זיהוי מטרות קטנות של עצמים צפים בתעלות נחלים מבוסס YOLOv7 משופר

מדוע חשוב לאתר פסולת זעירה בנחלים

נהרות ותעלות נושאים לעתים חלקיקי אשפה זעירים—בקבוקים, עלים, שברי פלסטיק—שקשה לראותם אך עלולים לגרום נזקים משמעותיים למערכות אקולוגיות, לבטיחות מפני שיטפונות ולתשתיות אנושיות. רחפנים ומצלמות קבועות מציעים ניטור רציף, אך גם תוכנות מתקדמות מתקשות לזהות את הפריטים הקטנים והנעים במהירות מעל מים מבריקים ומשתנים. המחקר הזה מציג שיטה חדשה ללמד מחשבים לאתר פריטים צפים זעירים בסצנות נהר בצורה מדויקת ומהירה יותר, ופותח אפשרויות למים נקיים יותר ולהפעלה בטוחה יותר.

האתגר של ראייה דרך מים זזים

צופה בווידאו של נהר מבחין במהירות בשרידי צף, גם כשהשמש מנצנצת על פני השטח והגלים מתנודדים באופן בלתי צפוי. למחשב זה קשה בהרבה. הצורות של מטרות קטנות משתנות כשהן מתנדנדות על המים, השתקפויות מחקות עצמים בוהקים וצללים עלולים להסתיר עצמים עמומים. מערכות זיהוי סטנדרטיות מסמנות תיבות סביב כל מה שעלול להיות עצם בכל פריים, אך התיבות הללו זזות ומבצבצות מ-frame ל-frame. חוסר היציבות הזה מבזבז כוח חישובי ומקל לאבד מעקב אחרי פריטים קטנים לחלוטין. התוצאה היא תערובת של החמצות, אזעקות שווא ועיבוד איטי, במיוחד כאשר יש לנתח אלפי פריימים בזמן אמת.

דרך חכמה יותר להסכים על מה שבאמת קיים

המחברים מציעים מסגרת חדשה שנקראת Region-Overlap Detection בשילוב גירסה מצומצמת של מאתר נפוץ הידוע כ-YOLOv7. במקום להתייחס לכל פריים בנפרד, המערכת בוחנת מספר פריימים עוקבים ושואלת שאלה פשוטה: היכן התיבות מסתדרות לאורך הזמן? אזורים שבהם התיבות חופפות בעקביות מטופלים כאמינים יותר מאלו שמופיעות רק לזמן קצר או קופצות סביב. על ידי התמקדות ראשונית באזור החפיפה היציב, השיטה מסננת הרבה ניחושים רעשניים ולא יציבים לגבי מיקום עצם אפשרי. רק התיבות האמינות ביותר מועברות לשלב הבא לניתוח עמוק יותר, מה שמעניק למערכת מבט נקי ויציב יותר על הסצנה לפני ביצוע חישובים כבדים.

לעשות יותר עם פחות שלבי רשת

מערכות ראייה מודרניות לרוב נשענות על ערימות עמוקות של שכבות עיבוד הלומדות לזהות צורות, קצוות וטקסטורות. למרות עוצמתן, שכבות אלה יקרות להפעיל ויכולות לטשטש את האותות העדינים של עצמים קטנים. השיטה החדשה שומרת על הרעיון הכללי של YOLOv7 אך משתמשת בכוונה בפחות שלבי עיבוד, ומפעילה אותם רק במקום שבו ניתוח מבוסס החפיפה מצביע על נוכחות של עצם אמיתי. שכבות שצופות לרוב במים רקעיים או ברעש אקראי מדלגות. אסטרטגיית "קונבולוציה מזערית" זו מצמצמת את כמות החישוב הכוללת תוך שמירה על גבולות חדים סביב פריטים צפים קטנים. למעשה, הרשת מרכוזת את מאמציה במקום שממש חשוב, במקום להתייחס לכל פיקסל באותה מידה.

מבחן השיטה על נהרות אמיתיים

כדי לבדוק כמה השיטה עובדת בפועל, הצוות אימן ובחן אותה על סרטוני רחפן של נהרות אמיתיים, באמצעות מאגר נתונים גדול של אלפי תמונות מתוויחות שכללו כמעט ארבעים אלף עצמים צפים בגדלים שונים. הם גם בדקו ביצועים על מאגרי נתונים ציבוריים נוספים ועל רצפי וידאו ארוכים בנהרות עם שינויי תאורה, זרימת מים וזוויות צפייה. בהשוואה ל-YOLOv7 המקורי ולכמה מזהים חדשים יותר, המערכת החדשה מצאה יותר עצמים אמיתיים, החמיצה פחות וניתחה פריימים מהר יותר. המחקר מדווח על דיוק ממוצע (mAP) מעל 73% וזכירה מעל 70% עבור עצמים צפים קטנים, יחד עם עלייה ניכרת במהירות העיבוד וצמצום במספר הפרמטרים והפעולות של הרשת הנדרשות.

מה משמעות הדבר למים נקיים ובטוחים יותר

במילים פשוטות, המאמר מראה שאת יציבות המסקנות של המחשב בין פריימים, ולאחר מכן קיצוץ העיבוד המיותר, משפרים משמעותית את היכולת לזהות חתיכות זעירות של אשפה הנעות על פני מים סוערים. בעוד שהשיטה עדיין זקוקה לבדיקות בטווח רחב יותר של נהרות ותנאים, היא כבר מתעלת ביצועים על פני כמה דגמים ידועים בסצנות נהר מאתגרות. זה הופך אותה לבניין מבטיח עבור מערכות ניטור בזמן אמת המוצבות על רחפנים, גשרים או תחנות על שפת הנהר. מערכות כאלה יכולות לסייע לערים ולרשויות סביבתיות לעקוב אחר אשפה, לנהל סיכוני שיטפון ולהגיב במהירות לאירועי זיהום, ולהפוך זרמי וידאו גולמיים למידע אמין וניתן לפעולה.

ציטוט: Yang, W., Zhang, B., Guo, S. et al. Small target detection of floating objects in river channels based on improved YOLOv7. Sci Rep 16, 11423 (2026). https://doi.org/10.1038/s41598-026-40688-z

מילות מפתח: זיהוי פסולת בנחלים, ניטור נחלים עם רחפנים, זיהוי עצמים קטנים, ראייה ממוחשבת עבור מים, שיפורים ב-YOLOv7