Modeling Reliable Detection Range of Cetaceans Imaged with Infrared Cameras

Deze studie presenteert een radiometrisch model om de betrouwbare detectieafstand van zeezoogdieren met infraroodcamera's te berekenen onder diverse omstandigheden, waardoor uitgebreide metingen op zee overbodig worden.

De kern

De Walfinder: Een Simpel Verhaal over Warmte, Mist en Camera's

Stel je voor dat je op een boot zit en je wilt voorkomen dat je per ongeluk een walvis raakt. Je hebt een camera nodig die ver genoeg kan kijken, zelfs als het mistig is of als de walvis ver weg zwemt. Maar hoe weet je of die camera goed genoeg is? Dat is precies waar dit onderzoek over gaat.

De auteurs van dit paper hebben een rekenmachine (een computermodel) bedacht die voorspelt hoe ver een infraroodcamera een walvis kan zien. Laten we dit uitleggen met een paar simpele vergelijkingen.

1. Het Probleem: De "Onzichtbare" Walvis

Walvissen zijn vaak moeilijk te zien. Ze zijn donker, ze zitten in een donkere oceaan, en als het mistig is, zie je ze helemaal niet. Maar walvissen ademen. Als ze boven water komen, spuiten ze een warme wolk waterdamp de lucht in (een "spuit"). Deze damp is warmer dan de koude lucht eromheen.

Infraroodcamera's kijken niet met zichtbaar licht, maar met warmte. Ze zien die warme wolk als een fel lichtje in het donker. Het probleem is: hoe ver weg kun je dat lichtje nog zien voordat het te klein of te vaag wordt?

2. De Oplossing: Een Virtuele Testbaan

Vroeger moesten onderzoekers maandenlang op zee varen om te testen hoe ver ze walvissen konden zien. Ze telden elke walvis en keken op welke afstand ze verdwenen. Dit is duur, tijdrovend en hangt af van het weer.

De auteurs van dit paper hebben een virtuele testbaan gebouwd. In plaats van naar zee te gaan, voer je de gegevens in je computer in:

• Hoe hoog staat de camera? (Op een hoge toren of op een klein bootje?)
• Hoe goed is de lens? (Is het een simpele bril of een superkrachtige verrekijker?)
• Hoe is het weer? (Zonnig, bewolkt of dichte mist?)

De computer rekent dan uit: "Als je deze camera op deze hoogte plaatst in deze mist, kun je de walvis tot precies X kilometer zien."

3. De Drie Grote Vijanden van het Zicht

Het model laat zien dat er drie dingen zijn die het zicht van de camera beperken, net als bij het kijken door een raam:

• De "Pixel-Pizza" (Resolutie): Stel je voor dat je een pizza (de walvis) moet zien, maar je kijkt er door een raam met alleen maar vier grote ruitjes (pixels). Als de pizza ver weg is, past hij misschien niet eens in één ruitje. Dan zie je alleen maar een vlekje. De camera moet genoeg "ruiten" hebben om de walvis scherp te zien.
• De "Smoorde Warmte" (Atmosfeer): Als er veel mist of nevel is, is het alsof er een dikke deken tussen de camera en de walvis hangt. De warmte van de walvis wordt "gestikt" voordat hij de camera bereikt. De camera ziet dan niets, zelfs als de walvis dichtbij is.
• De "Hoogte-voordeel" (Camera-hoogte): Dit is misschien wel het leukste deel. Als je camera hoog staat (bijvoorbeeld op een klif of een hoog mastje), kun je verder kijken. Het is alsof je op een heuvel staat in plaats van in een dal. Je ziet verder over de horizon. Het model laat zien dat een hogere camera een enorm verschil maakt in hoe ver je kunt zien.

4. De "Wet van de Video"

Een walvis spuit niet één keer en is dan weg. Hij spuit een paar seconden lang. De camera maakt een video, dus hij maakt honderden foto's per seconde.
Het model rekent uit: "Zelfs als je op de eerste foto de walvis niet ziet, misschien zie je hem wel op de tiende foto." Door alle foto's samen te nemen, wordt de kans om de walvis te vinden veel groter. Het is alsof je iemand in een drukke menigte zoekt; als je maar lang genoeg kijkt, zie je hem wel.

5. Wat hebben ze ontdekt?

De auteurs hebben hun rekenmachine getest met echte data van walvissen langs de kust van Californië. Het model bleek perfect te kloppen met de echte waarnemingen!

Daarna hebben ze gekeken wat er gebeurt als je de instellingen verandert:

• Koelere sensoren: Sommige camera's zijn "gekoeld" (zoals een koelkast). Die zijn veel gevoeliger voor warmte. Ze kunnen walvissen zien in dichte mist waar normale camera's niets zien.
• De lens: Een langere lens (zoals een telelens) zoomt in. Je ziet de walvis scherper, maar je ziet minder van de omgeving. Je moet een keuze maken: een breed beeld of een scherp beeld ver weg?
• Draaiende camera's: Sommige camera's draaien rond om alles te zien. Maar omdat ze draaien, maken ze minder foto's per seconde. Het model laat zien dat dit de afstand waarop je een walvis ziet, iets verkleint.

Conclusie: De "Rekenmachine" voor Veiligheid

Kortom, dit paper zegt: "Je hoeft niet maandenlang op zee te varen om te weten of je camera werkt. Gebruik onze rekenmachine."

Dit helpt schippers, boeren en onderzoekers om de juiste camera te kiezen voor hun situatie. Of ze nu een schip willen beschermen tegen een aanvaring met een walvis, of een boorplatform willen veilig houden. Het model helpt ervoor te zorgen dat we de walvissen zien voordat het te laat is, zodat we tijd hebben om te remmen of te stoppen.

Het is als het hebben van een superkrachtige bril die je vertelt: "Kijk hier, tot hier kun je veilig zien, en daarachter moet je oppassen."

Technische samenvatting

Titel: Modellering van de Betrouwbare Detectiebereik van Cetaceanen Afgebeeld met Infraroodcamera's

1. Probleemstelling

Infrarood (IR) beeldvormingssystemen worden steeds vaker ingezet op schepen, platformen en drones om walvissen en andere cetaceanen op grote afstand te detecteren. Dit is cruciaal voor het mitigeren van menselijke activiteiten zoals schipsslagen en heipalen (bij offshore constructie). Een kritieke prestatie-indicator voor deze systemen is het Betrouwbare Detectiebereik (RDR - Reliable Detection Range). Dit is de maximale afstand waarop een systeem met 100% zekerheid een doelwit (bijvoorbeeld een walvisblazen) kan detecteren.

Het huidige probleem is dat de RDR momenteel empirisch wordt bepaald door middel van uitgebreide datacollectie op zee om een waarschijnlijkheidsverdeling (PDF) van detecties te genereren. Deze methode is tijdrovend, kostbaar en afhankelijk van specifieke omgevingscondities. Er is behoefte aan een theoretisch model dat de prestaties van IR-systemen kan voorspellen over een breed scala aan omstandigheden en systeemparameters zonder dat er eerst enorme hoeveelheden meetdata nodig zijn.

2. Methodologie

De auteurs hebben een radiometrisch model ontwikkeld om de RDR en het Maximum Detectiebereik (MDR) te berekenen. Het model is gebaseerd op bestaande modellen voor elektro-optische doelwitaquisitie, maar is aangepast voor de specifieke uitdagingen van walvisdetectie.

Kerncomponenten van het model:

• Stralingsverloop: Het model berekent de thermische emissie van het doelwit (walvisblazen) en de achtergrond (zee) via de Planck-wet. Het houdt rekening met atmosferische absorptie en verstrooiing (Beer-Lambert-wet) en gebruikt de Koschmieder-wet om zichtbaarheid om te zetten in een dempingscoëfficiënt.
• Beeldkwaliteit en SNR: De kwaliteit van het beeld op de sensor wordt bepaald door het Signaal-tot-Ruisverhouding (SNR) en de ruimtelijke bemonstering (hoeveel pixels het doelwit beslaat).
• Targeting Task Performance (TTP): Om de detectiekans te bepalen, wordt gebruikgemaakt van de TTP-metriek. Dit model schat de kans dat een menselijke waarnemer (als conservatieve benchmark voor algoritmen) een object kan detecteren op basis van de berekende beeldkwaliteit.
• Specifieke aanpassingen voor walvissen:
  • Kenmerkende Dimensie (CD): De grootte van de walvisblazen wordt gemodelleerd als een kegel of ellipsoïde. De CD (wortel van het oppervlak) bepaalt hoe goed het doelwit wordt bemonsterd door de sensor.
  • Camerahoogte en Horizon: Het model integreert de hoogte van de camera boven zeeniveau. Dit beïnvloedt de horizonafstand en de niet-lineaire projectie van pixels op het zeeoppervlak (meer oppervlak per pixel op grotere afstand).
  • Video-sequenties: In plaats van alleen statische beelden, berekent het model de detectiekans over een reeks beelden (M frames) gedurende de duur van de blazen, wat de totale detectiekans verhoogt.
  • Geometrie: Het model berekent de azimutale FOV (Field of View) en de projectie van de sensor op het zeeoppervlak, rekening houdend met de kromming van de aarde.

3. Belangrijkste Bijdragen

• Theoretisch Voorspellend Model: De ontwikkeling van een model dat de RDR kan berekenen op basis van systeemparameters (lens, sensor, hoogte) en omgevingsfactoren (zichtbaarheid, temperatuurverschil), zonder dat er eerst extensive at-sea data nodig is.
• Integratie van Video-tijd: Het model gaat verder dan statische beeldanalyse door de duur van de gebeurtenis (blazen) en het frame-rate van de camera te incorporeren in de detectiekansberekening.
• Validatie met Real-World Data: Het model is gevalideerd met een robuust dataset van 1.882 grijze walvissen die zijn gedetecteerd door een kustgebonden IR-systeem (Guazzo et al., 2018).
• Sensitiviteitsanalyse: Het model biedt een manier om snel te evalueren welke parameters (zoals camerahoogte, lensfocal length, sensor-type) de grootste impact hebben op de prestaties.

4. Resultaten

• Validatie: Bij vergelijking met de empirische data van de grijze walvissen gaf het model een RDR van 2,0 km, terwijl de empirische methode (piek van de detectie-histogram) een RDR van 1,8 km opleverde. Dit toont een goede overeenkomst aan.
• Invloed van Parameters:
  • Camerahoogte en FOV: Een hogere camera en een smaller FOV (langere brandpuntsafstand) leiden tot een grotere RDR, omdat dit de ruimtelijke bemonstering van het doelwit verbetert.
  • Beeldkwaliteit als beperkende factor: In veel scenario's is de RDR niet beperkt door atmosferische demping (mist), maar door de ruimtelijke bemonstering (het doelwit wordt te "pixelig" op de sensor).
  • Gekozen vs. Ongekozen Sensoren: Gekozen sensoren (cooled) presteren beter bij lage temperatuurverschillen tussen walvis en water of bij slechte zichtbaarheid, omdat ze een lagere ruis (dark noise) hebben. Echter, zodra de ruimtelijke bemonstering de limiet bereikt, verdwijnt het voordeel van de gekozen sensor.
  • Static vs. Rotating: Draaiende lijnscanners hebben een groter gezichtsveld (FOR), maar door de lagere frame-rate per doelwit neemt de detectiekans af ten opzichte van statische camera's.

5. Betekenis en Conclusie

Dit onderzoek biedt een krachtig hulpmiddel voor het ontwerpen en evalueren van IR-systemen voor mariene bescherming.

• Efficiëntie: Het elimineert de noodzaak voor kostbare en tijdrovende uitgebreide zee-expedities om de prestaties van nieuwe systemen te testen.
• Ontwerpoptimalisatie: Het stelt ingenieurs en beleidsmakers in staat om de juiste afweging te maken tussen het gezichtsveld (FOV) en de detectieafstand (RDR) om voldoende tijd te hebben voor mitigatieacties (zoals het vertragen van schepen).
• Toekomstige Toepassingen: Het model kan worden gebruikt om systemen te specificeren voor diverse scenario's, van statische kustbewaking tot dynamische schip-toepassing, en helpt bij het begrijpen van de grenzen van technologie onder verschillende weersomstandigheden.

De auteurs merken op dat het model nog verder kan worden verfijnd om factoren zoals de Beaufort-schaal (golven/witkoppen), gimbal-capaciteit en specifieke algoritme-uitdagingen beter te modelleren, maar vormt nu reeds een solide basis voor het voorspellen van de betrouwbaarheid van walvisdetectie via infrarood.