用于海洋探索与科学研究的 AI 驱动自主水下系统
计算机视觉与模式识别
2025-12-09 v1 人工智能
摘要
传统海洋探索因极端条件、能见度有限和高成本而面临重大挑战，导致大片海洋区域未被探索。本文提出了一种创新的 AI 驱动自主水下航行器（AUV）系统，旨在通过自动化水下目标检测、分析和报告来克服这些限制。该系统集成了 YOLOv12 Nano 用于实时目标检测、卷积神经网络（CNN）（ResNet50）用于特征提取、主成分分析（PCA）用于降维，以及 K-Means++ 聚类用于基于视觉特征对海洋目标进行分组。此外，大语言模型（LLM）（GPT-4o Mini）被用于生成水下发现的结构化报告和摘要，增强数据解读。该系统在超过 55,000 张图像的组合数据集上进行了训练和评估，这些图像来自 DeepFish 和 OzFish 数据集，涵盖了多样的澳大利亚海洋环境。实验结果表明该系统能够以 [email protected] 为 0.512、精确率为 0.535、召回率为 0.438 检测海洋目标。PCA 的有效整合在保留 98% 方差的同时显著降低了特征维度，促进了 K-Means 聚类成功基于视觉相似性对检测目标进行分组。LLM 的整合被证明能够有效生成检测和聚类的洞察性摘要，并得到位置数据的支持。这种集成方法显著降低了与人类潜水相关的风险，提高了任务效率，并增强了水下数据分析的速度和深度，为在具有挑战性的海洋环境中进行更有效的科学研究和发现铺平了道路。
引用
@article{arxiv.2512.07652,
title = {An AI-Powered Autonomous Underwater System for Sea Exploration and Scientific Research},
author = {Hamad Almazrouei and Mariam Al Nasseri and Maha Alzaabi},
journal= {arXiv preprint arXiv:2512.07652},
year = {2025}
}