RT-FogNet: rilevamento in tempo reale delle navi in condizioni di scarsa visibilità nelle vie d'acqua interne

Vedere le navi attraverso la nebbia

Quando fiumi e canali sono avvolti da nebbia o abbagliamento, gli osservatori umani e le telecamere faticano a individuare le imbarcazioni in transito in tempo utile. Questo è più di un disagio: rilevamenti mancati o tardivi possono mettere a rischio la sicurezza del traffico, rallentare la logistica e complicare le operazioni di soccorso. Questo studio presenta RT-FogNet, un sistema di telecamere intelligente progettato per rilevare in modo affidabile le navi nelle vie d'acqua interne anche con scarsa visibilità, mantenendo comunque prestazioni sufficienti per l'uso in tempo reale su apparecchiature di monitoraggio comuni.

Perché i fiumi sono più difficili del mare aperto

A differenza degli oceani aperti, le vie d'acqua interne sono strette, affollate e visivamente più complesse. Le telecamere fisse lungo le sponde devono affrontare ponti, edifici, riflessi sull'acqua e frequenti condizioni meteorologiche avverse. Nebbia, alta umidità, forte controluce solare e illuminazione notturna riducono il contrasto e sfumano i contorni delle navi. I rilevatori di visione artificiale esistenti, compresi molti modelli deep learning diffusi, sono stati in genere addestrati su immagini più nitide provenienti da satelliti, velivoli o contesti costieri. Di conseguenza, spesso falliscono quando vengono trasferiti ai veri fiumi interni, perdendo imbarcazioni piccole o distanti e confondendo riflessi o strutture di sfondo con navi reali.

Un occhio intelligente in due fasi per il fiume

RT-FogNet affronta il problema come un processo in due fasi adattato a ciò che una telecamera fluviale vede realmente. Prima, valuta rapidamente l'immagine in ingresso per decidere se la visibilità è scarsa. Se la scena è chiara, l'immagine passa direttamente alla fase di rilevamento, risparmiando tempo ed energia. Se la scena è nebbiosa o a basso contrasto, l'immagine viene instradata attraverso un'unità di dehazing speciale chiamata Water Surface Image Dehazing (WSID). Questa unità è addestrata non solo per rendere le immagini visivamente più gradevoli, ma specificamente per preservare i contorni e le sagome delle navi rimuovendo la foschia e sopprimendo i riflessi fuorvianti sulla superficie dell'acqua.

Come il sistema impara a vedere attraverso la foschia

Il modulo WSID è costruito usando una strategia di addestramento mutuata dallo stato dell'arte nel restauro delle immagini, ma compressa e ottimizzata per la velocità. Una rete «teacher» più grande impara per prima a togliere la nebbia da immagini di addestramento sintetiche. Una rete «student» più piccola impara poi a imitare i risultati del teacher usando molte meno operazioni computazionali, rendendola pratica per dispositivi reali. Successivamente lo student viene ulteriormente adattato su scene fluviali nebbiose reali in modo da funzionare bene anche fuori dal laboratorio. A valle, un motore di rilevamento migliorato, basato sull'ultimo modello YOLOv10, elabora le immagini dehazed o originali. Un'aggiunta chiave è un nuovo blocco di elaborazione delle feature che utilizza filtri disposti con cura per osservare sia i dettagli fini sia regioni più ampie dell'immagine senza sfocare le imbarcazioni di piccole dimensioni. Questo aiuta il sistema a trovare navi di molte dimensioni, da barche distanti e minute a grandi petroliere.

Un nuovo banco di prova costruito sui fiumi reali

Per valutare se RT-FogNet funzioni davvero nella pratica, gli autori hanno costruito un nuovo Inland Waterway Ship Dataset (IWSD). Contiene più di novemila immagini catturate da telecamere fisse lungo trafficati fiumi cinesi, inclusi Yangtze e Wulong. Il dataset copre nove tipi di imbarcazioni e un'ampia varietà di condizioni: giornate limpide, cielo coperto, pioggia e nebbia, forti abbagliamenti sulla superficie dell'acqua e scene notturne con luci artificiali intense. Molte delle navi appaiono piccole nell'immagine, essendo distanti dalla telecamera, e le categorie sono sbilanciate nel numero, riflettendo i reali modelli di traffico. Poiché oltre la metà delle immagini è stata scattata in condizioni di visibilità impegnative, l'IWSD funge da banco di prova severo per qualsiasi rilevatore di navi.

Quanto è migliore il nuovo approccio?

Testato su un dataset generale standard, su un dataset esistente di navi costiere e sul nuovo dataset fluviale, RT-FogNet ottiene costantemente elevata accuratezza rimanendo sufficientemente veloce per l'operazione in tempo reale. Sui dati particolarmente difficili dell'IWSD, la versione completa di RT-FogNet che include il passaggio di dehazing migliora i punteggi medi di rilevamento di oltre 15 punti percentuali rispetto a un solido rilevatore di riferimento, con guadagni particolarmente marcati su imbarcazioni piccole e difficili da vedere. Anche con il passaggio aggiuntivo di dehazing, il sistema elabora ancora centinaia di immagini al secondo su hardware moderno, rendendolo adatto al monitoraggio fluviale in tempo reale.

Cosa significa per la sicurezza delle vie d'acqua

Per un pubblico non specialista, la conclusione principale è che RT-FogNet dimostra come la combinazione di una pulizia dell'immagine consapevole della scena con un motore di rilevamento snello possa rendere il monitoraggio basato su telecamere dei fiumi sia più affidabile sia più pratico. Anziché limitarsi a rendere le immagini più nitide per l'occhio umano, il sistema è sintonizzato per proteggere gli indizi visivi che contano per localizzare le navi, anche in nebbia fitta o in condizioni di illuminazione difficili. Il nuovo dataset interno e il progetto sperimentato dagli autori forniscono un modello per un monitoraggio più sicuro e intelligente delle vie d'acqua trafficate, con il potenziale di ridurre gli incidenti e migliorare la gestione del traffico in reti reali di fiumi e canali.

Citazione: 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

Parole chiave: rilevamento navi, vie d'acqua nebbiose, computer vision, videosorveglianza intelligente, sicurezza del traffico fluviale