التعرف على الهدف بواسطة الكاميرا تحت الماء

ضبط مبدأ التصوير: يتم تحسين النظام البصري للكاميرات تحت الماء بناءً على مؤشر الانكسار للماء. يبلغ مؤشر الانكسار للماء حوالي 1.33، وهو مختلف عن مؤشر الهواء، مما يؤدي إلى انكسار الضوء. لذلك، يحتاج تصميم العدسات إلى مراعاة هذه العوامل لضمان صور واضحة نسبيًا. على سبيل المثال، يمكن أن يؤدي استخدام عدسات خاصة ذات زاوية واسعة إلى تقليل تشوه الصورة الناجم عن الانكسار إلى حد ما.

معالجة الصور مسبقًا: نظرًا للبيئة المعقدة تحت الماء، غالبًا ما تحتاج الصور إلى معالجة مسبقة لتصحيح اللون وتعزيز التباين. ويشمل ذلك تصحيح اللون، كتعويض عن أطوال موجية محددة للضوء الذي يمتصه الماء، وتعزيز التباين، حيث عادةً ما يكون تباين الصور تحت الماء منخفضًا. يمكن لطرق مثل معادلة الهيستوجرام تحسين ذلك، مما يجعل من السهل التمييز بين الأشياء المستهدفة والخلفية.

سمات الشكل: الشكل سمة أساسية للتعرف على الهدف تحت الماء. ففي علم الآثار تحت الماء، قد يكون شكل شظايا حطام السفن القديمة عبارة عن كتل غير منتظمة أو أشكال هندسية محددة. ويمكن استخدام خوارزميات الكشف عن الحواف، مثل اكتشاف كاني، لاستخراج محيطات حواف الأشياء المستهدفة، والتي تعمل كأدلة مهمة للتعرف عليها.

سمات الملمس: تتمتع العديد من الأهداف تحت الماء بملمس فريد. على سبيل المثال، تتمتع الشعاب المرجانية بملمس معقد ودقيق، في حين تتمتع قشور الأسماك بملمسها المميز. باستخدام طرق تحليل الملمس مثل التزامن على مستوى الرمادي، يمكننا استخراج سمات الملمس للأشياء المستهدفة، بما في ذلك الخشونة والاتجاهية، والتي يمكن استخدامها للتعرف عليها.

سمات الألوان: على الرغم من إمكانية تشويه الألوان، إلا أنه لا يزال من الممكن استخدامها كسمة إلى حد ما. على سبيل المثال، تتمتع بعض الأسماك الاستوائية بألوان زاهية. من خلال استخراج مخططات الألوان أو حساب لحظات الألوان من الصور المصححة بالألوان، يمكننا استخدام سمات الألوان للمساعدة في التعرف عليها. بالإضافة إلى ذلك، قد يكون للكائنات الحية أو الأشياء المختلفة تحت الماء سمات لونية فريدة تحت نطاقات طيفية محددة.

خوارزميات تعتمد على مطابقة القوالب: إذا كانت خصائص شكل الجسم المستهدف محددة جيدًا كما هو الحال في فحص خطوط الأنابيب تحت الماء حيث يكون شكل وحجم خط الأنابيب معروفين مسبقًا، فيمكن مطابقة صورة القالب للجسم المستهدف مع الصورة الملتقطة. من خلال حساب مقاييس التشابه، مثل معامل الارتباط المتبادل الطبيعي، يمكن تحديد وجود الجسم المستهدف وموقعه.

خوارزميات التعلم الآلي:

التعلم الخاضع للإشراف: يتضمن هذا التدريب باستخدام مجموعة بيانات صور تحت الماء مُسمَّاة. على سبيل المثال، إذا كانت هناك صور مُسمَّاة لأنواع مختلفة من الأسماك، فيمكن استخدام سمات مثل الشكل والملمس واللون كمدخلات، ونوع السمكة كعلامة للإخراج. يمكن استخدام خوارزميات مثل آلات الدعم المتجهة (SVM) وأشجار القرار لتدريب التصنيف. يمكن بعد ذلك استخدام النموذج المُدرَّب لتحديد أنواع الأسماك في الصور الجديدة تحت الماء.

التعلم غير الخاضع للإشراف: هذا ينطبق على الأهداف التي لا تتوفر لها معرفة مسبقة، مثل المجتمعات البيولوجية غير المعروفة التي تم اكتشافها حديثًا في قاع البحر. يمكن استخدام خوارزميات التجميع، مثل التجميع باستخدام طريقة K-means، لتجميع الأهداف بناءً على ميزاتها، ثم تحليل الأهداف داخل كل مجموعة بشكل أكبر.

خوارزميات التعلم العميق:

الشبكات العصبية التلافيفية (CNN): هذه طريقة فعّالة للتعرف على الأهداف تحت الماء. على سبيل المثال، يمكن إنشاء شبكة عصبية تلافيفية ذات طبقات تلافيفية متعددة وطبقات تجميع وطبقات متصلة بالكامل. من خلال استخدام عدد من الصور تحت الماء كبيانات تدريب، يمكن للشبكة أن تتعلم تلقائيًا السمات عالية المستوى للأشياء المستهدفة. على سبيل المثال، في التعرف على الأهداف لروبوت تحت الماء، مثل المعادن أو أجزاء من حطام سفينة، يمكن للشبكة العصبية التلافيفية أن تتعلم السمات المعقدة لهذه الأهداف، وبالتالي تحقيق التعرف عالي الدقة.

الاندماج مع أجهزة استشعار السونار: في البيئات تحت الماء، يمكن للسونار توفير معلومات حول المسافة وحجم الجسم المستهدف. ومن خلال البيانات من الكاميرات تحت الماء وأجهزة استشعار السونار، يمكن تحقيق فهم أكثر شمولاً للجسم المستهدف. على سبيل المثال، في عمليات البحث والإنقاذ تحت الماء، يمكن للسونار اكتشاف الموقع التقريبي ونطاق الهدف البشري المحتمل، ومن ثم يمكن للكاميرا تحت الماء استخدام هذه المعلومات للتعرف البصري الدقيق لتحديد ما إذا كان هو الهدف.

الاندماج مع أجهزة الاستشعار البصرية: إذا كانت الكاميرا تحت الماء عبارة عن كاميرا متعددة الأطياف، فيمكن دمجها مع أجهزة استشعار بصرية أخرى، مثل LiAR، لتعزيز قدرات التعرف على الهدف. يمكن لأجهزة الاستشعار البصرية المختلفة توفير معلومات مختلفة حول الكائن المستهدف، ومن خلال دمج هذه المعلومات، يمكن تحسين دقة وقوة التعرف على الهدف.