Change Detection

変更検知は、異なる時刻に撮影された同一シーンの観測データ間において、意味のある差異を特定するためのコンピュータビジョン技術です。単に画像に何が写っているかを問うのではなく、何が現れたのか、消えたのか、移動したのか、成長したのか、縮小したのか、あるいは状態が変化したのかを問いかけます。システムは2枚の写真、連続するビデオフレーム、あるいはより長期的な時系列データを比較します。その出力は、バイナリの変更マップ、ラベル付けされた領域、変更されたオブジェクト、または新しく冠水した土地の面積などの測定値になる場合があります。

変更検知の仕組み#

一般的なワークフローは、同じ領域の2枚以上の画像から始まります。二時期変更検知は2つの日付を比較し、一方多時期変更検知はシーケンスを分析して、孤立したイベントと緩やかな傾向を区別します。

比較の前に、画像を互換性のある状態にする必要があります：

1. 位置合わせ： Image registrationは、シーン内の対応する点を同じピクセル座標に配置します。そうしないと、わずかなカメラのずれであっても、すべてのオブジェクトの周囲に偽のエッジが生成される可能性があります。
2. 正規化： 輝度、色、大気条件、センサー応答が調整されます。衛星分析では、surface reflectance productsが大気の影響を軽減することで比較精度を高めます。
3. 表現： システムは、生ピクセル、抽出された視覚的特徴、検出されたオブジェクト、またはセグメンテーションマスクを比較します。基本的手法としてOpenCV absolute image differencesを使用する一方、学習済みモデルは、わずかな照明や視点の違いにもかかわらず、セマンティックな変化を認識できます。
4. 判定： 閾値により、意味のある変化がノイズから分離されます。scikit-image image metrics APIにあるような類似度指標は、2つの観測値がどれほど強く異なるかを定量化できます。
5. 後処理： 小さな孤立した検知結果が削除されたり、隣接するピクセルが領域に統合されたり、変更に「新しい建物」や「欠損部品」などのラベルが割り当てられたりします。

最小検出可能変化は、システムがセンサーノイズ、位置合わせエラー、および通常の変動から確実に見分けられる最小限の変化です。これは、画像解像度、オブジェクトのサイズ、コントラスト、前処理の品質、および選択された閾値に依存します。

関連概念と主要な区別#

変更検知はいくつかのビジョンタスクと重複しますが、それぞれ異なる問いに答えます：

• **Anomaly detection**は、学習された正常の定義から外れた観測値を特定し、場合によっては1枚の画像のみを使用します。変更検知では、時間的またはベースラインの比較が必要であり、その変更が異常であることを意味するわけではありません。
• **Object detection**は、各画像内でオブジェクトを独立して特定し分類します。日付をまたいで検出結果を比較することで、追加されたオブジェクトや削除されたオブジェクトを明らかにできます。
• **Image segmentation**は、ピクセル単位でラベルを割り当てます。変更検知ではセグメンテーションマスクを比較して、変化した形状や面積を正確に測定できます。
• **Object tracking**は、ビデオフレーム間でオブジェクトの同一性を維持し、動きや軌跡を強調します。変更検知は通常、シーンの内容や状態の変化に焦点を当てており、これらは数分、数カ月、あるいは数年にわたって発生する場合があります。
• データドリフトは、本番環境への入力における統計的分布の変化を記述します。これはモデルの信頼性に関わるものであり、視覚的な変更検知が対象とする観測シーン内の差異とは異なります。

実社会での応用#

地球観測と災害評価： アナリストは衛星画像を比較して、森林破壊、都市の拡大、海岸線の移動、山火事の被害、洪水をマッピングします。Satellite image analysisでは、マルチスペクトルデータとセグメンテーションを組み合わせて、変化した各領域を分類する場合があります。USGS Earthshots collectionは、ビフォーアフターのLandsat画像が環境の変化をどのように明らかにするかを示し、NASAは実践的なlog-difference change detection workflowを提供しています。NOAA Coastal Land Cover and Changeなどの長期プログラムは、これらの比較を洪水計画や海岸管理のための情報に変換します。

産業用検査： 固定カメラを使用して、製造工程の前後のアセンブリを比較できます。検知によってボルトの欠損や新しく配置された部品が明らかになる一方、セグメンテーションによって亀裂や損傷した表面を測定できます。自動化されたmanufacturing visual inspectionにおいて、検知されない変更があると不良品が下流に流れてしまい、誤検知が発生すると不要なライン停止や手動レビューを引き起こす可能性があります。

Ultralytics YOLOによる変更検知#

Ultralytics YOLOは、変更検知パイプラインのセマンティック認識ステージを提供できます。例えば、カスタムのYOLO26セグメンテーションモデルは、YOLO predict modeを通じて位置合わせ済みのビフォーアフター画像を処理できます：

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

このワークフローにより、各観測に対するオブジェクトマスクとラベルが生成されます。下流のアプリケーションは対応するクラスを一致させ、その存在、位置、またはマスク面積を比較できます。特化したカテゴリのために、チームはペア画像の注釈付け、カスタムモデルの学習、およびUltralytics Platformを使用したデプロイの管理を行うことができます。

実践的な課題とベストプラクティス#

信頼性の高い変更検知には、画像の単純な引き算以上のものが必要です。カメラの動き、影、季節の植生、反射、雲、オクルージョンは、実際の変化に似ている場合があります。チームは視点とセンサー設定を一定に保し、比較の前に画像を位置合わせし、代表的な「変化なし」のバリエーションで学習を行い、検証データを使用して閾値を選択する必要があります。

評価では、構造的変化としてラベル付けされた影などの偽陽性と、見逃された小さな欠陥などの偽陰性の両方を測定する必要があります。適切なバランスは結果の影響に依存します。災害マッピングではリコールが優先される場合があり、一方、高スループットの検査ラインでは、過剰なアラームを避けるためにより厳格なプレシジョンが必要になる場合があります。曖昧な結果や影響の大きい結果に対しては、人間のレビューが引き続き価値を持ちます。