Change Detection

Değişiklik tespiti, farklı zamanlarda çekilmiş aynı sahneye ait gözlemler arasındaki anlamlı farklılıkları belirlemek için kullanılan bir bilgisayarlı görü tekniğidir. Yalnızca bir görüntüde ne göründüğünü sormak yerine, neyin göründüğünü, kaybolduğunu, hareket ettiğini, büyüdüğünü, küçüldüğünü veya durum değiştirdiğini sorgular. Bir sistem iki fotoğrafı, ardışık video karelerini veya daha uzun bir zaman serisini karşılaştırabilir. Çıktısı ikili bir değişiklik haritası, etiketlenmiş bölgeler, değiştirilmiş nesneler veya yeni sular altında kalan arazinin alanı gibi ölçümler olabilir.

Değişiklik Tespiti Nasıl Çalışır#

Tipik bir iş akışı, aynı alanın iki veya daha fazla görüntüsüyle başlar. İki zamanlı değişiklik tespiti, iki tarihi karşılaştırırken, çok zamanlı değişiklik tespiti, izole olayları aşamalı eğilimlerden ayırmak için bir diziyi analiz eder.

Karşılaştırma öncesinde, görüntülerin uyumlu hale getirilmesi gerekir:

1. Hizalama: Görüntü kaydı, karşılık gelen sahne noktalarını aynı piksel koordinatlarına yerleştirir. Aksi takdirde küçük bir kamera kayması bile her nesnenin etrafında sahte kenarlar oluşturabilir.
2. Normalizasyon: Parlaklık, renk, atmosfer koşulları ve sensör tepkileri ayarlanır. Uydu analizi için yüzey yansıtma ürünleri, atmosferik etkileri azaltarak karşılaştırmaları iyileştirir.
3. Temsil: Sistem ham pikselleri, çıkarılmış görsel özellikleri, tespit edilen nesneleri veya segmentasyon maskelerini karşılaştırır. Temel bir yöntem OpenCV mutlak görüntü farkları kullanabilirken, öğrenilmiş modeller mütevazı aydınlatma veya bakış açısı farklarına rağmen anlamsal değişiklikleri tanıyabilir.
4. Karar: Bir eşik değeri, anlamlı değişikliği gürültüden ayırır. scikit-image görüntü metrikleri API içindekiler gibi benzerlik ölçümleri, iki gözlemin ne kadar güçlü bir şekilde farklılık gösterdiğini nicelleştirebilir.
5. Son işlem: Küçük izole tespitler kaldırılabilir, komşu pikseller bölgelerde birleştirilebilir ve değişikliklere “yeni bina” veya “eksik bileşen” gibi etiketler atanabilir.

Minimum tespit edilebilir değişiklik, bir sistemin sensör gürültüsünden, kayıt hatasından ve normal varyasyondan güvenilir bir şekilde ayırabileceği en küçük değişikliktir. Görüntü çözünürlüğüne, nesne boyutuna, kontrasta, ön işleme kalitesine ve seçilen eşik değerine bağlıdır.

İlgili Kavramlar ve Temel Farklılıklar#

Değişiklik tespiti, çeşitli görü görevleriyle örtüşür, ancak her biri farklı bir soruyu yanıtlar:

• Anomali tespiti, bazen yalnızca tek bir görüntü kullanarak normalin öğrenilmiş tanımından farklı olan gözlemleri tanımlar. Değişiklik tespiti zamansal veya taban çizgisi karşılaştırması gerektirir ve değişikliğin anormal olduğu anlamına gelmez.
• Nesne tespiti, her görüntürde nesneleri bağımsız olarak konumlandırır ve sınıflandırır. Tarihler arasındaki tespitlerin karşılaştırılması eklenen veya kaldırılan nesneleri ortaya çıkarabilir.
• Görüntü segmentasyonu, piksel düzeyinde etiketler atar. Değişiklik tespiti, değiştirilmiş şekilleri veya alanları hassas bir şekilde ölçmek için segmentasyon maskelerini karşılaştırabilir.
• Nesne takibi, video kareleri arasında nesne kimliklerini korur ve harekete ve yörüngelere vurgu yapar. Değişiklik tespiti genellikle dakikalar, aylar veya yıllar boyunca meydana gelebilecek sahne içeriği veya durumundaki değişikliklere odaklanır.
• Veri kayması, üretim girdilerinin istatistiksel dağılımındaki değişiklikleri tanımlar. Model güvenilirliğiyle ilgilidir, oysa görsel değişiklik tespiti gözlemlenen sahneler içindeki farklılıklarla ilgilidir.

Gerçek Dünya Uygulamaları#

Yeryüzü gözlemi ve afet değerlendirmesi: Analistler ormansızlaşmayı, kentsel genişlemeyi, kıyı şeridi hareketini, orman yangını hasarını veya su baskınını haritalamak için uydu görüntülerini karşılaştırır. Uydu görüntüsü analizi, değiştirilen her bölgeyi sınıflandırmak için çok spektrumlu verileri segmentasyonla birleştirebilir. USGS Earthshots koleksiyonu, öncesi ve sonrası Landsat görüntülerinin çevresel dönüşümü nasıl ortaya koyduğunu gösterirken, NASA pratik bir günlük fark değişiklik tespiti iş akışı sağlar. NOAA Kıyı Arazi Örtüsü ve Değişikliği gibi uzun vadeli programlar, bu karşılaştırmaları sel planlaması ve kıyı yönetimi için bilgiye dönüştürür.

Endüstriyel denetim: Sabit bir kamera, bir üretim adımından önce ve sonra bir montajı karşılaştırabilir. Tespit eksik bir cıvatayı veya yeni yerleştirilmiş bir bileşeni ortaya çıkarabilirken, segmentasyon bir çatlağı veya hasarlı yüzeyi ölçebilir. Otomatik üretim görsel denetiminde, tespit edilmeyen bir değişiklik kusurlu bir ürünün akışına devam etmesine izin verebilirken, yanlış alarmlar gereksiz hat duruşlarına ve manuel incelemelere neden olabilir.

Ultralytics YOLO ile Değişiklik Tespiti#

Ultralytics YOLO, bir değişiklik tespiti boru hattının anlamsal algılama aşamasını sağlayabilir. Örneğin, özel bir YOLO26 segmentasyon modeli, YOLO tahmin modu aracılığıyla kaydedilmiş öncesi ve sonrası görüntüleri işleyebilir:

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)

Bu iş akışı, her gözlem için nesne maskeleri ve etiketler üretir. Akıştaki bir uygulama, ilgili sınıfları eşleştirebilir ve bunların varlığını, konumunu veya maske alanını karşılaştırabilir. Uzmanlaşmış kategoriler için ekipler, çift halindeki görüntüleri etiketleyebilir, özel modeller eğitebilir ve Ultralytics Platform kullanarak dağıtımı yönetebilir.

Pratik Zorluklar ve En İyi Uygulamalar#

Güvenilir değişiklik tespiti, görüntüyü çıkarmaktan fazlasını gerektirir. Kamera hareketi, gölgeler, mevsimsel bitki örtüsü, yansımalar, bulutlar ve örtüşme gerçek değişikliklere benzeyebilir. Ekipler bakış açılarını ve sensör ayarlarını tutarlı tutmalı, karşılaştırma öncesinde görüntüleri kaydetmeli, temsilci “değişiklik yok” varyasyonuyla eğitilmeli ve doğrulama verilerini kullanarak eşik değerleri seçmelidir.

Değerlendirme, yapısal değişiklikler olarak etiketlenen gölgeler gibi yanlış pozitifleri ve kaçırılan küçük kusurlar gibi yanlış negatifleri ölçmelidir. Uygun denge sonuçlara bağlıdır: afet haritalaması geri çağrıya öncelik verebilirken, yüksek hacimli bir denetim hattı aşırı alarmlardan kaçınmak için daha sıkı hassasiyete ihtiyaç duyabilir. İnsan incelemesi belirsiz veya yüksek etkili sonuçlar için değerli kalır.