SODNet: ориентированная на масштаб сеть обнаружения для эффективного выявления сливов сточных вод с БПЛА

Почему важно находить скрытые трубы с высоты

Многие реки тихо загрязняются трубами, которые сбрасывают необработанные сточные воды прямо в воду. Обнаружить эти стоки сложно: они могут быть маленькими, частично скрытыми в растительности или растянутыми вдоль длинных участков берега. В этом исследовании показано, как небольшие летающие роботы в сочетании с умной, но лёгкой системой компьютерного зрения могут автоматически сканировать реки с воздуха и в реальном времени отмечать эти скрытые источники загрязнения.

Камеры в полёте над извилистыми реками

Беспилотные летательные аппараты, или дроны, уже используются для съёмки рек и береговой линии, обеспечивая широкий обзор и частое покрытие. До сих пор людям часто приходилось вручную просматривать тысячи аэрофотоснимков в поисках подозрительных труб — это медленно и подвержено ошибкам. Авторы утверждают, что автоматическое обнаружение необходимо, если мы хотим регулярно мониторить большие речные системы и быстро реагировать на новые незаконные или случайные сбросы.

Проблема больших и крошечных целей

Стоки сточных вод выглядят по‑разному на разных снимках с дрона. Труба может занимать значительную часть кадра, когда дрон низко, но уменьшаться до всего нескольких размытых пикселей на большой высоте. Солнечный свет, тени, растительность и береговая линия дополнительно скрывают визуальные признаки. Стандартные системы компьютерного зрения испытывают трудности с таким сочетанием масштабов и шумного фона, часто пропуская самые маленькие или хорошо спрятанные стоки. При этом вычислительные ресурсы на борту дрона ограничены, поэтому громоздкие и медленные модели, эффективные на настольных машинах, непригодны в полёте.

Око дрона, учитывающее масштаб

Чтобы решить задачу одновременно по точности и скорости, исследователи создали новую систему обнаружения под названием SODNet. Она опирается на популярный детектор для реального времени, но перестраивает части, которые объединяют информацию с разных уровней деталей. Новый модуль, Efficient Context Feature Pyramid Network, обучает модель учитываться на широкий контекст вокруг каждой кандидатной трубы, одновременно ослабляя сбивающие с толку текстуры фона. Другой механизм, Adaptive Context Feature Fusion, позволяет высоким, более абстрактным признакам управлять тем, как объединяются тонкие края и текстурные детали, что помогает сохранять видимость как крошечных, так и крупных стоков для сети.

Больше результатов при меньшем числе цифровых шестерёнок

Команда также переработала «голову» детектора, где система принимает решение, что является трубой и где она находится в изображении. Их модуль Multi Scale Grouped Fusion разбивает признаки на части и обрабатывает их с разными виртуальными «линиями обзора», чтобы лучше захватывать как мелкие, так и крупные структуры, затем эффективно объединяет результаты. Чтобы ещё больше ускорить работу, они применили обрезку каналов (channel pruning) — метод удаления редко используемых внутренних путей, оставляя только самые полезные. Эта глубокая компрессия сохраняет общую структуру, но сокращает число вычислений, подобно удалению запасных шестерёнок в механизме при сохранении его функции.

Как работает умное «око» дрона на практике

Исследователи обучали и тестировали SODNet на специализированном датасете из более чем десяти тысяч изображений стоков сточных вод из крупнейших бассейнов рек Китая, охватывающем множество типов стоков и условий освещения. По сравнению с базовой моделью их подход повысил точность обнаружения, одновременно уменьшив число параметров более чем на три четверти и сократив требуемые вычисления примерно так же. В лабораторных испытаниях облегчённая версия SODNet обрабатывала более чем вдвое больше изображений в секунду по сравнению с исходной. При установке на компактный компьютер Jetson Xavier NX, аналогичный тому, что может быть установлен на дроне, система по‑прежнему обрабатывала более сорока изображений в секунду — достаточно быстро для патрулирования рек в реальном времени.

Чище реки благодаря умному мониторингу

Главная мысль для читателя: теперь скромные, питаемые от батарей дроны могут сканировать длинные участки рек и автоматически обнаруживать большинство стоков сточных вод с высокой точностью. SODNet показывает, что тщательная архитектура позволяет сочетать чёткое распознавание как крошечных, так и крупных объектов с быстрыми, энергоэффективными вычислениями, подходящими для полевого оборудования. Хотя система всё ещё может пропускать самые тонкие случаи, она предоставляет практичный инструмент для поддержки инспекторов, улучшения рутинного мониторинга и более быстрого оповещения о новых источниках загрязнения, угрожающих экосистемам и здоровью людей.

Цитирование: Zeng, L., Liu, X., Dai, B. et al. SODNet: a scale-oriented detection network for efficient UAV-based sewage outfall detection. Sci Rep 16, 15103 (2026). https://doi.org/10.1038/s41598-026-45595-x

Ключевые слова: обнаружение стоков сточных вод, мониторинг с БПЛА, загрязнение воды, лёгкое глубокое обучение, обнаружение объектов