UAV-Based Drifting Victim Detection in Flash Floods Using Region-Based Convolutional Neural Networks

तकनीकी सारांश: रीजन-बेस्ड कन्वोल्यूशनल न्यूरल नेटवर्क का उपयोग करके फ्लैश फ्लड में यूएवी-आधारित बहते हुए पीड़ितों का पता लगाना

समस्या विवरण
फ्लैश फ्लड (अचानक आई बाढ़) खोज और बचाव (SAR) कार्यों के लिए एक गंभीर चुनौती पेश करते हैं क्योंकि ये तेजी से आते हैं, इनमें प्रवाह की गति बहुत अधिक होती है, और प्रभावित क्षेत्रों तक पहुँचने में ग्राउंड टीमों को कठिनाई होती है, विशेष रूप से तब जब बुनियादी ढांचा क्षतिग्रस्त हो जाता है। पारंपरिक जमीनी सर्वेक्षण अक्सर बहुत धीमे या खतरनाक होते हैं, जबकि सैटेलाइट इमेजरी रिज़ॉल्यूशन, पुनरावृत्ति समय और बादलों के आवरण के कारण सीमाओं से ग्रस्त होती है। हालांकि अनमैन्ड एरियल व्हीकल (UAVs) उच्च-रिज़ॉल्यूशन और लचीली हवाई निगरानी प्रदान करते हैं, लेकिन उत्पन्न होने वाले दृश्य डेटा की विशाल मात्रा मैन्युअल निरीक्षण को तीव्र आपातकालीन प्रतिक्रिया के लिए अव्यावहारिक बना देती है। इसके अलावा, गतिशील नदी वातावरण में बहते हुए पीड़ितों का पता लगाना जटिल है; लक्ष्य अक्सर छोटे, आंशिक रूप से छिपे हुए और दृश्य रूप से तैरते हुए मलबे के समान होते हैं, जिसके लिए सटीक स्थानिक सीमाओं और आकृतियों को चित्रित करने के लिए केवल साधारण आयताकार बाउंडिंग बॉक्स से अधिक की आवश्यकता होती है।

कार्यप्रणाली
यह अध्ययन एक डीप लर्निंग-आधारित प्रणाली का प्रस्ताव करता है जो बहती हुई वस्तुओं (संभावित पीड़ितों) का पता लगाने और उन्हें सेगमेंट करने के लिए मास्क R-CNN एल्गोरिदम का उपयोग करते हुए UAV-प्राप्त हवाई वीडियो डेटा का उपयोग करता है। कार्यप्रणाली एक चार-चरणीय पाइपलाइन का अनुसरण करती है:

1. डेटा संग्रह: एक अनुकूलित डेटासेट दो स्रोतों का उपयोग करके बनाया गया था:

   • प्राथमिक डेटा: तेलकोर समुद्री पर्यटन क्षेत्र (पोरोंग नदी, इंडोनेशिया) में विभिन्न ऊंचाइयों पर DJI Mavic Air 2S ड्रोन द्वारा कैप्चर किए गए 26 वीडियो फ़ाइलें। इन्हें 589 इमेज फ्रेमों में निकाला गया था।
   • द्वितीयक डेटा: सोशल मीडिया से प्राप्त 463 चित्र।
   • कुल डेटासेट को प्रशिक्षण (training), सत्यापन (validation) और परीक्षण (testing) सेटों में विभाजित किया गया था। प्राथमिक डेटासेट (589 चित्र) के लिए, 515 चित्र प्रशिक्षण के लिए, 48 सत्यापन के लिए और 25 परीक्षण के लिए उपयोग किए गए थे। द्वितीयक डेटासेट (463 चित्र) के लिए, विभाजन 278 प्रशिक्षण के लिए, 93 सत्यापन के लिए और 92 परीक्षण के लिए था। बाढ़ की स्थिति को दर्शाने के लिए "गंभीर" (Severe), "मध्यम" (Moderate) और "हल्का" (Mild) जैसे लेबल का उपयोग करके एनोटेशन किया गया था।

2. डेटा प्रोसेसिंग: कच्चे चित्रों को एक कठोर प्रीप्रोसेसिंग पाइपलाइन से गुजारा गया जिसमें शामिल हैं:

   • गुणवत्ता जांच: दूषित, कम-रिज़ॉल्यूशन, डुप्लिकेट या अप्रासंगिक छवियों को हटाना।
   • एनोटेशन: बाउंडिंग बॉक्स के साथ वस्तुओं को लेबल करना।
   • रीसाइज़िंग: CNN के लिए इनपुट आयामों को मानकीकृत करना (जैसे, 224×224 या 256×256 पिक्सेल)।
   • नॉर्मलाइजेशन: मिन-मैक्स नॉर्मलाइजेशन का उपयोग करके पिक्सेल मानों को 0–255 से 0–1 की सीमा में स्केल करना।
   • ऑग्मेंटेशन: क्षैतिज फ्लिपिंग (horizontal flipping), रोटेशन, स्केलिंग, क्रॉपिंग, और ब्राइटनेस, कंट्रास्ट, ब्लर और गॉसियन नॉइज़ के समायोजन के माध्यम से डेटासेट की मात्रा बढ़ाना।

3. मॉडल विकास: सिस्टम का मुख्य भाग एक फाइन-ट्यून्ड मास्क R-CNN मॉडल है। आर्किटेक्चर में शामिल हैं:

   • बैकबोन (Backbone): फीचर एक्सट्रैक्शन के लिए एक CNN।
   • फीचर पायरामिड नेटवर्क (FPN): विभिन्न पैमानों पर वस्तुओं का पता लगाने में सक्षम मल्टी-स्केल फीचर मैप्स ($P1$–$P6$) उत्पन्न करने के लिए।
   • रीजन प्रोपोज़ल नेटवर्क (RPN): उम्मीदवार रुचि के क्षेत्रों (RoI) की पहचान करने के लिए।
   • RoIAlign: प्रस्तावित क्षेत्रों से निश्चित-आयामी फीचर प्रतिनिधित्व निकालने के लिए।
   • प्रेडिक्शन हेड (Prediction Head): वर्गीकरण, बाउंडिंग बॉक्स रिग्रेशन और पिक्सेल-स्तरीय इंस्टेंस सेगमेंटेशन करने के लिए।
     अध्ययन एक मानक मास्क R-CNN (मूल डेटासेट पर प्रशिक्षित) की तुलना अनुकूलित, ऑगमेंटेड डेटासेट पर प्रशिक्षित फाइन-ट्यून्ड संस्करण से करता है।

4. मूल्यांकन: प्रदर्शन का आकलन एवरेज प्रिसिजन (AP), एवरेज रिकॉल (AR), डिटेक्शन कॉन्फिडेंस और इन्फरेंस टाइम का उपयोग करके किया गया। मेट्रिक्स को विभिन्न इंटरसेक्शन ओवर यूनियन (IoU) थ्रेसहोल्ड पर बाउंडिंग बॉक्स डिटेक्शन और इंस्टेंस सेगमेंटेशन दोनों के लिए मूल्यांकन किया गया।

प्रमुख योगदान
पेपर तीन प्राथमिक योगदानों को रेखांकित करता है:

1. अनुकूलित डेटासेट: बाढ़ से प्रभावित नदी वातावरण में बहते हुए पीड़ित की स्थितियों का प्रतिनिधित्व करने वाला एक स्थानीयकृत UAV-आधारित इमेज डेटासेट का विकास, जो डोमेन-विशिष्ट प्रशिक्षण डेटा की कमी को दूर करता है।
2. फाइन-ट्यून्ड डिटेक्शन फ्रेमवर्क: हवाई बाढ़ इमेजरी के लिए विशेष रूप से मास्क R-CNN मॉडल का अनुकूलन और फाइन-ट्यूनिंग। यह मानक बाउंडिंग-बॉक्स-ओनली दृष्टिकोणों की तुलना में बेहतर स्थानिक जानकारी प्रदान करने के लिए इंस्टेंस सेगमेंटेशन का लाभ उठाता है।
3. त्वरित दृश्य मूल्यांकन उपकरण: यह प्रणाली प्रदान करके SAR ऑपरेशनों को सहायता देने की अपनी क्षमता का प्रदर्शन करती है, जो उन वातावरणों में पीड़ितों के स्थान और गति की दिशा के बारे में समय पर स्थानिक जानकारी प्रदान करती है जहाँ जमीनी पहुंच प्रतिबंधित है।

परिणाम
प्रायोगिक परिणाम संकेत देते हैं कि अनुकूलित डेटासेट पर फाइन-ट्यून किया गया मास्क R-CNN मॉडल पारंपरिक मॉडल की तुलना में काफी बेहतर रहा:

• डिटेक्शन कॉन्फिडेंस: फाइन-ट्यून्ड मॉडल ने 90% से अधिक औसत डिटेक्शन कॉन्फिडेंस प्राप्त किया, जबकि मानक मॉडल 85–89% के आसपास स्थिर था।
• एवरेज प्रिसिजन (AP):
  • बाउंडिंग बॉक्स: IoU 0.5 पर AP 54.6% (मानक) से बढ़कर 94.94% (फाइन-ट्यून्ड) हो गया।
  • सेगमेंटेशन: IoU 0.5 पर AP 52.8% (मानक) से बढ़कर 96.94% (फाइन-ट्यून्ड) हो गया।
• एवरेज रिकॉल (AR): रिकॉल में महत्वपूर्ण सुधार देखे गए, विशेष रूप से IoU 0.5 पर सेगमेंटेशन के लिए, जो फाइन-ट्यून्ड मॉडल के साथ 52.8% से बढ़कर 92.9% हो गया।
• दक्षता: फाइन-ट्यून्ड मॉडल ने प्रति इमेज औसत इन्फरेंस टाइम को 0.5 सेकंड से घटाकर 0.3 सेकंड कर दिया।
• कुल मेट्रिक्स: अध्ययन 87% से 92% की डिटेक्शन सटीकता वृद्धि, 0.88 का F1-स्कोर और 0.82 का मीन एवरेज प्रिसिजन (mAP) रिपोर्ट करता है।

महत्व और दावे
लेखक दावा करते हैं कि प्रस्तावित दृष्टिकोण गतिशील नदी वातावरण में ड्रिफ्ट ट्रेजेक्टरी (बहने के पथ) का अनुमान लगाने के लिए विश्वसनीय ऑब्जेक्ट डिटेक्शन और स्थानिक जानकारी प्रदान करता है। इंस्टेंस सेगमेंटेशन का उपयोग करके, सिस्टम केवल बाउंडिंग बॉक्स पर निर्भर रहने वाले तरीकों की तुलना में पीड़ितों और दृश्य रूप से समान मलबे के बीच अधिक प्रभावी ढंग से अंतर कर सकता है। यह अध्ययन इस तकनीक को तीव्र हवाई टोही (reconnaissance) के लिए एक व्यवहार्य उपकरण के रूप में स्थापित करता है, जो उच्च जल वेग और जटिल भूभाग वाली फ्लैश फ्लड स्थितियों में आपातकालीन प्रतिक्रिया के दौरान निर्णय लेने में सहायता करने में सक्षम है। लेखक एक सीमित दायरे को बनाए रखते हैं, यह नोट करते हुए कि हालांकि सिस्टम प्रभावी है, कुछ डिटेक्शन त्रुटियां कम रोशनी वाले दृश्यों और तीव्र कैमरा मूवमेंट के दौरान बनी रहती हैं, और भविष्य के कार्यों को विविध वास्तविक दुनिया के SAR परिदृश्यों में प्रदर्शन को मान्य करने पर ध्यान केंद्रित करना चाहिए।