1. 簡介

水下物體的偵測與辨識面臨重大挑戰，原因在於惡劣的環境、不佳的影像品質，以及傳統方法（如水肺潛水或遙控潛水器）的高昂操作成本。配備側掃聲納的自動水下載具日益普及，加劇了資料洪流的問題，在後處理階段形成瓶頸。本文提出一種新穎的元演算法，專為即時、自動化辨識側掃聲納影像中的物體而設計。其目標是將原始聲學資料流轉換為具有地理參照的物體目錄，提升水下考古學與海洋廢棄物管理（例如：回收鬼網漁具）等應用的態勢感知能力。

2. 先前研究與問題陳述

傳統用於物體偵測的電腦視覺方法，如SIFT、SURF及現代卷積神經網路（AlexNet、VGG），存在一個共同的關鍵限制：它們需要目標物體的大量先驗知識與訓練資料。這在水下領域構成主要障礙，因為：

  • 目標物體種類極為多樣且不易分類（例如：船隻殘骸、各式漁具）。
  • 取得大量標記資料集進行訓練極為困難且成本高昂。

本演算法透過從分類典範轉向異常偵測與分群典範來解決此問題，從而無需預先定義的物體模型。

3. 方法論：三階段元演算法

其核心創新在於一個精簡的工作流程，能將原始聲納資料處理成可執行的情報。

3.1 第一階段：影像合成與校正

處理原始XTF格式的側掃聲納資料（來自即時串流或檔案）以合成二維影像。應用幾何校正（斜距校正）與輻射校正（波束圖案、增益校正），以產生校正後、可供分析的影像。此階段確保輸入資料標準化，減少感測器特有的雜訊。

3.2 第二階段：特徵點雲生成

演算法並非尋找完整物體，而是使用二維特徵偵測演算法（類似Harris角點偵測器或FAST）來偵測基本的視覺微特徵（例如：角點、邊緣、斑點）。輸出結果是一個點雲，其中每個點代表一個偵測到的微特徵。影像中的物體被假設為這些特徵在背景雜訊中的密集聚集。

3.3 第三階段：分群與感興趣區域定義

使用分群演算法（例如：DBSCAN或自訂的基於密度的方法）處理特徵點雲。此演算法識別出具有高特徵密度的區域，這些區域對應於潛在物體。雜訊點（稀疏、孤立的特徵）則被排除。針對每個群集，計算其質心，從而提供一個精確的、具有地理參照的感興趣區域。最終輸出是這些感興趣區域及其地理座標的目錄。

關鍵見解

  • 無模型偵測：避免了監督式卷積神經網路所需的大量標記資料集。
  • 即時處理能力：此流程專為串流資料設計，可實現載具上的即時處理。
  • 領域無關核心：微特徵與分群方法無需重新訓練即可適應各種物體類型。

4. 案例研究與應用

本文透過兩個不同的使用案例驗證此演算法：

  1. 水下考古學：偵測非均勻、破碎的沉船殘骸，此類情況下建立全面的訓練集是不可能的。
  2. 鬼網漁具回收：識別海洋環境中無數形狀與尺寸的遺失或廢棄漁網、陷阱和釣線。

這兩個案例都突顯了演算法在處理「長尾」偵測問題上的優勢，這類問題中物體變異性高且樣本稀少。

5. 技術細節與數學框架

分群階段在數學上至關重要。令 $P = \{p_1, p_2, ..., p_n\}$ 為 $\mathbb{R}^2$ 中的特徵點集合。基於密度的分群演算法（如DBSCAN）根據兩個參數定義群集：

  • $\epsilon$：一個點被視為在另一個點鄰域內的最大距離。
  • $MinPts$：形成密集區域所需的最小點數。

若點 $p$ 的 $\epsilon$ 距離內至少有 $MinPts$ 個點，則 $p$ 為核心點。從核心點可到達的點形成一個群集。無法從任何核心點到達的點則標記為雜訊。具有點集 $\{p_i\}$ 的群集 $k$ 的質心 $C_k$ 計算如下：$C_k = \left( \frac{1}{|k|} \sum_{p_i \in k} x_i, \frac{1}{|k|} \sum_{p_i \in k} y_i \right)$。此質心透過聲納的導航資料進行映射，即可得到具有地理參照的感興趣區域。

6. 實驗結果與效能

雖然提供的PDF摘錄未包含具體的量化結果，但所述方法論暗示了關鍵的效能指標：

  • 偵測率：演算法在測試資料集中識別真實物體（船隻殘骸、漁具）的能力。
  • 誤判率：自然海底特徵（岩石、沙波）被錯誤分群為物體的比率。分群參數（$\epsilon$、$MinPts$）需進行調整以最小化此比率。
  • 處理延遲：從接收聲納脈衝到輸出感興趣區域目錄的時間必須足夠低，以滿足自動水下載具上的即時使用需求。
  • 視覺化輸出：最終輸出可視覺化為側掃聲納影像疊加圖，其中邊界框或標記突顯偵測到的感興趣區域，並連結到地理座標表格。

7. 分析框架：實務範例

情境：一架自動水下載具正在勘測一個歷史沉船遺址。聲納回傳了一幅包含殘骸、沉積物和岩層的複雜影像。

  1. 輸入：原始XTF資料串流。
  2. 第一階段輸出：一幅校正後的灰階聲納影像。
  3. 第二階段輸出：疊加在影像上的散佈圖，顯示數千個偵測到的角點/邊緣點。殘骸區域顯示出比周圍海底顯著更密集的點雲。
  4. 第三階段輸出：散佈圖現以顏色編碼：數個獨特且密集的群集（紅、藍、綠）被識別為感興趣區域，而孤立的點則為灰色（雜訊）。系統輸出：ROI-001: 緯度 48.123, 經度 -68.456 | ROI-002: 緯度 48.124, 經度 -68.455。
  5. 行動：考古學家審查目錄，並優先安排遙控潛水器進一步檢查ROI-001。

8. 未來應用與研究方向

此元演算法框架具有廣闊的擴展空間：

  • 多感測器融合：整合來自多波束回聲測深儀或底層剖面儀資料的特徵，以建立三維特徵點雲，改善物體特徵描述。
  • 混合式人工智慧模型：使用非監督式的感興趣區域偵測作為「預過濾器」，然後應用輕量級、專門化的卷積神經網路對每個高置信度感興趣區域內的物體*類型*進行分類（例如：「漁網」與「漁籠」）。
  • 自適應分群：為分群參數實作線上學習，以自動適應不同的海底類型（泥、沙、岩石）。
  • 標準化資料產品：以標準化地理資訊系統格式（GeoJSON、KML）輸出感興趣區域，以便立即整合至海洋空間資料基礎設施。

9. 參考文獻

  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. （作為與精煉感興趣區域相關之進階分割範例）。

10. 分析師觀點：核心見解與評論

核心見解：本文並非關於建立一個更好的物體分類器；它是在分類不可行的環境中，一種務實的解決方案。作者正確地指出，在混亂、資料匱乏的真實世界情境（如海洋測繪）中，發現異常往往比完美地命名它更有價值。他們的元演算法將聲納分析重新定義為特徵空間中的密度估計問題——這是一個巧妙且計算效率高的迂迴策略。

邏輯流程：三階段流程在邏輯上合理且以生產為導向。第一階段（校正）處理感測器物理特性。第二階段（特徵偵測）將維度從像素降低到顯著點。第三階段（分群）執行實際的「偵測」。這種模組化是優勢所在，允許獨立升級每個階段（例如：換用更新的特徵偵測器）。

優點與缺點：
優點：其最大資產是資料效率。與需要數千個標記範例（對於罕見沉船而言要求過高）的卷積神經網路不同，此方法可以從單次勘測中啟動。考慮到特徵偵測和分群相對於深度推論的相對輕量性，其即時處理的主張是可信的。
缺點：顯而易見的問題是參數調校。效能完全取決於分群參數 $\epsilon$ 和 $MinPts$ 以及特徵偵測器的選擇。這些並非學習得來，而是由專家設定。這引入了主觀性，意味著系統並非真正「自主」——它需要人力介入進行校準。它也可能難以處理低對比度物體或自然會產生密集特徵群集的複雜海底（例如：岩石露頭），從而導致誤判。如摘錄所示，本文缺乏針對標記測試集的嚴謹量化基準測試，以量化這些權衡取捨。

可行見解：對於產業採用者而言，這是一個可立即試行的工具，用於初步的大範圍勘測以對海底進行「分級」。可行的見解是將其部署為第一道過濾器。在自動水下載具上使用它來標記數百個潛在目標，然後對這些優先感興趣區域採用更高保真度（但較慢）的方法，如監督式人工智慧或人工分析。對於研究人員而言，前進方向很明確：混合化。下一代系統應使用此非監督式方法進行候選區域生成，並使用一個小型、微調的卷積神經網路（在現有的感興趣區域裁切影像上訓練）進行分類，從而建立一個穩健、高效且資訊更豐富的流程。這反映了光學電腦視覺從純基於特徵的方法到區域候選網路與卷積神經網路結合的演變，正如Faster R-CNN等架構所見。