साइड-स्कैन सोनार इमेजरी पर आधारित अंडरवाटर टार्गेट ऑटोमैटिक रिकग्निशन मशीन विज़न मेटा-एल्गोरिदम

1. परिचय

यह पत्र जल सर्वेक्षण, खोज और बचाव, पानी के नीचे पुरातत्व और समुद्री विज्ञान जैसे क्षेत्रों में पानी के नीचे लक्ष्यों का पता लगाने की महत्वपूर्ण चुनौती को संबोधित करना चाहता है। प्रतिकूल वातावरण, उच्च-गुणवत्ता वाली छवियां प्राप्त करने में कठिनाई, और मानवयुक्त या रिमोटली संचालित वाहन समाधानों की उच्च लागत महत्वपूर्ण परिचालन बाधाएं पैदा करती हैं। साइड-स्कैन सोनार जैसे ध्वनिक सेंसर से लैस स्वायत्त अंडरवाटर वाहनों (AUVs) के व्यापक उपयोग के साथ, बड़ी मात्रा में डेटा स्ट्रीम उत्पन्न होती है, जिससे पोस्ट-प्रोसेसिंग चरण में अड़चन आती है। यह पत्र एक नवीन वास्तविक-समय मेटा-एल्गोरिदम प्रस्तावित करता है जिसका उद्देश्य साइड-स्कैन सोनार छवियों से लक्ष्यों का स्वचालित रूप से पता लगाना और उन्हें भू-संदर्भित करना है, ताकि लागत कम हो, विलंबता कम हो और स्थितिजन्य जागरूकता बढ़े।

2. पूर्व कार्य एवं शोध पृष्ठभूमि

लेखकों ने अपने कार्य की तुलना पारंपरिक फीचर डिस्क्रिप्टर विधियों (जैसे SIFT, SURF, BRIEF, ORB) और आधुनिक कन्वेन्शनल न्यूरल नेटवर्क (जैसे AlexNet, VGG, GoogLeNet) के संदर्भ में की है। उन्होंने एक महत्वपूर्ण सीमा को सही ढंग से इंगित किया है: इन विधियों को लक्ष्य वस्तु कीपूर्वानुमानज्ञान और प्रशिक्षण डेटासेट की बड़ी मात्रा। जलमग्न क्षेत्र में, लक्ष्य वस्तुओं की विविधता (जैसे, जहाजों के मलबे या मछली पकड़ने के उपकरण के असंख्य प्रकार) और दुर्लभ या महंगे एनोटेटेड डेटा एक प्रमुख बाधा बनते हैं। उनके एल्गोरिदम को एकसार्वभौमिक डिटेक्टरविशिष्ट लक्ष्य टेम्पलेट या बड़े प्रशिक्षण सेट की आवश्यकता को दरकिनार कर दिया।

3. पद्धति: तीन-चरण मेटा-एल्गोरिदम

इसकी मूल नवीनता एक सुव्यवस्थित तीन-चरण प्रसंस्करण प्रवाह है, जो कच्चे सेंसर डेटा को क्रियाशील लक्ष्य सूचना में परिवर्तित करता है।

3.1 चरण एक: छवि संश्लेषण और सुधार

मूल XTF प्रारूप के साइड-स्कैन सोनार डेटा (स्ट्रीम या फ़ाइल) को संसाधित करके द्वि-आयामी छवि में संश्लेषित करें। स्वचालित दृश्य विश्लेषण के लिए उपयुक्त छवि उत्पन्न करने के लिए, ज्यामितीय संशोधन (जैसे स्लैंट रेंज संशोधन) और विकिरण संशोधन (जैसे टाइम-वेरींग गेन क्षतिपूर्ति) लागू करें, ताकि सोनार-विशिष्ट आर्टिफैक्ट्स के प्रभाव को कम किया जा सके।

3.2 चरण दो: विशेषता बिंदु बादल उत्पन्न करना

将标准的二维特征检测算法（隐含指代，例如Harris或FAST角点检测器、边缘检测器）应用于校正后的图像。这会产生一个由视觉微特征（角点、边缘）组成的“点云”。其基本假设（得到文献支持，如Viola & Jones, 2004）是：人造或独特的自然物体，在更嘈杂、更稀疏的背景中，会表现为这些特征的密集簇。

3.3 चरण तीन: समूहीकरण एवं लक्ष्य सूचीकरण

पता लगाने की समस्या को एक के रूप में पुनः परिभाषित किया गया हैक्लस्टरिंग और शोर दमनकार्य। फीचर पॉइंट क्लाउड पर क्लस्टरिंग एल्गोरिदम (जैसे DBSCAN या मीन शिफ्ट का उपयोग करने की सिफारिश की गई है) लागू करें ताकि फीचर-उच्च घनत्व वाले क्षेत्रों की पहचान की जा सके। प्रत्येक क्लस्टर के केन्द्रक की गणना करें, जिससे एक स्पष्ट रूप से परिभाषित, भू-संरेखित रुचि क्षेत्र प्रदान किया जा सके। आउटपुट एक रीयल-टाइम भू-स्थिति लक्ष्य सूची है।

4. केस अध्ययन और अनुप्रयोग

यह लेख दो ऐसे प्रभावशाली उपयोग-मामलों पर प्रकाश डालता है जो इसकी सामान्य पद्धति से लाभान्वित होते हैं:

• अंडरवाटर आर्कियोलॉजी:गैर-मानकीकृत और अक्सर सड़ी-गली जहाजों के अवशेषों तथा कलाकृतियों का पता लगाना, ऐसे परिदृश्यों में CNN के लिए व्यापक प्रशिक्षण सेट बनाना अव्यावहारिक है।
• समुद्री अपशिष्ट प्रबंधन (भूत मछली पकड़ने के उपकरण):खोए या छोड़े गए मछली पकड़ने के उपकरणों (जाल, फंदे, फिशिंग लाइन) की पहचान करना, जिनके आकार और माप अत्यंत विविध हैं, जिससे टेम्पलेट-आधारित दृष्टिकोण अप्रभावी हो जाते हैं।

5. तकनीकी गहन विश्लेषण

इस एल्गोरिदम की प्रभावशीलता क्लस्टरिंग चरण पर निर्भर करती है। DBSCAN (Density-Based Spatial Clustering of Applications with Noise) जैसा उपयुक्त एल्गोरिदम आदर्श विकल्प है, क्योंकि यह मनमाने आकार के क्लस्टर खोज सकता है और विरल बिंदुओं को शोर के रूप में चिह्नित कर सकता है। इसका मूल संचालन सुविधा समुच्चय $F = \{f_1, f_2, ..., f_n\}$ में क्लस्टर $C$ की खोज के रूप में अवधारणा बनाया जा सकता है, जहां प्रत्येक सुविधा $f_i$ के पास छवि निर्देशांक $(x_i, y_i)$ हैं। दूरी $\epsilon$ और न्यूनतम बिंदुओं $MinPts$ के लिए, क्लस्टर $C_k$ को उसके पड़ोस में घनत्व दहलीज से अधिक होने के रूप में परिभाषित किया जाता है, जिससे इसे पृष्ठभूमि शोर से अलग किया जाता है। लक्ष्य स्थिति तब केन्द्रक द्वारा दी जाती है: $\text{Centroid}(C_k) = \left( \frac{1}{|C_k|} \sum_{f_i \in C_k} x_i, \frac{1}{|C_k|} \sum_{f_i \in C_k} y_i \right)$।

6. परिणाम और प्रदर्शन

हालांकि प्रदान किए गए PDF अंश में मात्रात्मक परिणाम शामिल नहीं हैं, वर्णित कार्यप्रवाह महत्वपूर्ण प्रदर्शन मापदंडों का संकेत देता है:

• पहचान दर:रुचि के लक्ष्यों (सच्चे सकारात्मक) की पहचान करने की क्षमता।
• गलत सकारात्मक दर:समुद्र तल की बनावट या शोर को गलती से लक्ष्य के रूप में चिह्नित करना। शोर दमन के लिए क्लस्टरिंग चरण महत्वपूर्ण है।
• भौगोलिक स्थिति निर्धारण सटीकता:लक्ष्य की वास्तविक स्थिति के सापेक्ष परिकलित केन्द्रक की सटीकता, सोनार नेविगेशन डेटा की गुणवत्ता पर निर्भर करती है।
• प्रसंस्करण विलंब:सिस्टम की वास्तविक समय सोनार डेटा इनपुट के साथ तालमेल बनाए रखने की क्षमता, जो इसे पोस्ट-प्रोसेसिंग से बेहतर होने का दावा करने का एक लाभ है।

विज़ुअलाइज़ेशन:आउटपुट को साइड-स्कैन सोनार इमेज ओवरले के रूप में विज़ुअलाइज़ किया जा सकता है: कच्चा सोनार वॉटरफॉल डिस्प्ले, पता लगाए गए क्लस्टर के चारों ओर बाउंडिंग बॉक्स या मार्कर बनाना, और एक अलग पैनल जो भू-संरेखित सूची (अक्षांश, देशांतर, विश्वास स्कोर) प्रस्तुत करता है।

7. विश्लेषण ढांचा और उदाहरण

मूल्यांकन ढांचा:ऐसी प्रणाली का मूल्यांकन करने के लिए, एक परीक्षण डेटासेट बनाने की आवश्यकता है जिसमें ज्ञात वास्तविक लक्ष्य (उदाहरण के लिए, ज्ञात समुद्र तल पर तैनात सिम्युलेटेड या वास्तविक लक्ष्य) शामिल हों। विश्लेषण निम्नलिखित प्रक्रिया का पालन करेगा:

1. इनपुट:मिश्रित लक्ष्यों (जैसे, जहाज़ के मलबे के टुकड़े, मिट्टी के एम्फोरा, आधुनिक कचरा) और जटिल पृष्ठभूमि (रेत, चट्टानें, वनस्पति) वाली कच्ची XTF साइड-स्कैन डेटा फ़ाइलें।
2. प्रसंस्करण:तीन-चरण एल्गोरिदम चलाएं। चरण दो के फीचर डिटेक्टर की संवेदनशीलता और चरण तीन के क्लस्टरिंग पैरामीटर ($\epsilon$, $MinPts$) को समायोजित करें, ताकि पहचान और गलत सकारात्मक (false positive) के बीच संतुलन को अनुकूलित किया जा सके।
3. आउटपुट विश्लेषण:एल्गोरिदम के कैटलॉग परिणामों की वास्तविक स्थिति से तुलना करें। परिशुद्धता (Precision) $P = TP/(TP+FP)$, पुनर्प्राप्ति (Recall) $R = TP/(TP+FN)$ और F1 स्कोर की गणना करें। छूटे हुए लक्ष्यों (false negatives) का विश्लेषण करें — क्या उनकी कंट्रास्ट कम है या उनमें तीखे फीचर्स की कमी है? गलत सकारात्मक (false positives) का विश्लेषण करें — क्या वे सघन जैविक समुदायों या चट्टानी उभारों से उत्पन्न होते हैं?
4. अंतर्दृष्टि:यह ढांचा एल्गोरिदम की मूलभूत प्रदर्शन सीमा को उजागर करता है: यह खोजने में सक्षम हैसुविधा-सघन विसंगतियाँलेकिन यह चिकनी बड़ी वस्तुओं को संभालने में कठिनाई हो सकती है, या कुछ प्राकृतिक बनावटों से भ्रमित हो सकता है।

8. भविष्य की दिशाएं और अनुप्रयोग

प्रस्तावित मेटा-एल्गोरिदम ने कई उन्नत विकासों के लिए आधार रखा है:

• हाइब्रिड आर्टिफिशियल इंटेलिजेंस सिस्टम:इस एल्गोरिदम द्वारा आउटपुट किए गए ध्यान क्षेत्रों को एक विशेष माध्यमिक CNN क्लासिफायर में इनपुट किया जा सकता है। मेटा-एल्गोरिदम एक "मोटे फिल्टर" के रूप में कार्य करता है, जो उम्मीदवार क्षेत्रों की तलाश करता है, जबकि एक कॉम्पैक्ट CNN सूक्ष्म वर्गीकरण (उदाहरण के लिए, "फिशिंग नेट बनाम टायर बनाम चट्टान") करता है, जो फ्यू-शॉट लर्निंग जैसे क्षेत्रों के कार्यों से प्रेरणा लेता है।
• मल्टीमॉडल फ्यूजन:AUV पर अन्य सेंसरों के डेटा को एकीकृत करें, जैसे बैथीमेट्रिक सोनार (मल्टीबीम) या सब-बॉटम प्रोफाइलर, ताकि त्रि-आयामी फीचर क्लाउड बनाया जा सके और लक्ष्य एवं समुद्र तल के बीच भेद करने की क्षमता में सुधार किया जा सके।
• अनुकूली क्लस्टरिंग:ऑनलाइन क्लस्टरिंग एल्गोरिदम को लागू करें, जो स्थानीय समुद्र तल प्रकार (उदाहरण के लिए, रेतीले क्षेत्रों में अधिक संवेदनशील और चट्टानी क्षेत्रों में अधिक रूढ़िवादी) के आधार पर पैरामीटर्स को स्वतः समायोजित करे। यह प्राथमिक मानचित्र या समकालिक समुद्र तल वर्गीकरण जानकारी पर आधारित हो सकता है।
• व्यापक अनुप्रयोग:पाइपलाइन और केबल निरीक्षण (उजागर या क्षतिग्रस्त भागों का पता लगाना), खान-विरोधी कार्य (त्वरित प्रारंभिक स्कैन के रूप में), और समुद्री आवास निगरानी (असामान्य संरचनाओं का पता लगाना)।

9. संदर्भ

1. Lowe, D. G. (1999). Object recognition from local scale-invariant features. सातवीं आईईईई अंतर्राष्ट्रीय कंप्यूटर विज़न सम्मेलन की कार्यवाही.
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. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems.
5. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI). (सोनार में एनकोडर-डिकोडर संरचना के अनुरूप)।
6. NOAA Ocean Exploration. (2023). महासागर अन्वेषण के लिए प्रौद्योगिकियों को आगे बढ़ाना. https://oceanexplorer.noaa.gov/technology/technology.html

10. विशेषज्ञ विश्लेषण और टिप्पणी