Joint Enhancement of Multi-Scale Features and Adaptive Loss for YOLOv5

औद्योगिक स्वचालन (इंडस्ट्रियल ऑटोमेशन) की दुनिया में, मशीनें वही देखने के लिए कैमरों पर निर्भर करती हैं जो इंसान देखते हैं, लेकिन वे अक्सर उन्हीं दृश्य समस्याओं से जूझती हैं जो हमें कम रोशनी वाले कमरों में परेशान करती हैं। जब किसी कारखाने का फर्श कम रोशनी वाला होता है, या जब कोई उत्पाद मुड़ा हुआ, तह किया हुआ या बहुत छोटा होता है, तो मानक कंप्यूटर विजन सिस्टम अपना रास्ता भटक सकते हैं। वे एक बैग में छोटे से फटे हुए हिस्से को मिस कर सकते हैं या किसी क्षतिग्रस्त भाग का पता लगाने में विफल हो सकते हैं क्योंकि छवि बहुत अंधेरी है या वस्तु बहुत विकृत है। यहीं पर ऑब्जेक्ट डिटेक्शन का क्षेत्र आता है, जो आर्टिफिशियल इंटेलिजेंस की एक शाखा है जिसे कंप्यूटर को एक छवि के भीतर वस्तुओं को पहचानने और खोजने के लिए सिखाने के लिए डिज़ाइन किया गया है। हालांकि आधुनिक प्रणालियाँ शक्तिशाली हैं, वे गोदाम की अव्यवस्थपूर्ण वास्तविकता का सामना करते समय अक्सर लड़खड़ा जाती हैं: कम रोशनी, सूक्ष्म दोष, और ऐसी वस्तुएं जिनका आकार एकदम सटीक नहीं होता। शोधकर्ता लगातार ऐसे सिस्टम बनाने की कोशिश कर रहे हैं जो औद्योगिक कार्य की तेज़ गति को धीमा किए बिना इन कठिन परिस्थितियों को संभाल सकें।

ताइयुआन यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी और ताइयुआन फॉटकी लॉजिस्टिक्स इक्विपमेंट एंड टेक्नोलॉजी कंपनी लिमिटेड के शोधकर्ताओं की एक टीम ने एक लोकप्रिय डिटेक्शन सिस्टम, जिसे YOLOv5 के रूप में जाना जाता है, में सुधार करके इन विशिष्ट चुनौतियों का समाधान किया है। उन्होंने अपने कार्य को एक विशेष रूप से कठिन कार्य पर केंद्रित किया: औद्योगिक टन बैग (ton bags) का निरीक्षण करना, जो थोक सामग्री के परिवहन के लिए उपयोग किए जाने वाले बड़े बुने हुए थैले होते हैं। ये बैग कैमरे के लिए कठिनाइयों का एक आदर्श तूफान पेश करते हैं। कम रोशनी की स्थिति में, बैग की बुनी हुई बनावट को पहचानना कठिन हो जाता है, और कोई भी क्षति, जैसे कि एक छोटा सा छेद या फटा हुआ हिस्सा, अक्सर स्पष्ट रूप से देखने के लिए बहुत छोटा होता है। इसके अलावा, जैसे ही इन बैगों को एक के ऊपर एक रखा जाता है और हिलाया-डुलाया जाता है, वे सिकुड़ते और मुड़ते हैं, जिससे उनका आकार इस तरह बदल जाता है जो मानक कैमरों को भ्रमित कर देता है। शोधकर्ताओं ने एक एकल समाधान बनाने का लक्ष्य रखा जो अंधेरे को संभाल सके, सूक्ष्म दोषों को ढूंढ सके और एक साथ बैग के बदलते आकारों के अनुकूल हो सके।

कम रोशनी की समस्या को हल करने के लिए, टीम ने एक ऐसी विधि पेश की जो कंप्यूटर की आँखों के लिए एक स्मार्ट टॉर्च की तरह काम करती है। पूरी छवि को बस चमकाने के बजाय, जो विवरणों को धुंधला कर सकता है या अत्यधिक चमक पैदा कर सकता है, उन्होंने एक ऐसी तकनीक का उपयोग किया जो छोटे, स्थानीय क्षेत्रों में कंट्रास्ट (contrast) को समायोजित करती है। कल्पना कीजिए कि आप एक अंधेरे कमरे को देख रहे हैं जहाँ कुछ कोने बिल्कुल काले हैं और अन्य थोड़े प्रकाशित हैं; एक साधारण ब्राइटनर पूरे कमरे को सफेद बना देगा और छाया को खो देगा। यहाँ उपयोग की गई विधि, जिसे CLAHE के रूप में जाना जाता है, छवि के छोटे पैच को देखती है और केवल वहीं कंट्रास्ट बढ़ाती है जहाँ इसकी आवश्यकता होती है। यह कंप्यूटर को बैग की महीन बुनाई और फटने का संकेत देने वाले सूक्ष्म अंतरों को देखने की अनुमति देता है, यहाँ तक कि बहुत अंधेरे कोनों में भी, जबकि यह छवि के शोर और ग्रेन (grain) को नियंत्रण में रखता है। यह चरण सुनिश्चित करता है कि कंप्यूटर दोषों को खोजना शुरू करने से पहले एक स्पष्ट, विस्तृत चित्र प्राप्त करे।

एक बार जब छवि स्पष्ट हो जाती है, तो सिस्टम को उन छोटे क्षतिग्रस्त क्षेत्रों को खोजने की आवश्यकता होती है, जो अक्सर केवल कुछ पिक्सेल चौड़े होते हैं। मानक डिटेक्शन सिस्टम अक्सर इन छोटे लक्ष्यों को मिस कर देते हैं क्योंकि वे छवियों को परतों में प्रोसेस करते हैं जो धीरे-धीरे चित्र को सिकोड़ देती हैं, जिससे सूक्ष्म विवरण गायब हो जाते हैं। शोधकर्ताओं ने सिस्टम में एक नई परत जोड़ी है जो छवि का उच्च-रिज़ॉल्यूशन दृश्य बनाए रखती है, जिससे यह धुंधलेपन में खोए बिना इन सूक्ष्म दोषों को पहचान पाती है। उन्होंने यह भी बदला कि सिस्टम अपनी गलतियों से कैसे सीखता है। हर त्रुटि के साथ एक जैसा व्यवहार करने के बजाय, नई विधि उन छोटी वस्तुओं और उन वस्तुओं पर विशेष ध्यान देती है जिनके बारे में सिस्टम अनिश्चित है। सूक्ष्म विवरणों के लिए एक स्पष्ट, क्लोज-अप दृश्य रखने और कठिन उदाहरणों से अधिक सावधानीपूर्वक सीखने का यह संयोजन, उन छोटे फटे हुए हिस्सों और छेदों को खोजने की क्षमता में उल्लेखनीय सुधार करता है जिन्हें वह पहले अनदेखा कर देता।

अंतिम चुनौती बैगों के मुड़ने और मुड़ने (twist and fold) से निपटने की थी। एक मानक कैमरा लेंस दुनिया को एक कठोर ग्रिड के रूप में देखता है, जो सीधी रेखाओं के लिए तो अच्छा काम करता है लेकिन जब कोई वस्तु झुकती या खिंचती है तो संघर्ष करता है। इसे ठीक करने के लिए, शोधकर्ताओं ने सिस्टम को छवि को देखने का एक लचीला तरीका दिया। उन्होंने एक ऐसा तंत्र जोड़ा जो कंप्यूटर को अपने फोकस पॉइंट्स को थोड़ा बदलने की अनुमति देता है, जिससे वह बैग के झुर्रियों और घुमावों के अनुरूप अपने दृश्य को अनुकूलित कर सके। यह एक ऐसी प्रणाली के साथ जुड़ा है जो यह सीखती है कि छवि के कौन से हिस्से सबसे महत्वपूर्ण हैं, प्रभावी रूप से कंप्यूटर को बैकग्राउंड शोर को अनदेखा करने और क्षति के आकार पर ध्यान केंद्रित करने के लिए कहती है। इस लचीले दृश्य को सबसे प्रासंगिक विशेषताओं पर ध्यान केंद्रित करने के साथ जोड़कर, सिस्टम मुड़े हुए या अजीब तरीके से झुके हुए बैगों को पहचानने में बहुत बेहतर हो गया।

जब शोधकर्ताओं ने अपने उन्नत सिस्टम का परीक्षण वास्तविक दुनिया के टन बैग की छवियों के संग्रह पर किया, तो परिणाम चौंकाने वाले थे। कम रोशनी की स्थिति में, क्षति का पता लगाने की सिस्टम की क्षमता 65.1% से बढ़कर 78.4% हो गई, जो एक महत्वपूर्ण उछाल है जिसका अर्थ है बहुत कम छूटे हुए दोष। सबसे छोटे लक्ष्यों के लिए, डिटेक्शन दर बढ़कर 85.2% हो गई, और विकृत बैगों के लिए, यह 74.3% तक पहुँच गई। कुल मिलाकर, नए सिस्टम ने 86.7% की सटीकता हासिल की, जिसने YOLOv7 (75.8%) और YOLOv8 (78.6%) जैसे अन्य अग्रणी डिटेक्शन मॉडलों को पीछे छोड़ दिया। यह अध्ययन प्रदर्शित करता है कि लाइटिंग, स्केल और आकार को एक साथ संबोधित करके, एक ऐसा मजबूत निरीक्षण उपकरण बनाना संभव है जो एक औद्योगिक गोदाम के जटिल और अक्सर अपूर्ण वातावरण में विश्वसनीय रूप से काम करता है। यह दृष्टिकोण लॉजिस्टिक्स और विनिर्माण में गुणवत्ता नियंत्रण सुनिश्चित करने के लिए एक व्यावहारिक मार्ग प्रदान करता है, जहाँ एक छोटे से दोष को चूकना बाद में बड़ी समस्याओं का कारण बन सकता है।