Automatic detection and multiclass segmentation of underwater pipelines
A comparative study on different approaches using computational models
Underwater pipeline inspection is important in several aspects. Computer vision-based detection and segmentation have played a crucial role in underwater pipeline inspections in the last few decades. This study focuses on implementing a deep learning-based workflow for underwater pipeline detection and segmentation using YOLOv8 small and large, and Mask R-CNN ResNet 50 and 101 models. All four models could fulfil both detection and segmentation approaches in a single model. The dataset used consists of pipes, leakages, concrete mats, concrete weights and pipe couplings. The performance of the models was evaluated based on the loss function, precision, inference time and visualisation results. Experimental results indicate that YOLOv8 outperforms Mask R-CNN in accuracy and real-time detection. YOLOv8 segmentation small model achieved the highest Mean Average Precision (50–95) as 77 % in object detection and 74 % in segmentation. The YOLO segmentation large model achieved the highest class-wise Mean Average Precision (50–95) as 97 % in the pipe class. In future work, the YOLOv8 model will be modified to derive the real-time location of autonomous underwater vehicles, and Mask R-CNN models will be modified to improve the precision.
pipeline detection | Mask R-CNN | YOLOv8
Die Inspektion von Unterwasserrohrleitungen ist in mehrfacher Hinsicht von Bedeutung. Die auf Computer-Vision basierende Erkennung und Segmentierung hat in den letzten Jahrzehnten eine entscheidende Rolle bei der Inspektion von Unterwasserrohrleitungen gespielt. Diese Studie konzentriert sich auf die Implementierung eines auf Deep Learning basierenden Arbeitsablaufs für die Erkennung und Segmentierung von Unterwasserrohrleitungen unter Verwendung der Modelle YOLOv8 (klein und groß) sowie Mask R-CNN ResNet 50 und 101. Alle vier Modelle konnten sowohl Erkennungs- als auch Segmentierungsaufgaben in einem einzigen Modell erfüllen. Der verwendete Datensatz besteht aus Rohren, Leckagen, Betonmatten, Betongewichten und Rohrkupplungen. Die Leistung der Modelle wurde anhand der Verlustfunktion, der Präzision, der Inferenzzeit und der Visualisierungsergebnisse bewertet. Die Versuchsergebnisse zeigen, dass YOLOv8 Mask R-CNN in Bezug auf Genauigkeit und Echtzeit-Erkennung übertrifft. Das kleine YOLOv8-Segmentierungsmodell erzielte die höchste mittlere durchschnittliche Präzision (50–95) mit 77 % bei der Objekterkennung und 74 % bei der Segmentierung. Das große YOLO-Segmentierungsmodell erzielte die höchste klassenweise mittlere durchschnittliche Präzision (50–95) von 97 % in der Rohrklasse. In zukünftigen Arbeiten wird das YOLOv8-Modell modifiziert, um die Echtzeitposition autonomer Unterwasserfahrzeuge zu ermitteln, und die Mask-R-CNN-Modelle werden modifiziert, um die Präzision zu verbessern.
Erkennung von Rohrleitungen | Mask R-CNN | YOLOv8
