RT-FogNet : détection en temps réel des navires par faible visibilité sur les voies navigables intérieures

Voir les navires à travers la brume

Lorsque rivières et canaux sont enveloppés de brouillard ou éblouis par la lumière, les guetteurs humains et les caméras peuvent avoir du mal à repérer les bateaux à temps. Ce n’est pas qu’une gêne : des détections manquées ou tardives peuvent mettre en danger la sécurité du trafic, ralentir la logistique et compliquer les opérations de secours. Cette étude présente RT-FogNet, un système de caméra intelligent conçu pour détecter de manière fiable les navires sur les voies navigables intérieures même en cas de faible visibilité, tout en restant suffisamment rapide pour un usage en temps réel sur du matériel de surveillance courant.

Pourquoi les rivières sont plus difficiles que la haute mer

À la différence des océans ouverts, les voies navigables intérieures sont étroites, fréquentées et visuellement désordonnées. Les caméras fixes sur les berges doivent composer avec des ponts, des bâtiments, des reflets sur l’eau et des conditions météorologiques souvent défavorables. Le brouillard, l’humidité élevée, un fort contre-jour solaire et l’éclairage nocturne réduisent tous le contraste et estompent les contours des navires. Les détecteurs de vision par ordinateur existants, y compris de nombreux modèles d’apprentissage profond populaires, ont généralement été entraînés sur des images plus nettes provenant de satellites, d’avions ou de scènes côtières. De ce fait, ils échouent souvent lorsqu’ils sont déplacés vers de vraies rivières intérieures, manquant les petites embarcations ou les navires lointains et confondant les reflets ou les structures d’arrière-plan avec de vrais bateaux.

Un œil fluvial intelligent en deux étapes

RT-FogNet aborde le problème comme un processus en deux étapes adapté à ce qu’une caméra fluviale voit réellement. D’abord, il vérifie rapidement l’image entrante pour déterminer si la visibilité est réduite. Si la vue est claire, l’image passe directement à l’étape de détection, ce qui économise du temps et de l’énergie. Si la scène est brumeuse ou à faible contraste, l’image est acheminée vers une unité spéciale de désaturation appelée module Water Surface Image Dehazing (WSID). Cette unité est entraînée non seulement pour améliorer l’esthétique des images pour l’œil humain, mais spécifiquement pour préserver les contours et les formes des navires tout en supprimant la brume et en atténuant les reflets trompeurs à la surface de l’eau.

Comment le système apprend à voir à travers la brume

Le module WSID est construit en s’appuyant sur une stratégie d’entraînement empruntée aux techniques de restauration d’image de pointe, mais compressée et optimisée pour la vitesse. Un grand réseau « enseignant » apprend d’abord à enlever le brouillard à partir d’images d’entraînement synthétiques. Un plus petit réseau « étudiant » apprend ensuite à imiter les résultats de l’enseignant tout en consommant beaucoup moins de calculs, ce qui le rend pratique pour des dispositifs réels. Ensuite, l’étudiant est encore ajusté sur de vraies scènes fluviales brumeuses afin qu’il fonctionne bien en dehors du laboratoire. En aval, un moteur de détection amélioré, basé sur le modèle YOLOv10 le plus récent, traite les images désobscurcies ou originales. Une addition clé est un nouveau bloc de traitement des caractéristiques qui utilise des filtres agencés avec soin pour examiner à la fois les détails fins et des régions plus larges de l’image sans estomper les petites embarcations. Cela aide le système à détecter des navires de tailles variées, des petites embarcations lointaines aux gros pétroliers.

Une nouvelle plate-forme de test fondée sur de vraies rivières

Pour évaluer si RT-FogNet fonctionne réellement en pratique, les auteurs ont construit un nouveau jeu de données pour voies navigables intérieures, l’Inland Waterway Ship Dataset (IWSD). Il contient plus de neuf mille images capturées par des caméras fixes le long de rivières chinoises fréquentées, dont le Yangtsé et le Wulong. Le jeu couvre neuf types de navires et un large éventail de conditions : jours clairs, temps couvert, pluie et brouillard, fort éblouissement sur l’eau et scènes nocturnes avec éclairages artificiels intenses. Beaucoup de navires sont petits dans l’image, car ils sont loin de la caméra, et les catégories sont déséquilibrées en nombre, reflétant les flux de trafic réels. Comme plus de la moitié des images sont prises dans des conditions de visibilité difficiles, l’IWSD constitue un test exigeant pour tout détecteur de navires.

Dans quelle mesure la nouvelle approche est-elle meilleure ?

Testé sur un jeu de données standard à usage général, sur un jeu existant de navires côtiers et sur le nouveau jeu de rivières intérieures, RT-FogNet obtient systématiquement une forte précision tout en restant suffisamment rapide pour une exploitation en temps réel. Sur l’ensemble particulièrement difficile de l’IWSD, la version complète de RT-FogNet incluant l’étape de désembuage améliore les scores moyens de détection de plus de 15 points de pourcentage par rapport à un détecteur de référence solide, avec des gains particulièrement importants sur les petits navires difficiles à voir. Même avec l’étape supplémentaire de désembuage, le système traite encore des centaines d’images par seconde sur du matériel moderne, le rendant adapté à la surveillance en direct des rivières.

Ce que cela signifie pour la sécurité des voies navigables

Pour un non-spécialiste, l’essentiel est que RT-FogNet montre comment la combinaison d’un nettoyage d’image conscient de la scène et d’un moteur de détection allégé peut rendre la surveillance par caméra des rivières à la fois plus fiable et plus pratique. Plutôt que de simplement améliorer l’apparence des images pour l’œil humain, le système est réglé pour préserver les indices visuels essentiels à la localisation des navires, même dans un brouillard épais ou un éclairage difficile. Le nouveau jeu de données intérieur des auteurs et leur conception testée offrent une feuille de route pour une surveillance plus sûre et plus intelligente des voies navigables fréquentées, avec le potentiel de réduire les accidents et d’améliorer la gestion du trafic dans les réseaux réels de rivières et de canaux.

Citation: 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

Mots-clés: détection de navires, voies navigables brumeuses, vision par ordinateur, surveillance intelligente, sécurité du trafic fluvial