یک روش هوشمند جدید برای طبقه بندی تصاویر زیر آب با استفاده از شبکه های کپسولی

تصاویر زیر آب نقش مهمی در پژوهش های زیست محیطی دریایی ایفا میکنند. تحلیل دقیق آن ها برای مدیریت اکوسیستم های دریایی، حفظ تنوع زیستی و نظارت بر تغییرات محیطی ضروری است. با این حال، عوامل مختلفی مانند نورپردازی نامناسب، افت کیفیت به دلیل جذب و پراکندگی نور، نویزهای ناشی از ذرات معلق و تغییرات رنگی، چالش های جدی در پردازش این تصاویر ایجاد می کنند. این مشکلات باعث کاهش کارایی روش های سنتی در پردازش تصاویر زیر آب می شوند. یادگیری عمیق به عنوان رویکردی قدرتمند در استخراج خودکار ویژگی های پیچیده، می تواند این چالش ها را کاهش دهد یا برطرف سازد. در این مقاله، یک روش یادگیری عمیق هوشمند مبتنی بر شبکه های عصبی کپسولی برای طبقه بندی تصاویر زیر آب ارائه شد. شبکه های کپسولی با حفظ روابط فضایی میان ویژگی ها و کاهش وابستگی به عملیات ادغام، درک بهتری از الگوهای پیچیده فراهم می کنند. این خصوصیات امکان مقابله موثر با چالش های پردازش تصاویر زیر آب را فراهم می سازند. مدل پیشنهادی با بهره گیری از ساختاری پیشرفته، نسبت به روش های متداول صحت طبقه بندی بالاتری ارائه داد و در برابر تغییرات شرایط نوری و کیفیت تصویر عملکرد پایداری داشت. نتایج آزمایش ها نشان داد که مدل پیشنهادی با صحت کلی ۹۶/۷۵ درصد عملکرد بهتری نسبت به سایر روش های موجود داشته است. همچنین، مدل در طبقه بندی کلاس های مختلف تصاویر زیر آب، عملکردی پایدار  با دامنه صحت بین ۹۵/۵٪ (کمترین) تا ۹۸٪ (بیشترین) از خود نشان داد. علاوه بر این، مقدار میانگین صحت، حساسیت و امتیاز F۱ مدل به ترتیب ۹۶/۷۵%، ۹۶/۷۵% و ۹۶/۷۳% محاسبه شد که نشان دهنده عملکرد مقاوم مدل در طبقه بندی تصاویر زیر آب است. بر اساس یافته های این پژوهش، مدل پیشنهادی از پتانسیل بالایی برای کاربردهای گستردهای همچون نظارت بر زیستگاه های دریایی، اکتشافات زیرآبی، حفاظت از گونه های نادر و پایش تغییرات زیست محیطی برخوردار است.

کلیدواژه ها:

Underwater Images ، Capsule Neural Network ، Image Classification ، Underwater Image Processing ، Deep Learning ، تصاویر زیر آب ، شبکه های عصبی کپسولی ، طبقه بندی تصاویر ، پردازش تصاویر زیر آب ، یادگیری عمیق