博雅工道视觉大模型助力水下结构物识别与分割

水下环境复杂多变，光照衰减、悬浮颗粒、生物附着等因素使得传统视觉算法面临巨大挑战。近年来，以Segment Anything Model（SAM）为代表的通用分割大模型展现了强大的零样本泛化能力。

博雅工道算法团队紧跟前沿技术，对SAM在水下图像分割中的适用性进行了系统测试，探索SAM在管线检测、结构识别、裂缝定位等水下视觉任务中的潜力。

Segment Anything Model（SAM）

SAM是Meta AI推出的革命性图像分割模型，能够通过点、框等交互提示，自动分割出图像中的任意物体。

强大的零样本泛化能力，使模型在自然图像上表现优异。但水下图像存在色偏、低对比度、纹理模糊等特点，通用模型能否直接迁移应用？博雅工道团队对此进行了专项测试。

图：SAM的三大核心基础，任务、模型和数据

水下管线分割：挑战与表现

测试首先选取了水下管线图像。

管线表面附着水草，背景复杂。SAM能够将管线主体与背景初步分离，但在水草与管线粘连区域，分割边界存在一定模糊。在另一张无明显遮挡的管线图像上，SAM成功分割出右侧管道主体，验证了模型在结构相对清晰场景下的有效性。

对于弯曲管道，SAM也展现出了良好的适应性，能够将大部分管线区域分割出来，为后续病害检测（如裂缝、变形）提供了基础。

水下结构物分割：钢架、缆线与板凳

在水下钢架结构图像上，SAM表现出色。

无论是钢架的几何轮廓，还是脐带缆、树叶、水中气泡等细微目标，均能被准确识别并分割。这表明对于人工结构物，SAM具有较强的语义理解能力。

在水下板凳图像中，SAM能够清晰分割出板凳的轮廓，尽管水体因光照不均匀被误分为多个区域，但目标物体本身的分割质量满足工程需求。不同角度、不同光照条件下的测试均验证了这一结论。

水下裂缝检测：从图像到量化

裂缝是水工建筑物（大坝、桥墩、管道）常见的缺陷。

SAM在水下裂缝图像上的表现令人鼓舞：在清晰度较高的图像中，裂缝区域被准确分割，为后续长度、宽度量化提供了基础。在部分图像中，裂缝下半部因光照不足或附着物干扰，分割精度略有下降，但整体趋势良好。

博雅工道团队认为，通过结合传统图像增强算法（如直方图均衡化、伽马变换）或对SAM进行少量水下数据微调，可显著提升裂缝分割的完整性和精度。

从通用到专用，打造水下视觉利器

本次测试验证了SAM在水下场景中的巨大潜力。博雅工道将继续深化“通用大模型+领域微调”的技术路线：

博雅工道在水下视觉感知领域拥有深厚的技术积淀。

从声呐图像处理到光学图像增强，从目标检测到语义分割，公司构建了完整的算法栈。SAM的引入，将进一步赋能水下机器人“看”得更清、“判”得更准。

未来，博雅工道将继续跟踪AI前沿技术，推动水下智能装备向更高水平的自主化、智能化迈进。