Далайн доорх зургийн чанарын бууралтын асуудлыг ойлгох

Усны орчин дахь гэрлийн сарних ба шингэх үзэгдэл

Ус доорх гэрэл үнэхээр хачирхалтай ажилладаг. 2023 онд Nature-д тэмдэглэсэнчлэн, ойролцоогоор 10 метр оршооны гүнд ороход улаан өнгө нь хөх өнгөтэй харьцуулахад ойролцоогоор 30 дахин хурдан шингэнд шингэж алга болдог. Үүнийгээр бүх зүйл хөх ногоон өнгөтэй болдог бөгөөд цөм дэлгэрэнгүй зураг авах камерын систем болон мэдрэгчид чухал зүйлийг ялгаж танихад маш хэцүү байдаг. Мөн планктон шиг жижиг жижиг хэсгүүд усанд хөвж байгаа тул гэрлийг бүх чиглэлд сарниулдаг. Тунамал тосгоны орчимд энэ нь зарим тохиолдолд харах боломжийг бараг бүрэн алдуулдаг. Эдгээр асуудлуудын улмаас, Ус доорх Хараагийн Таамаглалын 2024 оны судалгаанд дурдсанчлан, зөөлөн хөдөлгөөнт ус доорх робот техник ийм зүйлст хохирохоос сэргийлэхийн тулд хэвийн хурдаа ойролцоогоор гуравны хоёр хэсгээр багасгах ёстой болдог.

Өнгөний искерэлт ба Бодит Цагийн Илрүүлэлтийн Системд Контрастын Багасалт

Одоогийн үед хэрэглэж буй зураг авах системүүд спектрийн чухал улаан болон шар долгионы 78%-ийг орхидог бөгөөд энэ нь ус доорх цэвдэгтэй хоолой эсвэл далайн амьтдын янз бүрийн төрлүүдийг олоход маш хэцүү болгодог. 2024 оны салбарын тайлангуудад үзүүлснээр ийм зургуудын өнгөний тэнцвэрийг засварласнаар объект таних нарийвчлал их сайжирдаг бөгөөд туяа муутай, цочирдолтой орчинд явуулсан шалгалтанд нарийвчлал 54%-оос бараг 90%-рүү хүрч байна. Нөгөө асуудал бол усанд элдэв жижиг хэсгүүд элтрэх үед гэрэл тус бүрдээ ойж, контрастын харьцаа 1:4-өөс бага болох юм. Энэ нь компьютерийн хараа системд ч бэрхшээл учруулахуйц цахлайтай, мушгирсан зураг гаргаж өгдөг.

Муу харагдац объект таних нарийвчлалд үзүүлэх нөлөө

Нуурнууд тунамал болох үед харагдац 15-40 см хүртэл буурдаг бөгөөд энэ нь стандарт дууны оптик нэгдсэн систем ажиллахын тулд шаардагдах 60 см-ийн суурь түвшинд хамаагүй доогуур байдаг. Үр дүнд нь олон тооны илрүүлэлт алга болдог. Тус тусгай судалгаагаар автоном дотор гүйх тээврийн хэрэгслийн асуудлыг судалсан бөгөөд энэ асуудлаас болж бодисын орчмын дорвитой газрын зурвасын долоон нь илрээгүй үлддэг. Одоогийн шинэ аргууд одоо олон спектрийн зураглалын арга техникийг адаптив гистограмм тэнцвэржүүлэлт гэж нэрлэдэг зүйлтэй хослуулан ашигладаг. Эдгээр арга замаар бодит цаг хугацаанд алга болсон ирмэгийн ойролцоогоор 83 хувийг сэргээж чаддаг. Ийм учраас үйлдвэрлэгчид сайжруулсан дүрсийн үр дүнгийн тулд эдгээр дэвшилтэт шийдэл рүү шилжих нь мэдээж.

Итгэл үнэмшлээтэй илрүүлэлтийн тулд ус доорх зураг дээрх сайжруулах аргууд

Тунамал арилгах, контраст сэргээх аргууд

Өнөөгийн доорги детекцийн тоног төхөөрөмж нь усанд өөр өөр долгионы урттай гэрэл шингэнд ялгаатай хурдаар шингэрч, өнгөний искерлийг засварлахын тулд долгионы уртын нөхөлтийн алгоритмыг ашигладаг. Ялангуяа 2021 онд Лю болон бусад судлаачдын хийсэн судалгаагаар хааяа нөхцөлд олж авч чадах мэдээллийн 85-90%-ийг сэргээх чадвартай мультискалын ретинексийн боловсруулалт зэрэг маш дэвшилтэт аргууд ч бий. Энэ нь хуучин аргаас ялгагдах нь гүн усанд гэрэл эзлэх хэмжээний ялгаатай задарч, тархах нөхцөлд тохируулахын тулд дахин давтан гэрлийн дэвсгэр тооцоолол хийх шаардлагатай байдаг. Талбайн шалгалтаар эдгээр шинэ аргууд нь объект таних нарийвчлалыг ойролцоогоор 35-40%-иар сайжруулдаг бөгөөд тод харагдац чухал үйл ажиллагаануудад ихээхэн ач холбогдолтой.

Жижиг объектын тод чанга байдлыг хадгалах шүүлтүүр

Хоёр чиглэлийн болон удирдлагатай шүүлтүүрүүд далайн бүтэц, биологийн загасны нарийхан ирмэгийг хадгалж, дууны радарын өгөгдлийг сайжруулдаг. Эдгээр шүүлтүүрүүд нь 5–15 пиксел хэмжээтэй онцлог шинж чанарыг тунадасны нөлөөнд ч барьж чаддаг. 2023 оны IEEE Signal Processing судалгаа нь мутар усанд кораллын полипийг илрүүлэх үед нарийвчлалыг 72%-с 88%-р хүртэл нэмэгдүүлсэн гэж олжээ.

Автомжуулсан зураг сэргээх гүн сургалтын загварууд

Сүүлийн үеийн эхнээс нь төгсгөл хүртэлх нейрон хэлхээний арга замууд нь ердийн аргачлалуудаас давуу талтай болж, стандарт туршилтын үзүүлэлтүүд дээр Ван ба 2023 онд хамт олон туршсан үед SSIM хэмжигдэхүүнд ойролцоогоор 0.91-ийн үзүүлэлтэд хүрч чадсан. Бид физик загварчлал болон ухаалаг GAN-ээр үүсгэсэн урьдчилсан мэдээллийг хослуулсан архитектурыг авч үзвэл эдгээр нь хуучин дүрмийн суурь системүүдтэй харьцуулахад сэргээх алдааг бараг хагасаар бууруулдаг. Эдгээр шинэ загваруудыг ялангуяа онцлог болгох нь цочирдох өнгөний илрэлтийг цэвэрлэх чадвар юм. Уг чадвар нь гэрлийн тод чанга байдлыг хангаж, ус доорх хоолойнуудын байдлыг шалгахад асуудлыг цаг алдалгүй илрүүлэх эсвэл бүрэн алгасах эсэхэд ихэхэн чухал ач холбогдолтой.

Хэцүү ус доорх орчинд жижиг объектыг илрүүлэх дэвшилтэт технологи

Булгинаа усанд традицион илрүүлэлтийн дутагдал

Цэвэр усны орчинд стандарт объект илрүүлэх аргууд нь дунджаар 62% нарийвчлал (mAP) байхад, энэ үзүүлэлт савар усанд зөвхөн 34% mAP хүрэх боломжгүй байна гэж өнгөрсөн жилд Frontiers in Marine Science сэтгүүлд хэвлэгдсэн судалгаа зааж өгсөн. Асуудал нь жижиг хэсгүүдийн шингээлт нь хэвийн CNN бүтцийн ирмэг илрүүлэх чадварыг алдагдуулдаг тул 50 куб см-ээс бага хэмжээтэй зүйлсийг илрүүлэхэд ихэвчлэн амжилтгүй болдог. Иймээс далайн шинжлэх ухааны бараг найман бүхний гурван дөрөв нь усны цэвэршилтийн асуудлыг нарийвчлал, найдвартай байдал шалгах явцад хамгийн том асуудал гэж үздэг.

Нарийвчлалыг сайжруулахын тулд олон хэмжээст шинж чанарын нэгдэл

Шинэлэг системүүд олон шатлалын олон салаат архитектурыг ашиглан гадаргуутай ойролцоо шинж чанарыг гүн сансрын өгөгдөлтэй хослуулдаг. 2024 оны судалгаагаар хоёр урсгалын шинж чанарын нэгдэл нь нэг масштабт арга байдлаас бага зүйлийг санах чадварыг 41%-иар сайжруулдаг. Хэлбэр нь өөрчлөгдөх боломжтой конволюци хязгаартай хослуулахад ирмэгийг тохируулсан сүлжээнүүд далайн доорх бүтэц дээрх шар мэлхийн бүлгийн мэт чухал дэлгэрэнгүй мэдээллийг хадгалж чаддаг.

Туршлагын жишээ: Тохируулсан алгоритмыг ашиглан усанд дүрэгдсэн бохирдлыг илрүүлэх

Ойролцоогоор 89% илрүүлэлтийн нарийвчлалд хүрсэн, огторгуйн анхаарлын механизмтай засварласан YOLOv8 загварууд нь Балтийн далайн бараан усанд ч 10 мм-ээс бага микропластикуудыг олоход маш үр дүнтэй байжээ. Энэ системийг онцлог болгож буй зүйл бол дараалсан видеон кадруудын хооронд явуулагдаж буй ухаалаг цаг хугацааны нягт оролцоотойгоор борооны санаачилгаас үүдэлтэй буруу эерэг илрүүлэлтийг бараг гуравны хоёроор бууруулдаг цогц арга юм. Талбайн шалгалтууд нь автоном зангидах төхөөрөмжүүд одоо 0.3 гэрэл хурдтайгаар хөдлөх үед ч мэдрэгчийн үйл ажиллагаанд уналтгүйгээр бохирдлын бүсийн дэлгэрэнгүй зураглалыг бий болгож чаддаг болсон талаар харуулсан. Энэ нь удаан хурд илүү сайн нарийвчлалыг бий болгодог ч урт хугацааны даалгаваруудад үйл ажиллагааны үр ашгийг хадгалах нь хэвийн чухал гэдгийг харуулж байна.

Шуурхай цагт ажилладаг YOLO суурьтай илрүүлэлтийн систем

Ус доорхи илрүүлэгч төхөөрөмжид YOLO архитектурын хөгжил

YOLO загварын хамгийн шинэ хувилбарууд нь ус доорх илрүүлэлтийн хэрэгцээнд маш их дэвшиж орсон. Жишээ нь YOLOv11-ийг авч үзье. Энэ хувилбар нь SPPF (spatial pyramid pooling fusion) гэж нэрлэгддэг орон зайн пирамид нэгтгэлийн нийлмэлийн хамт шинэ C3K2 блокуудыг оруулж ирсэн. Эдгээр нэмэлтүүд нь бараан усанд байгаа янз бүрийн хэмжээний зорилгоо илрүүлэх системийн чадавхийг сайжруулахад тусалдаг. Өнгөрсөн жил Nature сэтгүүлд гарсан мэдээллээр, хуучин загваруудтай харьцуулахад ойролцоогоор 18 хувиар сайжирсан байна. Нөгөө нэгэн сонирхолтой онцлог бол пиксел орон зайн хаягийн механизм нь контраст маш бага байдаг тахир төвөрмөг далайн ёроолын байдалд ч гэсэн илүү сайн шинж чанаруудыг ялган авахад тусалдаг. Далайн доор судалгаа хийж буй эрдэмтэд эдгээр сайжруулалтууд нь давалгаан дотор ажиллах үедээ ашигтай мэдээлэл гаргаж авахад ихээхэн ялгаа гаргадаг.

Ирмэгийн мэдээллийн үр дүнтэй болгохын тулд өөрчлөгдсөн YOLO загварууд

Ирмэгийг хадгалах шүүлтүүр болон олон масштабын сонголтын аргуудыг илүү сайн ашиглаж байгаа шинэ аргууд нь бид ихэвчлэн алгасдаг жижиг объектуудыг илүү сайн харагдуулах боломжийг олгодог. MAW YOLOv11 загварыг жишээ болгож авч үзье. Энэ загвар нь Олон Масштабын Ирмэгийн Мэдээллийн Сонголтын модуль гэж нэрлэгддэг зүйлтэй бөгөөд энэ нь тооцооллын шаардлагыг ойролцоогоор 22 хувиар бууруулдаг. Ус доорх бохирдлыг илрүүлэх даалгаварт хэрэглэх үед дунджаар 81.4% нарийвчлалд хүрч чаддаг нь маш гайхамшигтай. Энэ нь практикт тус бүртээ секундэд ойролцоогоор 45 кадр боловсруулах боломжийг олгоно. Энэ нь энгийн конволюцийн нейрон хэлхээний харьцангуй цэвэр усанд ажиллах үеийн хурднаас гурван дахин хурдан бөгөөд, энэ нь ихэвчлэн зургийн таних чадварыг саатуулдаг нунтаг жижиг хэсгүүдийг агуулсан булгийн усны нөхцөлд ч ажилладаг.

Ажиллагааны стандарт: Бодит нөхцөлд mAP сайжруулалт

Талын шалгалтууд нь өөрчлөгдсөн YOLO загварууд нь янз бүрийн харагдах чадварын түвшинд 79–83% mAP-ийг хангаж, харин хэвийн системүүдээс 14–19 хувийн оноогоор давуу талтай байгааг харуулж байна. Гол үзүүлэлтүүдийг доор товчлон харуулсан байна:

Загварын хувилбар	mAP (%)	Дүгнэлтийн хурд (FPS)	Эрчим хүчний хэрэглээ
YOLOv11n	78.6	38	45W
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

Автоматаар жолооддог цул усны тээврийн хэрэгслүүдтэй (AUV) интеграцчилох

YOLO технологийн шинэ, хөнгөн хувилбарууд нь автоном усны дор хөдөлдөг тээврийн хэрэгслүүдийг бага компьютерийн чадалтай байх эдгээр ирмэгийн тооцооллын модульд CLLAHead загварыг ашиглахад хэвийн боловсруулалтын хурдын ойролцоогоор 94 хувиыг хадгалж байдаг. Энэ нь тээврийн хэрэгсэл усны ёроолыг 2.8 газрын цэцэрлэгийн зангидаа хурдтайгаар хөдөлж байх үед дулаан ихээр ялгаралгүй, удаашралгүйгээр тасралтгүй зураглаж чадна гэсэн үг юм. Өнгөрсөн жил Frontiers in Marine Science сэтгүүлд нийтлэгдсэн судалгаагаар энэ тохируулга нь гаднаас удирдагддаг системүүдтэй харьцуулахад хоолойн шалгалтанд илрээгүй тохиолдлуудыг бараг 40%-иар бууруулдаг байна.

Хөнгөн цэвэрлэгээний загварууд дахь нарийвчлал, үр ашгийн тэнцвэр

Ус доорх илрүүлэлтийн тоног төхөөрөмж нь нарийн миллиметр түвшний нарийвчлал, бага хязгаарлагдмал нөөцтэй орчинд бодит цагийн боловсролыг хангах ёстой. Сүүлийн үеийн загварын тохируулга нь 2022 оны суурин үзүүлэлттэй харьцуулахад дүгнэх хурдныг 37%-иар сайжруулсан бөгөөд илрүүлэлтийн нарийвчлалыг алдагдуулаагүй.

Ус доорх системд ирмэгт байршуулах зориулалттай загварын хэмжээг багасгах

Хэтрэлтийг авч хасах, хэмжээг багасгах аргаар хязгаарлагдмал боловсруулах чадвартай ирмэгийн төхөөрөмжид илрүүлэлтийн загварыг суулгах боломжийг олгодог. 2024 оны суурин визүйн судалгаанд стандарт YOLOv8-аас 58%-иар цөөн, зөвхөн 2.7 сая параметртэй боловч түүнтэй ижил нарийвчлалыг хадгалсан, 73.4% mAP-ийг хангасан хөнгөн загварыг харуулсан. Энэхүү үр ашиг нь 50В-оос доош чадал зарцуулдаг AUV-ууд дээр ажиллах боломжийг олгоно.

Хамгийн тохиромжтой хурд, нарийвчлалын харьцааг олохын тулд сүлжээний бүтцийг хайх

Сүлжмэг орчны хайлт (NAS) ашиглан автомжуулсан загварчлал нь боргоцой орчинд гарган авах мэдээллийн хурдыг зохион байгуулагч сүлжээнээс 19%-иар илүү хурдасгадаг. Эрхлэгчийн хүрээлэнгийн судалгаа (2023) NAS нь гүнзгий конволюци болон анхаарлын давхаргуудыг өөрөө тэнцвэржүүлж, жижиг далайн амьтадыг 32 FPS-д 97.5% нарийвчлалтай таниж чаддаг болсон.

Нийслэлийн парадоксыг шийдвэрлэх: Өндөр нарийвчлал vs Бодит цагийн боловсруулалт

Төв асуудал нь нарийвчлал ба удаашралын хоорондох эргэлзээг даван туулах явдал юм. Одоогийн стратегиудад дараахь аргууд орно:

• Нарийвчлалын алдагдлыг шахах үед <5%-иас бага байлгах олон зорилгот оптимизацийн хүрээ
• Бодит цагт чухал бүсийг эхлэхэд динамик тооцооллын нөөцийг эрхэмшүүлэх
• Гол онцлог зургийн 16-битийн нарийвчлалыг хадгалдаг гибрид квантизаци

2023 оны суурилуулсан системийн шинжилгээ үзүүлсэнээр орчин үеийн ус доорх илрүүлэлтийн тоног төхөөрөмж одоо онолын хамгийн өндөр нарийвчлалын 89%-ийг олж авч, энгийн 100мс-ийн удаашралын шаардлагыг хангаж чадаж байна — энэ нь 2021 оны стандарттай харьцуулахад 23%-ийн сайжрал юм.

Түгээмэл асуулт

Ус доорх зургийн чанар буурах шалтгаан юу вэ?

Ус доорх зургийн чанар буурах нь ихэвчлэн усанд байгаа жижиг хэсгүүдийн улмаас гэрлийн даралт болон шингээлт, өнгөний искерэлт, харьцуулах боломж муу байдагт оршино.

Ус доорх илрүүлэлтийн системүүд зургийн чанарыг хэрхэн сайжруулдаг вэ?

Тэд агаарын тунгалагжилтыг арилгах, долгионы уртын өөрчлөлтийг тохируулах алгоритмууд, гүн сургалтын загварууд зэрэг аргуудыг ашиглан зургийн тод чанарыг сэргээж, объект илрүүлэх чадварыг сайжруулдаг.

YOLO гэж юу вэ, ус доорх объект илрүүлэхэд хэрхэн тусалдаг вэ?

YOLO (You Only Look Once) нь бодит цаг хугацаанд объект илрүүлдэг систем юм. Ирмэгийн мэдээллийг оновчтой болгосон өөрчлөгдсөн YOLO загваруудыг ус доорх бохирдлыг олж, илрүүлэлтийн нарийвчлалыг сайжруулахад ашигладаг.

Сүүлийн үеийн ус доорх илрүүлэлтийн технологи хэр үр дүнтэй байдаг вэ?

Орчин үеийн технологиуд янз бүрийн ус доорх нөхцөлд дунджаар 79–83% нарийвчлалд хүрч, уламжлалт аргачлалаас илүү үр дүнтэй байдаг.