SSDT-YOLO: An Underwater Object Detection Framework for Efficient Small-Target Recognition in Complex Environments

Bajo la superficie del océano, el mundo es un lugar de luz cambiante y detalles ocultos. Para científicos e ingenieros, ver con claridad en este entorno es un desafío persistente. El agua absorbe los colores, dispersando la luz hasta que la escena se vuelve turbia, mientras que el acto mismo de capturar una imagen puede introducir distorsiones. En estas condiciones, encontrar objetos pequeños —como un pepino de mar descansando sobre la arena o una estrella de mar aferrada a una roca— se vuelve increíblemente difícil tanto para los ojos humanos como para las cámaras estándar. Aquí es donde entra la visión artificial, el campo que enseña a las máquinas a "ver" a través de cámaras. Mediante el uso del aprendizaje profundo (deep learning), un método donde las computadoras aprenden patrones a partir de vastas cantidades de datos en lugar de seguir reglas rígidas y preescritas, las máquinas pueden ser entrenadas para reconocer objetos incluso cuando están borrosos, tenuemente iluminados o agrupados densamente. Esta capacidad es vital para monitorear los ecosistemas marinos, gestionar las pesquerías y guiar robots submarinos que realizan tareas demasiado peligrosas o tediosas para los humanos.

A pesar de estos avances, los sistemas de visión artificial existentes suelen tener dificultades cuando se enfrentan al caos específico del mar profundo. Con frecuencia pierden de vista objetivos pequeños o no logran distinguirlos del fondo, especialmente cuando la iluminación es deficiente. Para abordar esto, los investigadores Chaoyang Chen y su equipo de la Universidad de Ciencia y Tecnología de Hunan han desarrollado un nuevo sistema llamado SSDT-YOLO. Este marco de trabajo está diseñado específicamente para detectar organismos bentónicos —criaturas que viven en el fondo marino— en entornos submarinos complejos. El equipo partió de un modelo de detección potente y ya existente conocido como YOLOv8, el cual ya es reconocido por su velocidad y precisión en tareas generales. Sin embargo, reconocieron que este modelo estándar no estaba optimizado para las dificultades únicas del mundo submarino, como la necesidad de ver detalles diminutos en un entorno tenue y distorsionado.

Los investigadores abordaron el problema reconstruyendo el sistema desde adentro hacia afuera, centráéndose en cuatro áreas clave para hacerlo más sensible y eficiente. Primero, reemplazaron el "backbone" o columna vertebral del sistema, la parte responsable de escanear inicialmente la imagen, con una nueva estructura que llamaron TEfficientNet. Este nuevo backbone es mejor para manejar la iluminación desigual que se encuentra bajo el agua, permitiendo que el sistema extraiga características más claras desde el principio. Segundo, para asegurar que los objetos pequeños no se pierdan o se vueleen borrosos a medida que la imagen es procesada, sustituyeron las capas de procesamiento estándar por una técnica especializada llamada Convolución de Profundidad de Preservación Espacial. Este método actúa como un filtro cuidadoso que mantiene intactos los detalles finos de los objetivos pequeños, evitando que desaparezcan en el ruido del agua circundante.

En tercer lugar, el equipo reorganizó la sección media de la red, donde se combinan diferentes capas de información. Introdujeron un nuevo módulo llamado C2f-Dual, que agiliza la forma en que el sistema fusiona estos detalles. Este cambio redujo significativamente el número de cálculos que la computadora necesita realizar, haciendo que el sistema sea más ligero y rápido sin sacrificar su capacidad de ver. Finalmente, para ayudar al sistema a enfocarse en las partes más importantes de una imagen, añadieron un mecanismo llamado Atención Sinérgica Espacial y de Canal. Esto actúa como un reflector, guiando la atención de la computadora hacia las áreas específicas donde es probable que se encuentren criaturas pequeñas y densamente agrupadas, mientras ignora el desorden irrelevante del fondo.

Los resultados de estos cambios fueron probados en dos grandes colecciones de imágenes submarinas, una que contenía casi 8,000 fotos y otra con más de 4,700. El nuevo sistema SSDT-YOLO demostró ser altamente efectivo. Identificó y localizó correctamente organismos marinos con una tasa de éxito del 84.9% en el primer conjunto de datos y del 83.0% en el segundo, superando al modelo YOLOv8 original y a varios otros sistemas de detección líderes. Quizás, de manera igual de importante, el nuevo modelo es mucho más eficiente. Utiliza significativamente menos recursos computacionales, requiriendo solo alrededor de 2.0 millones de parámetros en comparación con los 3.1 millones utilizados por el modelo base. Esta reducción de tamaño permite que el sistema funcione a una velocidad de 214.8 fotogramas por segundo, lo que significa que puede procesar más de 200 imágenes cada segundo. Esta velocidad es crucial para aplicaciones en tiempo real, como guiar a un robot submarino para recolectar muestras o monitorear un arrecife sin demora.

Si bien el sistema representa un paso adelante significativo, los investigadores reconocen que no es una solución perfecta para todos los escenarios posibles. En casos donde los objetos están fuertemente ocultos por sedimentos o condiciones de iluminación extrema, el sistema todavía pierde objetivos ocasionalmente. Además, el nuevo diseño requiere una cantidad ligeramente mayor de potencia de cómputo bruta en términos de operaciones matemáticas, un compromiso que el equipo está trabajando para optimizar en estudios futuros. No obstante, el trabajo demuestra que, al adaptar cuidadosamente los modelos de visión artificial a las realidades físicas específicas del mundo submarino, es posible crear herramientas que sean tanto altamente precisas como lo suficientemente rápidas para operar en tiempo real. Este avance ofrece un camino prometedor para una exploración marina más autónoma y efectiva, ayudando a científicos y conservacionistas a comprender mejor y proteger la vida oculta del fondo del océano.