RT-FogNet: обнаружение судов в реальном времени при плохой видимости на внутренних водных путях

Видеть суда сквозь туман

Когда реки и каналы окутаны туманом или бликами, людям-наблюдателям и камерам бывает трудно своевременно заметить проходящие суда. Это не просто неудобство: пропущенные или поздние срабатывания могут угрожать безопасности движения, замедлять логистику и усложнять спасательные операции. В этой работе представлен RT-FogNet — интеллектуальная система видеонаблюдения, способная надежно обнаруживать суда на внутренних водных путях даже при плохой видимости, при этом работая достаточно быстро для использования в реальном времени на обычном мониторинговом оборудовании.

Почему реки сложнее, чем открытое море

В отличие от открытого океана, внутренние водные пути узкие, многолюдные и визуально загруженные. Стационарные камеры на берегах сталкиваются с мостами, зданиями, отражениями на воде и частыми неблагоприятными погодными условиями. Туман, высокая влажность, сильная контровая засветка от солнца и ночное освещение снижают контраст и размывают очертания судов. Существующие детекторы на основе компьютерного зрения, включая многие популярные модели глубокого обучения, обычно обучались на более прозрачных изображениях со спутников, самолетов или прибрежных сцен. В результате при переносе на реальные речные условия они часто дают сбои: пропускают мелкие или дальние суда и путают отражения или фоновые структуры с реальными кораблями.

Умный двухэтапный «глаз» для реки

RT-FogNet решает задачу как двухэтапный процесс, адаптированный к тому, что реально видит камера на реке. Сначала система быстро проверяет входное изображение, чтобы оценить, плохая ли видимость. Если сцена ясная, картинка сразу отправляется на этап обнаружения, что экономит время и ресурсы. Если же сцена туманная или с низким контрастом, изображение направляется через специальный блок дегазации под названием Water Surface Image Dehazing (WSID). Этот модуль обучен не просто улучшать картинку для человеческого глаза, а сохранять очертания и формы судов при удалении гари и подавлении вводящих в заблуждение отражений на поверхности воды.

Как система учится «видеть» сквозь туман

Модуль WSID создан с использованием стратегии обучения, заимствованной у передовых методов восстановления изображений, но сжатой и настроенной для скорости. Большая «учительская» сеть сначала обучается убирать туман с синтетических тренировочных изображений. Меньшая «студенческая» сеть затем учится имитировать результаты учителя, выполняя при этом значительно меньше вычислений, что делает её практичной для реальных устройств. После этого студент донастраивается на реальных туманных речных сценах, чтобы работать вне лаборатории. Далее улучшенный детектор, основанный на новейшей модели YOLOv10, обрабатывает дегазированные или исходные изображения. Важное дополнение — новый блок обработки признаков, который с помощью тщательно подобранных фильтров рассматривает как мелкие детали, так и более широкие области изображения, не размывая при этом мелкие суда. Это помогает системе обнаруживать суда разных размеров — от крошечных дальних лодок до больших танкеров.

Новая тестовая база, собранная на реальных реках

Чтобы оценить работу RT-FogNet в реальных условиях, авторы создали новый набор данных для внутренних водных путей Inland Waterway Ship Dataset (IWSD). Он содержит более девяти тысяч изображений, снятых стационарными камерами на загруженных реках Китая, включая Янцзы и Улуна. Набор охватывает девять типов судов и широкий спектр условий: ясные дни, пасмурную погоду, дождь и туман, яркие блики на воде и ночные сцены с жестким искусственным освещением. Многие суда занимают малую часть кадра, так как находятся далеко от камеры, а классы разбалансированы по числу примеров, что отражает реальные паттерны движения. Поскольку более половины изображений сделаны в сложных условиях видимости, IWSD служит требовательным тестом для любого детектора судов.

Насколько лучше новый подход?

При тестировании на стандартном общем наборе данных, на существующем прибрежном наборе и на новом наборе для внутренних рек RT-FogNet последовательно демонстрирует высокую точность, оставаясь при этом достаточно быстрым для работы в реальном времени. На особенно сложных данных IWSD полная версия RT-FogNet с этапом дегазации улучшает средние показатели обнаружения более чем на 15 процентных пунктов по сравнению с сильным базовым детектором, с особенно большими приростами для маленьких и плохо различимых судов. Даже с дополнительным этапом дегазации система продолжает обрабатывать сотни изображений в секунду на современном железе, что делает её пригодной для мониторинга рек в реальном времени.

Что это значит для безопасности водных путей

Для неспециалиста главный вывод таков: RT-FogNet показывает, что сочетание контекстно ориентированной очистки сцены и упрощенного детектирующего ядра может сделать мониторинг рек по камерам более надежным и практичным. Вместо простого «улучшения» картинок для человеческого глаза система настроена так, чтобы сохранять визуальные подсказки, важные для локализации судов, даже в густом тумане или при резком освещении. Новый набор данных авторов и проверенная конструкция служат шаблоном для более безопасного и умного наблюдения за загруженными водными путями, с потенциалом снижения числа аварий и улучшения управления движением в реальных речных и канальных сетях.

Цитирование: 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

Ключевые слова: обнаружение судов, туманные водные пути, компьютерное зрение, умное наблюдение, безопасность речного движения