Разбиране на предизвикателствата при влошаване на качеството на подводните изображения

Разсейване и поглъщане на светлината във водна среда

Под водата светлината се държи доста странно. Червените цветове се поглъщат около 30 пъти по-бързо в сравнение със сините, когато се спуснем на около 10 метра надолу, както е отбелязано в „Nature“ през 2023 г. Това означава, че всичко придобива синьозелен оттенък, което затруднява много изисканите подводни камери и сензори да разпознават важни обекти. Освен това има множество микроскопични частици, които се носят наоколо – като планктон например – и разпределят светлината навсякъде. В мътни крайбрежни зони това понякога може почти напълно да намали контраста на видимостта. Поради тези проблеми автономните подводни роботи трябва да забавят значително своята обичайна скорост — с около две трети — просто за да избягват сблъсъци, както е подчертано в Доклада за подводното виждане в изследванията им от 2024 г.

Изкривяване на цветовете и нисък контраст в системите за детекция в реално време

Повечето съвременни системи за визуализация всъщност пропускат около 78% от тези важни червени и жълти дължини на вълните в спектъра, което затруднява засичането на неща като ръждясали тръби под вода или различни видове морски създания. Според отраслови доклади от 2024 г., има данни, че когато коригираме цветовия баланс в тези изображения, разпознаването на обекти се подобрява значително – от около 54% точност до почти 90% при онези трудни подводни проверки. Има и още един проблем. Когато миниатюрни частици се движат във водата, те отразяват светлината във всички посоки, което намалява коефициента на контраст под 1:4. Това води до онези досадни мъгливи изображения, с които понякога се затрудняват дори нашите сложни системи за компютърно виждане.

Влияние на лошата видимост върху точността на разпознаване на обекти

Когато езерата станат мътни, видимостта пада до около 15–40 сантиметра, което е значително под базовата граница от 60 см, необходима за правилното функциониране на стандартните сонарно-оптични фузионни системи. Резултатът? Много пропуснати засичания. Според някои изследвания за проблемите с автономните подводни превозни средства, около седем от десет места с отпадъци остават незабелязани поради този проблем. По-новите подходи сега комбинират методи за мултиспектрално заснемане с нещо наречено адаптивно изравняване на хистограмата. Тези методи успяват да възстановят приблизително 83 процента от загубените контури по време на обработка в реално време. Лесно е да се разбере защо производителите преминават към тези напреднали решения за по-добри резултати при подводно картографиране.

Методи за подобряване на подводните изображения за надеждно засичане

Методи за премахване на мъглата и възстановяване на контраста

Съвременното подводно оборудване за детекция разчита на алгоритми за компенсация на дължината на вълната, за да отстрани проблемите с цветовата дисторсия, възникнали поради различната скорост на поглъщане на отделните дължини на вълните във водата. Използват се доста напреднали методи – например обработката с многомащабен ретинекс може да възстанови около 85–90% от загубеното в мътни условия, според изследване от 2021 г. на Лю и колеги. Разликата между този подход и по-старите методи е, че при заснемането в дълбокото море се налагат повтарящи се изчисления на фоновата светлина, за да се отчете как светлината се разсейва по различен начин на различни дълбочини. Полеви тестове показват, че новите методи повишават точността при разпознаването на обекти с около 35–40%, което има голямо значение за операции, при които ясната видимост е от решаващо значение.

Филтри с запазване на контурите за по-добра яснота на малки обекти

Двустранните и насочващи филтри подобряват сонарните данни, като запазват фините ръбове на морската инфраструктура и биологични проби. Тези филтри запазват характеристики с размери от 5 до 15 пиксела, дори при наличие на смущения от утайки. Според проучване на IEEE Signal Processing от 2023 г., оптимизираните филтри за ръбове увеличават точността от 72% до 88%, когато се откриват коралови полипи в мътна вода.

Модели за дълбоко обучение за автоматизирано възстановяване на изображения

Най-новите подходи, базирани на край до край невронни мрежи, всъщност надминават традиционните методи и постигат около 0,91 в скалата SSIM при тестване със стандартни бенчмарки, както сочат Уанг и колегите от 2023 г. Когато разгледаме архитектури, които комбинират физическо моделиране с тези умни GAN-генерирани априорни данни, те намаляват грешките при възстановяването почти наполовина в сравнение със старомодните правилно базирани системи. Това, което наистина отличава тези нови модели, е тяхната способност да коригират досадните цветови оттенъци, без да повредят блясъка на металните отражения. Това има голямо значение за проверката на състоянието на подводни тръбопроводи, където визуалната яснота може да означава разликата между ранното откриване на проблеми или пълното им пропускане.

Напреднало засичане на малки обекти в предизвикателни подводни условия

Ограничения на традиционното засичане в мътни води

Стандартните методи за разпознаване на обекти постигат около 62% средна средна точност (mAP) при работа в условията на чиста вода, но този показател рязко спада до само 34% mAP при мътни условия, съгласно проучване, публикувано миналата година в „Frontiers in Marine Science“. Проблемът се крие в разсейването от частици, което пречи на възможностите за разпознаване на контури при конвенционалните CNN архитектури, които често не успяват да засекат предмети с размер под около 50 кубически сантиметра. Не е изненадващо, че почти четирима от всеки пет морски учени сочат проблемите с прозрачността на водата като най-голямата си трудност при тестване и проверка на надеждността и точността на подводни системи за разпознаване.

Фузиране на многомащабни характеристики за повишена прецизност

Новаторските системи комбинират повърхностни текстурни характеристики с дълбоки семантични данни, използвайки архитектури с множество клонове в различни етапи. Проучване от 2024 г. показа, че двойното обединяване на характеристики подобрява разпознаването на малки обекти с 41% в сравнение с едномащабните подходи. Когато се комбинира с деформируеми конволюционни слоеве, мрежи, оптимизирани за ръбове, запазват критични детайли като групировки от морски устенки върху потопени конструкции.

Кейс Стъди: Откриване на потопени парчета с оптимизирани алгоритми

Модифицирани модели YOLOv8, оборудвани с механизми за пространствено внимание, се оказаха доста ефективни при засичане на микропластика под 10 мм, дори в мътните води на Балтийско море, постигайки точност на засичане от около 89%. Това, което отличава тази система, е нейният хибриден подход, който намалява досадните фалшиви положителни резултати, причинени от облаци пръст, почти с две трети, благодарение на умни проверки за временна последователност между последователни видеокадри. Полеви тестове всъщност показаха, че автономните подводни превозни средства вече могат да създават детайлирани карти на зони с отломки, докато се движат със скорост само 0,3 възела, без никакво понижение на производителността на сензорите. Това има значение, защото по-бавните скорости означават по-добра резолюция, но все пак запазването на оперативната ефективност остава от решаващо значение за дълги мисии.

Системи за засичане, базирани на YOLO, за приложения в реално време под вода

Еволюция на архитектурите YOLO в оборудване за откриване под вода

Последните версии на YOLO моделите наистина повишиха нивото си, когато става въпрос за нуждите от откриване под водата. Вземете например YOLOv11. Тази версия въвежда нови C3K2 блокове заедно с нещо наречено фузиониране на пространствено пирамидално преместване, или накратко SPPF. Тези добавки помагат да се подобри способността на системата да засича обекти в различни мащаби при мътни водни условия. Според списание Nature миналата година тестовете показаха около 18 процента подобрение в сравнение с по-старите версии на модела. Друга интересна функция е механизмът за внимание от канал към пикселно пространство, който помага за извличане на по-добри характеристики, дори и при наблюдението на трудни за виждане сцени от морското дъно, където контрастът е изключително нисък. За изследователите, работещи под вълните, тези подобрения правят голяма разлика при получаването на полезни данни от техните гмуркания.

Модифицирани YOLO модели с оптимизация на информацията от ръбовете

Нови подходи все по-ефективно използват филтри, запазващи ръбовете, заедно с техники за многоскално избиране, за да подобрят видимостта на онези малки обекти, които често пропускаме. Вземете модела MAW YOLOv11 като пример. Той включва нещо наречено модул за избор на информация от краищата в няколко мащаба, който намалява изчислителните изисквания с около 22 процента. Доста впечатляващо, като се има предвид, че все пак постига средна точност от 81,4%, когато се справя със задачи за откриване на подводни отломки. На практика това означава възможност за обработка в реално време с около 45 кадъра в секунда. Това всъщност е три пъти по-бързо от възможностите на повечето традиционни конволюционни невронни мрежи, дори и при работа в мътни водни условия, пълни с частици от утайка, които обикновено биха затруднили разпознаването на изображения.

Тестване на производителност: Подобрения в средната точност при реални условия

Полевите тестове показват, че модифицираните модели на YOLO постигат mAP в диапазона 79–83% при различни нива на видимост, като надминават традиционните системи с 14–19 процентни пункта. Основните показатели за производителност са обобщени по-долу:

Вариант на модела	mAP (%)	Скорост на извеждане (кадри/сек)	Консумация на енергия
YOLOv11n	78.6	38	45W
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

Интеграция с автономни подводни превозни средства (AUV)

Нови леки версии на технологията YOLO правят възможно за автономни подводни превозни средства да откриват обекти в реално време, въпреки ограничена изчислителна мощност на борда. Когато дизайна CLLAHead се използва в тези модули за крайно изчисляване, се запазва около 94 процента от нормалната скорост на обработка. Това означава, че превозното средство може непрекъснато да картографира морското дъно, докато се движи с около 2,8 възела, без да се препали или забави. Тестовете показват, че тази конфигурация намалява пропуснатите откривания по време на проверки на тръбопроводи почти с 40%, спрямо системи, контролирани от повърхността, както е показано в проучване, публикувано миналата година в Frontiers in Marine Science.

Балансиране на прецизността и ефективността в леки модели за детекция

Подводното оборудване за детекция трябва да балансира милиметрова точност с обработка в реално време при строги ограничения по ресурси. Скорошни оптимизации на моделите осигуряват подобрение с 37% в скоростта на извода спрямо базовите стойности от 2022 г., без да се жертва точността при детекцията.

Свиване на модела за развертане на периферни устройства в подводни системи

Рязането и квантоването позволяват разполагането на модели за детекция върху периферни устройства с минимална изчислителна мощност. Проучване от 2024 г. за вградено виждане демонстрира лека версия на модел, постигаща mAP от 73,4% само с 2,7 милиона параметри — с 58% по-малко от стандартния YOLOv8 — като запазва неговата прецизност. Тази ефективност позволява функциониране на AUV с енергиен бюджет под 50 W.

Търсене на невронна архитектура за оптимално балансиране между скорост и точност

Автоматизираните методи за проектиране с използване на търсене на невронна архитектура (NAS) осигуряват 19% по-бързо правене на изводи в сравнение с ръчно създадени мрежи при замъглени условия. Проучване на Фронтовия институт (2023) показа, че NAS може автономно да балансира дълбочинни конволюции и слоеве с внимание, постигайки точност от 97,5% за малки морски организми при 32 кадъра в секунда.

Решаване на индустриалния парадокс: Висока прецизност срещу обработка в реално време

Основният предизвикателство остава преодоляването на компромиса между точността и забавянето. Текущите стратегии включват:

• Многоцелеви рамки за оптимизация, които ограничават загубата на точност до <5% по време на компресия
• Динамично разпределение на изчисленията с приоритет към критичните зони в реално време
• Хибридна квантизация, запазваща 16-битова прецизност за ключови карти с характеристики

Анализ на вградени системи от 2023 г. разкри, че съвременното подводно оборудване за откриване сега може да достигне 89% от теоретичната максимална точност, като едновременно отговаря на строгите изисквания за закъснение от 100 мс — подобрение с 23% спрямо резултатите от 2021 г.

ЧЗВ

Какво причинява влошаване на качеството на подводните изображения?

Влошаването на качеството на подводните изображения се дължи предимно на разсейване и поглъщане на светлината, цветови изкривявания и нисък контраст поради частици във водата.

Как подобряват качеството на изображението подводните системи за детекция?

Те използват техники като премахване на мъглата, алгоритми за компенсация на дължината на вълната и модели с дълбоко обучение, за да възстановят яснотата на изображението и да подобрят откриването на обекти.

Какво е YOLO и как помага при подводното откриване на обекти?

YOLO (You Only Look Once) е система за детектиране на обекти в реално време. Модифицирани модели YOLO с оптимизация на информацията от ръбовете се използват за засичане на подводни отпадъци и подобряване на точността на детекцията.

Колко ефективни са най-новите технологии за подводно откриване?

Съвременните технологии постигат средна точност от около 79–83% при различни подводни условия, което значително ги надминава традиционните методи.