RT-FogNet: realtime scheepsdetectie bij slechte zichtbaarheid in binnenwateren

Schepen Zien Door de Mist

Als rivieren en kanalen in mist of verblinding liggen, hebben menselijke uitkijkposten en camera’s moeite om passerende boten op tijd op te merken. Dat is meer dan een ongemak: gemiste of vertraagde detecties kunnen de verkeersveiligheid in gevaar brengen, logistiek vertragen en reddingsoperaties bemoeilijken. Deze studie introduceert RT-FogNet, een slim camerasysteem dat betrouwbaar schepen in binnenwateren detecteert, zelfs bij slechte zichtbaarheid, terwijl het snel genoeg blijft werken voor realtime gebruik op standaard bewakingsapparatuur.

Waarom Rivieren Moeilijker Zijn Dan de Open Zee

In tegenstelling tot de open oceaan zijn binnenwateren smal, druk en visueel rommelig. Vaste camera’s langs oevers moeten omgaan met bruggen, gebouwen, reflecties op het water en frequent slecht weer. Mist, hoge luchtvochtigheid, sterke tegenlicht van de zon en nachtelijke verlichting verminderen allemaal het contrast en vervagen de omtrekken van schepen. Bestaande computer-vision detectors, inclusief veelgebruikte deep learning-modellen, zijn doorgaans getraind op helderdere beelden van satellieten, vliegtuigen of kustgebieden. Daardoor falen ze vaak wanneer ze in echte binnenrivieren worden ingezet: ze missen kleine of verre vaartuigen en verwarren reflecties of achtergrondstructuren met echte schepen.

Een Slim Tweestaps Oog voor de Rivier

RT-FogNet pakt het probleem aan als een tweestapsproces, afgestemd op wat een riviercamera daadwerkelijk ziet. Eerst controleert het snel de binnenkomende afbeelding om te bepalen of de zichtbaarheid slecht is. Als het beeld helder is, gaat de foto direct naar de detectiestap, wat tijd en energie bespaart. Is de scène mistig of laagcontrast, dan wordt de afbeelding doorgestuurd naar een speciale ontmistingseenheid die Water Surface Image Dehazing (WSID) heet. Deze eenheid is niet alleen getraind om beelden er aantrekkelijker voor mensen uit te laten zien, maar specifiek om de omtrekken en vormen van schepen te behouden terwijl mist wordt verwijderd en misleidende reflecties op het water worden onderdrukt.

Hoe het Systeem Leren Zien Door Mist

De WSID-module is opgebouwd met een trainingsstrategie ontleend aan de nieuwste technieken voor beeldherstel, maar gecomprimeerd en afgestemd op snelheid. Een grotere “teacher”-netwerk leert eerst mist te verwijderen uit synthetische trainingsbeelden. Een kleiner “student”-netwerk leert vervolgens het resultaat van de teacher te imiteren terwijl het veel minder berekeningen gebruikt, waardoor het praktisch wordt voor echte apparaten. Daarna wordt de student verder aangepast op echte mistige rivierscènes zodat hij buiten het laboratorium goed werkt. Downstream verwerkt een verbeterde detectiemotor, gebaseerd op het recentste YOLOv10-model, de ontmistede of originele afbeeldingen. Een belangrijke toevoeging is een nieuw feature-verwerkingsblok dat zorgvuldig gerangschikte filters gebruikt om zowel fijnmazige details als bredere beeldgebieden te bekijken zonder kleine vaartuigen weg te blurren. Dit helpt het systeem schepen van verschillende formaten te vinden, van kleine verre bootjes tot grote tankers.

Een Nieuwe Testset Gebouwd op Echte Rivieren

Om te beoordelen of RT-FogNet in de praktijk werkelijk werkt, bouwden de auteurs een nieuwe Inland Waterway Ship Dataset (IWSD). Deze bevat meer dan negenduizend beelden vastgelegd door vaste camera’s langs drukke Chinese rivieren, waaronder de Yangtze en Wulong. De dataset dekt negen typen vaartuigen en een brede mix van omstandigheden: heldere dagen, bewolking, regen en mist, felle reflectie op het water en nachtelijke scènes met harde kunstverlichting. Veel schepen zijn klein in het beeld omdat ze ver van de camera liggen, en de categorieën zijn qua aantal niet gebalanceerd, wat echte verkeerspatronen weerspiegelt. Omdat meer dan de helft van de beelden onder uitdagende zichtomstandigheden is genomen, dient IWSD als een veeleisende test voor elke scheepsdetector.

Hoeveel Beter Is De Nieuwe Aanpak?

Getest op een standaard algemene dataset, een bestaande kustschependataset en de nieuwe binnenrivierdataset, behaalt RT-FogNet consequent sterke nauwkeurigheid terwijl het snel genoeg blijft voor realtime gebruik. Op de bijzonder moeilijke IWSD-data verbetert de volledige versie van RT-FogNet met de ontmisting stap de gemiddelde detectiescores met meer dan 15 procentpunten ten opzichte van een sterke baseline-detector, met vooral grote winst bij kleine en moeilijk te zien vaartuigen. Zelfs met de extra ontmisting verwerkt het systeem nog steeds honderden beelden per seconde op moderne hardware, waardoor het geschikt is voor live rivierbewaking.

Wat Dit Betekent voor Waterwegveiligheid

Voor niet-specialisten is de belangrijkste conclusie dat RT-FogNet laat zien hoe het combineren van scène-bewuste beeldreiniging met een gestroomlijnde detectiemotor camerabewaking van rivieren zowel betrouwbaarder als praktischer kan maken. In plaats van beelden simpelweg visueel te verscherpen voor het menselijke oog, is het systeem afgestemd op het beschermen van de visuele aanwijzingen die belangrijk zijn voor het lokaliseren van schepen, zelfs in dichte mist of harde verlichting. De nieuwe binnenrivierdataset van de auteurs en hun geteste ontwerp bieden een blauwdruk voor veiliger, slimmer toezicht op drukbevaren waterwegen, met het potentieel om ongevallen te verminderen en het verkeersmanagement in echte rivier- en kanaalnetwerken te verbeteren.

Bronvermelding: 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

Trefwoorden: scheepsdetectie, nevelige waterwegen, computer vision, slimme bewaking, veilgheid rivierverkeer