ניצול תכונות המודעות לערפל לשיפור בהירות תמונה ודיוק זיהוי עם רשת DCNN-YOLOv8 מותאמת

מדוע חשוב לראות בבירור בערפל

נהיגה בבוקר ערפילי או צפייה בהקלטת מצלמת אבטחה מעוננת נותנים לנו באופן אינטואיטיבי תחושה כמה מסוכנים רכבים או הולכי רגל מוסתרים יכולים להיות. מערכות מודרניות רבות — רכבים אוטונומיים, ניטור תנועה בכבישים ואפילו מיפוי לווייני — תלויות ביכולת מחשבים "לראות" בבירור. אך ערפל וערפיח מבלבלים את האלגוריתמים של היום, וגורמים להם לפספס עצמים חשובים. המאמר מציג גישה חדשה שלומדת למכונות לא רק לנקות תמונות מעוננות אלא גם להעריך עד כמה הניקוי טוב ולזהות עצמים באופן אמין יותר במזג אוויר קשה.

לראות מעבר לערפל

תמונות חיצוניות שצולמו בערפל סובלות מצבעים מוחלשים, קונטרסט נמוך וקצוות מטושטשים בגלל שחלקיקים זעירים באוויר מפזרים וסופגים אור. משמעות הדבר היא שרכבים מרוחקים נעלמים ברקע ושילוט תנועה נעשה קשה לזיהוי. הוצעו שיטות רבות ל"הסרת ערפל" מתמונות, אך הביצועים בעולם האמיתי עדיין אינם עקביים: חלק מהגישות משחזרות קונטרסט אך מעוותות צבעים; אחרות מחדות פרטים אך נותרות לא אמינות כשמזג האוויר או הסצנה משתנים. חסרה שיטה חזקה שהמחשב עצמו יוכל להשתמש בה כדי להעריך את איכות התמונה הממוּחזרת, במיוחד כאשר אין תמונה נקייה מושלמת להשוואה.

להנחיל למחשב מהי תמונה טובה

המחברים מתמודדים עם הבעיה על ידי בניית צנרת שמתחילה בהפקת תכונות המודעות לערפל המותאמות לסצנות ערפליות. עבור כל תמונה קלט, המערכת מחשבת סוג חדש של תיאורנים שנקראים תכונות שכנות פיקסלים מבניות מודעות לערפל (Haze aware Structural Pixel Neighbor - HSPN), המסכמות כיצד כל פיקסל מתקשר עם שכניו מבחינת בהירות וטקסטורה. אלה משולבים עם מדדים של בהירות ממוצעת, שונות מקומית ואיזון צבע, וכן סטטיסטיקות שתופסות כיצד הערפל משפר או מעוות את התפלגות העוצמות הטבעית בתמונה. יחד, תכונות אלה נותנות למערכת תיאור קומפקטי אך עשיר של מידת הפגיעה במבנה ובצבע בסצנה.

מנוע למידה חכם מתחת למכסה המנוע

תכונות המודעות לערפל מוזנות לרשת נוירונים קונבולוציונית עמוקה (DCNN) שחוזה "ציון איכות" ישיר לכל תמונה. כדי לאמן רשת זו באופן יעיל, המחברים מציגים אסטרטגיית אופטימיזציה חדשה שנקראת אלגוריתם האופטימיזציה הכרונולוגי של שקימפנזים (Chronological Chimp Optimization Algorithm - CChOA). בהשראת התנהגות ציד קבוצתית של שימפנזים ומשודרג במנגנון רגיש לזמן, CChOA מנחה את תהליך האימון דרך מועמדים מהעבר ומההווה, ועוזר לרשת להימנע ממלכודות של אופטימה מקומית גרועה. בפועל, הדבר מביא לכך שרשת חיזוי האיכות מתכעסת מהר יותר, מגיעה לשגיאת אימון נמוכה יותר ויציבה יותר מאשר שימוש באופטימייזרים סטנדרטיים או בשיטה המקורית המבוססת על שימפנזים.

מתמונות משופרות לזיהוי משופר

לאחר שהמערכת שיפרה ודירגה את איכות התמונות, התמונות המשופרות מועברות לגרסה מותאמת של YOLOv8, רשת זיהוי עצמים מהירה. המחברים מתאימים את YOLOv8 במיוחד לתנאי ערפל על ידי שיפור פונקציית האובדן כדי למקם טוב יותר עצמים קטנים ומחוברים, הוספת מודול בסגנון אינספישן ללכידת פרטים בקני מידה מרובים, והכנסת בלוק סינון פירמידת מרחב (spatial pyramid pooling) שעוזר לרשת להבין הן פרטים מקומיים והן הקשר רחב יותר. מאומנת ונבדקת על שני מערכי בוחן סטנדרטיים לערפל (RESIDE ו-FRIDA), הצנרת המשולבת מספקת תמונות ברורות יותר וזיהוי אמין יותר מאשר מספר טכניקות קיימות להסרת ערפל ולהערכת איכות, וכן מציגה שיפור בדיוק הזיהוי בהשוואה ל-YOLOv8 בסיסי בתנאי ערפל.

מה המשמעות לכך עבור מערכות ראייה בעולם האמיתי

במילים פשוטות, המחקר מראה שמחשבים יכולים להשתפר משמעותית בזיהוי עצמים בערפל אם הם קודם כל ילמדו להבין כיצד נראית איכות תמונה טובה בתנאים אלה ואם תהליך הלמידה שלהם יהיה מיטבי בקפידה. על ידי שילוב תכונות המודעות לערפל, אסטרטגיית אופטימיזציה רגישת-זמן ורשת זיהוי מכוילת, המערכת המוצעת מעלה בצורה משמעותית את בהירות התמונות ואת ציוני הזיהוי על מדדים סטנדרטיים. גישה משולבת כזו עשויה להפוך מצלמות מעקב עתידיות, מערכות סיוע לנהג וכלי חישה מרחוק לבטוחות ותלויות יותר כשהמזג האוויר גרוע.

ציטוט: Saini, A., Gill, N.S. & Gulia, P. Leveraging haze-aware features for improved image clarity and detection accuracy with an optimized DCNN-YOLOv8 network. Sci Rep 16, 14213 (2026). https://doi.org/10.1038/s41598-026-38265-5

מילות מפתח: הסרת ערפל מתמונה, זיהוי עצמים, למידה עמוקה, ראייה ממוחשבת בערפל, YOLOv8