Change Detection
Узнай, как обнаружение изменений определяет значимые различия на изображениях и видео для анализа со спутников, оценки последствий стихийных бедствий и промышленного контроля с помощью Ultralytics YOLO.
Обнаружение изменений — это метод компьютерного зрения для выявления значимых различий между наблюдениями одной и той же сцены, снятыми в разное время. Вместо того чтобы спрашивать только о том, что появляется на изображении, он определяет, что появилось, исчезло, переместилось, выросло, уменьшилось или изменило состояние. Система может сравнивать две фотографии, последовательные кадры видео или более длинный временной ряд. Ее выводом может быть бинарная карта изменений, размеченные области, измененные объекты или измерения, такие как площадь затопленной земли.
Как работает обнаружение изменений#
Типичный рабочий процесс начинается с двух или более изображений одной и той же области. Двухмоментное обнаружение изменений сравнивает две даты, в то время как многомоментное обнаружение изменений анализирует последовательность, чтобы отделить изолированные события от постепенных тенденций.
Перед сравнением изображения необходимо привести к совместимому виду:
- Выравнивание: Регистрация изображений помещает соответствующие точки сцены в одни итые же координаты пикселей. В противном случае даже небольшое смещение камеры может создать ложные границы вокруг каждого объекта.
- Нормализация: Регулируются яркость, цвет, атмосферные условия и отклики сенсоров. Для спутникового анализа продукты поверхностной отражательной способности улучшают сравнение за счет уменьшения атмосферных эффектов.
- Представление: Система сравнивает сырые пиксели, извлеченные визуальные признаки, обнаруженные объекты или маски сегментации. Базовый метод может использовать абсолютные разности изображений OpenCV, в то время как обученные модели могут распознавать семантические изменения несмотря на небольшие различия в освещении или точке съемки.
- Решение: Порог отделяет значимые изменения от шума. Меры сходства, подобные тем, что содержатся в API метрик изображений scikit-image, могут количественно оценить степень различия двух наблюдений.
- Постобработка: Небольшие изолированные обнаружения могут быть удалены, соседние пиксели объединены в области, а изменениям присвоены метки, такие как «новое здание» или «отсутствующий компонент».
Минимальное обнаруживаемое изменение — это наименьшее изменение, которое система может надежно отделить от шума датчика, ошибки регистрации и обычной вариации. Оно зависит от разрешения изображения, размера объекта, контрастности, качества предобработки и выбранного порога.
Связанные концепции и ключевые различия#
Обнаружение изменений пересекается с несколькими задачами компьютерного зрения, но каждая из них отвечает на свой вопрос:
- Обнаружение аномалий выявляет наблюдения, которые отличаются от изученного определения нормы, иногда используя всего одно изображение. Обнаружение изменений требует временного или базового сравнения и не означает, что изменение является аномальным.
- Обнаружение объектов независимо локализует и классифицирует объекты на каждом изображении. Сравнение результатов обнаружения по датам может выявить добавленные или удаленные объекты.
- Сегментация изображений присваивает метки на уровне пикселей. Обнаружение изменений может сравнивать маски сегментации для точного измерения измененных форм или площадей.
- Трекинг объектов поддерживает идентичность объектов между кадрами видео и делает акцент на движении и траекториях. Обнаружение изменений обычно фокусируется на изменениях в содержимом или состоянии сцены, которые могут происходить в течение минут, месяцев или лет.
- Дрифт данных описывает изменения в статистическом распределении производственных входных данных. Он касается надежности моделей, в то время как визуальное обнаружение изменений касается различий в наблюдаемых сценах.
Реальные приложения#
Наблюдение за Землей и оценка катастроф: Аналитики сравнивают спутниковые снимки для картирования вырубки лесов, урбанизации, смещения береговой линии, ущерба от лесных пожаров или наводнений. Анализ спутниковых изображений может объединять многоспектральные данные с сегментацией для классификации каждой измененной области. Коллекция USGS Earthshots демонстрирует, как снимки Landsat до и после показывают изменения окружающей среды, в то время как NASA предоставляет практический рабочий процесс обнаружения изменений на основе логарифмической разности. Долгосрочные программы, такие как NOAA Coastal Land Cover and Change, преобразуют эти сравнения в информацию для планирования борьбы с наводнениями и управления прибрежными зонами.
Промышленный осмотр: Фиксированная камера может сравнить сборку до и после производственного шага. Обнаружение может выявить отсутствующий болт или недавно установленный компонент, в то время как сегментация может измерить трещину или поврежденную поверхность. При автоматизированном визуальном контроле производства необнаруженное изменение может позволить дефектному продукту пройти дальше по линии, в то время как ложные срабатывания могут вызывать ненужные остановки линии и ручной просмотр.
Обнаружение изменений с помощью Ultralytics YOLO#
Ultralytics YOLO может обеспечить этап семантического восприятия в конвейере обнаружения изменений. Например, пользовательская модель сегментации YOLO26 может обрабатывать зарегистрированные изображения до и после с помощью режима предсказания YOLO:
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)Этот рабочий процесс создает маски объектов и метки для каждого наблюдения. Нисходящее приложение может сопоставлять соответствующие классы и сравнивать их присутствие, положение или площадь маски. Для специализированных категорий команды могут размечать парные изображения, обучать пользовательские модели и управлять развертыванием с помощью платформы Ultralytics.
Практические задачи и лучшие практики#
Надежное обнаружение изменений требует большего, чем просто вычитание изображений. Движение камеры, тени, сезонная растительность, отражения, облака и окклюзия могут напоминать реальные изменения. Командам следует сохранять точки съемки и настройки сенсоров постоянными, регистрировать изображения перед сравнением, обучать модель с помощью репрезентативной вариации «без изменений» и выбирать пороги, используя проверочные данные.
Оценка должна измерять как ложноположительные результаты (например, тени, помеченные как структурные изменения), так и ложноотрицательные результаты (например, пропущенные небольшие дефекты). Надлежащий баланс зависит от последствий: картирование катастроф может отдавать приоритет полноте (recall), в то время как высокопроизводительная линия контроля может требовать более жесткой точности (precision) во избежание чрезмерных тревог. Экспертная оценка остается ценной для неоднозначных или высокоэффектных результатов.
