Gizlenme-bilinçli balık örnek ayrımı için sualtı görüntü veri kümesi

Su Altında Balıkları Saymanın Neden Zor Olduğu

Balık çiftlikleri, kameraların ve algoritmaların binlerce hayvanı sessizce izlediği yüksek teknoloji operasyonlarına dönüşüyor. Buna karşın şaşırtıcı şekilde temel bir görev—kalabalık bir tankta bir balığı diğerinden ayırt etmek—çoğunlukla çok zorlaşıyor. Balıklar birbirlerinin üzerinde ve altında yüzer, kameranın görüşünü engeller ve görüntünün kenarında yalnızca parçalar halinde görünürler. Bu makale, bir balığın kısmen gizli olduğu durumlarda bile bilgisayarların bireysel balıkları tanımasına yardımcı olmak üzere oluşturulmuş yeni bir sualtı görüntü koleksiyonu, Balık Gizlenme Veri Kümesi (FOD) sunuyor. Bu yetenek, modern akuakültürde yemleme, sağlık kontrolleri ve stok değerlendirmesinin otomasyonunda anahtar öneme sahip.

Yoğun Balık Tankları İçin Yeni Bir Görsel Kütüphane

Bu çalışmanın merkezinde, özenle seçilmiş geniş bir yayın balığı (crucian carp) sualtı fotoğrafı seti var. Araştırmacılar, suyun üstüne monte edilmiş özel bir sualtı kamerası kullanarak bir tankta 66 balığı kaydettiler ve videolardan hareketsiz kareler çıkardılar. Neredeyse aynı olan görüntüler çıkarıldıktan sonra, binin üzerinde tek balık görüntüsü ve yüzlerce çok balıklı sahne elde ettiler. Her görünen balık, kaba kutular yerine bilgisayarlara hassas şekiller sağlayacak şekilde piksel düzeyinde elle sınırlandırıldı. Toplamda FOD, 14.376 görüntü ve 144.894 titizlikle etiketlenmiş balık içeriyor ve bu türün en ayrıntılı halka açık kaynaklarından biri olmasını sağlıyor.

Çakışmayı Görmeyi Bilgisayarlara Öğretmek

Algoritmaların kalabalıkla başa çıkma yeteneğini gerçekten test etmek için ekip, balıkların birbirinin üzerine bindiği çok sayıda örneğe ihtiyaç duydu. Böyle sahnelerde ayrıntılı dış çizgiler çizmek son derece zaman alıcı olduğundan, zekice bir kestirme yol benimsediler. Önce tek tek balıklar için yüksek kaliteli maskeler ürettiler. Ardından bu balıkları dijital olarak kesip arka plan görüntülerine yeni düzenlemelerle yapıştırdılar. Balıkları döndürerek, ölçeklendirerek ve kaydırarak ve birbirlerini kapatma miktarını sınırlayarak, gerçekçi, yoğun sürüler ve kontrollü örtüşme içeren 13.000 sentetik görüntü yarattılar. Kenarlarda yapılan yumuşak harmanlama, bu bileşimlerin doğal görünmesini sağlıyor. Nihai veri kümesi özgün ve sentetik sahneleri karıştırarak hem çeşitlilik hem de gerçekçilik sunuyor.

Her Balığın Ne Kadar Gizlendiğini Derecelendirme

Tüm gizlenmeler aynı değildir: tamamen görünen bir balığı tanımak, yalnızca birkaç dağınık yamadan ibaret görünen bir balıktan çok daha kolaydır. Bunu yakalamak için yazarlar her balığı üç basit gruba ayırdı. “Tam” balıklar tamamen görünür, “parça” balıklar başkaları tarafından kısmen engellenmiş ve “parçacık” (fragment) balıklar yalnızca ayrı ayrı parçalar halinde görünür. Bu ek etiketleme katmanı, araştırmacıların algoritmalarının tam olarak nerede zorlandığını görmesini sağlıyor. Sayıları analiz ettiklerinde, veri kümesindeki çoğu balığın “parça” grubuna düştüğünü buldular; bu, kalabalık tanklarda gerçekten olanları yansıtıyor. Ayrıca geleneksel özet skorların küçük parçacıklardaki başarısızlıkları gizleyebileceğini gösterdiler; bu yüzden sonuçların gizlenme düzeyine göre raporlanması, modelin güçlü ve zayıf yönleri hakkında daha net bir tablo veriyor.

Mevcut Algoritmaların Durumu

FOD’un neler yapabileceğini göstermek için ekip, hem uzun süredir kullanılan tespit tabanlı modelleri hem de görüntü bölgeleriyle daha doğrudan çalışan yeni “öneri-olmayan” tasarımları içeren sekiz popüler görüntü-ayrımı yöntemini test etti. Hepsi veri kümesinde yüksek ortalama doğruluk elde etti ve Mask2Former adlı bir yöntem, özellikle balıklar üst üste geldiğinde en keskin dış çizgileri üreterek öne çıktı. Yine de en iyi modeller bile balıklar parçalara ayrıldığında başarısız oldu—bu durumda performans tamamen görünen balıklara kıyasla belirgin şekilde düştü. Ek bir deney, FOD’un gerçek ve sentetik verilerin karışımının neden önemli olduğunu gösterdi: yalnızca gerçek sahnelerle eğitim örtüşmeyi kötü ele alırken, yalnızca sentetiklerle eğitim gerçek görüntülerin bazı detaylarını kaçırdı. Her ikisinin birleştirilmesi en sağlam modelleri üretti.

Daha Akıllı Balık Çiftlikleri İçin Ne Anlama Geliyor

Pratik açıdan bu yeni veri kümesi, açık görüşün istisna olduğu gerçek balık çiftliklerinde çalışmak zorunda olan bilgisayarla görme sistemleri için bir sınama alanı sunuyor. Bilerek örtüşen balıklara odaklanarak ve hem görüntüleri hem de bunları oluşturmak için kullanılan kodu paylaşarak, yazarlar daha güvenilir, gizlenme-bilinçli izleme araçları için bir temel sağlıyor. Mevcut koleksiyon sadece kontrollü bir tankta tek bir türü kapsasa da aynı yaklaşım diğer balıklara ve daha zorlu ortamlara genişletilebilir. Bu teknikler yayıldıkça, balık yetiştiricileri stok büyüklüğü, davranış ve büyüme hakkında sürekli, hassas bilgi elde edebilir—yemi daha verimli kullanmalarına, sağlık sorunlarını erken fark etmelerine ve daha sürdürülebilir işletmeler yürütmelerine yardımcı olur.

Atıf: Wang, X., Yu, H., Zhang, C. et al. An underwater image dataset for occlusion-aware fish instance segmentation. Sci Data 13, 526 (2026). https://doi.org/10.1038/s41597-026-06898-w

Anahtar kelimeler: sualtı görüntüleme, balık çiftçiliği, bilgisayarla görme, örnek ayrımı, gizlenme