پانی کے اندر کیمرے کے ہدف کی شناخت

امیجنگ پرنسپل ایڈجسٹمنٹ: پانی کے اندر کیمروں کا آپٹیکل سسٹم پانی کے ایکٹو انڈیکس کی بنیاد پر بہتر بنایا گیا ہے۔ پانی کا اضطراری اشاریہ تقریباً 1.33 ہے، جو ہوا سے مختلف ہے، جس کی وجہ سے اضطراب اور روشنی ہوتی ہے۔ لہذا، نسبتا واضح تصاویر کو یقینی بنانے کے لئے لینس ڈیزائن کو ان عوامل پر غور کرنے کی ضرورت ہے. مثال کے طور پر، خاص وائڈ اینگل لینز کا استعمال کسی حد تک رد عمل کی وجہ سے ہونے والی تصویری بگاڑ کو کم کر سکتا ہے۔

امیج پری پروسیسنگ: پانی کے اندر پیچیدہ ماحول کی وجہ سے، تصویروں کو اکثر رنگ درست کرنے اور اس کے برعکس کو بڑھانے کے لیے پری پروسیسنگ کی ضرورت ہوتی ہے۔ اس میں رنگ کی اصلاح شامل ہے، جیسا کہ پانی کے ذریعے جذب ہونے والی روشنی کی مخصوص طول موج کی تلافی، اور اس کے برعکس اضافہ، کیونکہ پانی کے اندر کی تصاویر میں عام طور پر کم کنٹراسٹ ہوتا ہے۔ ہسٹوگرام برابری جیسے طریقے بہتر کر سکتے ہیں، جس سے ہدف کی اشیاء کو پس منظر سے الگ کرنا آسان ہو جاتا ہے۔

شکل کی خصوصیات: پانی کے اندر ہدف کی شناخت کے لیے شکل ایک اہم خصوصیت ہے۔ کیونکہ، پانی کے اندر آثار قدیمہ میں، قدیم جہاز کے ملبے کے ٹکڑوں کی شکل بے ترتیب بلاکس یا مخصوص ہندسی شکلیں ہو سکتی ہیں۔ کنارے کا پتہ لگانے والے الگورتھم، جیسے کینی کا پتہ لگانے، کو ہدف اشیاء کے کنارے کی شکلیں نکالنے کے لیے استعمال کیا جا سکتا ہے، جو شناخت کے لیے اہم سراغ کے طور پر کام کرتے ہیں۔

ساخت کی خصوصیات: پانی کے اندر کے بہت سے اہداف کی ساخت منفرد ہوتی ہے۔ مثال کے طور پر، مرجان کی چٹانوں کی ساخت پیچیدہ اور نازک ہوتی ہے، جبکہ مچھلی کے ترازو کی اپنی مخصوص ساخت ہوتی ہے۔ ساخت کے تجزیہ کے طریقے جیسے کہ گرے لیول کو-اوقات کا استعمال کرتے ہوئے، ہم ہدف اشیاء کی ساخت کی خصوصیات کو نکال سکتے ہیں، بشمول کھردرا پن اور سمتیت، جسے شناخت کے لیے استعمال کیا جا سکتا ہے۔

رنگ کی خصوصیات: اگرچہ رنگوں کو مسخ کیا جا سکتا ہے، پھر بھی انہیں کسی حد تک خصوصیت کے طور پر استعمال کیا جا سکتا ہے۔ مثال کے طور پر، کچھ اشنکٹبندیی مچھلیوں کے رنگ روشن ہوتے ہیں۔ رنگین ہسٹوگرام نکال کر یا رنگین درست تصویروں سے رنگین لمحات کا حساب لگا کر، ہم شناخت میں مدد کے لیے رنگین خصوصیات کا استعمال کر سکتے ہیں۔ مزید برآں، پانی کے اندر موجود مختلف جانداروں یا اشیاء میں مخصوص سپیکٹرل بینڈ کے تحت منفرد رنگ کی خصوصیات ہو سکتی ہیں۔

ٹیمپلیٹ میچنگ پر مبنی الگورتھم: اگر ٹارگٹ آبجیکٹ کی شکل کی خصوصیات اچھی طرح سے بیان کی گئی ہیں جیسے پانی کے اندر پائپ لائن کے معائنے میں جہاں پائپ لائن کی شکل اور سائز پہلے سے معلوم ہوتا ہے، تو ہدف آبجیکٹ کی ٹیمپلیٹ امیج کو کیپچر شدہ کے ساتھ ملایا جا سکتا ہے۔ تصویر مماثلت کے اقدامات کا حساب لگا کر، جیسا کہ نارملائزڈ کراس-ریلیشن گتانک، ہدف آبجیکٹ کے وجود اور پوزیشن کا تعین کیا جا سکتا ہے۔

مشین لرننگ الگورتھم:

زیر نگرانی سیکھنا: اس میں پانی کے اندر تصویری ڈیٹاسیٹ کا لیبل لگا کر تربیت شامل ہے۔ مثال کے طور پر، اگر مچھلی کی مختلف اقسام کی لیبل والی تصاویر ہیں، تو شکل کی ساخت، اور رنگ جیسی خصوصیات کو ان پٹ کے طور پر، اور مچھلی کی قسم کو آؤٹ پٹ لیبل کے طور پر استعمال کیا جا سکتا ہے۔ الگورتھم جیسے سپورٹ ویکٹر مشینیں (SVM) اور فیصلہ کے درخت درجہ بندی کی تربیت کے لیے استعمال کیے جائیں گے۔ تربیت یافتہ ماڈل کو پانی کے اندر کی نئی تصاویر میں مچھلیوں کی اقسام کی شناخت کے لیے استعمال کیا جا سکتا ہے۔

غیر زیر نگرانی سیکھنا: یہ بغیر کسی پیشگی معلومات کے اہداف کے لیے ہے، جیسے سمندر کے فرش پر نئی دریافت شدہ نامعلوم حیاتیاتی کمیونٹیز۔ کلسٹرنگ الگورتھم، جیسے K- یعنی کلسٹرنگ، کو ان کی خصوصیات کی بنیاد پر گروپ کے اہداف کا استعمال کیا جا سکتا ہے، اور پھر ہر گروپ کے اندر اہداف کا مزید تجزیہ کریں۔

گہری سیکھنے کے الگورتھم:

Convolutional Neural Networks (CNN): یہ پانی کے اندر ہدف کی شناخت کے لیے ایک موثر طریقہ ہے۔ مثال کے طور پر، ایک سی این این ایک سے زیادہ convolutional تہوں، پولنگ تہوں، اور مکمل طور پر منسلک تہوں کے ساتھ بنایا جا سکتا ہے۔ زیرِ آب تصاویر کی ایک بڑی تعداد کو تربیتی ڈیٹا کے طور پر استعمال کرنے سے، نیٹ ورک خود بخود ہدف کی اشیاء کی اعلیٰ سطحی خصوصیات سیکھ سکتا ہے۔ مثال کے طور پر، پانی کے اندر روبوٹ کے اہداف کو پہچاننے میں، معدنیات یا جہاز کے ملبے کے حصے کے طور پر، CNN ان اہداف کی پیچیدہ خصوصیات کو سیکھ سکتا ہے، اس طرح اعلیٰ درستگی کی شناخت حاصل کر سکتا ہے۔

سونار سینسر کے ساتھ فیوژن: پانی کے اندر کے ماحول میں، سونار ٹارگٹ آبجیکٹ کے فاصلے اور سائز کے بارے میں معلومات فراہم کر سکتا ہے۔ پانی کے اندر موجود کیمروں اور سونار سینسرز سے حاصل ہونے والے ڈیٹا کی مدد سے ہدف کے بارے میں مزید جامع تفہیم حاصل کی جا سکتی ہے۔ مثال کے طور پر، پانی کے اندر تلاش اور بچاؤ کی کارروائیوں میں، اے آر کسی ممکنہ انسانی ہدف کی تخمینی پوزیشن اور رینج کا پتہ لگا سکتا ہے، اور پھر پانی کے اندر کیمرہ اس معلومات کو درست بصری شناخت کے لیے استعمال کر سکتا ہے تاکہ یہ معلوم کیا جا سکے کہ آیا یہ ہدف ہے۔

آپٹیکل سینسرز کے ساتھ فیوژن: اگر پانی کے اندر کیمرہ ایک ملٹی اسپیکٹرل کیمرہ ہے، تو اسے دوسرے آپٹیکل سینسر کے ساتھ ملایا جا سکتا ہے، جیسے LiAR، ہدف کی شناخت کی صلاحیتوں کو بڑھانے کے لیے۔ مختلف آپٹیکل سینسر ٹارگٹ آبجیکٹ کے بارے میں مختلف فیچر کی معلومات فراہم کر سکتے ہیں، اور اس معلومات کو فیوز کر کے ہدف کی شناخت کی درستگی اور مضبوطی کو بہتر بنایا جا سکتا ہے۔