জলের নিচে ছবির গুণগত মান হ্রাসের চ্যালেঞ্জগুলি বোঝা

জলাবদ্ধ পরিবেশে আলোর ছড়ানো এবং শোষণ

জলের নিচে আলো আসলে খুব অদ্ভুতভাবে আচরণ করে। প্রায় 10 মিটার গভীরে নেমে লাল রঙের তুলনায় নীল রঙের 30 গুণ বেশি শোষণ হয়, যা 2023 সালে ন্যাচার-এ উল্লেখ করা হয়েছিল। এর মানে হল সবকিছুই একটি নীল-সবুজ ছায়া ধারণ করে, যা জলের নিচের উন্নত ক্যামেরা এবং সেন্সরগুলিকে গুরুত্বপূর্ণ বস্তু চিহ্নিত করতে খুবই কঠিন করে তোলে। আবার প্লাঙ্কটনের মতো সূক্ষ্ম কণাগুলি আলোকে সর্বত্র ছড়িয়ে দেয়। ঘোলাটে উপকূলীয় এলাকায়, এটি দৃশ্যমানতার কনট্রাস্টকে প্রায় সম্পূর্ণরূপে হ্রাস করে দিতে পারে। এই সমস্যাগুলির কারণে, স্বয়ংক্রিয় জলের নিচের রোবটগুলিকে বস্তুর সঙ্গে ধাক্কা এড়াতে তাদের সাধারণ গতি প্রায় দুই তৃতীয়াংশ কমিয়ে দিতে হয়, যা 2024 সালের আন্ডারওয়াটার ভিশন রিপোর্ট-এ উল্লেখ করা হয়েছিল।

রিয়েল-টাইম ডিটেকশন সিস্টেমে রঙের বিকৃতি এবং কম কনট্রাস্ট

বর্তমান সময়ের অধিকাংশ ইমেজিং সিস্টেমগুলি আসলে রঙের যে তরঙ্গদৈর্ঘ্যের স্পেকট্রামে লাল ও হলুদ রঙের গুরুত্বপূর্ণ 78% অংশ রয়েছে, তা ধরতে পারে না, যা জলের নিচে মরিচা ধরা পাইপ বা সমুদ্রের বিভিন্ন ধরনের প্রাণীদের খুঁজে পাওয়াকে খুবই কঠিন করে তোলে। 2024 সালের শিল্প প্রতিবেদনগুলি থেকে দেখা যাচ্ছে যে এই ধরনের ছবিতে রঙের ভারসাম্য ঠিক করলে বস্তু শনাক্তকরণের ক্ষেত্রে উল্লেখযোগ্য উন্নতি হয়, যা জটিল সাবসি পরীক্ষার সময় প্রায় 54% থেকে প্রায় 90%-এর কাছাকাছি নির্ভুলতায় উন্নীত হয়। তবে একটি অন্য সমস্যাও রয়েছে। যখন জলে ছোট ছোট কণা ভাসতে থাকে, তখন সেগুলি আলোকে সব দিকে ছড়িয়ে দেয়, যার ফলে কনট্রাস্ট রেশিও 1:4-এর নিচে চলে আসে। এটি ধোঁয়াশা ছবি তৈরি করে, যা আমাদের উন্নত কম্পিউটার ভিশন সিস্টেমগুলিকেও কখনও কখনও সমস্যায় ফেলে।

বস্তু শনাক্তকরণের নির্ভুলতার উপর খারাপ দৃশ্যমানতার প্রভাব

যখন হ্রদগুলি ঘোলাটে হয়ে যায়, তখন দৃশ্যমানতা প্রায় 15 থেকে 40 সেন্টিমিটারে নেমে আসে, যা স্বাভাবিক সোনার-অপটিক্যাল ফিউশন সিস্টেমের জন্য প্রয়োজনীয় 60 সেমি ভিত্তি লাইনের চেয়ে অনেক কম। ফলাফল? অনেকগুলি সনাক্তকরণ মিস হয়ে যায়। কিছু গবেষণা অনুযায়ী, যা স্বাধীন জলের নিচের যানবাহনের সমস্যাগুলি নিয়ে কাজ করেছে, এই সমস্যার কারণে প্রায় দশটির মধ্যে সাতটি ধ্বংসাবশেষের স্থান শনাক্ত করা যায় না। নতুন পদ্ধতিগুলি এখন মাল্টিস্পেকট্রাল ইমেজিং পদ্ধতির সঙ্গে অ্যাডাপটিভ হিস্টোগ্রাম ইকুয়ালাইজেশন নামক কিছু একত্রিত করে। এই পদ্ধতিগুলি রিয়েল-টাইম প্রসেসিংয়ের সময় হারিয়ে যাওয়া প্রায় 83 শতাংশ কিনারা ফিরিয়ে আনতে সক্ষম হয়। এটা বোঝা যায় যে কেন উৎপাদকরা জলের নিচে ম্যাপিংয়ের আরও ভালো ফলাফলের জন্য এই উন্নত সমাধানগুলির দিকে ঝুঁকছেন।

নির্ভরযোগ্য সনাক্তকরণের জন্য জলের নিচে ছবি উন্নয়নের কৌশল

ঘোলা দূরীকরণ এবং কনট্রাস্ট পুনরুদ্ধারের পদ্ধতি

আজকের জলের নিচে চেতনা সরঞ্জামগুলি বিভিন্ন তরঙ্গদৈর্ঘ্য জলে ভিন্ন হারে শোষিত হওয়ার ফলে সৃষ্ট রঙের বিকৃতি ঠিক করতে তরঙ্গদৈর্ঘ্য ক্ষতিপূরণ অ্যালগরিদমের উপর নির্ভর করে। এর মধ্যে কিছু অত্যন্ত উন্নত প্রযুক্তি রয়েছে - 2021 সালে লিউ ও সহযোগীদের প্রকাশিত গবেষণা অনুসারে, মালটি-স্কেল রেটিনেক্স প্রসেসিং-এর মতো প্রযুক্তি ধোঁয়াশা পরিস্থিতিতে যা কিছু হারায় তার প্রায় 85-90% ফিরিয়ে আনতে পারে। পুরানো পদ্ধতি থেকে এটি আলাদা কারণ গভীর সমুদ্রের চিত্রায়ণে বিভিন্ন গভীরতায় আলো ভিন্নভাবে ছড়িয়ে পড়া মোকাবিলা করতে পুনরাবৃত্ত পটভূমির আলোর গণনার প্রয়োজন হয়। ক্ষেত্র পরীক্ষা দেখায় যে এই নতুন পদ্ধতিগুলি বস্তু সনাক্তকরণের নির্ভুলতা প্রায় 35-40% বৃদ্ধি করে, যা সেই সমস্ত অপারেশনের জন্য খুবই গুরুত্বপূর্ণ যেখানে পরিষ্কার দৃশ্যমানতা অপরিহার্য।

ছোট বস্তুর স্পষ্টতার জন্য প্রান্ত সংরক্ষণকারী ফিল্টার

দ্বিপাক্ষিক এবং নির্দেশিত ফিল্টারগুলি সমুদ্রের অবস্থাপনা এবং জৈবিক নমুনাগুলির সূক্ষ্ম কিনারাগুলি সংরক্ষণ করে সোনার ডেটাকে উন্নত করে। এই ফিল্টারগুলি 5-15 পিক্সেলের মতো ছোট বৈশিষ্ট্যগুলি বজায় রাখে, পলি হস্তক্ষেপের অধীনেও। 2023 সালের একটি IEEE সিগন্যাল প্রসেসিং গবেষণায় দেখা গেছে যে ধোঁয়াশা জলে প্রবাল পলিপ শনাক্ত করার সময় অপটিমাইজড এজ ফিল্টারগুলি শুদ্ধতা 72% থেকে বৃদ্ধি করে 88%-এ নিয়ে আসে।

স্বয়ংক্রিয় চিত্র পুনরুদ্ধারের জন্য ডিপ লার্নিং মডেল

সর্বশেষ এন্ড-টু-এন্ড নিউরাল নেটওয়ার্ক পদ্ধতিগুলি আসলে প্রচলিত কৌশলগুলিকে ছাড়িয়ে গেছে, যা ওয়াং এবং সহকর্মীদের মতে 2023 সালে স্ট্যান্ডার্ড বেঞ্চমার্কের সাথে পরীক্ষা করা হলে এসএসআইএম স্কেলে প্রায় 0.91 এ আঘাত করেছে। যখন আমরা এমন আর্কিটেকচার দেখি যা শারীরিক মডেলিংকে সেই বুদ্ধিমান GAN-এর তৈরি প্রিরিরগুলির সাথে মিশ্রিত করে, তারা পুরানো স্কুল নিয়ম ভিত্তিক সিস্টেমের তুলনায় পুনরুদ্ধারের ভুলগুলি প্রায় অর্ধেক কমিয়ে দেয়। এই নতুন মডেলগুলোকে বিশেষ করে তুলেছে তাদের ক্ষতিকারক রঙের প্রতিফলনকে নষ্ট না করেই ঠিক করার ক্ষমতা। এবং এটি পানির নিচে পাইপলাইনের অবস্থা পরীক্ষা করার জন্য খুবই গুরুত্বপূর্ণ যেখানে দৃশ্যমানতা সমস্যাগুলিকে প্রাথমিকভাবে চিহ্নিত করার বা সম্পূর্ণরূপে এড়িয়ে যাওয়ার মধ্যে পার্থক্য তৈরি করতে পারে।

চ্যালেঞ্জিং পানির নিচে ছোট বস্তু সনাক্তকরণ

ঝলমলে জলে ঐতিহ্যগত সনাক্তকরণের সীমাবদ্ধতা

স্পষ্ট জলের পরিবেশে কাজ করার সময় স্ট্যান্ডার্ড অবজেক্ট ডিটেকশন পদ্ধতি গড়ে 62% মাধ্যমিক গড় নির্ভুলতা (mAP) এর কাছাকাছি পৌঁছায়, কিন্তু গত বছর ফ্রন্টিয়ার্স ইন মেরিন সায়েন্স-এ প্রকাশিত গবেষণা অনুযায়ী ঘোলাটে অবস্থার নিচে এটি মাত্র 34% mAP-এ নেমে আসে। সমস্যাটি হচ্ছে কণার ক্ষেত্রে ছড়িয়ে দেওয়া যা চিরাচরিত CNN স্থাপত্যের প্রান্ত সনাক্তকরণ ক্ষমতাকে ব্যাহত করে, যা প্রায় 50 ঘন সেন্টিমিটারের চেয়ে ছোট আইটেমগুলি খুঁজে পাওয়াতে প্রায়শই ব্যর্থ হয়। তাই আশ্চর্য নয় যে প্রায় প্রতি পাঁচজন মেরিন বিজ্ঞানীর মধ্যে চারজন জলের স্বচ্ছতার সমস্যাকে অ্যাকুরেসি এবং নির্ভরযোগ্যতা যাচাই করার জন্য আন্ডারওয়াটার ডিটেকশন সিস্টেম পরীক্ষা করার সময় তাদের সবচেয়ে বড় মাথাব্যথা হিসাবে উল্লেখ করেন।

উন্নত নির্ভুলতার জন্য বহু-স্কেল বৈশিষ্ট্য ফিউশন

সর্বশেষ প্রযুক্তির সিস্টেমগুলি ক্রস-স্টেজ মাল্টি-ব্রাঞ্চ আর্কিটেকচার ব্যবহার করে অগভীর টেক্সচার বৈশিষ্ট্যগুলিকে গভীর অর্থপূর্ণ তথ্যের সাথে একত্রিত করে। 2024 সালের একটি গবেষণায় দেখা গেছে যে একক-স্কেল পদ্ধতির তুলনায় ডুয়াল-স্ট্রীম ফিচার ফিউশন ছোট বস্তুর পুনরুদ্ধারের হার 41% বৃদ্ধি করে। ডিফরমেবল কনভোলিউশন লেয়ারের সাথে জুড়ে দিলে, কিনারা-অনুকূলিত নেটওয়ার্কগুলি জলে ডুবে থাকা কাঠামোতে ঝিনুকের গুচ্ছের মতো গুরুত্বপূর্ণ বিস্তারিত বৈশিষ্ট্যগুলি সংরক্ষণ করে।

কেস স্টাডি: অনুকূলিত অ্যালগরিদম ব্যবহার করে জলে ডুবে থাকা ময়লা শনাক্তকরণ

স্পেশিয়াল অ্যাটেনশন মেকানিজম সহ পরিবর্তিত YOLOv8 মডেলগুলি বাল্টিক সাগরের ঘোলাটে জলেও 10 মিমি-এর ছোট মাইক্রোপ্লাস্টিক খুঁজে পাওয়ার ক্ষেত্রে বেশ কার্যকর প্রমাণিত হয়েছে, প্রায় 89% শনাক্তকরণ নির্ভুলতা অর্জন করে। এই সিস্টেমকে আলাদা করে তোলে এর হাইব্রিড পদ্ধতি, যা পরপর ভিডিও ফ্রেমগুলির মধ্যে চতুর টেম্পোরাল সামঞ্জস্য পরীক্ষার কারণে পলির মেঘের কারণে উৎপন্ন হওয়া বিরক্তিকর মিথ্যা ইতিবাচক ফলাফলকে প্রায় দুই তৃতীয়াংশ কমিয়ে দেয়। ক্ষেত্র পরীক্ষায় আসলে দেখা গেছে যে স্বয়ংক্রিয় আন্ডারওয়াটার যানগুলি এখন মাত্র 0.3 নট গতিতে চলার সময় আবর্জনার এলাকাগুলির বিস্তারিত মানচিত্র তৈরি করতে পারে যেখানে সেন্সরের কর্মক্ষমতায় কোনও হ্রাস ঘটে না। এটি গুরুত্বপূর্ণ কারণ ধীর গতি উচ্চতর রেজোলিউশন নিশ্চিত করে, তবুও দীর্ঘ মিশনের জন্য অপারেশনাল দক্ষতা বজায় রাখা অপরিহার্য।

রিয়েল-টাইম আন্ডারওয়াটার অ্যাপ্লিকেশনের জন্য YOLO-ভিত্তিক শনাক্তকরণ সিস্টেম

আন্ডারওয়াটার শনাক্তকরণ সরঞ্জামে YOLO আর্কিটেকচারের বিবর্তন

জলের নিচে চিত্র শনাক্তকরণের প্রয়োজনীয়তা মেটাতে YOLO মডেলগুলির সামপ্রতিক সংস্করণগুলি বহু উন্নতি করেছে। যেমন, YOLOv11-এর কথা বলা যাক। এই সংস্করণে C3K2 ব্লক এবং স্পেশিয়াল পিরামিড পুলিং ফিউশন (সংক্ষেপে SPPF) নামক কিছু নতুন উপাদান যুক্ত হয়েছে। এই উন্নতি ধোঁয়াশা জলের মধ্যে বিভিন্ন আকারের লক্ষ্যবস্তু খুঁজে পাওয়ার ক্ষমতা বাড়িয়ে তোলে। গত বছর ন্যাচার জার্নাল অনুসারে, পুরাতন মডেলের তুলনায় এতে প্রায় 18 শতাংশ উন্নতি দেখা গেছে। আরেকটি আকর্ষক বৈশিষ্ট্য হল চ্যানেল-টু-পিক্সেল স্পেস অ্যাটেনশন মেকানিজম, যা সমুদ্রতলের মতো কম কনট্রাস্টযুক্ত কঠিন দৃশ্যগুলির থেকে আরও ভালো বৈশিষ্ট্য বের করতে সাহায্য করে। জলের নিচে কাজ করা গবেষকদের জন্য, এই উন্নতিগুলি তাদের ডুবুরি অভিযান থেকে ব্যবহারযোগ্য তথ্য পাওয়ার ক্ষেত্রে বড় পার্থক্য তৈরি করে।

প্রান্তিক তথ্য অপ্টিমাইজেশন সহ পরিবর্তিত YOLO মডেল

কিনারা সংরক্ষণকারী ফিল্টারগুলির পাশাপাশি বহু-স্কেল নির্বাচন কৌশলগুলির আরও ভাল ব্যবহারের জন্য নতুন পদ্ধতিগুলি আমাদের প্রায়শই মিস করা সেই ক্ষুদ্র বস্তুগুলির জন্য দৃশ্যমানতা বাড়াতে সাহায্য করছে। MAW YOLOv11 মডেলটির কথা উদাহরণ হিসাবে নিন। এতে মাল্টি স্কেল এজ ইনফরমেশন সিলেক্ট মডিউল নামে পরিচিত একটি বৈশিষ্ট্য রয়েছে যা প্রায় 22 শতাংশ কম্পিউটিং প্রয়োজনীয়তা কমিয়ে দেয়। আশ্চর্যজনকভাবে, এটি এখনও জলের নিচে আবর্জনা শনাক্তকরণের কাজের ক্ষেত্রে 81.4% গড় গড় নির্ভুলতা অর্জন করে। এর অর্থ হল প্রায় 45 ফ্রেম প্রতি সেকেন্ডে বাস্তব সময়ে প্রক্রিয়াকরণের ক্ষমতা। এটি আসলে ধূলিকণা সমৃদ্ধ ঘোলাটে জলের মধ্যে কাজ করার সময়ও অধিকাংশ ঐতিহ্যবাহী কনভোলিউশনাল নিউরাল নেটওয়ার্কগুলির চেয়ে তিন গুণ দ্রুত।

পারফরম্যান্স বেঞ্চমার্ক: বাস্তব পরিস্থিতিতে mAP উন্নতি

ক্ষেত্র পরীক্ষায় দেখা গেছে যে পরিবর্তিত YOLO মডেলগুলি বিভিন্ন দৃশ্যমানতার স্তরে 79–83% mAP অর্জন করে, যা চলতি সিস্টেমগুলিকে 14–19 শতাংশ বিন্দু ছাড়িয়ে যায়। নীচে মূল কর্মক্ষমতার মেট্রিকগুলি সংক্ষেপে দেওয়া হল:

মডেল ভ্যারিয়েন্ট	mAP (%)	অনুমান গতি (FPS)	পাওয়ার খরচ
YOLOv11n	78.6	38	45W
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

স্বায়ত্তশাসিত আন্ডারওয়াটার যান (AUV)-এর সাথে একীভূতকরণ

YOLO প্রযুক্তির নতুন হালকা সংস্করণগুলি স্বায়ত্তশাসিত আন্ডারওয়াটার যানগুলিকে বাস্তব সময়ে বস্তু শনাক্ত করতে সক্ষম করে তোলে, যদিও এদের অনবোর্ড কম্পিউটার ক্ষমতা সীমিত। এই এজ কম্পিউটিং মডিউলগুলিতে CLLAHead ডিজাইন ব্যবহার করলে এটি তার সাধারণ প্রসেসিং গতির প্রায় 94 শতাংশ অক্ষুণ্ণ রাখে। এর ফলে যানটি 2.8 নটের মতো গতিতে চলার সময় ওভারহিট বা ধীর গতি ছাড়াই সমুদ্রতলের ম্যাপিং চালিয়ে যেতে পারে। গত বছর ফ্রন্টিয়ার্স ইন মেরিন সায়েন্স-এ প্রকাশিত গবেষণা অনুযায়ী, পাইপলাইন পরীক্ষার সময় সারফেস নিয়ন্ত্রিত সিস্টেমের তুলনায় এই সেটআপ দ্বারা শনাক্তকরণ হারানো প্রায় 40% কমে যায়।

হালকা ডিটেকশন মডেলগুলিতে নির্ভুলতা এবং দক্ষতার সমন্বয়

জলের নিচে ডিটেকশন সরঞ্জামগুলির ক্ষুদ্র সম্পদের সীমার মধ্যে মিলিমিটার-স্তরের নির্ভুলতা এবং রিয়েল-টাইম প্রসেসিংয়ের মধ্যে ভারসাম্য বজায় রাখা আবশ্যিক। ২০২২-এর বেসলাইনের তুলনায় সদ্য মডেল অপ্টিমাইজেশন ৩৭% বেশি অনুমান গতি প্রদান করে—আসল ডিটেকশন নির্ভুলতা ছাড়াই।

জলের নিচের সিস্টেমে এজ ডিপ্লয়মেন্টের জন্য মডেল সংকোচন

ছাঁটাই এবং পরিমাণাত্মক মূল্যায়নের মাধ্যমে কম কম্পিউটেশনাল ক্ষমতা সম্পন্ন এজ ডিভাইসগুলিতে ডিটেকশন মডেল তৈরি করা সম্ভব। ২০২৪ সালের একটি এম্বেডেড ভিশন গবেষণায় একটি হালকা মডেল ৭৩.৪% mAP অর্জন করে, যার প্যারামিটার মাত্র ২.৭ মিলিয়ন—YOLOv8-এর তুলনায় ৫৮% কম—যদিও এর নির্ভুলতা একই রয়েছে। এই দক্ষতা AUV-এ ৫০W-এর কম শক্তি বাজেটে কাজ করার সুযোগ করে দেয়।

অনুকূল গতি-নির্ভুলতা অনুপাতের জন্য নিউরাল আর্কিটেকচার অনুসন্ধান

নিউরাল আর্কিটেকচার সার্চ (NAS) ব্যবহার করে স্বয়ংক্রিয় ডিজাইন কৌশলগুলি ঘোলাটে অবস্থায় ম্যানুয়ালি তৈরি নেটওয়ার্কগুলির তুলনায় 19% দ্রুত অনুমান প্রদান করে। ফ্রন্টিয়ার ইনস্টিটিউট (2023) এর গবেষণায় দেখা গেছে যে NAS ডেপথ-ওয়াইজ কনভোলিউশন এবং অ্যাটেনশন লেয়ারগুলির মধ্যে স্বয়ংক্রিয়ভাবে ভারসাম্য বজায় রাখতে পারে, 32 FPS-এ ছোট সামুদ্রিক জীবগুলির জন্য 97.5% নির্ভুলতা অর্জন করে।

শিল্প বিসদৃশতা মোকাবেলা: উচ্চ নির্ভুলতা বনাম রিয়েল-টাইম প্রসেসিং

কেন্দ্রীয় চ্যালেঞ্জটি হল নির্ভুলতা এবং বিলম্বের মধ্যে ট্রেড-অফ অতিক্রম করা। বর্তমান কৌশলগুলির মধ্যে রয়েছে:

• বহু-উদ্দেশ্যমূলক অপ্টিমাইজেশন ফ্রেমওয়ার্ক যা সংকোচনের সময় <5% এর কম নির্ভুলতা ক্ষতির সীমা নির্ধারণ করে
• গুরুত্বপূর্ণ অঞ্চলগুলিতে রিয়েল-টাইমে গতিশীল গণনা বরাদ্দ
• হাইব্রিড কোয়ান্টাইজেশন যা মূল ফিচার ম্যাপগুলির জন্য 16-বিট নির্ভুলতা রক্ষা করে

2023 সালের একটি এম্বেডেড সিস্টেম বিশ্লেষণ থেকে দেখা গেছে যে আধুনিক আন্ডারওয়াটার ডিটেকশন সরঞ্জাম এখন তাত্ত্বিক সর্বোচ্চ নির্ভুলতার 89% অর্জন করতে পারে এবং কঠোর 100ms বিলম্বের প্রয়োজনীয়তা পূরণ করতে পারে—2021 এর মানদণ্ডের তুলনায় 23% উন্নতি।

FAQ

জলের নিচে ছবির গুণমান ক্ষয়ের কারণ কী?

জলে আলোর বিক্ষেপণ ও শোষণ, রঙের বিকৃতি এবং জলে কণার উপস্থিতির কারণে কম কনট্রাস্ট—এগুলি হল জলের নিচে ছবির গুণমান ক্ষয়ের প্রধান কারণ।

জলের নিচে চিত্রের গুণমান উন্নত করতে কীভাবে ডিটেকশন সিস্টেম সাহায্য করে?

ছবির স্পষ্টতা ফিরিয়ে আনতে এবং বস্তু শনাক্তকরণ উন্নত করতে তারা ডিহেজিং, তরঙ্গদৈর্ঘ্য কম্পেনসেশন অ্যালগরিদম এবং ডিপ লার্নিং মডেলের মতো কৌশল ব্যবহার করে।

YOLO কী এবং এটি জলের নিচে বস্তু শনাক্তকরণে কীভাবে সাহায্য করে?

YOLO (You Only Look Once) হল একটি রিয়েল-টাইম অবজেক্ট ডিটেকশন সিস্টেম। প্রান্তের তথ্য অপ্টিমাইজেশন সহ পরিবর্তিত YOLO মডেলগুলি জলের নিচের আবর্জনা খুঁজে বার করতে এবং শনাক্তকরণের নির্ভুলতা বাড়াতে ব্যবহৃত হয়।

সাম্প্রতিক জলের নিচের ডিটেকশন প্রযুক্তির কার্যকারিতা কতটা?

আধুনিক প্রযুক্তি বিভিন্ন জলের নিচের অবস্থায় প্রায় 79–83% গড় গড় নির্ভুলতা অর্জন করে, যা ঐতিহ্যবাহী পদ্ধতির তুলনায় উল্লেখযোগ্যভাবে ভালো।