複雑環境下における赤外線船舶ターゲット検出アルゴリズム PEW_YOLOv8

暗闇で船を見守る

現代の航路は混雑しており、多くの船舶は夜間や悪天候時に赤外線カメラに頼って監視を行っています。しかし、あのぼやけた熱画像を信頼できる警報に変えるのは簡単ではありません。遠方の船は小さなにじみのようにしか見えず、海霧が視界を曇らせ、強い光や波がソフトウェアを惑わせることがあります。本論文は、視界がかすんだり雑多だったりする状況でも赤外線映像中の船舶をより正確に検出することを目的とした新しいコンピュータービジョン手法、PEW_YOLOv8を紹介します。

なぜ船の検出は難しいのか

赤外線船舶検出は、可視光ではなく熱の特徴に基づいて画像中の船舶を自動的に見つけることを目指します。赤外線カメラは昼夜を問わず多くの過酷な条件で機能するため有望です。しかし、その生成する画像はしばしば細部やコントラストに乏しくなります。海上の湿った空気はもややぼかしを引き起こし、船がにじんだり薄れて見えることがある。小さく遠い船は数ピクセルに過ぎないことがあり、標準的なアルゴリズムでは見落とされがちです。波、桟橋、都市の灯りが背景を煩雑にすると、従来のシステムはこれらのパターンを実際のターゲットと混同し、誤警報や見落としを招くことがあります。

高速ビジョンツールの上に築く

著者らはまずリアルタイムで多種の物体を識別できる広く使われている深層学習システム、YOLOv8を出発点とします。YOLOv8は高速ですが、生の赤外線船舶画像では雑音の多い場面、重なり合うターゲット、小型船舶に対して依然として苦戦します。これに対処するため、研究者らは合計でPEW_YOLOv8を構成する4つの主要な改良を導入しました。それぞれの改良は元のパイプラインの別個の弱点に着目しています：入力画像の整備、より豊かな特徴抽出、スケールを超えた情報の賢い統合、そして船舶が重なったり輪郭が不鮮明な場合の検出ボックスのより慎重な判定です。

視界の浄化と微細な詳細の発見

最初の改良はFFA-Netと呼ばれる除靄（じょもう）モジュールです。メインの検出器が画像を見る前に、FFA-Netはチャンネル全体の情報と個々のピクセルの両方に注意を払い、コントラストを向上させ失われた詳細を復元します。実質的にそれはかすみを取り除き、下流のネットワークがより鮮明なデータで処理できるようにします。次に、PGIG-Backboneとして知られる再設計された特徴抽出の「バックボーン」が続きます。この構造は情報の流れとネットワーク内部の信号の更新の仕方を導きます。勾配を慎重に管理し、複数の経路からの信号を融合することで、標準的な設計が見落としがちな小型で低解像度の船舶ターゲットをよりよく表現できるようになります。

ネットワークに注目させ、より良く判定させる

より鮮明な画像と強化されたバックボーンに加え、PEW_YOLOv8はネットワーク中間部に効率的なマルチスケール注意モジュールを追加します。このコンポーネントは特徴マップの異なる領域や層に重みを付け、船舶に似たパターンを増強し、波や桟橋のような背景の雑音を抑えます。最後に、著者らは境界ボックスの評価方法を従来のやり方からWise-IoU v3と呼ばれる手法に置き換えます。いくつかの問題のある事例に過度に引きずられる代わりに、この損失関数は様々なケースからどの程度学習するかを調整し、重なり合う船や不明瞭な輪郭を扱う際に学習が不安定にならないようにします。

テスト結果が示すもの

研究チームは実際の沿岸防備シーンからの9,400枚の画像を含む産業用赤外線船舶データセットで手法を評価しました。データは外洋、港、沿岸水域をカバーし、カヌーから大型コンテナ船まで7種類の船舶が含まれます。PEW_YOLOv8は元のYOLOv8や他のいくつかの一般的な検出器と比較されました。除靄、改良バックボーン、注意機構、新しい損失関数という各モジュールはそれぞれ測定可能な精度向上をもたらしました。これらを組み合わせることで、主要な検出スコアは92.2パーセントに達し、ベースのYOLOv8に比べほぼ4パーセントポイントの改善を示しながら、処理速度はリアルタイム監視に適した水準に保たれました。

外洋でより明確な警報を

簡単に言えば、この研究は慎重に設計された改良が雑音の多い赤外線船舶画像をより信頼できる自動警報に変え得ることを示しています。まず画像を浄化し、次により豊かな詳細を抽出し、船舶である可能性の高い領域に焦点を当て、重なり合うターゲットについて賢明な判断を行うことで、PEW_YOLOv8は従来のシステムよりも多くの船舶を検出し、誤りを減らします。さらに混雑したシーンへの対応やさらなる高速化が進めば、このようなアプローチは特に夜間や過酷な条件で人間の目や従来のカメラが機能しにくい状況において、海上交通の安全性向上に寄与する可能性があります。

引用: Dong, T., Zhu, M. & Tang, G. Infrared ship target detection algorithm PEW_YOLOv8 in complex environments. Sci Rep 16, 10240 (2026). https://doi.org/10.1038/s41598-026-40574-8

キーワード: 赤外線船舶検出, 海上監視, 物体検出, 深層学習, YOLOv8