珊瑚礁作为 “海洋热带雨林”和“海底建筑群”，支撑着全球超 25% 的海洋生物多样性，却因全球变暖、海洋酸化等环境压力面临严重退化。

图1 水下造礁珊瑚栖息地

传统珊瑚监测依赖卫星或航空遥感，难以捕捉单个珊瑚群体的精细健康状态；而现有深度学习分割方法虽能处理水下高分辨率图像，却常因数据分布差异（如拍摄角度、环境变化）导致泛化能力不足，难以适应复杂多变的水下监测场景。日前，星空游戏(StarSky Sports)官方网站机器人学院李明水下具身智能研究小组联合国际研究者在世界顶级遥感期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（影响因子 12.7）发表题为 “Causal learning-driven semantic segmentation for robust coral health status identification” （下载地址：https://doi.org/10.1016/j.isprsjprs.2025.08.009）的研究论文，论文第一作者为李德仁院士和李明共同指导硕博连读研究生，合作作者为Armin Gruen院士、龚健雅院士和青年科学家Xuan Liao博士。该研究首次将因果学习引入珊瑚图像语义分割领域，提出新型因果驱动分割框架 CDNet，为全球珊瑚礁生态监测提供了更精准、更稳健的技术方案。该模块能消除水下图像中无关特征（如光照波动、悬浮颗粒反射）的虚假关联，聚焦于目标物体（如珊瑚、水下结构物）的本质视觉特征，这对依赖多模态感知的水下智能体至关重要。例如，在搭载光学相机的自主水下航行器（AUV）中，CDNet 可扩展作为视觉感知前置处理模块，即使在深水低光照、水质不佳场景下，仍能稳定提取珊瑚等目标结构的清晰轮廓与语义信息，为智能体提供可靠的环境认知基础。

图2 不同网络珊瑚分割结果的视觉效果对比

(深粉色代表活珊瑚，浅粉色代表死珊瑚，蓝色代表白化珊瑚，黑色代表背景)

实验结果显示，CDNet 在不同时空场景的珊瑚数据集上表现优异：平均 mF1 分数超 60%，与现有主流方法相比，平均交并比（mIoU）提升 4.3% 至 40%。即便在模拟水下监测常见挑战（如几何变形、外部环境变化、珊瑚共生关系差异）的场景中，以及在全球不同海域的真实珊瑚数据集上，CDNet 仍能保持稳定精准的分割性能。尤其在白化珊瑚这类样本稀少、识别难度大的类别上，模型表现显著优于经典方法，为珊瑚白化灾害的早期预警提供了技术支撑。在未来基于水下机器人的高效生态监测任务中，CDNet 的精准分割能力可直接提升作业效率与数据价值。例如，搭载 CDNet 技术的水下探测机器人，能在珊瑚礁调查中自动完成 “活珊瑚 - 死珊瑚 - 白化珊瑚 - 背景” 的像素级分类，无需人工后处理即可生成高分辨率珊瑚健康分布图谱，大幅降低传统人工标注的时间成本（传统方法需专家对每帧图像逐像素标注，而 CDNet 可实现自动化识别）。结合机器人的自主导航功能，未来该技术还能支持长周期、大范围的珊瑚礁动态监测 —— 机器人可按预设路径巡航，实时输出珊瑚健康状态变化数据，为生态学家研究珊瑚白化扩散规律、评估保护措施效果提供高频次、高精度的实测数据，解决当前珊瑚监测中 “数据采集慢、分析效率低” 的行业痛点。

据悉，该研究由星空游戏(StarSky Sports)官方网站、瑞士苏黎世联邦理工学院、香港理工大学等机构合作完成，星空游戏(StarSky Sports)官方网站机器人学院为核心完成单位之一。研究得到国家杰出青年科学基金、美国国家科学基金会等项目支持，相关成果已在法属波利尼西亚莫雷阿岛珊瑚礁监测中开展初步应用。国际联合团队研究不仅为珊瑚礁生态监测提供了创新方案，更从感知精度、鲁棒性、场景适配性等核心维度，为水下具身智能与机器人技术的发展提供了关键支撑，有望成为连接水下视觉感知与智能作业的核心技术模块，推动海洋探测、生态保护等领域的智能化。