Yandan Taramalı Sonar Görüntüleri Kullanarak Sualtı Nesnelerinin Otomatik Tanınması için Bir Makine Görüşü Meta-Algoritması

1. Giriş

Bu makale, hidrografi, arama ve kurtarma (SAR), sualtı arkeolojisi ve deniz bilimi gibi alanlarda sualtı nesnelerinin konumlandırılmasındaki kritik zorluğu ele almaktadır. Zorlu ortam, yüksek kaliteli görüntü elde etmenin güçlüğü ve insanlı veya ROV tabanlı çözümlerin yüksek maliyetleri önemli operasyonel engeller oluşturmaktadır. Yandan taramalı sonar gibi akustik sensörlerle donatılmış Otonom Sualtı Araçlarına (AUV) yönelim, işlem sonrasında bir darboğaz yaratan büyük veri akışları üretmektedir. Bu makale, yandan taramalı sonar görüntülerinden nesnelerin tespitini ve coğrafi referanslandırılmasını otomatikleştirmek için maliyetleri düşürmeyi, gecikmeleri azaltmayı ve durumsal farkındalığı artırmayı amaçlayan yeni, gerçek zamanlı bir meta-algoritma önermektedir.

2. Önceki Çalışmalar ve Bağlam

Yazarlar, çalışmalarını geleneksel özellik tanımlayıcı yöntemlere (SIFT, SURF, BRIEF, ORB) ve modern Evrişimli Sinir Ağlarına (AlexNet, VGG, GoogLeNet gibi CNN'ler) karşı konumlandırmaktadır. Temel bir sınırlamayı doğru bir şekilde tespit etmektedirler: bu yöntemler hedef nesneler hakkında önsel bilgi ve kapsamlı eğitim veri setleri gerektirir. Bu, hedef nesnelerin çeşitlilik gösterdiği (örneğin, sayısız gemi enkazı veya balıkçılık ekipmanı türü) ve etiketli verilerin kıt veya elde edilmesi pahalı olduğu sualtı alanlarında büyük bir engeldir. Algoritmaları, belirli nesne şablonlarına veya büyük eğitim setlerine ihtiyaç duymadan çalışan genel amaçlı bir dedektör olarak tasarlanmıştır.

3. Metodoloji: 3 Aşamalı Meta-Algoritma

Çekirdek yenilik, ham sensör verilerini işlenebilir nesne bilgisine dönüştüren akıcı, üç aşamalı bir işlem hattıdır.

3.1 Aşama 1: Görüntü Sentezi ve Düzeltme

Ham XTF formatındaki yandan taramalı sonar verileri (akıştan veya dosyalardan), 2B görüntüler sentezlemek için işlenir. Otomatik görsel analize uygun görüntüler üretmek ve sonara özgü artefaktları azaltmak için geometrik (örneğin, eğim menzili düzeltmesi) ve radyometrik düzeltmeler (örneğin, zamana bağlı kazanç kompanzasyonu) uygulanır.

3.2 Aşama 2: Özellik Nokta Bulutu Oluşturma

Düzeltilmiş görüntüye standart 2B özellik tespit algoritmaları (örneğin, Harris veya FAST gibi köşe dedektörleri, kenar dedektörleri) uygulanır. Bu, görsel mikro-özelliklerden (köşeler, kenarlar) oluşan bir "nokta bulutu" üretir. Literatür tarafından desteklenen temel varsayım (Viola & Jones, 2004), insan yapımı veya belirgin doğal nesnelerin, daha gürültülü ve seyrek bir arka plana karşı bu özelliklerin yoğun kümeleri olarak ortaya çıkacağıdır.

3.3 Aşama 3: Kümeleme ve Nesne Kataloglama

Tespit problemi, bir kümeleme ve gürültü reddi görevi olarak yeniden çerçevelenir. Özellik nokta bulutuna, yüksek özellik yoğunluğuna sahip bölgeleri tanımlamak için bir kümeleme algoritması (örneğin, DBSCAN veya mean-shift önerilir) uygulanır. Her kümenin ağırlık merkezi hesaplanarak, iyi tanımlanmış, coğrafi referanslı bir İlgi Bölgesi (ROI) sağlanır. Çıktı, coğrafi konumlandırılmış nesnelerin gerçek zamanlı bir kataloğudur.

4. Vaka Çalışmaları ve Uygulamalar

Makale, genelci yaklaşımından faydalanan iki ikna edici kullanım durumunu vurgulamaktadır:

• Sualtı Arkeolojisi: Standartlaştırılmamış, genellikle bozulmuş gemi enkazı ve eserlerin tespiti; bu tür nesneler için kapsamlı bir CNN eğitim seti oluşturmak pratik değildir.
• Okyanus Atık Yönetimi (Hayalet Av Malzemeleri): Sayısız şekil ve boyutta gelen kayıp veya terk edilmiş balıkçılık ekipmanlarının (ağlar, tuzaklar, misinalar) tanımlanması; şablon tabanlı yöntemler burada etkisizdir.

5. Teknik Derinlemesine İnceleme

Algoritmanın etkinliği, kümeleme aşamasına bağlıdır. DBSCAN (Gürültü ile Uygulamalar için Yoğunluk Tabanlı Mekansal Kümeleme) gibi uygun bir algoritma, keyfi şekilli kümeleri bulabildiği ve seyrek noktaları gürültü olarak etiketleyebildiği için idealdir. Temel işlem, her bir $f_i$ özelliğinin görüntü koordinatları $(x_i, y_i)$'ye sahip olduğu bir özellik seti $F = \{f_1, f_2, ..., f_n\}$ içindeki $C$ kümelerini bulmak olarak kavramsallaştırılabilir. Bir $C_k$ kümesi, bir $\epsilon$ mesafesi ve minimum nokta sayısı $MinPts$ için, komşuluğundaki yoğunluğun bir eşiği aşacak şekilde tanımlanır ve böylece arka plan gürültüsünden ayrılır. Nesne konumu daha sonra ağırlık merkezi tarafından verilir: $\text{Ağırlık Merkezi}(C_k) = \left( \frac{1}{|C_k|} \sum_{f_i \in C_k} x_i, \frac{1}{|C_k|} \sum_{f_i \in C_k} y_i \right)$.

6. Sonuçlar ve Performans

Sağlanan PDF alıntısı nicel sonuçlar içermese de, tanımlanan iş akışı şu temel performans metriklerini ima etmektedir:

• Tespit Oranı: İlgi nesnelerini tanımlama yeteneği (doğru pozitifler).
• Yanlış Pozitif Oranı: Deniz tabanı dokusunun veya gürültünün nesne olarak yanlış etiketlenmesi. Gürültü reddi için kümeleme aşaması kritiktir.
• Coğrafi Konumlandırma Doğruluğu: Hesaplanan ağırlık merkezinin nesnenin gerçek konumuna göre hassasiyeti; sonar navigasyon verisi kalitesine bağlıdır.
• İşleme Gecikmesi: Sistemin gerçek zamanlı sonar veri alımına ayak uydurabilme yeteneği; işlem sonrası analize kıyasla iddia edilen bir avantajdır.

Görselleştirme: Çıktı, bir yandan taramalı sonar görüntüsü katmanı olarak görselleştirilebilir: ham sonar şelale ekranı, tespit edilen kümelerin etrafına çizilen sınırlayıcı kutular veya işaretçiler ve coğrafi referanslı kataloğu (enlem, boylam, güven skoru) listeleyen ayrı bir panel.

7. Analitik Çerçeve ve Örnek

Değerlendirme Çerçevesi: Böyle bir sistemi değerlendirmek için, bilinen gerçek değer nesneleri içeren (örneğin, bilinen bir deniz tabanı üzerinde simüle edilmiş veya yerleştirilmiş hedefler) bir test veri seti oluşturulur. Analiz şu akışı izler:

1. Girdi: Nesneler (örneğin, gemi enkazı parçası, seramik amfora, modern enkaz) ve karmaşık arka plan (kum, kaya, bitki örtüsü) karışımını içeren ham XTF yandan taramalı sonar veri dosyası.
2. İşlem: 3 aşamalı algoritmayı çalıştır. Tespit ve yanlış alarmlar arasındaki dengeyi optimize etmek için 2. Aşama özellik dedektörü hassasiyetini ve 3. Aşama kümeleme parametrelerini ($\epsilon$, $MinPts$) ayarla.
3. Çıktı Analizi: Algoritmanın kataloğunu gerçek değerlerle karşılaştır. Hassasiyet $P = TP/(TP+FP)$, Geri Çağırma $R = TP/(TP+FN)$ ve F1-skorunu hesapla. Kaçırılan nesneleri (yanlış negatifler) analiz et—düşük kontrastlı mıydı veya keskin özelliklerden mi yoksundu? Yanlış pozitifleri analiz et—yoğun biyolojik kolonilerden veya kayalık çıkıntılardan mı kaynaklandı?
4. İçgörü: Bu çerçeve, algoritmanın temel performans sınırını ortaya koyar: özellik-yoğun anomalileri bulmada başarılıdır ancak pürüzsüz, büyük nesnelerde zorlanabilir veya belirli doğal dokular tarafından yanıltılabilir.

8. Gelecek Yönelimler ve Uygulamalar

Önerilen meta-algoritma, birkaç ileri gelişme için bir temel oluşturmaktadır:

• Hibrit Yapay Zeka Sistemleri: Algoritmanın ROI çıktısı, ikincil, özelleşmiş bir CNN sınıflandırıcısını besleyebilir. Meta-algoritma, aday bölgeleri bulan bir "kaba filtre" görevi görürken, kompakt bir CNN, az-örnekli öğrenme gibi alanlardaki çalışmalardan yararlanarak ince taneli sınıflandırma yapar (örneğin, "ağ vs. lastik vs. kaya").
• Çok Modlu Füzyon: AUV üzerindeki diğer sensörlerden (batimetrik sonar (çok ışınlı) veya taban altı profiller gibi) gelen verilerin entegrasyonu, nesne ve deniz tabanı arasında ayrımı iyileştirmek için 3B özellik bulutu oluşturur.
• Uyarlanabilir Kümeleme: Yerel deniz tabanı türüne göre parametreleri uyarlayan (örneğin, kumlu alanlarda daha hassas, kayalık alanlarda daha muhafazakar), önceden haritalardan veya eşzamanlı deniz tabanı sınıflandırmasından bilgi alan çevrimiçi kümeleme algoritmalarının uygulanması.
• Daha Geniş Uygulamalar: Boru hattı ve kablo denetimi (açığa çıkmış veya hasarlı kısımların tespiti), mayın karşı tedbirleri (hızlı bir ilk tarama olarak) ve deniz habitat izleme (anormal yapıların tespiti).

9. Kaynaklar

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. 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). (Sonardaki kodlayıcı-kod çözücü yapılarına benzetme için).
6. NOAA Ocean Exploration. (2023). Advancing Technologies for Ocean Exploration. https://oceanexplorer.noaa.gov/technology/technology.html

10. Uzman Analizi ve Eleştiri