利用YOLO模型和抗光照干扰的预处理技术，提升海上搜救中对救生衣的检测能力

《Scientific Reports》：Enhancing life jacket detection for maritime search and rescue using YOLO models and illumination-robust preprocessing techniques

　　

摘要

海上搜救（SAR）行动常常面临搜索区域广阔、能见度低以及光照条件极端的挑战，尤其是在夜间任务中。本研究探讨了利用计算机视觉和物体检测算法来自动化救生衣检测并提高SAR效率的方法。为了解决缺乏特定领域数据集的问题，研究人员开发了一个包含多种类型救生衣的定制图像数据集。研究采用了双重方法：一是评估YOLO物体检测模型（版本5至12）在该数据集上的性能；二是结合先进的图像预处理技术，以增强在恶劣光照条件下的检测能力。结果表明，预处理显著提升了在过曝和欠曝场景下的检测性能。在所有评估的模型中，YOLOv10在精确度和实时推理速度方面取得了最佳平衡（在Tesla T4 GPU上达到43.9 FPS），使其成为时间敏感型救援应用的有力候选者。尽管表5、6、7、8和9中的个别数据显示其他检测器在特定光照和预处理组合下具有更高的精确度，但YOLOv10在所有评估标准上提供了最佳的总体平衡。这项工作为通过更快、更可靠地识别海上遇险人员来改善SAR效果提供了一个可扩展的基准解决方案。