LoRA-Based Diffusion Data Augmentation for Underwater Garbage Detection: An Empirical Study with YOLOv8s

समुद्र का तल एक ऐसी जगह है जहाँ प्रकाश पहुँचने के लिए संघर्ष करता है, और जहाँ पानी स्वयं एक घने, धुंधले पर्दे की तरह कार्य करता है। इन मंद, मटमैले गहराइयों में, प्लास्टिक की बोतलें, मछली पकड़ने के जाल और फेंके गए टायर, जिन्हें मनुष्यों ने खो दिया है, रेत के विरुद्ध स्पष्ट रूप से दिखाई नहीं देते। वे अक्सर प्रकाश को मोड़ने वाले पानी के तरीके से विकृत हो जाते हैं, तैरते कणों द्वारा ढके जाते हैं, या छाया में छिप जाते हैं। समुद्र की सफाई करने की कोशिश कर रहे वैज्ञानिकों के लिए, यह दृश्य भ्रम एक प्रमुख बाधा है। इस समुद्री कचरे को खोजने और गिनने के लिए, वे कैमरों और कंप्यूटरों पर निर्भर करते हैं, लेकिन कंप्यूटरों को यह सीखने के लिए कि वे क्या देख रहे हैं, हजारों स्पष्ट उदाहरणों पर प्रशिक्षित होने की आवश्यकता होती है। समस्या यह है कि स्पष्ट अंतर्जलीय तस्वीरें लेना अविश्वसनीय रूप से कठिन है। वातावरण तक पहुँचना कठिन है, उपकरण महंगे हैं, और जो चित्र मौजूद हैं, वे अक्सर कंप्यूटर को सिखाने के लिए बहुत धुंधले या अंधेरे होते हैं।

इस अच्छे प्रशिक्षण डेटा की कमी को दूर करने के लिए, शोधकर्ताओं ने एक नए प्रकार के उपकरण की ओर रुख किया है: एक ऐसा कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) जो चित्रों की कल्पना और निर्माण कर सकती है। ये उपकरण, जिन्हें जनरेटिव मॉडल (generative models) कहा जाता है, बिना कैमरा उपयोग किए ऐसे चित्र बना सकते हैं जो फोटोग्राफ की तरह दिखते हैं। हालाँकि, केवल कंप्यूटर से "पानी के नीचे एक प्लास्टिक बैग बनाना" कहने से अक्सर एक ऐसा चित्र प्राप्त होता है जो वास्तविक चीज़ जैसा बिल्कुल नहीं दिखता। उत्पन्न वस्तु का आकार गलत हो सकता है, रंग गलत हो सकता है, या वह ऐसी जगह दिखाई दे सकती है जहाँ उसे नहीं होना चाहिए। यदि कंप्यूटर इन नकली छवियों से सीखता है, तो वह भ्रमित हो सकता है और बाद में वास्तविक कचरे को पहचानने में विफल हो सकता है। चुनौती, केवल अधिक चित्र बनाने की नहीं है, बल्कि ऐसे चित्र बनाने की है जो इतने विश्वसनीय और सटीक हों कि कंप्यूटर उनसे वास्तविक के समान सीख सके।

एक टीम के शोधकर्ताओं ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या यह दृष्टिकोण वास्तव में समुद्र की सफाई के लिए काम कर सकता है। उन्होंने एक विशिष्ट प्रकार के कृत्रिम बुद्धिमत्ता तंत्र पर ध्यान केंद्रित किया जो चित्र बनाने में सक्षम है, जिसे एक विधि के साथ जोड़ा गया था जो उस प्रणाली को ठीक से सिखा सके कि विभिन्न प्रकार के समुद्री कचरा कैसा दिखता है। उन्होंने पूरी तरह से वास्तविक तस्वीरों की आवश्यकता को बदलने का प्रयास नहीं किया; इसके बजाय, वे यह देखना चाहते थे कि क्या वास्तविक चित्रों के एक सीमित सेट में सावधानीपूर्वक तैयार किए गए कुछ नकली चित्रों को जोड़ने से कंप्यूटर डिटेक्टर अधिक स्मार्ट बन सकता है। उन्होंने पांच विशिष्ट प्रकार के सामान्य मलबे का अध्ययन करने का विकल्प चुना: प्लास्टिक बैग, दस्ताने, फेस मास्क, मछली पकड़ने के जाल और कैन। ये वस्तुएं पहचानना बहुत कठिन है क्योंकि वे अक्सर पारदर्शी, मुड़ी हुई होती हैं या समुद्र तल के साथ मिल जाती हैं।

शोधकर्ताओं ने वास्तविक अंतर्जलीय तस्वीरों के एक संग्रह से शुरुआत की जिन्हें मनुष्यों द्वारा पहले ही लेबल किया जा चुका था। यह सुनिश्चित करने के लिए कि उनका परीक्षण निष्पक्ष और उनके परिणाम भरोसेमंद हों, उन्होंने किसी भी कंप्यूटर जनरेशन से पहले इन वास्तविक तस्वीरों को सावधानीपूर्वक तीन समूहों में विभाजित किया। एक समूह का उपयोग इमेज-मेकिंग सिस्टम को यह सिखाने के लिए किया गया कि कचरा कैसा दिखना चाहिए। दूसरा समूह कंप्यूटर डिटेक्टर को प्रशिक्षित करने के लिए उपयोग किया गया। तीसरा समूह, जिसे इमेज मेकर या डिटेक्टर को सीखने के चरण के दौरान कभी नहीं दिखाया गया, अंतिम परीक्षण के लिए सख्ती से सुरक्षित रखा गया। इस सख्त अलगाव ने कंप्यूटर को सीखने के चरण के दौरान उत्तरों का उपयोग करने से रोका।

नकली छवियों को उपयोगी बनाने के लिए, टीम ने दो विशेष तकनीकों का उपयोग किया। पहले, उन्होंने इमेज जनरेटर को प्रत्येक कचरे के प्रकार के विशिष्ट विवरणों पर ध्यान देने के लिए प्रशिक्षित किया। उन्होंने सिस्टम को एक प्लास्टिक बैग, एक दस्ताने या एक जाल के कुछ दर्जन वास्तविक उदाहरण दिखाए, और सिस्टम को यह सीखने दिया कि ये वस्तुएं पानी के नीचे विशिष्ट रूप से कैसे दिखती हैं—उनके मोड़, उनकी पारदर्शिता, और गहरे समुद्र की नीली-हरी रोशनी उनके रंग को कैसे प्रभावित करती है। दूसरा, उन्होंने सिस्टम को एक सरल मानचित्र दिया जिसका पालन किया जा सके। एक खाली कैनवास पर एक बॉक्स बनाकर, शोधकर्ताओं ने वह स्थान चिह्नित किया जहाँ वे कचरे को दिखाना चाहते थे। फिर सिस्टम को उत्पन्न वस्तु को ठीक उसी बॉक्स के भीतर रखने के लिए मजबूर किया गया। इसने यह सुनिश्चित किया कि नकली चित्र उन लेबल से मेल खाएं जिनकी कंप्यूटर डिटेक्टर को अपेक्षा थी, जिससे यह भ्रम न हो कि वस्तु वास्तव में कहाँ है।

टीम ने सैकड़ों सिंथेटिक चित्र बनाए, लेकिन वे उन्हें लेकर बहुत चयनात्मक थे। उन्होंने उत्पन्न चित्रों की मैन्युअल रूप से जांच की, और किसी भी ऐसे चित्र को हटा दिया जो बहुत अजीब दिखता था, जिसके आकार टूटे हुए थे, या जो लेबल से मेल नहीं खाता था। केवल सर्वोत्तम चित्रों को ही कंप्यूटर डिटेक्टर के प्रशिक्षण सेट में जोड़ा गया; विशेष रूप से, प्रत्येक प्रयोगात्मक सेटिंग के लिए केवल 50 अतिरिक्त सिंथेटिक चित्र शामिल किए गए। इसके बाद उन्होंने यह देखने के लिए तीन अलग-अलग प्रयोग चलाए कि क्या होता है। पहले में, डिटेक्टर को केवल वास्तविक तस्वीरों पर प्रशिक्षित किया गया था। दूसरे में, उन्होंने नकली चित्र जोड़े जो विशिष्ट कचरे के प्रकारों पर किसी विशेष प्रशिक्षण के बिना उत्पन्न किए गए थे। तीसरे में, उन्होंने उन नकली चित्रों को जोड़ा जो विशिष्ट कचरे की वस्तुओं की तरह दिखने के लिए सावधानीपूर्वक ट्यून किए गए थे।

परिणामों ने दिखाया कि केवल अधिक नकली चित्र जोड़ना पर्याप्त नहीं था। जब डिटेक्टर को अन-ट्यून किए गए नकली चित्रों के साथ प्रशिक्षित किया गया, तो इसका प्रदर्शन वास्तव में थोड़ा खराब हो गया। यह कचरे को खोजने में कम सटीक हो गया और पहले की तुलना में अधिक वस्तुओं को छोड़ दिया। इससे पता चला कि यदि नकली चित्र वास्तविकता से बहुत अलग दिखते हैं, तो वे केवल कंप्यूटर को भ्रमित करते हैं। हालाँकि, जब डिटेक्टर को सावधानीपूर्वक ट्यून किए गए चित्रों के साथ प्रशिक्षित किया गया, तो परिणाम में सुधार हुआ। कंप्यूटर कचरे को पहचानने में बेहतर हो गया, अधिक कचरा खोजने में सक्षम हुआ, और इसे अधिक सटीकता से खोजने में सफल रहा। डिटेक्टर की सटीकता लगभग 83 प्रतिशत से बढ़कर 85 प्रतिशत हो गई, और सही वस्तुओं को खोजने की उसकी क्षमता भी सुधर गई।

अध्ययन ने यह भी खुलासा किया कि यह सुधार हर प्रकार के कचरे के लिए समान रूप से नहीं हुआ। कंप्यूटर दस्ताने, कैन और मछली पकड़ने के जाल को पहचानने में काफी बेहतर हो गया जब उसने ट्यून किए गए नकली चित्रों से सीखा। हालाँकि, फेस मास्क और प्लास्टिक बैग के लिए, सुधार बहुत कम था, और कुछ मामलों में, प्रदर्शन में कोई बदलाव नहीं हुआ। यह सुझाव देता है कि यह विधि उन वस्तुओं के लिए सबसे अच्छा काम करती है जिनका आकार और बनावट स्पष्ट होती है, लेकिन यह उन वस्तुओं के साथ संघर्ष करती है जो बहुत पतली, पारदर्शी या आसानी से विकृत होने वाली होती हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि ये AI-जनित चित्र मदद कर सकते हैं, वे वास्तविक डेटा का पूर्ण विकल्प नहीं हैं। वे एक उपयोगी पूरक हैं जो प्रदर्शन को बढ़ा सकते हैं जब वास्तविक तस्वीरें दुर्लभ हों, लेकिन उन्हें बहुत सावधानी से बनाया जाना चाहिए और उनकी गुणवत्ता की जांच की जानी चाहिए।

अंततः, यह कार्य प्रदर्शित करता है कि हम समुद्री प्रदूषण की समस्या को हल करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग कर सकते हैं, लेकिन तकनीक को मानवीय समझ द्वारा निर्देशित किया जाना चाहिए। कंप्यूटर को केवल "अधिक चित्र बनाने" के लिए नहीं कहा जा सकता; इसे पानी के नीचे की दुनिया की विशिष्ट दृश्य भाषा सिखानी होगी। वास्तविक डेटा को उच्च-गुणवत्ता वाले, सावधानीपूर्वक नियंत्रित सिंथेटिक चित्रों के साथ जोड़कर, शोधकर्ता समुद्र तल की निगरानी और सुरक्षा के लिए बेहतर उपकरण बना सकते हैं। अध्ययन पुष्टि करता है कि यह दृष्टिकोण एक आशाजनक कदम है, जो सीमित संसाधनों का अधिकतम लाभ उठाने का एक तरीका प्रदान करता है, साथ ही यह भी स्वीकार करता है कि अंतर्जलीय वातावरण की जटिलता के लिए अभी भी सावधानीपूर्वक प्रबंधन की आवश्यकता है।