İçeriğe geç
TeknoShow
RSS
Otonom Araçlar

Deniz Nesnelerini Heterojen Deniz Koşullarında Tespit Etmek İçin Çift Yönlü Senaryo Yönlendirmeli Bir Çerçeve

Denizcilikte nesne tespiti, İnsansız Yüzey Araçları (İYA'lar) için kritik bir bileşendir; ancak iki temel zorlukla karşı karşıyadır: karmaşık deniz…

X’te paylaş Facebook
Deniz Nesnelerini Heterojen Deniz Koşullarında Tespit Etmek İçin Çift Yönlü Senaryo Yönlendirmeli Bir Çerçeve

Özet

Denizcilikte nesne tespiti, İnsansız Yüzey Araçları (İYA’lar) için kritik bir bileşendir; ancak iki temel zorlukla karşı karşıyadır: karmaşık deniz koşullarının neden olduğu hedeflerin geometrik deformasyonu ve açık sulardaki seyrek, küçük ölçekli nesnelerin tanımlanması. Bununla birlikte, geleneksel “tek tip” optimizasyon stratejileri genellikle dinamik sahnelerdeki özellik hizalaması ile statik senaryolardaki regresyon hassasiyeti arasında eş zamanlı denge kurmakta başarısız olmaktadır. Bu eksikliği gidermek amacıyla, özel optimizasyon yolları sunan senaryo odaklı bir çerçeve olan Hy-YOLO’yu öneriyoruz. Bu çerçeve öncelikle senaryo genelleme yeteneğini üst düzeyde sağlamak için evrensel, dikkat duyarlı bir temel model oluşturur. Bu temelin üzerine, çift yollu bir optimizasyon mekanizması sunar: (1) Karmaşık dinamik ortamlar için Hy-YOLO-G (Geometrik) varyantı, esnek olmayan hedeflerin özelliklerini geometrik olarak hizalamak amacıyla Deformable Conv (DCNv3) teknolojisini entegre eder; (2) Seyrek, küçük nesnelerin olduğu senaryolar için Hy-YOLO-L (Konumlandırma) varyantı, katı geometrik kısıtlamalar ve zor örneklerin seçimi (hard sample mining) sağlamak amacıyla SIoU ve Focal EIoU’yu birleştiren hibrit bir kayıp fonksiyonu kullanır. Tamamen otonom “kara kutu” modellerin aksine Hy-YOLO, deniz görüntüleme özelliklerine dayalı deterministik bir mühendislik seçim kuralı sunar. YOLOv8 ve YOLOv13 temel modelleri üzerinde yürütülen kapsamlı deneyler, bu senaryo odaklı stratejinin üstün performans sağladığını göstermektedir. Özellikle Hy-YOLO-G, karmaşık veri kümelerinde (WSODD) mAP@50 değerini 1,5 yüzde puanı artırırken, Hy-YOLO-L küçük nesne veri kümelerinde (Flow) 4,2 yüzde puanlık bir artış sağlamıştır. Ayrıca, sentetik sis ve parlama koşullarında yapılan sağlamlık testleri, çerçevenin güvenilirliğini doğrulamıştır. Sonuç olarak bu çalışma, aşırı ve çeşitli deniz koşullarında İYA’ların konuşlandırılması için esnek ve verimli bir çözüm sunmaktadır.

1 Giriş

Bu çalışmanın katkıları aşağıdaki gibi özetlenebilir.

Temel Bulgular ve Genel Değerlendirme

İkinci olarak, küçük nesne tespiti için stratejik denge, mühendislik açısından kritik içgörüler sunmaktadır. Karmaşık sahnelerde başarısız olan görüntü dilimleme stratejisiyle karşılaştırıldığında, senaryo odaklı yüksek çözünürlüklü strateji, daha yüksek hesaplama maliyetine rağmen topolojik ayrıntıları korumuş ve karmaşık veri kümesinde 0,649’luk zirve doğruluğa ulaşmıştır.

Son olarak, bu araştırma İYA’ların akıllı algılama sistemleri için mühendislik uygulaması önerisi olarak esnek bir dinamik konuşlandırma paradigması sunmaktadır: açık denizde seyir sırasında verimli Hy-YOLO-L dalının kullanılması ve limana giriş veya liman içi operasyonlar sırasında yüksek hassasiyetli Hy-YOLO-G dalına geçilmesiyle hesaplama kısıtlamaları altında güvenliğin en üst düzeye çıkarılması hedeflenmektedir.

Gelecekteki çalışmalar iki yönde ilerleyecektir. İlk olarak, Bölüm 4.9’da analiz edilen başarısızlık modlarının da gösterdiği gibi, yalnızca RGB algılama ile zorluk yaşayan ultra düşük pikselli hedefleri yakalamak için kızılötesi ve çok spektrumlu füzyon tekniklerini araştırmayı planlıyoruz. İkinci olarak, çift yollu senaryo odaklı çerçeveyi YOLOv10 ve RT-DETR gibi daha gelişmiş detektörlere taşıyarak mimariler arası evrenselliğini daha da doğrulayacak ve gerçek dünya İYA konuşlandırmalarını kolaylaştırmak için otomatik, güven tabanlı dal geçiş mekanizmalarını inceleyeceğiz.

Beyanlar

Üretken Yapay Zeka Beyanı

Yazar(lar), bu makalenin hazırlanmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.

Bu makaledeki şekillerin yanında sunulan alternatif metinlerin (alt metin) tamamı Frontiers tarafından yapay zeka desteğiyle oluşturulmuş ve doğruluğu sağlamak için makul çabalar sarf edilmiştir; mümkün olduğunda yazarlar tarafından da incelenmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.

Yayıncının Notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Özet

Anahtar Kelimeler

deformable conv, denizcilikte nesne tespiti, sağlamlık analizi, senaryo odaklı strateji, SIoU kayıp fonksiyonu, YOLOv13, YOLOv8

Atıf

Li Y, Zhao H, Kong Y, Wei L, Wu D ve Zhao J (2026) Heterojen deniz koşullarında denizcilikte nesne tespiti için çift yollu senaryo odaklı bir çerçeve. Front. Robot. AI 13:1865853. doi: 10.3389/frobt.2026.1865853

Alındı

26 Nisan 2026

Revize edildi

12 Eylül 2026

Kabul edildi

17 Eylül 2026

Yayınlandı

17 Kasım 2026

13 – 2026

Jorge Dias, Khalifa Üniversitesi, Birleşik Arap Emirlikleri

Hao Wang, Laoshan Ulusal Laboratuvarı, Çin

Thangavel Murugan, Birleşik Arap Emirlikleri Üniversitesi, Birleşik Arap Emirlikleri

© 2026 Li, Zhao, Kong, Wei, Wu ve Zhao.

Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazar(lar) ve telif hakkı sahibi(leri) belirtilip bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıf yapıldığı sürece, diğer platformlarda kullanımı, dağıtımı veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.

*İletişim: Hailiang Zhao, [email protected]; Dongku Wu, [email protected]

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Frontiers | A dual-path scenario-guided framework for maritime object detection under heterogeneous sea conditions
Frontiers | A dual-path scenario-guided framework for maritime object detection under heterogeneous sea conditions
İlginizi Çekebilir: Otonom Sürüş Seviye 4 Testleri →
Kaynak: Frontiersin ↗

Yorumlar

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir