साइडस्कैन सोनार इमेजरी का उपयोग करके जलमग्न वस्तुओं के स्वचालित पहचान के लिए एक मशीन विज़न मेटा-एल्गोरिदम

1. परिचय

जलमग्न वस्तुओं का पता लगाना और पहचानना एक महत्वपूर्ण चुनौती है, जिसका कारण प्रतिकूल वातावरण, खराब छवि गुणवत्ता और एससीयूबीए या आरओवी जैसी पारंपरिक विधियों की उच्च परिचालन लागत है। साइडस्कैन सोनार से लैस स्वायत्त अंडरवाटर वाहनों (एयूवी) के प्रसार ने डेटा की बाढ़ की समस्या को और बढ़ा दिया है, जिससे पोस्ट-प्रोसेसिंग में अड़चन पैदा हो गई है। यह शोध पत्र साइडस्कैन सोनार इमेजरी में वस्तुओं की वास्तविक समय, स्वचालित पहचान के लिए डिज़ाइन किए गए एक नवीन मेटा-एल्गोरिदम का प्रस्ताव करता है। लक्ष्य कच्चे ध्वनिक डेटा स्ट्रीम को वस्तुओं के भू-संदर्भित कैटलॉग में बदलना है, जिससे जलमग्न पुरातत्व और समुद्री अपशिष्ट प्रबंधन (जैसे, गोस्ट फिशिंग गियर पुनर्प्राप्ति) में अनुप्रयोगों के लिए स्थितिजन्य जागरूकता बढ़े।

2. पूर्व कार्य एवं समस्या कथन

वस्तु पहचान के लिए पारंपरिक कंप्यूटर विज़न दृष्टिकोण, जैसे एसआईएफटी, सर्फ और आधुनिक सीएनएन (एलेक्सनेट, वीजीजी), एक महत्वपूर्ण सीमा साझा करते हैं: उन्हें लक्ष्य वस्तुओं के व्यापक पूर्व ज्ञान और प्रशिक्षण डेटा की आवश्यकता होती है। यह जलमग्न क्षेत्रों में एक बड़ी बाधा है, जहां:

• लक्ष्य वस्तुएं अत्यधिक विविध होती हैं और आसानी से वर्गीकृत नहीं की जा सकतीं (जैसे, जहाज का मलबा, विभिन्न मछली पकड़ने के उपकरण)।
• प्रशिक्षण के लिए बड़े, लेबल किए गए डेटासेट प्राप्त करना अत्यंत कठिन और महंगा है।

प्रस्तावित एल्गोरिदम वर्गीकरण प्रतिमान से असामान्यता पहचान और क्लस्टरिंग प्रतिमान की ओर बदलाव करके इस समस्या का समाधान करता है, जिससे पूर्व-निर्धारित वस्तु मॉडल की आवश्यकता समाप्त हो जाती है।

3. पद्धति: 3-चरणीय मेटा-एल्गोरिदम

मुख्य नवाचार एक सुव्यवस्थित वर्कफ़्लो है जो कच्चे सोनार डेटा को क्रियाशील खुफिया जानकारी में संसाधित करता है।

3.1 चरण 1: छवि संश्लेषण एवं संशोधन

कच्चे एक्सटीएफ़ फॉर्मेट साइडस्कैन सोनार डेटा (लाइव स्ट्रीम या फ़ाइलों से) को 2डी छवियों के संश्लेषण के लिए संसाधित किया जाता है। ज्यामितीय (स्लैंट-रेंज संशोधन) और रेडियोमेट्रिक (बीम पैटर्न, गेन संशोधन) समायोजन लागू किए जाते हैं ताकि संशोधित, विश्लेषण-तैयार इमेजरी तैयार हो सके। यह चरण सुनिश्चित करता है कि इनपुट डेटा सामान्यीकृत है, जिससे सेंसर-विशिष्ट कलाकृतियां कम हो जाती हैं।

3.2 चरण 2: फ़ीचर पॉइंट क्लाउड जनरेशन

पूरी वस्तुओं की तलाश करने के बजाय, एल्गोरिदम मौलिक दृश्य सूक्ष्म-विशेषताओं (जैसे, कोने, किनारे, ब्लॉब) का पता लगाता है, जिसके लिए 2डी फ़ीचर डिटेक्शन एल्गोरिदम (हैरिस कॉर्नर डिटेक्टर या फ़ास्ट के समान) का उपयोग किया जाता है। आउटपुट एक पॉइंट क्लाउड होता है जहां प्रत्येक बिंदु एक पहचानी गई सूक्ष्म-विशेषता का प्रतिनिधित्व करता है। छवि में वस्तुओं को शोर की पृष्ठभूमि में इन विशेषताओं के घने समूह के रूप में परिकल्पित किया जाता है।

3.3 चरण 3: क्लस्टरिंग एवं आरओआई परिभाषा

फ़ीचर पॉइंट क्लाउड को एक क्लस्टरिंग एल्गोरिदम (जैसे, डीबीएससीएएन या एक कस्टम डेंसिटी-आधारित विधि) का उपयोग करके संसाधित किया जाता है। यह एल्गोरिदम उच्च फ़ीचर घनत्व वाले क्षेत्रों की पहचान करता है, जो संभावित वस्तुओं से मेल खाते हैं। शोर बिंदु (विरल, पृथक विशेषताएं) अस्वीकार कर दिए जाते हैं। प्रत्येक क्लस्टर के लिए, केन्द्रक की गणना की जाती है, जो एक सटीक, भू-संदर्भित रुचि का क्षेत्र (आरओआई) प्रदान करता है। अंतिम आउटपुट इन आरओआई का उनके भौगोलिक निर्देशांकों के साथ एक कैटलॉग होता है।

4. केस स्टडीज़ एवं अनुप्रयोग

शोध पत्र एल्गोरिदम को दो अलग-अलग उपयोग के मामलों से मान्य करता है:

1. जलमग्न पुरातत्व: गैर-समान, खंडित जहाज़ के मलबे का पता लगाना, जहां एक व्यापक प्रशिक्षण सेट बनाना असंभव है।
2. गोस्ट फिशिंग गियर पुनर्प्राप्ति: समुद्री वातावरण में खोए या छोड़े गए मछली पकड़ने के जाल, जाल और रस्सियों की असंख्य आकृतियों और आकारों की पहचान करना।

दोनों मामले एल्गोरिदम की ताकत को उजागर करते हैं, जो "लॉन्ग-टेल" पहचान समस्याओं को संभालने में सक्षम है, जहां वस्तु परिवर्तनशीलता उच्च होती है और उदाहरण दुर्लभ होते हैं।

5. तकनीकी विवरण एवं गणितीय ढांचा

क्लस्टरिंग चरण गणितीय रूप से महत्वपूर्ण है। मान लीजिए $P = \{p_1, p_2, ..., p_n\}$ $\mathbb{R}^2$ में फ़ीचर बिंदुओं का समुच्चय है। डीबीएससीएएन जैसा डेंसिटी-आधारित क्लस्टरिंग एल्गोरिदम दो पैरामीटरों के आधार पर एक क्लस्टर को परिभाषित करता है:

• $\epsilon$: दो बिंदुओं के बीच की अधिकतम दूरी ताकि एक को दूसरे के पड़ोस में माना जा सके।
• $MinPts$: एक घने क्षेत्र बनाने के लिए आवश्यक न्यूनतम बिंदुओं की संख्या।

एक बिंदु $p$ एक कोर पॉइंट है यदि कम से कम $MinPts$ बिंदु उससे $\epsilon$ दूरी के भीतर हैं। कोर पॉइंट से पहुंच योग्य बिंदु एक क्लस्टर बनाते हैं। किसी भी कोर पॉइंट से पहुंच योग्य नहीं होने वाले बिंदुओं को शोर लेबल किया जाता है। बिंदुओं $\{p_i\}$ वाले क्लस्टर $k$ का केन्द्रक $C_k$ इस प्रकार परिकलित किया जाता है: $C_k = \left( \frac{1}{|k|} \sum_{p_i \in k} x_i, \frac{1}{|k|} \sum_{p_i \in k} y_i \right)$। यह केन्द्रक, सोनार के नेविगेशन डेटा के माध्यम से मैप किया गया, भू-संदर्भित आरओआई प्रदान करता है।

6. प्रायोगिक परिणाम एवं प्रदर्शन

हालांकि प्रदान किए गए पीडीएफ़ अंश में विशिष्ट मात्रात्मक परिणाम शामिल नहीं हैं, वर्णित पद्धति प्रमुख प्रदर्शन मेट्रिक्स का संकेत देती है:

• पहचान दर: टेस्ट डेटासेट में वास्तविक वस्तुओं (जहाज का मलबा, मछली पकड़ने के उपकरण) की पहचान करने की एल्गोरिदम की क्षमता।
• गलत सकारात्मक दर: वह दर जिस पर प्राकृतिक समुद्र तल विशेषताओं (चट्टानें, रेत की लहरें) को गलती से वस्तुओं के रूप में क्लस्टर किया जाता है। क्लस्टरिंग पैरामीटर ($\epsilon$, $MinPts$) को इसे कम करने के लिए ट्यून किया जाता है।
• प्रोसेसिंग विलंबता: सोनार पिंग प्राप्त करने से लेकर आरओआई कैटलॉग आउटपुट करने तक का समय एयूवी पर वास्तविक समय उपयोग के लिए पर्याप्त कम होना चाहिए।
• दृश्य आउटपुट: अंतिम आउटपुट को साइडस्कैन सोनार छवि ओवरले के रूप में देखा जा सकता है, जहां बाउंडेड बॉक्स या मार्कर पहचाने गए आरओआई को हाइलाइट करते हैं, जो भौगोलिक निर्देशांक की एक तालिका से जुड़े होते हैं।

7. विश्लेषण ढांचा: एक व्यावहारिक उदाहरण

परिदृश्य: एक एयूवी एक ऐतिहासिक जहाज़ के मलबे वाली साइट का सर्वेक्षण कर रहा है। सोनार मलबे, तलछट और चट्टानी संरचनाओं के साथ एक जटिल छवि लौटाता है।

1. इनपुट: कच्चा एक्सटीएफ़ डेटा स्ट्रीम।
2. चरण 1 आउटपुट: एक संशोधित, ग्रेस्केल सोनार छवि।
3. चरण 2 आउटपुट: छवि पर अध्यारोपित एक स्कैटर प्लॉट, जो हजारों पहचाने गए कोने/किनारे बिंदुओं को दर्शाता है। मलबे का क्षेत्र आसपास के समुद्र तल की तुलना में काफी घना क्लाउड दिखाता है।
4. चरण 3 आउटपुट: स्कैटर प्लॉट अब रंग-कोडित है: कई अलग-अलग, घने क्लस्टर (लाल, नीला, हरा) आरओआई के रूप में पहचाने जाते हैं, जबकि पृथक बिंदु ग्रे (शोर) होते हैं। सिस्टम आउटपुट करता है: ROI-001: अक्षांश 48.123, देशांतर -68.456 | ROI-002: अक्षांश 48.124, देशांतर -68.455।
5. कार्रवाई: एक पुरातत्वविद् कैटलॉग की समीक्षा करता है और आगे के आरओवी निरीक्षण के लिए आरओआई-001 को प्राथमिकता देता है।

8. भविष्य के अनुप्रयोग एवं शोध दिशाएं

मेटा-एल्गोरिदम ढांचा विस्तार के लिए तैयार है:

• मल्टी-सेंसर फ्यूज़न: बेहतर वस्तु चरित्रण के लिए 3डी फ़ीचर पॉइंट क्लाउड बनाने के लिए मल्टीबीम इकोसाउंडर बैथिमेट्री या सब-बॉटम प्रोफाइलर डेटा से विशेषताओं को एकीकृत करना।
• हाइब्रिड एआई मॉडल: अनसुपरवाइज्ड आरओआई डिटेक्शन का उपयोग "प्री-फ़िल्टर" के रूप में करना, फिर प्रत्येक उच्च-विश्वास वाले आरओआई के भीतर वस्तु के *प्रकार* (जैसे, "जाल" बनाम "पॉट") को वर्गीकृत करने के लिए हल्के, विशेष सीएनएन लागू करना।
• अनुकूली क्लस्टरिंग: विभिन्न समुद्र तल प्रकारों (कीचड़, रेत, चट्टान) के लिए स्वचालित रूप से समायोजित होने के लिए क्लस्टरिंग पैरामीटर के लिए ऑनलाइन लर्निंग लागू करना।
• मानकीकृत डेटा उत्पाद: समुद्री स्थानिक डेटा अवसंरचना में तत्काल एकीकरण के लिए मानकीकृत जीआईएस प्रारूपों (जियोजेसन, केएमएल) में आरओआई आउटपुट करना।

9. संदर्भ

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. (आरओआई को परिष्कृत करने के लिए प्रासंगिक उन्नत सेगमेंटेशन के उदाहरण के रूप में)।

10. विश्लेषक का परिप्रेक्ष्य: मूल अंतर्दृष्टि एवं आलोचना