UAD-YOLO: An Efficient Context-Aware and Shape-Aware Framework Based on YOLOv11 for Urban Anomaly Detection in Complex Scenes

शहर जीवित प्रणालियाँ हैं, जो लगातार बदलती और परिवर्तित होती रहती हैं, फिर भी उन्हें सुरक्षित रहने के लिए रखरखाव की एक स्थिर लय पर निर्भर रहना पड़ता है। जब सड़क में दरार आती है, कोई पेड़ गिरता है, या कोई संकेत क्षतिग्रस्त होता है, तो इसके परिणाम मामूली असुविधा से लेकर गंभीर खतरे तक हो सकते हैं। दशकों से, इन शहरी खतरों पर नज़र रखना मानव निरीक्षकों का काम रहा है, जो समस्याओं को खोजने के लिए मोहल्लों में पैदल चलते या गाड़ी चलाते हैं। यह तरीका धीमा, महंगा है और अक्सर छोटी या छिपी हुई समस्याओं को छोड़ देता है। हाल के वर्षों में, वैज्ञानिकों ने कंप्यूटर की मदद लेने के लिए रुख किया है, उन्हें कैमरों के माध्यम से इन मुद्दों को "देखने" के लिए प्रशिक्षित किया है। ऑब्जेक्ट डिटेक्शन (वस्तु पहचान) के रूप में ज्ञात यह क्षेत्र मशीनों को छवियों को स्कैन करने और कारों से लेकर गड्ढों जैसी विशिष्ट वस्तुओं की पहचान करने की अनुमति देता है। हालाँकि, एक व्यस्त सड़क पर टेढ़ी-मेढ़ी दरार को पहचानना एक खाली पार्किंग लॉट में कार खोजने की तुलना में बहुत कठिन है। पृष्ठभूमि अव्यवस्थित होती है, रोशनी बदलती रहती है, और वस्तुएं स्वयं अक्सर अनियमित, टूटी हुई या आंशिक रूप से छिपी हुई होती हैं।

सिचुआन वोकेशनल एंड टेक्निकल यूनिवर्सिटी ऑफ कम्युनिकेशंस के शोधकर्ताओं का एक नया अध्ययन इन कठिनाइयों को दूर करने के लिए एक स्मार्ट तरीका विकसित करके इस समस्या का समाधान करता है, जिससे कंप्यूटर हमारे शहरों की बेहतर निगरानी कर सकें। टीम ने UAD-YOLO नामक एक प्रणाली विकसित की है, जिसे विशेष रूप से वास्तविक समय में विविध प्रकार की शहरी समस्याओं को खोजने के लिए डिज़ाइन किया गया है। केवल उन आकृतियों को खोजने के बजाय जो मानक बक्सों (boxes) जैसी दिखती हैं, इस प्रणाली को शहर की सड़क की अस्त-व्यस्त, जटिल वास्तविकता को समझने के लिए बनाया गया था। यह सात अलग-अलग प्रकार की विसंगतियों को पहचान सकता है, जिनमें सड़क की दरारें, गड्ढे, क्षतिग्रस्त संकेत, गिरे हुए पेड़, कचरा, भित्तिचित्र (graffiti), और टूटे हुए उपयोगिता पोल शामिल हैं। शोधकर्ताओं ने केवल मौजूदा डेटा पर भरोसा नहीं किया; उन्होंने छवियों का एक नया, बड़ा संग्रह बनाया जिसमें इन विशिष्ट समस्याओं के हजारों उदाहरण शामिल थे ताकि कंप्यूटर को यह सिखाया जा सके कि उसे क्या खोजना है। कई उन्नत तकनीकों को जोड़कर, उन्होंने एक ऐसा उपकरण बनाया जो अत्यधिक सटीक है और मानक उपकरणों पर चलने के लिए पर्याप्त तेज़ भी है, जो निरंतर शहर की निगरानी के लिए एक व्यावहारिक समाधान बनाता है।

शोधकर्ताओं के सामने मुख्य चुनौती यह थी कि शहरी विसंगतियाँ सुव्यवस्थित, पूर्ण वस्तुओं की तरह नहीं दिखतीं। सड़क की एक दरार मीटरों तक लंबी, पतली और घुमावदार रेखा के रूप में फैल सकती है, जबकि कचरे का ढेर एक निराकार ढेर हो सकता है। पारंपरिक कंप्यूटर विज़न उपकरण अक्सर इन अनियमित आकृतियों के साथ संघर्ष करते हैं, विशेष रूप से तब जब वे छाया, अन्य वाहनों या जटिल बनावट जैसे अन्य विकर्षणों से घिरे होते हैं। इसे हल करने के लिए, टीम ने एक शक्तिशाली मौजूदा डिटेक्शन फ्रेमवर्क, जिसे YOLOv11 के रूप में जाना जाता है (जो अपनी गति के लिए प्रसिद्ध है), में संशोधन किया। उन्होंने सिस्टम को अधिक मानवीय दृष्टिकोण देने के लिए तीन विशिष्ट सुधार जोड़े। सबसे पहले, उन्होंने सिस्टम को एक बड़े परिदृश्य (big picture) को देखने का बेहतर तरीका दिया। एक ऐसी तकनीक का उपयोग करके जो कंप्यूटर को छवि में दीर्घ-रेंज कनेक्शनों को देखने की अनुमति देती है, यह समझ सकता है कि एक छोटी दरार बड़ी सड़क की सतह से कैसे संबंधित है, न कि केवल एक यादृच्छिक रेखा के रूप में। यह सिस्टम को बैकग्राउंड के शोर को अनदेखा करने और वास्तव में जो महत्वपूर्ण है उस पर ध्यान केंद्रित करने में मदद करता है।

दूसरा, शोधकर्ताओं ने कंप्यूटर के सूक्ष्म विवरणों को देखने के तरीके में सुधार किया। उन्होंने एक ऐसी विधि पेश की जो सिस्टम को उसके प्रशिक्षण चरण के दौरान जटिल बनावट (textures) सीखने की अनुमति देती है, लेकिन वास्तव में काम करते समय अपने ढांचे को सरल बना लेती है। यह इस तरह है जैसे कोई छात्र कई नोट्स और आचार्यों के साथ अध्ययन करता है लेकिन फिर केवल एक सुव्यवस्थित मानसिक मानचित्र का उपयोग करके परीक्षा देता है। यह दृष्टिकोण सुनिश्चित करता है कि कंप्यूटर छोटे विवरणों, जैसे कि एक छोटा गड्ढा या एक हल्का निशान, को बिना प्रक्रिया को धीमा किए पहचान सके। तीसरा, उन्होंने पहचाने गए ऑब्जेक्ट के चारों ओर बॉक्स बनाने के तरीके को बदला। मानक तरीके अक्सर इन बक्सों को कठोर आकृतियों में मजबूर करते हैं, जो अनियमित वस्तुओं के लिए सटीक नहीं हो सकते हैं। नया सिस्टम एक अधिक लचीला दृष्टिकोण अपनाता है जो वस्तु के वास्तविक आकार का सम्मान करता है, चाहे वह लंबी और पतली हो या छोटी और चौड़ी, जिससे स्थान का सटीक अंकन सुनिश्चित होता है।

यह परीक्षण करने के लिए कि क्या ये परिवर्तन काम कर रहे हैं, शोधकर्ताओं ने अपने सिस्टम को उनके द्वारा बनाए गए एक नए डेटासेट पर प्रशिक्षित किया, जिसमें शहरी दृश्यों की 17,000 से अधिक छवियां शामिल थीं। उन्होंने अन्य लोकप्रिय डिटेक्शन विधियों के विरुद्ध अपने सिस्टम का परीक्षण किया और पाया कि उनका नया दृष्टिकोण सही वस्तुओं को खोजने में काफी बेहतर था और इसमें कम गलतियाँ हुईं। अपने परीक्षणों में, सिस्टम ने उन 83.1% मामलों में शहरी विसंगतियों की सही पहचान की जहाँ उसे उन्हें ढूंढना था, जो मानक मॉडलों की तुलना में एक उल्लेखनीय सुधार है। इसने छवियों में मौजूद सभी वास्तविक समस्याओं में से 77.1% को खोजने में भी सफलता प्राप्त की, जो सुरक्षा अनुप्रयोगों के लिए एक प्रमुख मीट्रिक है जहाँ किसी खतरे को छोड़ देना खतरनाक होता है। शायद वास्तविक दुनिया के उपयोग के लिए सबसे महत्वपूर्ण बात यह है कि सिस्टम अविश्वसनीय रूप से तेज़ बना रहा। यह एक छवि को प्रोसेस कर सकता है और केवल 2.31 मिलीसेकंड में उत्तर दे सकता है, जिसका अर्थ है कि यह सैद्धांतिक रूप से प्रति सेकंड सैकड़ों छवियों का विश्लेषण कर सकता है। यह गति बताती है कि इस तकनीक को बिना किसी देरी के शहर की सड़कों की निरंतर निगरानी करने के लिए चलते वाहनों या ड्रोन पर स्थापित किया जा सकता है।

अध्ययन ने यह भी पता लगाया कि विभिन्न सेटिंग्स ने सिस्टम के प्रदर्शन को कैसे प्रभावित किया, जिससे पुष्टि हुई कि उनके द्वारा चुनी गई तकनीकों का विशिष्ट संयोजन सबसे प्रभावी था। उन्होंने पाया कि "लॉन्ग-रेंज व्यू" के लिए मध्यम आकार का उपयोग करना महत्वपूर्ण था; बहुत संकीर्ण रूप से देखने पर संदर्भ छूट जाता था, जबकि बहुत व्यापक रूप से देखने पर बहुत अधिक भ्रम पैदा हो जाता था। इसी तरह, उन्होंने पाया कि शहर की क्षति की अनियमित प्रकृति के लिए सबसे लचीले आकार-डिटेक्शन सेटिंग्स सबसे अच्छा काम करती हैं। हालांकि यह सिस्टम पूर्ण नहीं है और अभी भी अत्यधिक रोशनी या भारी अवरोध से भ्रमित हो सकता है, परिणाम एक स्पष्ट मार्ग दिखाते हैं। शोधकर्ता स्वीकार करते हैं कि विभिन्न मौसम स्थितियों और स्थानों में अधिक परीक्षण की आवश्यकता है, लेकिन वर्तमान निष्कर्ष प्रदर्शित करते हैं कि अब एक कंप्यूटर को शहरी जीवन के सूक्ष्म, टूटे हुए और अस्त-व्यस्त विवरणों को सटीकता और गति के स्तर के साथ देखने के लिए प्रशिक्षित किया जा सकता है जो पहले पहुंच से बाहर था। यह कार्य शहरों के लिए प्रतिक्रियात्मक मरम्मत (reactive repairs) से सक्रिय सुरक्षा (proactive safety) की ओर बढ़ने के लिए एक आशाजनक उपकरण प्रदान करता है, जिससे यह सुनिश्चित होता है कि जिस बुनियादी ढांचे पर हम भरोसा करते हैं, उसकी निरंतर, बिना पलक झपकाए निगरानी की जा सके।