SSDT-YOLO: An Underwater Object Detection Framework for Efficient Small-Target Recognition in Complex Environments

समुद्र की सतह के नीचे, दुनिया बदलती रोशनी और छिपे हुए विवरणों का एक स्थान है। वैज्ञानिकों और इंजीनियरों के लिए, इस वातावरण में स्पष्ट रूप से देखना एक निरंतर चुनौती है। पानी रंगों को सोख लेता है, प्रकाश को तब तक बिखेरता रहता है जब तक कि दृश्य धुंधला न हो जाए, जबकि छवि कैप्चर करने की प्रक्रिया स्वयं भी विकृतियाँ पैदा कर सकती है। इन परिस्थितियों में, छोटे पिंडों को खोजना—जैसे रेत पर आराम कर रहा एक समुद्री खीरा या चट्टान से चिपका हुआ एक स्टारफिश—मानव आंखों और मानक कैमरों दोनों के लिए अविश्वसनीय रूपamente कठिन हो जाता है। यहीं पर कंप्यूटर विजन की भूमिका आती है, जो मशीनों को कैमरों के माध्यम से "देखना" सिखाने वाला क्षेत्र है। डीप लर्निंग का उपयोग करके, एक ऐसी विधि जहाँ कंप्यूटर कठोर, पूर्व-लिखित नियमों के बजाय डेटा की विशाल मात्रा से पैटर्न सीखते हैं, मशीनों को धुंधले, कम रोशनी वाले या भीड़भाड़ वाले वातावरण में भी वस्तुओं को पहचानने के लिए प्रशिक्षित किया जा सकता है। यह क्षमता समुद्री पारिस्थित प्रणालियों की निगरानी करने, मत्स्य पालन का प्रबंधन करने और उन अंतर्जलीय रोबोटों को निर्देशित करने के लिए महत्वपूर्ण है जो मनुष्यों के लिए बहुत खतरनाक या उबाऊ कार्यों को करते हैं।

इन प्रगति के बावजूद, मौजूदा कंप्यूटर विज़न सिस्टम अक्सर गहरे समुद्र की विशिष्ट अराजकता का सामना करने पर संघर्ष करते हैं। वे अक्सर छोटे लक्ष्यों को चूक जाते हैं या उन्हें पृष्ठभूमि से अलग करने में विफल रहते हैं, विशेष रूप से जब रोशनी खराब हो। इसे संबोधित करने के लिए, शोधकर्ता चयाओयांग चेन और उनकी टीम ने हुनान यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी में SSDT-YOLO नामक एक नया सिस्टम विकसित किया है। यह फ्रेमवर्क विशेष रूप से बेंथिक जीवों—समुद्र तल पर रहने वाले जीवों—को जटिल अंतर्जलीय सेटिंग्स में खोजने के लिए डिज़ाइन किया गया है। टीम ने एक शक्तिशाली, मौजूदा डिटेक्शन मॉडल के साथ शुरुआत की जिसे YOLOv8 के रूप में जाना जाता है, जो सामान्य कार्यों में अपनी गति और सटीकता के लिए पहले से ही प्रसिद्ध है। हालांकि, उन्होंने पहचाना कि यह मानक मॉडल अंतर्जलीय दुनिया की अनूठी कठिनाइयों, जैसे कि मंद और विकृत वातावरण में सूक्ष्म विवरणों को देखने की आवश्यकता के लिए अनुकूलित नहीं था।

शोधकर्ताओं ने सिस्टम को अंदर से बाहर की ओर पुनर्गठित करके इस समस्या के प्रति दृष्टिकोण अपनाया, जिससे इसे अधिक संवेदनशील और कुशल बनाने के लिए चार प्रमुख क्षेत्रों पर ध्यान केंद्रित किया गया। सबसे पहले, उन्होंने सिस्टम के मुख्य "बैकबोन" (backbone), जो छवि को स्कैन करने के लिए जिम्मेदार हिस्सा है, को एक नई संरचना से बदल दिया जिसे उन्होंने TEfficientNet नाम दिया। यह नया बैकबोन अंतर्जलीय दुनिया में पाई जाने वाली असमान रोशनी को बेहतर ढंग से संभालने में सक्षम है, जिससे सिस्टम शुरुआत से ही स्पष्ट फीचर्स निकालने में सक्षम होता है। दूसरा, यह सुनिश्चित करने के लिए कि छवि को प्रोसेस करते समय छोटे ऑब्जेक्ट्स खो न जाएं या धुंधले न हो जाएं, उन्होंने मानक प्रोसेसिंग लेयर्स को 'स्पेशियल-प्रिजर्विंग डेप्थ कॉन्वोल्यूशन' (Spatial-Preserving Depth Convolution) नामक एक विशेष तकनीक से बदल दिया। यह विधि एक सावधानीपूर्ण फिल्टर की तरह कार्य करती है जो छोटे लक्ष्यों के सूक्ष्म विवरणों को बरकरार रखती है, जिससे वे आसपास के पानी के शोर में गायब होने से बच जाते हैं।

तीसरा, टीम ने नेटवर्क के मध्य भाग को पुनर्गठित किया, जहाँ सूचना के विभिन्न स्तरों को संयोजित किया जाता है। उन्होंने C2f-Dual नामक एक नया मॉड्यूल पेश किया, जो इन विवरणों को जोड़ने (fuse) की प्रक्रिया को सुव्यवस्थित करता है। इस परिवर्तन ने गणनाओं की संख्या को काफी कम कर दिया जिसे कंप्यूटर को करने की आवश्यकता होती है, जिससे सिस्टम अपनी देखने की क्षमता से समझौता किए बिना हल्का और तेज़ बन गया। अंत में, सिस्टम को छवि के सबसे महत्वपूर्ण हिस्सों पर ध्यान केंद्रित करने में मदद करने के लिए, उन्होंने 'स्पेशियल एंड चैनल सिनर्जिस्टिक अटेंशन' (Spatial and Channel Synergistic Attention) नामक एक तंत्र जोड़ा। यह एक स्पॉटलाइट की तरह कार्य करता है, कंप्यूटर का ध्यान उन विशिष्ट क्षेत्रों की ओर निर्देशित करता है जहाँ छोटे, घने जीव होने की संभावना होती है, जबकि अप्रासंगिक पृष्ठभूमि के शोर को अनदेखा करता है।

इन परिवर्तनों के परिणामों का परीक्षण दो बड़े अंतर्जलीय छवियों के संग्रहों पर किया गया था, जिनमें से एक में लगभग 8,000 फोटो थे और दूसरे में 4,700 से अधिक। नया SSDT-YOLO सिस्टम अत्यधिक प्रभावी सिद्ध हुआ। इसने पहले डेटासेट पर 84.9% की सफलता दर और दूसरे पर 83.0% की सफलता दर के साथ समुद्री जीवों की सही पहचान की और उन्हें स्थित किया, जिसने मूल YOLOv8 मॉडल और कई अन्य अग्रणी डिटेक्शन सिस्टमों को पछाड़ दिया। शायद उतना ही महत्वपूर्ण यह है कि नया मॉडल बहुत अधिक कुशल है। यह काफी कम कंप्यूटेशनल संसाधनों का उपयोग करता है, जिसमें बेसलाइन मॉडल द्वारा उपयोग किए जाने वाले 3.1 मिलियन की तुलना में केवल लगभग 2.0 मिलियन पैरामीटर आवश्यक हैं। आकार में यह कमी सिस्टम को 214.8 फ्रेम प्रति सेकंड की गति से चलाने की अनुमति देती है, जिसका अर्थ है कि यह हर सेकंड 200 से अधिक छवियों को प्रोसेस कर सकता है। यह गति वास्तविक समय के अनुप्रयोगों के लिए महत्वपूर्ण है, जैसे कि किसी अंतर्जलीय रोबोट को बिना किसी देरी के नमूने एकत्र करने या रीफ की निगरानी करने के लिए निर्देशित करना।

हालांकि यह सिस्टम एक महत्वपूर्ण कदम है, शोधकर्ता स्वीकार करते हैं कि यह हर संभव परिदृश्य के लिए पूर्ण समाधान नहीं है। उन मामलों में जहाँ वस्तुएं तलछट (sediment) द्वारा भारी रूप से ढकी हुई हैं या अत्यधिक प्रकाश स्थितियों में हैं, सिस्टम अभी भी कभी-कभी लक्ष्यों को चूक जाता है। इसके अलावा, नए डिज़ाइन को गणितीय संचालन के संदर्भ में थोड़ी अधिक कच्ची कंप्यूटिंग शक्ति की आवश्यकता होती है, जो एक ऐसा ट्रेड-ऑफ है जिस पर टीम भविष्य के अध्ययन में अनुकूलन (optimize) करने के लिए काम कर रही है। फिर भी, यह कार्य प्रदर्शित करता है कि कंप्यूटर विज़न मॉडलों को अंतर्जलीय दुनिया की विशिष्ट भौतिक वास्तविकताओं के अनुरूप सावधानीपूर्वक तैयार करके, ऐसे उपकरण बनाना संभव है जो अत्यधिक सटीक और वास्तविक समय में संचालित होने के लिए पर्याप्त तेज़ हों। यह प्रगति समुद्री अन्वेषण के लिए अधिक स्वायत्त और प्रभावी मार्ग प्रदान करती है, जिससे वैज्ञानिकों और संरक्षणवादियों को समुद्र तल के छिपे हुए जीवन को बेहतर ढंग से समझने और उसकी रक्षा करने में मदद मिलती है।