holothuries, les échinides, les pétoncles, les étoiles de mer et les algues. Face aux défis complexes des environnements sous-marins en constante évolution, l’étude propose plusieurs améliorations significatives visant à améliorer les performances de détection. Initialement, le remplacement de la structure VGG16 par le réseau Res2Net101 vise à enrichir la capacité expressive du champ réceptif à chaque niveau du réseau. Ensuite, l’introduction de l’algorithme OHEM (Online Hard Example Mining) résout efficacement le problème de déséquilibre entre les échantillons positifs et négatifs des boîtes englobantes.
Pour affiner le mécanisme de régression des boîtes englobantes, les chercheurs ont adopté des techniques avancées telles que GIOU (Generalized Intersection Over Union) et Soft-NMS (Soft Non-Maximum Suppression). De plus, l’entraînement du modèle amélioré de Faster RCNN selon une stratégie multi-échelle vise à renforcer sa robustesse globale. L’article explore l’amélioration des données initiales de 2372 échantillons d’images d’environnement sous-marin, incluant des holothuries, des échinides, des pétoncles, des étoiles de mer et des algues. Pour enrichir le jeu de données insuffisant pour le modèle d’apprentissage profond, des techniques comme le retournement, le découpage local, l’ajustement des couleurs, le bruit gaussien et le bruit poivre et sel sont appliquées. Ces méthodes visent à renforcer la robustesse du modèle de détection d’objets sous-marins et à éviter le sur-apprentissage.
Les images sous-marines présentent des déséquilibres colorimétriques dus à l’absorption de la lumière sous l’eau. La compensation des couleurs corrige principalement la faible composante rouge pour obtenir des tons plus naturels. Après prétraitement, le jeu de données est étendu à 3500 images à résolution uniforme de 500 × 400 pixels, optimisant ainsi la qualité et la variété des données d’entraînement.
Les résultats expérimentaux indiquent que ces améliorations ont permis au modèle d’atteindre un mAP@0.5 de 71,7 %, représentant une amélioration notable de 3,3 % par rapport à la version originale de Faster RCNN. De même, la précision moyenne a augmenté à 43 % et le F1-score à 55,3 %, soit respectivement des améliorations de 2,5 % par rapport aux valeurs initiales. Ces résultats attestent de l’efficacité des méthodes proposées pour la détection précise et fiable d’objets sous-marins, consolidant ainsi l’adaptabilité de l’algorithme amélioré de Faster RCNN à ces tâches spécialisées.