Su Altı Görüntü Kalitesi Bozulmasının Karşılaşılan Zorluklarını Anlamak

Sualtı Ortamlarında Işık Saçılması ve Soğurulması

Su altındaki ışık gerçekten oldukça tuhaf davranır. Nature dergisinin 2023 yılında belirttiği gibi, yaklaşık 10 metre derinliğe indiğimizde kırmızı renkler mavi olanlara göre yaklaşık 30 kat daha hızlı bir şekilde soğurulur. Bu durum, her şeye mavi-yeşil bir ton kattığı için gelişmiş su altı kameralarının ve sensörlerinin önemli nesneleri ayırt etmesini gerçekten zorlaştırır. Ayrıca fitoplankton gibi çok sayıda küçük parçacık ışığı her yöne yansıtır. Sisli kıyı bölgelerinde bu durum bazen kontrast görünürlüğü neredeyse tamamen ortadan kaldırabilir. Bu tür sorunlar nedeniyle, otonom su altı robotları, çarpışmaları önlemek için normal hızlarını yaklaşık üçte iki oranında azaltmak zorundadır ve bu durum Underwater Vision Raporu'nun 2024 yılı bulgularında vurgulanmıştır.

Gerçek Zamanlı Tespit Sistemlerinde Renk Bozulması ve Düşük Kontrast

Çoğu güncel görüntüleme sistemi, spektrumdaki kırmızı ve sarı dalga boylarının yaklaşık %78'ini yakalayamaz, bu da su altındaki paslı boruları veya çeşitli deniz canlılarını tespit etmeyi gerçekten zorlaştırır. 2024 yılına ait sektörel raporlara bakıldığında, bu görüntülerde renk dengesini düzelttiğimizde nesne tanıma başarısının önemli ölçüde arttığı, özellikle zorlu denizaltı kontrolleri sırasında yaklaşık %54'lük doğruluktan neredeyse %90'a kadar çıktığı görülmektedir. Bununla birlikte karşılaşılan başka bir sorun daha var. Su içinde küçük parçacıklar dolaştığında ışığı her yere yansıtır ve kontrast oranlarının 1:4'ün altına düşmesine neden olur. Bu durum, gelişmiş bilgisayar görüş sistemlerimizin bile bazen zorlandığı o sinir bozucu puslu görüntülerin oluşmasına yol açar.

Kötü Görünürlüğün Nesne Tanıma Doğruluğuna Etkisi

Göller bulanıklaştığında, görünürlük standart sonar-optik füzyon sistemlerinin düzgün çalışması için gereken 60 cm'nin çok altına düşen 15 ila 40 santimetreye kadar iner. Sonuç? Çok sayıda tespit kaçırılır. Otonom su altı araçlarıyla ilgili bazı araştırmalara göre, bu sorun nedeniyle her on enkaz alanından yedisi tespit edilemez. Yeni yaklaşımlar artık çoklu-spektrumlu görüntüleme tekniklerini uyarlanabilir histogram eşitleme adı verilen bir yöntemle birleştiriyor. Bu yöntemler, gerçek zamanlı işlem sırasında kaybolan kenarların yaklaşık %83'ünü geri kazanmayı başarıyor. Üreticilerin daha iyi su altı haritalama sonuçları elde etmek amacıyla bu gelişmiş çözümlere yönelmeleri şaşırtıcı değil.

Güvenilir Tespit İçin Su Altı Görüntü İyileştirme Teknikleri

Bulanıklığı Giderme ve Kontrast Geri Kazanım Yöntemleri

Günümüzün su altı tespit ekipmanları, farklı dalgaboylarının suda değişen oranlarda emilmesi nedeniyle oluşan renk bozulmalarını düzeltmek için dalga boyu telafisi algoritmalarına dayanmaktadır. 2021 yılında Liu ve meslektaşları tarafından yayımlanan araştırmaya göre, çok ölçekli retinex işleme gibi oldukça gelişmiş yöntemler bulanık koşullarda kaybolan bilginin yaklaşık %85-90'ını geri kazandırabilmektedir. Bu yaklaşımı eski yöntemlerden ayıran şey, derin deniz görüntülemede ışığın farklı derinliklerde farklı şekilde saçılması durumunu ele almak için tekrarlanan arka plan ışık hesaplamalarına ihtiyaç duyulmasıdır. Alan testleri, bu yeni yöntemlerin nesne tespit doğruluğunu yaklaşık %35-40 oranında artırdığını göstermiştir ve net görünürlüğün kritik olduğu operasyonlar için bu artış büyük önem taşımaktadır.

Küçük Nesnelerin Netliği İçin Kenar Koruyucu Filtreler

İkili ve yönlendirilmiş filtreler, deniz altyapısının ve biyolojik örneklerin ince kenarlarını koruyarak sonar verilerini geliştirir. Bu filtreler, çökelti girişimine rağmen 5-15 piksel büyüklüğündeki özellikleri korur. 2023 IEEE Sinyal İşleme çalışmasında, optimize edilmiş kenar filtrelerinin bulanık sularda mercan poliplerini tespit etme doğruluğunu %72'den %88'e çıkardığı bulunmuştur.

Otomatik Görüntü Onarımı için Derin Öğrenme Modelleri

En son uçtan uca nöral ağ yaklaşımları, aslında geleneksel tekniklerin performansını geride bırakmış ve 2023'te Wang ve meslektaşlarının standart kıyaslama testlerine göre SSIM ölçeğinde yaklaşık 0.91 değerine ulaşmıştır. Fiziksel modelleme ile zekice GAN tarafından oluşturulan öncüleri birleştiren mimarilere baktığımızda, eski tip kurallara dayalı sistemlere kıyasla onarım hatalarını neredeyse yarıya indirdikleri görülmektedir. Bu yeni modelleri gerçekten öne çıkaran şey, parlak metal yansıtmalarını bozmadan sinir bozucu renk baskınlarını düzeltme yetenekleridir. Bu özellikle görsel netliğin erken sorun tespiti ile tamamen kaçırılması arasında fark yarattığı deniz altı boru hatlarının durumunu kontrol etmek açısından büyük önem taşır.

Zorlu Su Altı Ortamlarında İleri Seviye Küçük Nesne Tespiti

Sulak Sularında Geleneksel Tespitlemenin Sınırlamaları

Standart nesne tespit yöntemleri, berrak su ortamlarında çalışırken yaklaşık %62 ortalama mAP (mAP - mean average precision) değerine ulaşır, ancak geçen yıl Frontiers in Marine Science'de yayımlanan araştırmaya göre, bu değer bulanık koşullarda yalnızca %34 mAP'ye düşer. Sorun, partikül saçılmasının geleneksel CNN mimarilerinin kenar tespit yeteneklerini bozmasında yatmaktadır ve bu mimariler genellikle yaklaşık 50 santimetreküpten daha küçük nesneleri tespit etmekte başarısız olur. Bu yüzden neredeyse beşte dört deniz bilimcinin, alt su tespit sistemlerinin doğruluk ve güvenilirliğini test ederken en büyük sorun olarak su şeffaflığını göstermesi şaşırtıcı değildir.

Daha Yüksek Doğruluk için Çok Ölçekli Özellik Birleştirme

Yeni nesil sistemler, çok aşamalı çok kollu mimariler kullanarak yüzeysel doku özelliklerini derin anlamsal verilerle birleştirir. 2024 yılında yapılan bir çalışma, çift kanallı özellik birleşiminin tek ölçekli yaklaşımlara göre küçük nesne hatırlamayı %41 artırdığını göstermiştir. Şekil değiştiren evrişim katmanlarıyla birlikte kullanıldığında, kenarlara yönelik optimize edilmiş ağlar, su altındaki yapılarda bulunan yosun kümeleri gibi kritik detayları korur.

Vaka Çalışması: Optimize Algoritmalarla Su Altı Enkazının Tespiti

Uzamsal dikkat mekanizmalarıyla donatılmış değiştirilmiş YOLOv8 modelleri, Baltık Denizi'nin puslu sularında bile 10 mm'den küçük mikroplastikleri tespit etmede oldukça etkili olmuştur ve yaklaşık %89'lık bir tespit doğruluğuna ulaşmıştır. Bu sistemi öne çıkaran şey, ardışık video kareleri arasında yapılan akıllıca zamansal tutarlılık kontrolleri sayesinde sediment bulutlarının neden olduğu gereksiz yanlış pozitifleri neredeyse üçte ikiye düşüren hibrit yaklaşımıdır. Alan testleri, otonom su altı araçlarının artık sensör performansında herhangi bir düşüş olmadan saatte yalnızca 0,3 knot hızla hareket ederken enkaz bölgelerinin ayrıntılı haritalarını oluşturabildiğini göstermiştir. Bu önemli çünkü daha düşük hızlar daha iyi çözünürlük anlamına gelir ancak uzun süreli görevler için yine de operasyonel verimliliğin korunması kritiktir.

Gerçek Zamanlı Su Altı Uygulamaları için YOLO Tabanlı Tespit Sistemleri

Su Altı Tespit Ekipmanlarında YOLO Mimarilerinin Evrimi

YOLO modellerinin en yeni sürümleri, su altı tespiti ihtiyaçları konusunda gerçekten büyük ilerleme kaydetti. Örneğin YOLOv11'i ele alalım. Bu sürüm, C3K2 bloklarının yanı sıra uzamsal piramit havuz birleştirme (kısaca SPPF) adı verilen bir yapıyı da beraberinde getiriyor. Bu eklemeler, sisli su koşullarında farklı ölçekteki hedeflerin tespit edilmesi konusunda sistemin başarımını artırıyor. Geçen yıl Nature dergisine göre yapılan testler, eski model sürümlerine kıyasla yaklaşık %18'lik bir iyileşme gösterdi. Bir diğer dikkat çekici özellik ise kontrastın son derece düşük olduğu zorlu deniz tabanı sahnelerine bakarken bile daha iyi öznitelikler çıkarmaya yardımcı olan piksele kanal odaklı dikkat mekanizmasıdır. Dalgaların altında çalışan araştırmacılar için bu geliştirmeler, dalışlarından anlamlı veriler elde etmede büyük fark yaratıyor.

Kenar Bilgisi Optimizasyonu ile Değiştirilmiş YOLO Modelleri

Yeni yaklaşımlar, sık sık gözden kaçırdığımız bu küçük nesneler için görünürlüğü artırmak amacıyla kenar koruyucu filtreleri ve çok ölçekli seçim tekniklerini birlikte daha iyi kullanıyor. MAW YOLOv11 modelini bir örnek olarak ele alalım. Bu model, yaklaşık %22 oranında hesaplama gereksinimini azaltan Çok Ölçekli Kenar Bilgisi Seçimi modülüne sahip. Su altındaki enkaz tespiti görevlerinde hâlâ %81,4'lük ortalama ortalama doğruluk (mAP) değerine ulaşmayı başarması oldukça etkileyici. Pratikte bu, yaklaşık saniyede 45 kare hızında gerçek zamanlı işlem yapabilme kabiliyeti anlamına geliyor. Bu hız, normalde görüntü tanımayı engelleyebilecek tortu parçacıkları ile dolu bulanık su koşullarında bile çalışan geleneksel evrişimli sinir ağlarının çoğunun sağlayabildiği süreden üç kat daha hızlı.

Performans Karşılaştırmaları: Gerçek Dünya Koşullarında mAP İyileştirmeleri

Alan testleri, değişen görünürlük seviyelerinde değiştirilmiş YOLO modellerinin geleneksel sistemlere göre 14-19 puan daha yüksek olan %79-83 arası mAP değerine ulaştığını göstermektedir. Temel performans metrikleri aşağıda özetlenmiştir:

Model Türü	mAP (%)	Çıkarım Hızı (FPS)	Güç Tüketimi
YOLOv11n	78.6	38	45W
MAW-YOLOv11	81.4	45	39W
LFN-YOLO	83.2	52	33W

Otonom Su Altı Araçları (AUV'ler) ile Entegrasyon

YOLO teknolojisinin yeni hafif versiyonları, sınırlı bilgisayar gücüne sahip olsalar bile otonom su altı araçlarının nesneleri gerçek zamanlı olarak tespit etmesini mümkün kılmaktadır. Bu edge computing modüllerine CLLAHead tasarımı uygulandığında, normal işlem hızının yaklaşık %94'ünü korumaktadır. Bu, aracın ısınmadan veya yavaşlamadan saatte yaklaşık 2,8 knot hızla hareket ederken okyanus tabanını sürekli haritalamasına olanak tanır. Geçen yıl Frontiers in Marine Science'de yayımlanan araştırmaya göre, bu yapılandırma yüzeyden kontrol edilen sistemlere kıyasla boru hattı denetimleri sırasında kaçırılan tespitleri neredeyse %40 oranında azaltmaktadır.

Hafif Algılama Modellerinde Hassasiyet ve Verimlilik Dengesi

Su altı algılama ekipmanları, dar kaynak sınırlamaları altında milimetre düzeyinde doğruluk ile gerçek zamanlı işlemeyi dengelemelidir. Son model optimizasyonları, tespit doğruluğunu kaybetmeden 2022 temel değerlerine kıyasla çıkarım hızında %37'lik bir iyileşme sağlamıştır.

Su Altı Sistemlerinde Kenar Cihazlara Model Sıkıştırma ile Dağıtım

Pruning (budama) ve nicemleme, düşük işlem gücüne sahip kenar cihazlarda algılama modellerinin dağıtımına olanak tanır. 2024 yılında yapılan gömülü vizyon araştırması, yalnızca 2,7 milyon parametreye sahip, standart YOLOv8'den %58 daha az olmasına rağmen doğruluğu eşleştiren ve %73,4 mAP başarı elde eden hafif bir model göstermiştir. Bu verimlilik, 50W'ın altında güç bütçesi olan AUV'lerde çalışmayı mümkün kılar.

Optimal Hız-Doğruluk Dengelemesi için Sinirsel Mimari Arama

Sinir ağı mimarisi araması (NAS) kullanarak otomatikleştirilmiş tasarım teknikleri, bulanık koşullarda manuel olarak oluşturulan ağlara göre %19 daha hızlı çıkarım sağlar. Frontier Institute'nin (2023) araştırması, NAS'ın derinlikli evrişimler ve dikkat katmanları arasında otomatik olarak denge kurarak 32 FPS'de küçük deniz organizmaları için %97,5 doğruluk elde edebileceğini göstermiştir.

Sektörün Paradoksu: Yüksek Doğruluk vs. Gerçek Zamanlı İşleme

Merkezi zorluk, doğruluk ile gecikme arasındaki ödünleşimi aşmaktır. Mevcut stratejiler şunları içerir:

• Sıkıştırma sırasında doğruluk kaybını %5'in altına sınırlayan çok amaçlı optimizasyon çerçeveleri
• Gerçek zamanlı olarak kritik bölgelere öncelik veren dinamik işlem tahsisi
• Anahtar özellik haritaları için 16 bit hassasiyeti koruyan hibrit kuantalama

2023 yılına ait gömülü sistemler analizi, modern su altı tespit ekipmanının artık teorik maksimum doğruluğun %89'unu yakalayabildiğini ve sert 100ms gecikme gereksinimlerini karşılayabildiğini göstermiştir—2021 referans değerlerine kıyasla %23'lük bir iyileşme.

SSS

Su altı görüntüsünün kalitesini ne bozar?

Su altı görüntüsünün kalitesi, su içindeki parçacıklar nedeniyle ışığın saçılması ve soğurulması, renk bozulması ve düşük kontrast nedeniyle başlıca etkilenir.

Su altı tespit sistemleri görüntü kalitesini nasıl iyileştirir?

Bulanıklığı giderme, dalga boyu telafisi algoritmaları ve derin öğrenme modelleri gibi teknikler kullanarak görüntü netliğini geri kazandırır ve nesne tespitini geliştirir.

YOLO nedir ve su altı nesne tespitinde nasıl yardımcı olur?

YOLO (You Only Look Once), gerçek zamanlı nesne tespit sistemi olarak bilinir. Kenar bilgisi optimizasyonu ile değiştirilmiş YOLO modelleri, su altındaki enkazları tespit etmek ve doğruluğu artırmak için kullanılır.

En yeni su altı tespit teknolojilerinin etkinliği nedir?

Modern teknolojiler değişen su altı koşullarında yaklaşık %79-83'lük bir ortalama duyarlılık sağlar ve geleneksel yöntemlere kıyasla önemli ölçüde üstün performans gösterir.