基于YOLO的恶劣视觉环境下的管道监控
计算机视觉与模式识别
2025-07-08 v1 人工智能
摘要
在低可见度水下环境中，对海底管道进行条件监控面临重大挑战，由于浑浊度、光线失真和图像退化。传统的基于视觉的检查系统往往无法在此类条件下为映射、目标识别或缺陷检测提供可靠数据。本研究探索了集成先进人工智能技术以增强图像质量、检测管道结构并支持自主 fault 诊断的可行性。该研究对两种最robust的YOLOv8和Yolov11版本及其三个针对复杂低可见度海底环境中图像分割任务的变体进行了比较分析。使用海底捕获的管道检查数据集，评估了模型在面对挑战性视觉条件下准确描绘目标结构的性能。结果表明，YOLOv11在整体性能上优于YOLOv8。
引用
@article{arxiv.2507.02967,
title = {YOLO-Based Pipeline Monitoring in Challenging Visual Environments},
author = {Pragya Dhungana and Matteo Fresta and Niraj Tamrakar and Hariom Dhungana},
journal= {arXiv preprint arXiv:2507.02967},
year = {2025}
}