Су астындағы бейненің сапасының төмендеу проблемаларын түсіну

Сулы орталардағы жарықтың шашылуы мен сіңірілуі

Су астындағы жарық шынымен қызықта түрде әрекет етеді. Табиғатта 2023 жылы атап көрсетілгеніндей, 10 метр шамасында тереңдікке түскен сайын қызыл түстер көк түстерге қарағанда шамамен 30 есе тезірек 'жұтылады'. Бұл су астында барлық нәрсе көкшіл-жасыл түске ие болып, осындай жоғары дәлдіктегі су асты камералары мен сенсорлардың маңызды заттарды айқын ажыратуын қиындатады. Сонымен қатар планктон сияқты өте кішкентай бөлшектер жарықты барлық бағытта шашыратып жібереді. Ластанған жағалау аймақтарында бұл кейде көру контрастын толығымен жойып жіберуі мүмкін. Осындай проблемаларға байланысты автономды су асты роботтары нәрселерге соқтығысып кетпеу үшін өз жылдамдықтарын шамамен екі үштен біріне дейін баяулатуға мәжбүр болады, бұны 2024 жылғы «Underwater Vision Report» халықаралық есебі де атап өтті.

Нақты уақыт режиміндегі анықтау жүйелеріндегі түстердің бұрмалануы мен төмен контраст

Қазіргі уақыттағы көптеген бейнелеу жүйелері спектрдегі қызыл және сары толқындардың шамамен 78%-ын қамти алмайды, бұл су астындағы темір-жол құбырларын немесе теңіз тіршілігінің әртүрлі түрлерін анықтауды өте қиындатады. 2024 жылғы салалық есептерге сүйенсек, мұндай бейнелердегі түстердің тепе-теңдігін түзеткен кезде объектілерді анықтау дәлдігі 54% шамасынан қиын субсульфатты тексеру кезінде 90%-ке жақын деңгейге дейін өсе алады. Тағы бір мәселе мынада: судағы өте ұсақ бөлшектер жарықты әр бағытта шашыратып, контрасттық қатынасты 1:4-тен төмен түсіреді. Бұл күрделі компьютерлік көру жүйелерінің өздерінің кейде қиналатын лаңғыданған суреттердің пайда болуына әкеледі.

Көрінетін кеңістіктің нашарлығының объектілерді тану дәлдігіне әсері

Көлдерде суы мазаланған кезде, көрінетін аймақ 15-40 сантиметрге дейін төмендейді, бұл стандартты сонар-оптикалық біріктіру жүйелерінің дұрыс жұмыс істеуі үшін қажетті 60 см негізгі деңгейден едәуір төмен. Нәтижесінде? Көптеген детекторлар жұмысының болмауы. Автономды су асты аппараттарының мәселелерін зерттеген кейбір зерттеулерге сәйкес, осы себеппен ластану аймақтарының оннан жетісі анықталмай қалады. Қазіргі жаңа әдістер көптүрлі спектрлік бейнелеу әдістерін гистограмманың ықшамдалуы деп аталатын әдіспен үйлестіреді. Бұл әдістер нақты уақыт режимінде жоғалтылған шеткі аймақтардың шамамен 83 пайызын қалпына келтіре алады. Сондықтан өндірушілер жақсырақ су асты картографиялау нәтижелері үшін осындай жетілдірілген шешімдерге көшуі түсінікті.

Сенімді анықтау үшін су астындағы кескіндерді жақсарту әдістері

Бұлттан тазарту және контрасты қалпына келтіру әдістері

Бүгінгі күнгі су астындағы табу құралдары әртүрлі толқын ұзындықтары суда әртүрлі жылдамдықпен жұтылған кезде пайда болатын түс искажениясын түзету үшін толқын ұзындығын компенсациялау алгоритмдеріне сүйенеді. 2021 жылы Лю және оның әріптестері жариялаған зерттеулерге сәйкес, кейбір өте күрделі әдістер — мысалы, көп масштабты ретинекс өңдеу — ластанған жағдайларда жоғалған ақпараттың шамамен 85-90% дейін қалпына келтіре алады. Бұл ескі әдістерден айырмашылығы, терең теңіз бейнелеуінде жарық әртүрлі тереңдіктерде әрқалай шашыратылатындықтан, тұрақты түрде артқы жарықты есептеу қажет болады. Жергілікті сынақтар жаңа әдістердің нысан табудың дәлдігін шамамен 35-40% арттыратынын көрсетті, бұл таза көрінетіндіктің маңызды болатын операциялар үшін үлкен маңызға ие.

Кіші нысандардың анықтығы үшін шетін сақтайтын сүзгілер

Екі жақты және бағытталған сүзгілер теңіз инфрақұрылымы мен биологиялық үлгілердің жіңішке шеттерін сақтай отырып, сонарлық деректерді жақсартады. Бұл сүзгілер тұнба кедергісі болған кезде де 5–15 пиксель шамасындағы элементтерді сақтайды. 2023 жылғы IEEE Signal Processing зерттеуінде оптимизацияланған шеткі сүзгілердің лайлы суларда маржан полиптерін анықтау дәлдігін 72%-дан 88%-ға дейін арттырғаны анықталды.

Автоматтандырылған кескіндерді қалпына келтіру үшін терең үйрену модельдері

2023 жылы Ван мен әріптестерінің айтуынша, соңғы кезеңде толық нейрондық желілерді қолдану дәстүрлі әдістерге қарағанда тиімдірек болып шықты және стандарттық сынақтар нәтижесінде SSIM шкаласы бойынша 0,91-ге жетті. Физикалық модельдеу мен GAN арқылы генерацияланған алдын-ала білетін деректерді ұштастыратын архитектураларды қарастырған кезде олар ескі мектептің ережеге негізделген жүйелерімен салыстырғанда қалпына келтіру қателерін жартысына дейін азайтты. Бұл жаңа модельдердің ерекшелігі – жарқыраған металл беттердің шағылуын бұзбай-ақ түс бояуларын түзету қабілетінде. Бұл көзбен көрінетін нақтылық су астындағы құбырлардың жағдайын тексеруде проблемаларды уақытылы байқау немесе толығымен өткіріп жіберу арасындағы айырмашылық болып табылатын жағдайларда үлкен маңызға ие.

Қиын су асты ортасында кіші объектілерді анықтау

Сулы судағы дәстүрлі анықтаудың шектеулері

Стандарттық объектілерді анықтау әдістері таза сулы ортада жұмыс істеген кезде орташа дәлдік (mAP) деңгейі шамамен 62% құрайды, бірақ Frontiers in Marine Science журналында кеше жылы жарияланған зерттеу бойынша лайлы жағдайларда бұл көрсеткіш тек 34% mAP-ге дейін төмендейді. Проблема конвентционалды CNN архитектураларының қабырғаларды анықтау мүмкіндігіне бөлшектердің шашыратуы әсер етеді, нәтижесінде көбінесе шамамен 50 см³-ден кіші заттарды анықтай алмайды. Сондықтан теңіз ғалымдарының жиырма бесінің төртеуі су түссіздігін анықтау мен сенімділікті растау үшін су астындағы анықтау жүйелерін сынау кезінде ең үлкен қиындық ретінде су түссіздігін көрсетеді.

Жоғары дәлдік үшін Көп деңгейлі Ерекшеліктерді Біріктіру

Кескіндердің беткі құрылымы мен терең семантикалық деректерді көп сатылы көп жолақты архитектура арқылы біріктіретін заманауи жүйелер. 2024 жылғы зерттеу бойынша, екі бағыттағы белгілерді біріктіру кіші объектілерді іздеудің дәлдігін бір масштабты әдістерге қарағанда 41% арттыратыны көрсетілген. Деформацияланатын свертка қабаттарымен үйлестірілген кезде, шеттерге оптимизацияланған желілер су астындағы құрылымдардағы мидиялар тобы сияқты маңызды детальдарды сақтайды.

Зерттеу жағдайы: Оптимизацияланған алгоритмдер арқылы су астындағы қалдықтарды анықтау

Кеңістіктік назар механизмдерімен жабдықталған модификацияланған YOLOv8 модельдері Балтық теңізінің лайлы суларында да 10 мм-ден кіші микропластикалы түйіршіктерді анықтауда өте тиімді болып шықты және шамамен 89% анықтау дәлдігіне жетті. Бұл жүйенің ерекшелігі – бір-бірінен кейінгі бейне кадрлары арасындағы ұзақтық бойынша тұрақтылық тексерулері арқасында шөгінді бұлттарынан туындайтын жалған оң нәтижелерді шамамен үштен екіге дейін азайтатын гибридтік тәсілі. Жергілікті сынақтар автономды су асты аппараттарының сенсорлардың өнімділігі төмендемейтін, алайда 0,3 түйін жылдамдықпен қозғалып отырып, қалдық заттар аймағының егжей-тегжейлі картасын құра алатынын көрсетті. Бұл маңызды, себебі баяу жылдамдық жоғары анықтықты білдіреді, бірақ ұзақ миссиялар үшін операциялық өнімділікті сақтау әлі де маңызды.

Нақты уақыт режиміндегі су асты қолданбалары үшін YOLO негізіндегі анықтау жүйелері

Су астындағы анықтау құралдарындағы YOLO архитектураларының дамуы

YOLO модельдерінің ең соңғы нұсқалары су астындағы табу қажеттіліктеріне келгенде өз жетістіктерін мейлінше арттырды. Мысалы, YOLOv11-ді алып қарастырайық. Бұл нұсқа C3K2 блоктарын және кеңістіктік пирамидалық толықтыру біріктіру деп аталатын, қысқаша SPPF деген нәрсені енгізеді. Бұл қосымшалар түбінде судың лайлығы жоғары болған жағдайда әртүрлі масштабтағы мақсаттарды анықтау сапасын арттыруға көмектеседі. Өткен жылы Nature журналына сәйкес, сынақтар бұрынғы модель нұсқаларымен салыстырғанда шамамен 18 пайызға жақсаруын көрсетті. Тағы бір қызықты ерекшелігі — каналдан пиксельге дейінгі кеңістікке назар аудару механизмі, ол контрасты өте төмен болған кезде көру қиынға түсетін теңіз түбі сценаларын талдау кезінде тиімді белгілерді алуға көмектеседі. Толқындардың астында жұмыс істейтін зерттеушілер үшін бұл жақсартулар сәйахаттарынан пайдалы деректер алу үшін үлкен айырмашылық жасайды.

Шеткі ақпаратты оптимизациялаумен модификацияланған YOLO модельдері

Шеткі сақтау сүзгілері мен көп масштабты таңдау әдістерін біріктіру арқылы жаңа тәсілдер жиі ұмытып қалатын біз үшін өте кішкентай нысандардың көрінетінлігін жақсартуды мүмкіндік етуде. MAW YOLOv11 модельіне назар аударыңыз. Онда Көп Масштабты Шеткі Ақпаратты Таңдау модулі деп аталатын бір компонент бар, ол есептеу ресурстарын шамамен 22 пайызға дейін қысқартады. Бұл су астындағы ластануларды анықтау тапсырмаларымен жұмыс істегенде 81,4% орташа дәлдікке (mAP) жетуі өте тамаша нәтиже. Практикада бұл шамамен 45 кадр/секунд жылдамдықпен нақты уақыт режимінде өңдеу мүмкіндігін білдіреді. Бұл қою су шарттарында, сондай-ақ көбінесе кескін тануға кедергі жасайтын шөгінді бөлшектері бар ортада жұмыс істеген кезде де, дәстүрлі сверткалық нейрондық желілердің өңдеу жылдамдығынан үш есе тезірек.

Өнімділік көрсеткіштері: Нақты жағдайлардағы mAP жақсаруы

Тестілеу нәтижелері модификацияланған YOLO модельдерінің әртүрлі көрінетін деңгейлерде 79–83% mAP көрсеткішіне жететінін, дәстүрлі жүйелерден 14–19 пайызбен озып шығатынын көрсетті. Негізгі өнімділік көрсеткіштері төменде жинақталған:

Модельдің түрі	mAP (%)	Инерциялық жылдамдық (FPS)	Энергия тұтыну
YOLOv11n	78.6	38	45w
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

Автономды су асты кемелерімен (AUV) интеграциялау

YOLO технологиясының жаңа жеңіл нұсқалары автономды су асты кемелерінің бортта шектеулі компьютерлік қуаты болса да, нақты уақыт режимінде объектілерді анықтау мүмкіндігін береді. Бұл шеткі есептеу модульдеріне CLLAHead дизайн қолданылған кезде оның қалыпты өңдеу жылдамдығының шамамен 94 пайызы сақталады. Бұл кеменің қыздырылмай немесе баяулаусыз шамамен 2,8 түйін жылдамдықпен қозғала отырып, мұхит түбін үздіксіз бейнелеуін білдіреді. Өткен жылы Frontiers in Marine Science журналында жарияланған зерттеулерге сәйкес, бұл конфигурация бетондық жүйелермен салыстырғанда құбырларды тексеру кезінде анықталмай қалған жағдайларды шамамен 40% азайтады.

Жеңіл детекциялық модельдерде дәлдік пен әсерді теңестіру

Су астындағы детекция құрылғылары шектеулі ресурстар жағдайында миллиметрлік дәлдікті нақты уақытта өңдеумен үйлестіруі тиіс. 2024 жылғы соңғы модельді оптималдандыру 2022 жылғы негізгі көрсеткіштерге қарағанда 37% жоғары өңдеу жылдамдығын қамтамасыз етті — детекция дәлдігін төмендетпей отырып.

Су асты жүйелеріне шеткі құрылғыларға орнату үшін модельді сығу

Қырқу және сандықталу аз өңдеу қуаты бар шеткі құрылғыларға детекциялық модельдерді орнатуға мүмкіндік береді. 2024 жылғы встраиваемое көру зерттеуі стандартты YOLOv8-ге қарағанда 58% аз параметрлері бар (тек 2,7 миллион) жеңіл модельдің mAP көрсеткішін 73,4% құрайтынын және дәлдігін сәйкестендіретінін көрсетті. Бұл AUV-ларда 50 Вт-тан төмен қуат бюджетінде жұмыс істеуге мүмкіндік береді.

Оптималды жылдамдық-дәлдік қатынасы үшін нейрондық архитектураны іздеу

Нейрондық архитектура іздеуін (NAS) қолданатын автоматтандырылған әдістер түбіндегі жағдайларда қолмен жасалған желілерге қарағанда 19% жылдамырақ қорытынды жасайды. Frontier Institute (2023) жүргізген зерттеу бойынша, NAS тереңдікті сверткалау мен назар аудару қабаттарын автономды түрде тепе-теңдікте ұстай алады және 32 FPS жылдамдықта кішігірім теңіз организмдерін 97,5% дәлдікпен анықтай алады.

Өнеркәсіптің парадоксына шешім: Жоғары дәлдік пен нақты уақытта өңдеу

Негізгі қиыншылық әлі де дәлдік пен кідірудің арасындағы тепе-теңдікті жеңіп шығу болып табылады. Қазіргі стратегияларға мыналар жатады:

• Қысу кезінде дәлдіктің жоғалуын <5% шегінде шектейтін көпмақсатты оптимизациялық нысандар
• Нақты уақыт режимінде маңызды аймақтарға басымдық беретін динамикалық есептеулерді бөлу
• Негізгі сипаттамалық карталар үшін 16 биттік дәлдікті сақтайтын гибридті кванттау

2023 жылғы соңғы заманғы су астындағы табу құралдары қазір теориялық максимум дәлдіктің 89%-ына жетіп, қатаң 100мс кідіру талаптарын қанағаттандырады — бұл 2021 жылғы көрсеткіштерге қарағанда 23% жақсару.

Жиі қойылатын сұрақтар

Су астындағы сурет сапасы неліктен төмендейді?

Су астындағы сурет сапасының төмендеуі негізінен судағы бөлшектерге байланысты жарықтың шашырауы мен жұтылуы, түс искажениясы және контрастының төмендігімен байланысты.

Су астындағы детекциялық жүйелер сурет сапасын қалай жақсартады?

Олар суреттің айқындығын қалпына келтіру үшін және нысандарды табуды жақсарту үшін тұманның азайту әдістерін, толқын ұзындығын компенсациялау алгоритмдерін және терең үйрену модельдерін қолданады.

YOLO деген не және ол су астындағы нысандарды табуға қалай көмектеседі?

YOLO (You Only Look Once) — нақты уақыт режиміндегі нысан тану жүйесі. Шеткі ақпаратты оптимизациялаумен модификацияланған YOLO модельдері су астындағы қоқыстарды табу үшін және табу дәлдігін арттыру үшін қолданылады.

Қазіргі заманғы су астындағы детекция технологиялары қандай нәтижелілікке ие?

Қазіргі технологиялар әртүрлі су асты жағдайларында орташа дәлме-дәлдік деңгейін 79–83% шамасында құрайды және дәстүрлі әдістерден едәуір озып тұрады.