Сравнительный анализ эффективности обнаружения загрязнений нефтепродуктами водных систем на основе предобученных нейросетевых моделей семейства YOLO и архитектур SMDNetV4 и PSPNet

Введение. Рассматриваются архитектуры семантической сегментации PSPNet, SMD-Net и YOLO26-Seg для задачи обнаружения нефтяных разливов на спутниковых снимках. Особое внимание уделено сравнению точности сегментации при идентичных условиях обучения. Материалы и методы. PSPNet использует архитектуру ResNet101 с модулем пирамидального пулинга для семантической сегментации. SMD-Net — лёгкая архитектура общей магистрали с двумя декодировщиками и модулями CTGM, CoordAtt, ASPP. YOLO26-Seg сочетает кодирующую магистраль YOLO26 с фиксированными весами и лёгкий декодировщик. Проведён сравнительный анализ метрик: IoU (пересечение над объединением) — отношение пересечения предсказанной и истинной областей к их объединению; Dice (коэффициент Дайса) — мера перекрытия сегментов, вычисляется на основе площади пересечения; accuracy (точность) — доля верных предсказаний среди общего их числа; время вывода — время, потраченное моделью на обработку одного входа. Результаты исследования. PSPNet после обучения на пятидесяти эпохах по существующим маскам набора данных (без ручной разметки) значительно превзошёл SMD-Net по бинарной сегментации нефти (IoU = 0,704, Dice = 0,770, Acc = 0,896) против SMD-Net (IoU = 0,467, Dice = 0,575, Acc = 0,671). Дополнительно обученная YOLO26l-seg показала умеренные пиксельные метрики (IoU = 0,320) при сниженном пороге детекции, что делает её ограниченно применимой для данной задачи. Обсуждение. Выбор архитектуры для сегментации нефтяных разливов определяется компромиссом между точностью и скоростью: PSPNet обеспечивает наилучшее качество, SMD-Net проигрывает по всем метрикам, а YOLO26-SemSeg не способен определять разливы нефтяных пятен без обучения. Заключение. PSPNet значительно превосходит SMD-Net и YOLO26-Seg по бинарной сегментации нефтяных разливов при одинаковых условиях обучения (IoU = 0,704 против 0,467), что подтверждает эффективность архитектуры ResNet101 с пирамидальным пулингом.

1. Сухинов А.И., Никитина А.В., Чистяков А.Е. Использование многоканальных космических снимков для предсказательного моделирования процессов «цветения» фитопланктонных водорослей в мелководных водоемах на супер-ЭВМ. Computational Mathematics and Information Technologies. 2017;1(2):128–140. https://doi.org/10.23947/2587-8999-2017-2-128-140 Sukhinov A.I., Nikitina A.V., Chistyakov A.E. Using multichannel satellite images for predictive modelling the “bloom” phytoplankton processes in shallow waters on supercomputer. Computational Mathematics and Information Technologies. 2017;1(2):128–140. (In Russ.) https://doi.org/10.23947/2587-8999-2017-2-128-140

2. Дунаева А.В., Корнилов Ф.А. Обнаружение строений на спутниковых снимках с использованием карты высот. Computational Mathematics and Information Technologies. 2017;1(2):185–193. https://doi.org/10.23947/2587-8999-2017-2-185-193 Dunaeva A.V., Kornilov F.A. Building detection in remote sensing images using a digital surface model. Computational Mathematics and Information Technologies. 2017;1(2):185–193. (In Russ.) https://doi.org/10.23947/2587-8999-2017-2-185-193

3. Щетинин Е.Ю., Шевчук А.А. Семантическая сегментация с оценкой неопределённости на основе модели Дирихле и анизотропной регуляризации. Computational Mathematics and Information Technologies. 2026;10(1):7–20. https://doi.org/10.23947/2587-8999-2026-10-1-7-20 Shchetinin E.Yu., Shevchuk A.A. Semantic segmentation with uncertainty estimation based on the Dirichlet model and anisotropic regularization. Computational Mathematics and Information Technologies. 2026;10(1):7–20. (In Russ.) https://doi.org/10.23947/2587-8999-2026-10-1-7-20

4. Сухинов А.И., Соломаха Д.А., Сидорякина В.В. Обнаружение разливов нефти на основе усовершенствованных LBP-нейроалгоритмов для зашумленных космических снимков. Computational Mathematics and Information Technologies. 2026;10(1):58–71. https://doi.org/10.23947/2587-8999-2026-10-1-58-71 Sukhinov A.I., Solomakha D.A., Sidoryakina V.V. Oil spill detection based on advanced LBP neuroalgorithms for noisy satellite images. Computational Mathematics and Information Technologies. 2026;10(1):58–71. (In Russ.) https://doi.org/10.23947/2587-8999-2026-10-1-58-71

5. Сухинов А.И. Усовершенствованный метод распознавания объектов морских и прибрежных систем на основе комбинации метода локальных бинарных шаблонов и нейросетевых. Вычислительные методы и программирование. 2025;26(3):366–379. https://doi.org/10.26089/NumMet.v26r324 Sukhinov A.I. An improved method for recognizing objects of marine and coastal systems based on a combination of local binary patterns and neural network methods. Computational methods and programming. 2025;26(3):366–379. (In Russ.) https://doi.org/10.26089/NumMet.v26r324

6. Васильев М.Е., Шалимов А.С., Савина О.А. Обзор версий YOLO: одноэтапная модель сверточной нейронной сети. Universum: технические науки. 2025;1(6): 36–46. Vasiliev M.E., Shalimov A.S., Savina O.A. Review of YOLO versions: Single-stage convolutional neural network model. Universum: Technical Sciences. 2025;1(6): 36–46.

7. Стецюк В.О. Применение модификации сеточно-характеристического метода с использованием наложенных сеток для явного выделения границы раздела сред при моделировании рельефа океанического шельфа. Computational Mathematics and Information Technologies. 2023;7(3):20–27. https://doi.org/10.23947/2587-8999-2023-7-3-20-27 Stetsiuk V.O. Application of a modification of the grid-characteristic method using superimposed grids to explicitly distinguish the interface of media in modeling the relief of the oceanic shelf. Computational Mathematics and Information Technologies. 2023;7(3):20–27. (In Russ.) https://doi.org/10.23947/2587-8999-2023-7-3-20-27

8. Документация для модели yolov8l-world. URL: https://docs.ultralytics.com/ru/models/yolo-world/ (дата обращения: 16.04.2026). Documentation for the yolov8l-world model. URL: https://docs.ultralytics.com/ru/models/yolo-world/ (accessed: 16.04.2026).

9. Документация для модели yolov8l-obb. URL:https://docs.ultralytics.com/ru/tasks/obb/ (дата обращения: 16.04.2026). Documentation for the yolov8l-obb model. URL: https://docs.ultralytics.com/ru/tasks/obb/ (accessed: 16.04.2026).

10. Бурмистров С.А. Работа с YOLOV8. Детекция, сегментация, трекинг объектов, а также подготовка собственного датасета и обучение. URL: https://habr.com/ru/articles/821971/ (дата обращения: 16.04.2026). Burmistrov S.А. Working with YOLOV8. Detection, segmentation, tracking of objects, as well as preparation of your own dataset and training. URL: https://habr.com/ru/articles/821971/ (accessed: 16.04.2026).

11. Gallagher J., Skalski P. How to Detect Objects with YOLO-World. URL: https://blog.roboflow.com/how-todetect-objects-with-yolo-world/ (дата обращения: 16.04.2026).

12. Сухинов А.А., Остроброд Г.Б. Эффективная детекция лиц на многоядерном процессоре Epiphany. Computational Mathematics and Information Technologies. 2017;1(1):1–13. Sukhinov A.A., Ostrobrod G.B. Effective face detection on an Epiphany multicore processor. Computational Mathematics and Information Technologies. 2017;1(1):1–13. (In Russ.)

13. Захарова А.А., Небаба С.Г. Применение метода вычитания фона и алгоритма Виолы-Джонса для увеличения скорости трекинга лиц в системе распознавания личности. Computational Mathematics and Information Technologies. 2018;2(1):25–32. https://doi.org/10.23947/2587-8999-2018-2-1-25-32 Zakharova A.A., Nebaba S.G. Application of the background subtraction method and the Viola-Jones algorithm to increase the speed of face tracking in the personality recognition system. Computational Mathematics and Information Technologies. 2018;2(1):25–32. (In Russ.) https://doi.org/10.23947/2587-8999-2018-2-1-25-32

14. Сухинов А.И., Панасенко Н.Д. Cравнительное исследование нейронных и локально-бинарных алгоритмов идентификации изображений планктонных популяций. Computational Mathematics and Information Technologies. 2022;6(2):70–80. https://doi.org/10.23947/2587-8999-2022-1-2-70-80 Sukhinov A.I., Panasenko N.D. Comparative investigation of neural and locally binary algorithms for image identification of plankton populations. Computational Mathematics and Information Technologies. 2022;6(2):70–80. (In Russ.) https://doi.org/10.23947/2587-8999-2022-1-2-70-80

15. Хуснуллин Ш.Р., Коледина К.Ф., Алимбекова С.Р., Ишмуратов Ф.Г. Машинное обучение в анализе влияния электромагнитного поля на скорость коррозии и солеотложения нефтепромыслового оборудования. Computational Mathematics and Information Technologies. 2023;7(1):70–76. https://doi.org/10.23947/2587-8999-2023-6-1-70-76 Khusnullin Sh.R., Koledina K.F., Alimbekova S.R., Ishmuratov F.G. Machine learning in the analysis of the influence of an electromagnetic field on the rate of corrosion and salt deposition of oilfield equipment. Computational Mathematics and Information Technologies. 2023;7(1):70–76. (In Russ.) https://doi.org/10.23947/2587-8999-2023-6-1-70-76 16. Панасенко Н.Д., Сухинов А.И. Программа распознавания разнородных объектов на поверхности морских и прибрежных систем на основе данных дистанционного зондирования. Свидетельство о государственной регистрации программы для ЭВМ, № 2021617654. 2021. 16 с. Panasenko N.D., Sukhinov A.I. A program for recognizing heterogeneous objects on the surface of marine and coastal systems based on remote sensing data. Certificate of state registration of the computer program No. 2021617654 Russian Federation. 2021.

16. Арзуманян Р.В., Сухинов А.И. Исследование влияния шаблона доступа к глобальной памяти графического процессора на производительность. Вестник Донского государственного технического университета. 2016;2(85):105–110. https://doi.org/10.12737/19687 Arzumanyan R.V., Sukhinov A.I. Investigation of the effect of the global GPU memory access pattern on performance. Bulletin of the Don State Technical University. 2016;2(85):105–110. (In Russ.) https://doi.org/10.12737/19687