ทำความเข้าใจกับความท้าทายด้านการเสื่อมคุณภาพของภาพใต้น้ำ

การกระเจิงและการดูดซับแสงในสภาพแวดล้อมทางน้ำ

แสงใต้น้ำมีพฤติกรรมที่แปลกพอสมควร อย่างที่นิตยสารเนเจอร์ระบุไว้ในปี 2023 สีแดงจะถูกดูดซับเร็วกว่าสีน้ำเงินถึง 30 เท่า เมื่อเราดำลงไปลึกประมาณ 10 เมตรหรือมากกว่านั้น ส่งผลให้ทุกสิ่งทุกอย่างดูเป็นสีเขียวอมฟ้าไปหมด ทำให้กล้องและเซนเซอร์ใต้น้ำขั้นสูงเหล่านั้นตรวจจับวัตถุสำคัญได้ยากมาก นอกจากนี้ ยังมีอนุภาคเล็กๆ จำนวนมากลอยอยู่ในน้ำ เช่น แพลงก์ตอน ที่ทำให้แสงกระเจิงไปทั่วบริเวณ ในพื้นที่ชายฝั่งที่มีน้ำขุ่น ปรากฏการณ์นี้อาจทำให้ความคมชัดในการมองเห็นลดลงเกือบเป็นศูนย์ได้เลยทีเดียว เนื่องจากปัญหาเหล่านี้ หุ่นยนต์ใต้น้ำอัตโนมัติจึงจำเป็นต้องลดความเร็วลงประมาณสองในสามของความเร็วปกติ เพื่อหลีกเลี่ยงการชนสิ่งกีดขวาง ซึ่งเป็นประเด็นที่ผู้เชี่ยวชาญในรายงาน Underwater Vision Report ได้ชี้ให้เห็นในผลการศึกษาปี 2024

การบิดเบือนสีและการคอนทราสต์ต่ำในระบบตรวจจับแบบเรียลไทม์

ระบบถ่ายภาพส่วนใหญ่ในปัจจุบันล้วนปล่อยให้พลาดช่วงคลื่นความยาวสีแดงและสีเหลืองที่สำคัญประมาณ 78% ซึ่งทำให้การตรวจจับสิ่งต่างๆ เช่น ท่อประปาที่เป็นสนิมใต้น้ำ หรือสิ่งมีชีวิตในทะเลชนิดต่างๆ เป็นเรื่องยากมาก จากการรายงานของอุตสาหกรรมในปี 2024 มีหลักฐานแสดงว่าเมื่อเราปรับสมดุลสีในภาพเหล่านี้ ความสามารถในการตรวจจับวัตถุจะดีขึ้นอย่างมาก จากความแม่นยำประมาณ 54% เพิ่มขึ้นเกือบถึง 90% ในการตรวจสอบใต้ทะเลที่มีความท้าทาย นอกจากนี้ยังมีปัญหาอีกอย่างหนึ่ง เมื่ออนุภาคขนาดเล็กลอยอยู่ในน้ำ จะทำให้แสงสะท้อนกลับไปมาจนทำให้อัตราส่วนความคมชัดลดลงต่ำกว่า 1:4 ส่งผลให้เกิดภาพที่มัวและพร่าเบลอ ซึ่งแม้แต่ระบบคอมพิวเตอร์วิชันขั้นสูงของเราบางครั้งก็ยังประสบปัญหาในการประมวลผล

ผลกระทบของทัศนวิสัยที่ไม่ดีต่อความแม่นยำในการรู้จำวัตถุ

เมื่อทะเลสาบมีความขุ่น ทัศนวิสัยจะลดลงเหลือประมาณ 15 ถึง 40 เซนติเมตร ซึ่งต่ำกว่าเกณฑ์พื้นฐาน 60 ซม. ที่ระบบฟิวชันโซนาร์-ออปติคอลแบบมาตรฐานต้องการเพื่อทำงานได้อย่างเหมาะสม ส่งผลให้เกิดการตรวจจับวัตถุไม่สำเร็จจำนวนมาก ตามการวิจัยบางชิ้นที่ศึกษาปัญหาของยานพาหนะใต้น้ำอัตโนมัติ พบว่าจุดที่มีเศษซากประมาณเจ็ดในสิบจุดไม่ถูกตรวจพบเนื่องจากปัญหานี้ แนวทางใหม่ในปัจจุบันจึงรวมเทคนิคการถ่ายภาพแบบมัลติสเปกตรัมเข้ากับสิ่งที่เรียกว่า การเท่ากันฮิสโตแกรมแบบปรับตัว (adaptive histogram equalization) วิธีการเหล่านี้สามารถกู้คืนรายละเอียดขอบที่หายไปได้ประมาณ 83 เปอร์เซ็นต์ในระหว่างการประมวลผลแบบเรียลไทม์ จึงไม่น่าแปลกใจที่ผู้ผลิตกำลังเปลี่ยนมาใช้วิธีขั้นสูงเหล่านี้เพื่อให้ได้ผลลัพธ์การแมปใต้น้ำที่ดียิ่งขึ้น

เทคนิคการปรับปรุงภาพใต้น้ำเพื่อการตรวจจับที่เชื่อถือได้

วิธีการกำจัดหมอกและฟื้นฟูคอนทราสต์

อุปกรณ์ตรวจจับใต้น้ำในปัจจุบันใช้อัลกอริทึมการชดเชยความยาวคลื่นเพื่อแก้ปัญหาการผิดเพี้ยนของสี ซึ่งเกิดจากการดูดซับความยาวคลื่นต่างๆ ในอัตราที่ไม่เท่ากันในน้ำ ซึ่งรวมถึงเทคโนโลยีขั้นสูงอย่างกระบวนการหลายระดับแบบ Retinex (multi-scale retinex processing) ที่สามารถคืนสภาพภาพได้ประมาณ 85-90% ของสิ่งที่สูญเสียไปในสภาพน้ำขุ่น ตามการวิจัยที่ตีพิมพ์ในปี 2021 โดยหลิวและคณะ สิ่งที่ทำให้วิธีนี้แตกต่างจากแนวทางเดิมคือ การถ่ายภาพในทะเลลึกจำเป็นต้องมีการคำนวณแสงพื้นหลังซ้ำๆ เพื่อจัดการกับการกระจายของแสงที่แตกต่างกันในแต่ละระดับความลึก การทดสอบภาคสนามแสดงให้เห็นว่าวิธีการใหม่นี้สามารถเพิ่มความแม่นยำในการตรวจจับวัตถุได้ประมาณ 35-40% ซึ่งมีความสำคัญอย่างมากในการปฏิบัติงานที่ต้องอาศัยความชัดเจนในการมองเห็น

ตัวกรองรักษาขอบสำหรับความชัดเจนของวัตถุขนาดเล็ก

ตัวกรองแบบสองทิศทางและตัวกรองนำทางช่วยเพิ่มคุณภาพข้อมูลโซนาร์โดยรักษารายละเอียดเส้นขอบที่คมชัดของโครงสร้างใต้ทะเลและตัวอย่างสิ่งมีชีวิต ตัวกรองเหล่านี้สามารถคงลักษณะที่มีขนาดเล็กถึง 5–15 พิกเซลไว้ได้ แม้อยู่ภายใต้สภาวะรบกวนจากตะกอน งานศึกษาปี 2023 จาก IEEE Signal Processing พบว่าตัวกรองตรวจจับขอบที่ได้รับการปรับแต่งช่วยเพิ่มความแม่นยำจากการตรวจจับปะการังโพลิปในน้ำขุ่นจาก 72% เป็น 88%

โมเดลการเรียนรู้เชิงลึกสำหรับการฟื้นฟูภาพอัตโนมัติ

แนวทางล่าสุดที่ใช้โครงข่ายประสาทเทียมแบบเอ็นด์ทูเอ็นด์นั้นมีประสิทธิภาพเหนือกว่าวิธีการแบบเดิม โดยสามารถทำคะแนนได้ประมาณ 0.91 บนเกณฑ์ SSIM เมื่อทดสอบกับชุดข้อมูลมาตรฐาน ตามที่หวางและคณะรายงานในปี 2023 เมื่อพิจารณาสถาปัตยกรรมที่ผสานการจำลองทางฟิสิกส์เข้ากับค่าเริ่มต้นที่สร้างจาก GAN ซึ่งมีความชาญฉลาด พบว่าสามารถลดข้อผิดพลาดในการฟื้นฟูภาพลงได้เกือบครึ่งหนึ่ง เมื่อเทียบกับระบบแบบเดิมที่อาศัยกฎเป็นหลัก สิ่งที่ทำให้โมเดลใหม่เหล่านี้โดดเด่นคือ ความสามารถในการแก้ไขปัญหาโทนสีเพี้ยนที่รบกวนสายตา โดยไม่กระทบต่อการสะท้อนแสงของพื้นผิวโลหะที่มีความเงา และสิ่งนี้มีความสำคัญอย่างมากต่อการตรวจสอบสภาพท่อส่งใต้น้ำ ซึ่งความชัดเจนของภาพอาจหมายถึงความแตกต่างระหว่างการตรวจพบปัญหาแต่เนิ่นๆ กับการปล่อยให้ปัญหาเหล่านั้นหลุดรอดไป

การตรวจจับวัตถุขนาดเล็กขั้นสูงในสภาพแวดล้อมใต้น้ำที่ท้าทาย

ข้อจำกัดของการตรวจจับแบบดั้งเดิมในแหล่งน้ำขุ่น

วิธีการตรวจจับวัตถุแบบมาตรฐานมีค่าความแม่นยำเฉลี่ย (mAP) อยู่ที่ประมาณ 62% เมื่อทำงานในสภาพแวดล้อมน้ำใส แต่ค่านี้ลดลงเหลือเพียง 34% mAP ในสภาวะน้ำขุ่น ตามการศึกษาที่ตีพิมพ์ในวารสาร Frontiers in Marine Science เมื่อปีที่แล้ว ปัญหาดังกล่าวเกิดจากอนุภาคที่กระเจิงแสง ซึ่งรบกวนความสามารถในการตรวจจับขอบของสถาปัตยกรรม CNN แบบเดิม โดยมักไม่สามารถตรวจพบวัตถุที่มีขนาดเล็กกว่าประมาณ 50 ลูกบาศก์เซนติเมตรได้ ไม่น่าแปลกใจ therefore ที่นักวิทยาศาสตร์ทางทะเลเกือบ 4 ใน 5 คน ระบุว่าปัญหาน้ำใสเป็นอุปสรรคใหญ่ที่สุดเมื่อทดสอบและตรวจสอบระบบตรวจจับใต้น้ำเพื่อความแม่นยำและความน่าเชื่อถือ

การรวมฟีเจอร์หลายระดับเพื่อเพิ่มความแม่นยำ

ระบบขั้นสูงรวมคุณลักษณะพื้นผิวตื้นเข้ากับข้อมูลเชิงความหมายลึกโดยใช้สถาปัตยกรรมหลายสาขาแบบข้ามขั้นตอน การศึกษาในปี 2024 แสดงให้เห็นว่าการผสานฟีเจอร์แบบสองกระแสช่วยเพิ่มความสามารถในการเรียกคืนวัตถุขนาดเล็กได้มากขึ้น 41% เมื่อเทียบกับวิธีการที่ใช้มาตราส่วนเดียว เมื่อนำมารวมกับเลเยอร์คอนโวลูชันแบบเปลี่ยนรูปร่างได้ เครือข่ายที่ปรับแต่งสำหรับขอบจะรักษาภาพรายละเอียดสำคัญ เช่น กลุ่มหอยทากที่เกาะอยู่บนโครงสร้างใต้น้ำ

กรณีศึกษา: การตรวจจับซากของลอยน้ำใต้ผิวน้ำด้วยอัลกอริธึมที่ได้รับการปรับแต่ง

โมเดล YOLOv8 ที่ได้รับการปรับปรุงโดยติดตั้งกลไกการให้ความสำคัญกับตำแหน่งเชิงพื้นที่ (spatial attention) ได้แสดงให้เห็นถึงประสิทธิภาพสูงในการตรวจจับไมโครพลาสติกที่มีขนาดเล็กกว่า 10 มม. แม้ในสภาพน้ำขุ่นของทะเลบอลติก โดยสามารถตรวจจับได้อย่างแม่นยำประมาณ 89% สิ่งที่ทำให้ระบบดังกล่าวโดดเด่นคือแนวทางแบบผสมผสาน (hybrid approach) ซึ่งช่วยลดปัญหาการแจ้งเตือนเท็จจากกลุ่มตะกอนในน้ำลงได้เกือบสองในสาม เนื่องจากการตรวจสอบความต่อเนื่องตามช่วงเวลา (temporal consistency checks) ระหว่างเฟรมวิดีโอที่ต่อเนื่องกันอย่างชาญฉลาด การทดสอบภาคสนามแสดงให้เห็นว่า ยานพาหนะใต้น้ำอัตโนมัติสามารถสร้างแผนที่รายละเอียดของพื้นที่เศษซากได้ขณะเคลื่อนที่ด้วยความเร็วเพียง 0.3 นอต โดยไม่มีผลเสียต่อประสิทธิภาพของเซนเซอร์ สิ่งนี้มีความสำคัญเพราะความเร็วที่ต่ำลงหมายถึงความละเอียดที่ดีขึ้น แต่การคงประสิทธิภาพในการปฏิบัติงานไว้ยังคงเป็นสิ่งจำเป็นสำหรับภารกิจระยะยาว

ระบบตรวจจับที่ใช้ YOLO สำหรับการประยุกต์ใช้งานใต้น้ำแบบเรียลไทม์

วิวัฒนาการของสถาปัตยกรรม YOLO ในอุปกรณ์ตรวจจับใต้น้ำ

รุ่นล่าสุดของโมเดล YOLO ได้ยกระดับความสามารถอย่างมากในด้านการตรวจจับใต้น้ำ ตัวอย่างเช่น YOLOv11 รุ่นนี้มาพร้อมกับบล็อก C3K2 ใหม่ ๆ รวมถึงฟีเจอร์ที่เรียกว่า spatial pyramid pooling fusion หรือ SPPF ซึ่งช่วยเพิ่มประสิทธิภาพในการตรวจจับเป้าหมายที่มีขนาดแตกต่างกันในสภาพน้ำขุ่น ผลการทดสอบเมื่อปีที่แล้วจากวารสาร Nature ระบุว่ามีการปรับปรุงประสิทธิภาพประมาณ 18 เปอร์เซ็นต์ เมื่อเทียบกับรุ่นโมเดลก่อนหน้า อีกหนึ่งคุณสมบัติที่น่าสนใจคือ กลไกการให้ความสำคัญแบบ channel-to-pixel space ซึ่งช่วยดึงคุณลักษณะ (features) ออกมาได้ดีขึ้น แม้ในฉากพื้นทะเลที่มองเห็นได้ยากและคอนทราสต์ต่ำมาก สำหรับนักวิจัยที่ทำงานใต้ผืนน้ำ การปรับปรุงเหล่านี้ทำให้สามารถเก็บข้อมูลที่มีประโยชน์จากการดำน้ำแต่ละครั้งได้อย่างมีนัยสำคัญ

โมเดล YOLO ที่ได้รับการปรับปรุงพร้อมการเพิ่มประสิทธิภาพข้อมูลขอบ

แนวทางใหม่กำลังทำให้การใช้ตัวกรองที่รักษาขอบร่วมกับเทคนิคการคัดเลือกหลายสเกลได้มีประสิทธิภาพมากขึ้น เพื่อเพิ่มความสามารถในการมองเห็นวัตถุขนาดเล็กที่เรามักจะมองข้าม ตัวอย่างเช่น โมเดล MAW YOLOv11 ซึ่งมาพร้อมกับโมดูลที่เรียกว่า Multi Scale Edge Information Select ที่ช่วยลดความต้องการด้านการประมวลผลลงประมาณ 22 เปอร์เซ็นต์ ถือว่าน่าประทับใจมากเมื่อพิจารณาว่ามันยังสามารถทำคะแนนความแม่นยำเฉลี่ย (mAP) ได้ถึง 81.4% ขณะทำงานตรวจจับเศษซากใต้น้ำ ในทางปฏิบัติ หมายความว่าสามารถประมวลผลแบบเรียลไทม์ได้ที่ประมาณ 45 เฟรมต่อวินาที ซึ่งเร็วกว่าเครือข่ายประสาทเทียมแบบคอนโวลูชันดั้งเดิมทั่วไปถึงสามเท่า แม้ในสภาวะน้ำขุ่นที่เต็มไปด้วยอนุภาคตะกอนที่ปกติจะรบกวนการจำแนกลายภาพ

มาตรฐานประสิทธิภาพ: การปรับปรุง mAP ในสภาพแวดล้อมจริง

การทดสอบภาคสนามแสดงให้เห็นว่าโมเดล YOLO ที่ได้รับการปรับปรุงสามารถทำคะแนน mAP ได้ 79–83% ในระดับความชัดเจนที่แตกต่างกัน โดยมีประสิทธิภาพสูงกว่าระบบแบบเดิม 14–19 เปอร์เซ็นต์ ตัวชี้วัดประสิทธิภาพหลักสรุปไว้ด้านล่าง:

รุ่นโมเดล	mAP (%)	ความเร็วในการอนุมาน (FPS)	การใช้พลังงาน
YOLOv11n	78.6	38	45W
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

การผสานรวมกับยานพาหนะใต้น้ำอัตโนมัติ (AUVs)

เวอร์ชันขนาดเบาใหม่ของเทคโนโลยี YOLO กำลังทำให้ยานพาหนะใต้น้ำอัตโนมัติสามารถตรวจจับวัตถุแบบเรียลไทม์ได้ แม้ว่าจะมีขีดจำกัดด้านพลังการประมวลผลบนเรือ เมื่อใช้การออกแบบ CLLAHead กับโมดูลการประมวลผลขอบเหล่านี้ จะยังคงรักษาระดับความเร็วในการประมวลผลปกติไว้ประมาณ 94 เปอร์เซ็นต์ ซึ่งหมายความว่ายานพาหนะสามารถสร้างแผนที่พื้นมหาสมุทรได้อย่างต่อเนื่องขณะเคลื่อนที่ด้วยความเร็วประมาณ 2.8 นอต โดยไม่เกิดการร้อนเกินหรือชะลอความเร็ว การทดสอบแสดงให้เห็นว่าการตั้งค่านี้ช่วยลดจำนวนการตรวจไม่พบลงเกือบ 40% ในการตรวจสอบท่อส่ง เมื่อเทียบกับระบบที่ควบคุมจากระยะไกลจากผิวน้ำ ตามงานวิจัยที่เผยแพร่เมื่อปีที่แล้วในวารสาร Frontiers in Marine Science

การถ่วงดุลความแม่นยำกับประสิทธิภาพในโมเดลตรวจจับน้ำหนักเบา

อุปกรณ์ตรวจจับใต้น้ำต้องสามารถรักษาระดับความแม่นยำระดับมิลลิเมตร พร้อมทั้งประมวลผลแบบเรียลไทม์ภายใต้ข้อจำกัดของทรัพยากรที่เข้มงวด การปรับปรุงโมเดลล่าสุดทำให้ความเร็วในการอนุมานเพิ่มขึ้น 37% เมื่อเทียบกับฐานข้อมูลปี 2022 โดยไม่ลดทอนความแม่นยำในการตรวจจับ

การบีบอัดโมเดลสำหรับการติดตั้งใช้งานที่ขอบระบบในระบบที่อยู่ใต้น้ำ

การตัดแต่งและควอนไทเซชันช่วยให้สามารถติดตั้งโมเดลตรวจจับบนอุปกรณ์เอจที่มีพลังการประมวลผลต่ำได้ การศึกษาด้านวิชันทัศน์ฝังตัวในปี 2024 แสดงให้เห็นว่า โมเดลน้ำหนักเบามีค่า mAP ที่ 73.4% โดยมีเพียง 2.7 ล้านพารามิเตอร์ ลดลง 58% เมื่อเทียบกับ YOLOv8 มาตรฐาน แต่ยังคงความแม่นยำเทียบเท่ากัน ประสิทธิภาพนี้ทำให้สามารถทำงานบน AUV ที่มีงบประมาณพลังงานต่ำกว่า 50 วัตต์ได้

การค้นหาสถาปัตยกรรมเครือข่ายประสาทเทียมเพื่อการถ่วงดุลระหว่างความเร็วและความแม่นยำอย่างเหมาะสมที่สุด

เทคนิคการออกแบบอัตโนมัติด้วยการค้นหาสถาปัตยกรรมแบบเนิร์รัล (NAS) ให้ความเร็วในการอนุมานที่เร็วกว่าเครือข่ายที่ออกแบบด้วยมือถึง 19% ในสภาวะน้ำขุ่น งานวิจัยจากสถาบันฟรอนเทียร์ (2023) แสดงให้เห็นว่า NAS สามารถปรับสมดุลระหว่าง convolution แบบ depthwise และ attention layers ได้อย่างอัตโนมัติ ทำให้บรรลุความแม่นยำ 97.5% สำหรับสิ่งมีชีวิตขนาดเล็กในทะเล ที่อัตรา 32 เฟรมต่อวินาที

การแก้ไขปัญหาความขัดแย้งในอุตสาหกรรม: ความแม่นยำสูง เทียบกับ การประมวลผลแบบเรียลไทม์

ความท้าทายหลักยังคงเป็นการเอาชนะข้อแลกเปลี่ยนระหว่างความแม่นยำกับความหน่วงเวลา กลยุทธ์ปัจจุบันรวมถึง:

• กรอบการทำงานเพื่อการเพิ่มประสิทธิภาพหลายวัตถุประสงค์ ที่จำกัดการสูญเสียความแม่นยำไว้ต่ำกว่า 5% ขณะทำการบีบอัด
• การจัดสรรการประมวลผลแบบไดนามิก โดยให้ความสำคัญกับโซนที่สำคัญเป็นพิเศษในแบบเรียลไทม์
• การควอนติเซชันแบบไฮบริด ที่รักษาระดับความแม่นยำ 16 บิตไว้สำหรับแผนที่คุณลักษณะหลัก

การวิเคราะห์ระบบฝังตัวจากปี 2023 เปิดเผยว่าอุปกรณ์ตรวจจับใต้น้ำสมัยใหม่ อุปกรณ์ตรวจจับใต้น้ำ ขณะนี้สามารถบรรลุความแม่นยำได้ถึง 89% ของค่าสูงสุดตามทฤษฎี พร้อมทั้งตอบสนองข้อกำหนดด้านความหน่วงเวลาที่เข้มงวดไม่เกิน 100 มิลลิวินาที—ซึ่งดีขึ้น 23% เมื่อเทียบกับเกณฑ์มาตรฐานปี 2021

คำถามที่พบบ่อย

อะไรเป็นสาเหตุที่ทำให้คุณภาพของภาพใต้น้ำลดลง

การเสื่อมคุณภาพของภาพใต้น้ำเกิดขึ้นหลัก ๆ จากการกระจายและการดูดซับแสง การเบี่ยงเบนของสี และความคมชัดต่ำอันเนื่องมาจา่อนุภาคในน้ำ

ระบบตรวจจับใต้น้ำปรับปรุงคุณภาพภาพได้อย่างไร

ระบบเหล่านี้ใช้เทคนิคต่าง ๆ เช่น การกำจัดหมอก การชดเชยความยาวคลื่นด้วยอัลกอริธึม และแบบจำลองการเรียนรู้เชิงลึก เพื่อฟื้นฟูความชัดเจนของภาพและเพิ่มประสิทธิภาพในการตรวจจับวัตถุ

YOLO คืออะไร และช่วยในการตรวจจับวัตถุใต้น้ำอย่างไร

YOLO (You Only Look Once) เป็นระบบตรวจจับวัตถุแบบเรียลไทม์ โดยใช้โมเดล YOLO ที่ปรับปรุงแล้วร่วมกับการเพิ่มประสิทธิภาพข้อมูลขอบ เพื่อตรวจพบเศษวัสดุใต้น้ำและยกระดับความแม่นยำในการตรวจจับ

เทคโนโลยีการตรวจจับใต้น้ำรุ่นล่าสุดมีประสิทธิภาพเพียงใด

เทคโนโลยีสมัยใหม่สามารถบรรลุค่าความแม่นยำเฉลี่ยประมาณ 79–83% ในสภาพแวดล้อมใต้น้ำที่แตกต่างกัน ซึ่งเหนือกว่าวิธีการแบบดั้งเดิมอย่างมาก