RT-FogNet: Echtzeit-Schiffserkennung bei schlechter Sicht in Binnenwasserstraßen

Schiffe durch Nebel sehen

Wenn Flüsse und Kanäle in Nebel oder Blendlicht gehüllt sind, haben sowohl menschliche Beobachter als auch Kameras Schwierigkeiten, vorbeifahrende Boote rechtzeitig zu erkennen. Das ist mehr als nur lästig: Verpasste oder verspätete Erkennungen können die Verkehrssicherheit gefährden, Logistik verlangsamen und Rettungsmaßnahmen erschweren. Diese Studie stellt RT-FogNet vor, ein intelligentes Kamerasystem, das Schiffe auf Binnenwasserstraßen auch bei schlechter Sicht zuverlässig erkennt und dabei schnell genug arbeitet, um in Echtzeit auf gewöhnlicher Überwachungsausrüstung eingesetzt zu werden.

Warum Flüsse schwerer zu beobachten sind als offenes Meer

Im Gegensatz zu offenen Ozeanen sind Binnenwasserstraßen eng, dicht befrachtet und visuell unruhig. Fest installierte Kameras an Uferbereichen müssen mit Brücken, Gebäuden, Spiegelungen auf der Wasseroberfläche und häufig schlechtem Wetter klarkommen. Nebel, hohe Luftfeuchte, starkes Gegenlicht durch die Sonne und nächtliche Beleuchtung reduzieren den Kontrast und verwischen Schiffs­konturen. Bestehende Computer-Vision-Detektoren, darunter viele verbreitete Deep-Learning-Modelle, wurden meist an klareren Bildern aus Satelliten-, Flugzeug- oder Küsten­szenen trainiert. Daher versagen sie oft, wenn sie auf reale Binnenflüsse angewendet werden: Sie übersehen kleine oder weit entfernte Schiffe und verwechseln Spiegelungen oder Hintergrundstrukturen mit tatsächlichen Schiffen.

Ein intelligentes, zweistufiges Auge für den Fluss

RT-FogNet nähert sich dem Problem als zweistufiger Prozess, der auf das zugeschnitten ist, was eine Flusskamera wirklich sieht. Zuerst prüft es schnell das eingehende Bild, um zu entscheiden, ob die Sicht schlecht ist. Ist die Sicht klar, gelangt das Bild direkt in die Detektionsstufe, was Zeit und Energie spart. Ist die Szene neblig oder kontrastarm, wird das Bild durch eine spezielle Entnebelungseinheit geleitet, das Water Surface Image Dehazing (WSID)-Modul. Diese Einheit ist nicht nur darauf trainiert, Bilder für das menschliche Auge gefälliger zu machen, sondern speziell darauf, Schiffs­konturen und -formen zu erhalten, während sie Nebel entfernt und irreführende Spiegelungen auf der Wasseroberfläche unterdrückt.

Wie das System lernt, durch Dunst zu sehen

Das WSID-Modul ist mit einer Trainingsstrategie aufgebaut, die aus dem Stand der Bildrestauration entlehnt ist, jedoch komprimiert und für Geschwindigkeit optimiert wurde. Ein größeres „Teacher“-Netzwerk lernt zunächst, synthetische Trainingsbilder vom Nebel zu befreien. Ein kleineres „Student“-Netzwerk lernt anschließend, die Ergebnisse des Teachers nachzuahmen, allerdings mit deutlich weniger Rechenaufwand, sodass es auf realen Geräten praktikabel ist. Danach wird der Student weiter auf echten nebligen Fluss­szenen angepasst, damit er außerhalb des Labors gut funktioniert. Im Anschluss verarbeitet eine verbesserte Detektions-Engine, basierend auf dem aktuellen YOLOv10-Modell, die entnebelten oder originalen Bilder. Eine zentrale Ergänzung ist ein neues Feature-Processing-Block, der sorgfältig angeordnete Filter nutzt, um sowohl feine Details als auch größere Bildregionen zu betrachten, ohne kleine Schiffe zu verwischen. Das hilft dem System, Schiffe vieler Größen zu finden, von winzigen entfernten Booten bis zu großen Tankern.

Ein neues Testfeld aufgebaut an realen Flüssen

Um zu prüfen, ob RT-FogNet in der Praxis wirklich funktioniert, bauten die Autoren ein neues Inland Waterway Ship Dataset (IWSD) auf. Es enthält mehr als neuntausend Bilder, die von fest installierten Kameras an stark befahrenen chinesischen Flüssen, darunter dem Jangtse und Wulong, aufgenommen wurden. Das Dataset deckt neun Schiffstypen und eine breite Mischung an Bedingungen ab: klare Tage, bewölktes Wetter, Regen und Nebel, starke Wasserblendung und Nachtszenen mit harten künstlichen Lichtern. Viele der Schiffe sind im Bild klein, weil sie weit von der Kamera entfernt sind, und die Kategorien sind in der Anzahl unausgewogen, was reale Verkehrs­muster widerspiegelt. Da mehr als die Hälfte der Bilder unter herausfordernden Sichtverhältnissen aufgenommen wurde, dient IWSD als anspruchsvoller Test für jeden Schiffsdetektor.

Wie viel besser ist der neue Ansatz?

Getestet auf einem standardisierten allgemeinen Datensatz, auf einem bestehenden Küsten-Schiffsdataset und auf dem neuen Binnenfluss-Datensatz erreicht RT-FogNet durchgängig hohe Genauigkeit und bleibt gleichzeitig schnell genug für den Echtzeitbetrieb. Auf den besonders schwierigen IWSD-Daten verbessert die vollständige Version von RT-FogNet, die den Entnebelungsschritt enthält, die durchschnittlichen Detektionswerte um mehr als 15 Prozentpunkte gegenüber einem starken Baseline-Detektor, mit besonders großen Verbesserungen bei kleinen und schwer erkennbaren Schiffen. Selbst mit dem zusätzlichen Entnebelungsschritt verarbeitet das System auf moderner Hardware weiterhin hunderte Bilder pro Sekunde, was es für die Live-Überwachung von Flüssen geeignet macht.

Was das für die Sicherheit auf Wasserstraßen bedeutet

Für Nicht‑Spezialisten ist die wichtigste Erkenntnis, dass RT-FogNet zeigt, wie die Kombination aus szenenbewusster Bildaufbereitung und einer schlanken Detektions‑Engine die kamerabasierte Flussüberwachung sowohl zuverlässiger als auch praktikabler machen kann. Anstatt Bilder bloß für das menschliche Auge zu schärfen, ist das System darauf abgestimmt, die visuellen Hinweise zu schützen, die für die Ortung von Schiffen entscheidend sind, selbst bei dichtem Nebel oder schwierigem Licht. Das neue Binnen-Datenset der Autoren und ihr getestetes Design liefern eine Blaupause für sicherere, intelligentere Überwachung stark befahrener Wasserwege mit dem Potenzial, Unfälle zu reduzieren und das Verkehrsmanagement in realen Fluss- und Kanalsystemen zu verbessern.

Zitation: Yuan, P., Xu, C., Tan, X. et al. RT-FogNet: real-time ship detection under low-visibility conditions in inland waterways. Sci Rep 16, 14094 (2026). https://doi.org/10.1038/s41598-026-44253-6

Schlüsselwörter: Schiffserkennung, neblige Wasserwege, Computer Vision, intelligente Überwachung, Sicherheit im Schiffsverkehr auf Flüssen