RT-FogNet: detección de embarcaciones en tiempo real con baja visibilidad en vías fluviales interiores

Ver barcos a través de la niebla

Cuando ríos y canales están cubiertos de niebla o deslumbramiento, los observadores humanos y las cámaras pueden tener dificultades para detectar embarcaciones a tiempo. Esto va más allá de una molestia: las detecciones fallidas o tardías pueden poner en riesgo la seguridad del tráfico, ralentizar la logística y complicar las labores de rescate. Este estudio presenta RT-FogNet, un sistema de cámara inteligente diseñado para detectar barcos de forma fiable en vías fluviales interiores incluso con mala visibilidad, manteniendo además suficiente rapidez para uso en tiempo real con equipos de vigilancia convencionales.

Por qué los ríos son más difíciles que el mar abierto

A diferencia de los océanos abiertos, las vías fluviales interiores son estrechas, concurridas y visualmente caóticas. Las cámaras fijas en las riberas deben lidiar con puentes, edificios, reflejos en el agua y condiciones meteorológicas adversas frecuentes. La niebla, la alta humedad, el contraluz intenso del sol y la iluminación nocturna reducen el contraste y difuminan los contornos de las embarcaciones. Los detectores de visión por computador existentes, incluidos muchos modelos de aprendizaje profundo populares, generalmente se entrenaron con imágenes más nítidas procedentes de satélites, aeronaves o escenas costeras. Como resultado, suelen fallar al aplicarse a ríos interiores reales, no detectando embarcaciones pequeñas o lejanas y confundiendo reflejos o estructuras de fondo con barcos reales.

Un ojo inteligente en dos pasos para el río

RT-FogNet aborda el problema como un proceso en dos pasos adaptado a lo que realmente ve una cámara fluvial. Primero, comprueba rápidamente la imagen entrante para decidir si la visibilidad es mala. Si la vista está clara, la imagen va directamente al paso de detección, ahorrando tiempo y energía. Si la escena está con niebla o bajo contraste, la imagen se enruta a través de una unidad especial de desneblado llamada módulo Water Surface Image Dehazing (WSID). Esta unidad se entrena no solo para que las imágenes resulten más agradables para el ojo humano, sino específicamente para preservar los contornos y las formas de las embarcaciones mientras elimina la neblina y suprime los reflejos engañosos en la superficie del agua.

Cómo aprende el sistema a ver a través de la niebla

El módulo WSID se construye usando una estrategia de entrenamiento tomada de la vanguardia en restauración de imágenes, pero comprimida y afinada para la velocidad. Una red “profesora” más grande aprende primero a despejar la niebla de imágenes sintéticas de entrenamiento. A continuación, una red “alumna” más pequeña aprende a imitar los resultados de la profesora utilizando muchas menos operaciones, lo que la hace práctica para dispositivos reales. Después de eso, la alumna se ajusta adicionalmente con escenas reales de ríos con niebla para que funcione bien fuera del laboratorio. A continuación, un motor de detección mejorado, basado en el último modelo YOLOv10, procesa las imágenes desnebuladas o las originales. Una adición clave es un nuevo bloque de procesado de características que usa filtros cuidadosamente dispuestos para observar tanto detalles finos como regiones más amplias de la imagen sin difuminar las embarcaciones pequeñas. Esto ayuda al sistema a encontrar barcos de muchos tamaños, desde pequeñas embarcaciones lejanas hasta grandes petroleros.

Un nuevo banco de pruebas basado en ríos reales

Para evaluar si RT-FogNet funciona en la práctica, los autores construyeron un nuevo Inland Waterway Ship Dataset (IWSD). Contiene más de nueve mil imágenes capturadas por cámaras fijas a lo largo de ríos chinos concurridos, incluidos el Yangtsé y el Wulong. El conjunto de datos cubre nueve tipos de embarcaciones y una amplia mezcla de condiciones: días despejados, tiempo nublado, lluvia y niebla, deslumbramiento brillante en el agua y escenas nocturnas con iluminación artificial intensa. Muchas de las embarcaciones son pequeñas en la imagen, ya que están lejos de la cámara, y las categorías están desbalanceadas en número, reflejando los patrones reales de tráfico. Debido a que más de la mitad de las imágenes se tomaron bajo visibilidad desafiante, IWSD sirve como una prueba exigente para cualquier detector de barcos.

¿Cuánto mejor es el nuevo enfoque?

Al evaluarse en un conjunto de datos general de propósito estándar, en un conjunto de datos existente de barcos costeros y en el nuevo conjunto de ríos interiores, RT-FogNet alcanza de forma constante una alta precisión manteniéndose lo bastante rápido para la operación en tiempo real. En los datos especialmente difíciles de IWSD, la versión completa de RT-FogNet que incluye el paso de desneblado mejora las puntuaciones medias de detección en más de 15 puntos porcentuales frente a un detector de referencia potente, con ganancias particularmente grandes en embarcaciones pequeñas y de difícil visualización. Incluso con el paso adicional de desneblado, el sistema sigue procesando cientos de imágenes por segundo en hardware moderno, lo que lo hace adecuado para la monitorización en vivo de ríos.

Qué supone esto para la seguridad de las vías navegables

Para un no especialista, la conclusión principal es que RT-FogNet demuestra cómo combinar la limpieza de imágenes consciente de la escena con un motor de detección optimizado puede hacer que la monitorización por cámara de los ríos sea a la vez más fiable y más práctica. En lugar de limitarse a mejorar las imágenes para el ojo humano, el sistema se ajusta para proteger las pistas visuales que importan para localizar embarcaciones, incluso en niebla densa o iluminación adversa. El nuevo conjunto de datos de ríos interiores de los autores y su diseño probado ofrecen una hoja de ruta para una monitorización más segura e inteligente de vías navegables concurridas, con el potencial de reducir accidentes y mejorar la gestión del tráfico en redes reales de ríos y canales.

Cita: 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

Palabras clave: detección de embarcaciones, vías fluviales con niebla, visión por computador, vigilancia inteligente, seguridad del tráfico fluvial