Rilevamento della morfologia dei coralli in immagini subacquee usando YOLOv12 con fusione di encoder CNN e transformer

Perché le forme dei coralli ci riguardano tutti

Le barriere coralline non sono solo uno spettacolo sottomarino: le loro forme determinano in larga misura quanto bene proteggono le coste, offrono rifugio alla fauna marina e sostengono le attività di pesca e turismo. Osservare come queste forme cambiano nel tempo è fondamentale per comprendere la salute delle barriere in un oceano che si riversa verso il riscaldamento e l’inquinamento. Questo studio presenta un nuovo metodo per individuare automaticamente le diverse forme di crescita dei coralli nelle fotografie subacquee, aiutando gli scienziati a monitorare lo stato delle barriere in modo più rapido e affidabile.

Sfide della visione subacquea

Il monitoraggio delle barriere coralline si è a lungo basato su subacquei che etichettano manualmente le foto, un processo lento, costoso e influenzato dal giudizio personale. Le immagini subacquee sono difficili da interpretare per i computer perché la luce viene assorbita e diffusa, i colori mutano e le particelle sospese mascherano i dettagli fini. Diverse forme di crescita dei coralli—come ramificate, massicce e a piastra—possono sembrare confondibili in acque torbide. I precedenti strumenti di intelligenza artificiale spesso faticano in queste condizioni, perdendo colonie piccole, confondendo forme simili o funzionando troppo lentamente per l’uso in tempo reale su robot da rilevamento.

Un occhio digitale più intelligente per le barriere coralline

I ricercatori partono da una famiglia nota di rivelatori di oggetti veloci chiamata YOLO, usando l’ultima versione, YOLOv12, come base. A questa aggiungono due componenti complementari: un tipo di rete che eccelle nell’individuare texture locali e contorni, e un’altra che coglie meglio la struttura globale della scena. Il primo componente, una Convolutional Neural Network, cattura dettagli visivi fini come piccoli rami corallini e pattern superficiali. Il secondo, chiamato encoder transformer, esamina l’intera immagine per comprendere come sono disposte le colonie e come si distinguono da rocce, sabbia o alghe. Un modulo di fusione speciale combina questi segnali locali e globali in modo che il sistema possa riconoscere differenze sottili tra le forme coralline.

Come il sistema apprende le forme dei coralli

Per addestrare e testare il loro modello, il team utilizza una raccolta pubblica di immagini subacquee che include diverse morfologie chiave dei coralli: ramificate, massicce e tabulari. Le immagini vengono ridimensionate e migliorate, applicando una varietà di trasformazioni di colore e geometriche in modo che il modello veda molte versioni della stessa scena, imitando i cambiamenti reali di profondità, illuminazione e limpidezza dell’acqua. All’interno del rivelatore, le caratteristiche vengono elaborate a più scale in modo che sia le punte coralline piccole sia le colonie grandi possano essere identificate. Le informazioni fuse confluiscono poi in una fase di rilevamento che produce box di delimitazione attorno alle colonie coralline e assegna a ciascuna una categoria di forma di crescita.

Cosa mostrano i risultati

Il modello fuso, chiamato YOLOv12-CT, viene testato rispetto a una serie di sistemi di rilevamento noti, incluse versioni precedenti di YOLO, classici rivelatori deep learning e design più recenti basati su transformer. Su misure standard di prestazione, come quante colonie vengono trovate, quanto spesso le etichette sono corrette e quanto precisamente sono posizionati i contorni, il nuovo metodo risulta in vantaggio. Ottiene un’elevata mean Average Precision a soglie di valutazione tipiche, superando tutti i modelli di confronto pur mantenendo tempi di elaborazione adatti per un uso quasi in tempo reale. Il sistema si dimostra particolarmente forte nel riconoscere coralli piatti a piastra e migliora in modo sostanziale il rilevamento delle forme più intricate e ramificate, che sono solitamente le più difficili da distinguere in acque torbide.

Cosa significa per la protezione delle barriere

Identificando in modo più accurato ed efficiente come crescono i coralli, questo approccio facilita il monitoraggio della struttura della barriera, della biodiversità e della resilienza nel tempo. Il metodo presenta ancora dei limiti, come squilibri nei dati di addestramento e il costo computazionale aggiuntivo dei moduli transformer, e le prestazioni possono variare in ambienti subacquei molto difficili o non familiari. Tuttavia, lo studio dimostra che fondere indizi testurali dettagliati con una visione più ampia della scena può dare agli scienziati marini un potente nuovo strumento per il monitoraggio automatizzato su larga scala dei coralli, supportando decisioni migliori su conservazione e restauro.

Citazione: Nandal, P., Siwach, M. & Upadhyay, G.M. Coral morphology detection in underwater imagery using YOLOv12 with CNN and transformer encoder fusion. Sci Rep 16, 15426 (2026). https://doi.org/10.1038/s41598-026-42591-z

Parole chiave: morfologia dei coralli, imaging subacqueo, deep learning, rilevamento oggetti, monitoraggio delle barriere