Poprawa jakości zdjęć podwodnych to ważne zadanie, które ma zastosowanie w wielu dziedzinach, od robotyki podwodnej po badania morskie. Niestety, woda stwarza wiele problemów, które utrudniają uzyskanie klarownych obrazów. Zniekształcenia, niski kontrast i różne kolory wynikające z absorpcji światła sprawiają, że podwodne zdjęcia są trudne do obróbki i analizy. Rozwiązanie tych problemów jest kluczowe, aby lepiej identyfikować i rozpoznawać obiekty w wodzie. Dlatego rozwój nowych technologii w tej dziedzinie jest niezwykle ważny dla przyszłości badań i odkryć w oceanach.
Najczęściej czytane:
Technologia UDnet
UDnet, czyli Uncertainty Distribution Network, to innowacyjny model AI, który automatycznie poprawia jakość obrazów podwodnych poprzez dostosowanie kontrastu, nasycenia i korekcji gamma. Jedną z unikalnych cech modelu jest możliwość ulepszania obrazów i filmów w czasie rzeczywistym. To sprawia, że technologia ta wydaje się idealna do zastosowań w pracy z kamerami podwodnymi, takimi jak te zamontowane w pojazdach zdalnie sterowanych typu ROV.
Dostępność technologii
UDnet to oprogramowanie open source, co oznacza, że jest dostępne publicznie i może być wykorzystywane przez szerokie grono użytkowników zajmujących się badaniami i eksploracją podwodną. Dr Saleh podkreśla, iż „naukowcy zajmujący się naukami o morzu i akwakulturą odniosą korzyści z analizy różnych gatunków”. Dzięki wyraźnym obrazom możliwe jest dokładniejsze badanie drobniejszych cech ryb, takich jak kolor czy oznaki choroby. Zastosowanie modelu UDnet pomaga osiągnąć tę przejrzystość.
Zastosowania w ochronie środowiska i innych dziedzinach
Warto przeczytać:
Model UDnet nie ogranicza się jedynie do nauk o morzu. Może być wykorzystywany w ochronie środowiska morskiego, monitorowaniu środowiska, w akcjach poszukiwawczo-ratunkowych czy archeologii. Dzięki możliwości generowania wyraźnych obrazów w czasie rzeczywistym UDnet może stanowić praktyczne narzędzie w wielu dziedzinach związanych z badaniami podwodnymi.
Więcej informacji: Alzayat Saleh i in., Adaptive deep learning framework for robust unsupervised underwater image enhancement, Expert Systems with Applications (2025). DOI: 10.1016/j.eswa.2024.126314
źródło: James Cook University
