সাইডস্ক্যান সোনার ইমেজারি ব্যবহার করে পানির নিচের বস্তুর স্বয়ংক্রিয় শনাক্তকরণের জন্য একটি মেশিন ভিশন মেটা-অ্যালগরিদম

1. ভূমিকা

পানির নিচের বস্তু শনাক্তকরণ ও সনাক্তকরণে চ্যালেঞ্জিং পরিবেশ, নিম্নমানের চিত্রের গুণগত মান এবং স্কুবা বা আরওভির মতো ঐতিহ্যবাহী পদ্ধতির উচ্চ কার্যকারী খরচের কারণে উল্লেখযোগ্য চ্যালেঞ্জ বিদ্যমান। সাইডস্ক্যান সোনার-সজ্জিত স্বায়ত্তশাসিত আন্ডারওয়াটার যান (এইউভি)-এর বিস্তার ডেটা প্রবাহ সমস্যাকে আরও তীব্র করেছে, যা পোস্ট-প্রসেসিংয়ে একটি বাধা সৃষ্টি করেছে। এই গবেষণাপত্রটি সাইডস্ক্যান সোনার ইমেজারিতে বস্তুর রিয়েল-টাইম, স্বয়ংক্রিয় শনাক্তকরণের জন্য নকশাকৃত একটি নতুন মেটা-অ্যালগরিদম প্রস্তাব করে। লক্ষ্য হলো কাঁচা শব্দতরঙ্গ ডেটা প্রবাহকে বস্তুর ভৌগোলিক রেফারেন্সযুক্ত তালিকায় রূপান্তর করা, যা পানির নিচের প্রত্নতত্ত্ব এবং সমুদ্র বর্জ্য ব্যবস্থাপনা (যেমন, ভূত মাছ ধরার সরঞ্জাম উদ্ধার) প্রয়োগের জন্য পরিস্থিতিগত সচেতনতা বৃদ্ধি করে।

2. পূর্ববর্তী কাজ ও সমস্যা বিবৃতি

বস্তু শনাক্তকরণের জন্য ঐতিহ্যবাহী কম্পিউটার ভিশন পদ্ধতি, যেমন এসআইএফটি, সার্ফ এবং আধুনিক সিএনএন (অ্যালেক্সনেট, ভিজিজি), একটি গুরুত্বপূর্ণ সীমাবদ্ধতা ভাগ করে: তাদের লক্ষ্য বস্তুর ব্যাপক পূর্ব জ্ঞান এবং প্রশিক্ষণ ডেটা প্রয়োজন। এটি পানির নিচের ডোমেনে একটি বড় বাধা, যেখানে:

• লক্ষ্য বস্তু অত্যন্ত বৈচিত্র্যময় এবং সহজে শ্রেণীবদ্ধ করা যায় না (যেমন, জাহাজের ধ্বংসাবশেষ, বিভিন্ন মাছ ধরার সরঞ্জাম)।
• প্রশিক্ষণের জন্য বড়, লেবেলযুক্ত ডেটাসেট অর্জন করা অত্যন্ত কঠিন এবং ব্যয়বহুল।

প্রস্তাবিত অ্যালগরিদম শ্রেণীবিভাগ প্যারাডাইম থেকে অ্যানোমালি শনাক্তকরণ এবং ক্লাস্টারিং প্যারাডাইমে স্থানান্তর করে এটি সমাধান করে, পূর্ব-সংজ্ঞায়িত বস্তু মডেলের প্রয়োজনীয়তা দূর করে।

3. পদ্ধতিবিদ্যা: ৩-পর্যায়ের মেটা-অ্যালগরিদম

মূল উদ্ভাবন হলো একটি সরলীকৃত ওয়ার্কফ্লো যা কাঁচা সোনার ডেটাকে কার্যকরী বুদ্ধিমত্তায় প্রক্রিয়া করে।

3.1 পর্যায় ১: চিত্র সংশ্লেষণ ও সংশোধন

কাঁচা এক্সটিএফ ফরম্যাট সাইডস্ক্যান সোনার ডেটা (লাইভ স্ট্রিম বা ফাইল থেকে) ২ডি চিত্র সংশ্লেষণের জন্য প্রক্রিয়াজাত করা হয়। সংশোধিত, বিশ্লেষণ-প্রস্তুত চিত্র তৈরি করতে জ্যামিতিক (স্ল্যান্ট-রেঞ্জ সংশোধন) এবং রেডিওমেট্রিক (বীম প্যাটার্ন, গেইন সংশোধন) সমন্বয় প্রয়োগ করা হয়। এই পর্যায়টি নিশ্চিত করে যে ইনপুট ডেটা স্বাভাবিকীকৃত, সেন্সর-নির্দিষ্ট আর্টিফ্যাক্ট হ্রাস করে।

3.2 পর্যায় ২: বৈশিষ্ট্য পয়েন্ট ক্লাউড উৎপাদন

সম্পূর্ণ বস্তু খোঁজার পরিবর্তে, অ্যালগরিদমটি ২ডি বৈশিষ্ট্য শনাক্তকরণ অ্যালগরিদম (হ্যারিস কর্নার ডিটেক্টর বা ফাস্টের অনুরূপ) ব্যবহার করে মৌলিক দৃশ্যমান মাইক্রো-বৈশিষ্ট্যগুলি (যেমন, কোণ, প্রান্ত, ব্লব) শনাক্ত করে। আউটপুটটি একটি পয়েন্ট ক্লাউড যেখানে প্রতিটি পয়েন্ট একটি শনাক্তকৃত মাইক্রো-বৈশিষ্ট্য উপস্থাপন করে। চিত্রের বস্তুগুলিকে শব্দের পটভূমিতে এই বৈশিষ্ট্যগুলির ঘন সমষ্টি হিসাবে অনুমান করা হয়।

3.3 পর্যায় ৩: ক্লাস্টারিং ও এআরওআই সংজ্ঞায়ন

বৈশিষ্ট্য পয়েন্ট ক্লাউড একটি ক্লাস্টারিং অ্যালগরিদম (যেমন, ডিবিএসসিএএন বা একটি কাস্টম ঘনত্ব-ভিত্তিক পদ্ধতি) ব্যবহার করে প্রক্রিয়াজাত করা হয়। এই অ্যালগরিদম উচ্চ বৈশিষ্ট্য ঘনত্বযুক্ত অঞ্চলগুলি চিহ্নিত করে, যা সম্ভাব্য বস্তুর সাথে সম্পর্কিত। শব্দ পয়েন্টগুলি (বিক্ষিপ্ত, বিচ্ছিন্ন বৈশিষ্ট্য) বাতিল করা হয়। প্রতিটি ক্লাস্টারের জন্য সেন্ট্রয়েড গণনা করা হয়, যা একটি সুনির্দিষ্ট, ভৌগোলিক রেফারেন্সযুক্ত আগ্রহের অঞ্চল (এআরওআই) প্রদান করে। চূড়ান্ত আউটপুট হলো তাদের ভৌগোলিক স্থানাঙ্ক সহ এই এআরওআইগুলির একটি তালিকা।

4. কেস স্টাডি ও প্রয়োগ

গবেষণাপত্রটি দুটি স্বতন্ত্র ব্যবহারের ক্ষেত্রে অ্যালগরিদমটি যাচাই করে:

1. পানির নিচের প্রত্নতত্ত্ব: অ-সমরূপ, খণ্ডিত জাহাজ ধ্বংসাবশেষ শনাক্তকরণ যেখানে একটি ব্যাপক প্রশিক্ষণ সেট তৈরি করা অসম্ভব।
2. ভূত মাছ ধরার সরঞ্জাম উদ্ধার: সামুদ্রিক পরিবেশে হারানো বা পরিত্যক্ত মাছ ধরার জাল, ফাঁদ এবং অসংখ্য আকার ও আয়তনের লাইন শনাক্তকরণ।

উভয় ক্ষেত্রেই অ্যালগরিদমের শক্তি তুলে ধরে "লং-টেইল" শনাক্তকরণ সমস্যা পরিচালনায়, যেখানে বস্তুর পরিবর্তনশীলতা বেশি এবং উদাহরণ দুর্লভ।

5. প্রযুক্তিগত বিবরণ ও গাণিতিক কাঠামো

ক্লাস্টারিং পর্যায়টি গাণিতিকভাবে গুরুত্বপূর্ণ। ধরা যাক $P = \{p_1, p_2, ..., p_n\}$ হলো $\mathbb{R}^2$-এ বৈশিষ্ট্য পয়েন্টের সেট। ডিবিএসসিএএন-এর মতো একটি ঘনত্ব-ভিত্তিক ক্লাস্টারিং অ্যালগরিদম দুটি প্যারামিটারের ভিত্তিতে একটি ক্লাস্টার সংজ্ঞায়িত করে:

• $\epsilon$: দুটি পয়েন্টের মধ্যে সর্বোচ্চ দূরত্ব যাতে একটি অন্যটির প্রতিবেশী হিসাবে বিবেচিত হয়।
• $MinPts$: একটি ঘন অঞ্চল গঠনের জন্য প্রয়োজনীয় সর্বনিম্ন পয়েন্ট সংখ্যা।

একটি পয়েন্ট $p$ একটি কোর পয়েন্ট যদি কমপক্ষে $MinPts$ পয়েন্ট তার $\epsilon$ দূরত্বের মধ্যে থাকে। কোর পয়েন্ট থেকে পৌঁছানো যায় এমন পয়েন্টগুলি একটি ক্লাস্টার গঠন করে। কোনো কোর পয়েন্ট থেকে পৌঁছানো যায় না এমন পয়েন্টগুলিকে শব্দ হিসাবে লেবেল করা হয়। $\{p_i\}$ পয়েন্ট সহ ক্লাস্টার $k$-এর সেন্ট্রয়েড $C_k$ হিসাবে গণনা করা হয়: $C_k = \left( \frac{1}{|k|} \sum_{p_i \in k} x_i, \frac{1}{|k|} \sum_{p_i \in k} y_i \right)$। এই সেন্ট্রয়েড, সোনারের নেভিগেশন ডেটার মাধ্যমে ম্যাপ করা হলে, ভৌগোলিক রেফারেন্সযুক্ত এআরওআই প্রদান করে।

6. পরীক্ষামূলক ফলাফল ও কার্যকারিতা

যদিও প্রদত্ত পিডিএফ উদ্ধৃতিতে নির্দিষ্ট পরিমাণগত ফলাফল অন্তর্ভুক্ত নেই, বর্ণিত পদ্ধতিবিদ্যা মূল কার্যকারিতা মেট্রিক্স নির্দেশ করে:

• শনাক্তকরণ হার: পরীক্ষামূলক ডেটাসেটে সত্যিকারের বস্তু (জাহাজ ধ্বংসাবশেষ, মাছ ধরার সরঞ্জাম) শনাক্ত করার অ্যালগরিদমের ক্ষমতা।
• মিথ্যা ইতিবাচক হার: যে হারে প্রাকৃতিক সমুদ্রতলের বৈশিষ্ট্যগুলি (পাথর, বালির ঢেউ) ভুলভাবে বস্তু হিসাবে ক্লাস্টার করা হয়। ক্লাস্টারিং প্যারামিটার ($\epsilon$, $MinPts$) এটি কমানোর জন্য টিউন করা হয়।
• প্রক্রিয়াকরণ বিলম্বতা: একটি সোনার পিং গ্রহণ থেকে একটি এআরওআই তালিকা আউটপুট করার সময় একটি এইউভিতে রিয়েল-টাইম ব্যবহারের জন্য যথেষ্ট কম হতে হবে।
• ভিজ্যুয়াল আউটপুট: চূড়ান্ত আউটপুটকে একটি সাইডস্ক্যান সোনার চিত্র ওভারলে হিসাবে দৃশ্যমান করা যেতে পারে, যেখানে আবদ্ধ বাক্স বা মার্কারগুলি শনাক্তকৃত এআরওআই হাইলাইট করে, যা ভৌগোলিক স্থানাঙ্কের একটি টেবিলের সাথে সংযুক্ত।

7. বিশ্লেষণ কাঠামো: একটি ব্যবহারিক উদাহরণ

পরিস্থিতি: একটি এইউভি একটি ঐতিহাসিক জাহাজ ধ্বংসস্থল জরিপ করছে। সোনার ধ্বংসাবশেষ, পলল এবং শিলা গঠন সহ একটি জটিল চিত্র ফেরত দেয়।

1. ইনপুট: কাঁচা এক্সটিএফ ডেটা স্ট্রিম।
2. পর্যায় ১ আউটপুট: একটি সংশোধিত, গ্রেস্কেল সোনার চিত্র।
3. পর্যায় ২ আউটপুট: চিত্রের উপর ওভারলে করা একটি স্ক্যাটার প্লট, হাজার হাজার শনাক্তকৃত কোণ/প্রান্ত পয়েন্ট দেখায়। ধ্বংসাবশেষ ক্ষেত্রটি পার্শ্ববর্তী সমুদ্রতলের চেয়ে উল্লেখযোগ্যভাবে ঘন ক্লাউড দেখায়।
4. পর্যায় ৩ আউটপুট: স্ক্যাটার প্লট এখন রঙ-কোডেড: বেশ কয়েকটি স্বতন্ত্র, ঘন ক্লাস্টার (লাল, নীল, সবুজ) এআরওআই হিসাবে চিহ্নিত করা হয়েছে, যখন বিচ্ছিন্ন পয়েন্টগুলি ধূসর (শব্দ)। সিস্টেম আউটপুট দেয়: এআরওআই-০০১: অক্ষাংশ ৪৮.১২৩, দ্রাঘিমাংশ -৬৮.৪৫৬ | এআরওআই-০০২: অক্ষাংশ ৪৮.১২৪, দ্রাঘিমাংশ -৬৮.৪৫৫।
5. কর্ম: একজন প্রত্নতাত্ত্বিক তালিকাটি পর্যালোচনা করে এবং আরওভি পরিদর্শনের জন্য এআরওআই-০০১-কে অগ্রাধিকার দেয়।

8. ভবিষ্যৎ প্রয়োগ ও গবেষণা দিকনির্দেশ

মেটা-অ্যালগরিদম কাঠামোটি সম্প্রসারণের জন্য প্রস্তুত:

• মাল্টি-সেন্সর ফিউশন: উন্নত বস্তু চরিত্রায়নের জন্য ৩ডি বৈশিষ্ট্য পয়েন্ট ক্লাউড তৈরি করতে মাল্টিবিম ইকোসাউন্ডার ব্যাথিমেট্রি বা সাব-বটম প্রোফাইলার ডেটা থেকে বৈশিষ্ট্যগুলি একীভূত করা।
• হাইব্রিড এআই মডেল: নন-সুপারভাইজড এআরওআই শনাক্তকরণকে একটি "প্রি-ফিল্টার" হিসাবে ব্যবহার করা, তারপর প্রতিটি উচ্চ-আত্মবিশ্বাসের এআরওআই-এর মধ্যে বস্তুর *প্রকার* শ্রেণীবদ্ধ করতে হালকা, বিশেষায়িত সিএনএন প্রয়োগ করা (যেমন, "জাল" বনাম "পাত্র")।
• অভিযোজিত ক্লাস্টারিং: বিভিন্ন সমুদ্রতলের প্রকারের (কাদা, বালি, পাথর) সাথে স্বয়ংক্রিয়ভাবে সামঞ্জস্য করার জন্য ক্লাস্টারিং প্যারামিটারের জন্য অনলাইন লার্নিং বাস্তবায়ন।
• মানসম্মত ডেটা পণ্য: সামুদ্রিক স্থানিক ডেটা অবকাঠামোতে অবিলম্বে একীকরণের জন্য মানসম্মত জিআইএস ফরম্যাটে (জিওজেসন, কেএমএল) এআরওআই আউটপুট করা।

9. তথ্যসূত্র

1. Lowe, D. G. (1999). Object recognition from local scale-invariant features. Proceedings of the Seventh IEEE International Conference on Computer Vision.
2. Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-Up Robust Features (SURF). Computer Vision and Image Understanding.
3. Viola, P., & Jones, M. (2004). Robust Real-Time Face Detection. International Journal of Computer Vision.
4. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. KDD.
5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI. (এআরওআই পরিশোধন করার জন্য প্রাসঙ্গিক উন্নত সেগমেন্টেশনের উদাহরণ হিসাবে)।

10. বিশ্লেষকের দৃষ্টিভঙ্গি: মূল অন্তর্দৃষ্টি ও সমালোচনা