Change Detection
Tìm hiểu cách phát hiện thay đổi xác định các điểm khác biệt có ý nghĩa trong hình ảnh và video phục vụ phân tích vệ tinh, đánh giá thảm họa và kiểm định công nghiệp với Ultralytics YOLO.
Phát hiện thay đổi là một kỹ thuật thị giác máy tính dùng để nhận diện các điểm khác biệt có ý nghĩa giữa các quan sát của cùng một cảnh được chụp vào những thời điểm khác nhau. Thay vì chỉ hỏi xem nội dung nào xuất hiện trong một hình ảnh, kỹ thuật này hỏi cái gì đã xuất hiện, biến mất, di chuyển, lớn lên, thu lại hoặc thay đổi trạng thái. Một hệ thống có thể so sánh hai bức ảnh, các khung hình video liên tiếp, hoặc một chuỗi thời gian dài hơn. Đầu ra của hệ thống có thể là bản đồ thay đổi nhị phân, các vùng được gán nhãn, các đối tượng bị biến đổi, hoặc các phép đo như diện tích đất mới bị ngập lụt.
Cách thức Hoạt động của Phát hiện Thay đổi#
Một quy trình điển hình bắt đầu với hai hoặc nhiều hình ảnh của cùng một khu vực. Phát hiện thay đổi bitemporal so sánh hai mốc thời gian, trong khi phát hiện thay đổi multitemporal phân tích một chuỗi để phân biệt các sự kiện đơn lẻ với xu hướng diễn ra từ từ.
Trước khi so sánh, các hình ảnh phải được làm cho tương thích:
- Căn chỉnh: Image registration đặt các điểm cảnh tương ứng vào cùng một tọa độ pixel. Nếu không, ngay cả một sự dịch chuyển máy ảnh nhỏ cũng có thể tạo ra các cạnh giả xung quanh mọi đối tượng.
- Chuẩn hóa: Độ sáng, màu sắc, điều kiện khí quyển và phản hồi của cảm biến được điều chỉnh. Đối với phân tích vệ tinh, surface reflectance products cải thiện việc so sánh bằng cách giảm thiểu các hiệu ứng khí quyển.
- Biểu diễn: Hệ thống so sánh các pixel thô, các đặc trưng trực quan được trích xuất, các đối tượng được phát hiện, hoặc các mặt nạ phân đoạn. Một phương pháp cơ bản có thể sử dụng OpenCV absolute image differences, trong khi các model đã học có thể nhận diện các thay đổi về ngữ nghĩa bất chấp sự khác biệt nhỏ về ánh sáng hoặc góc nhìn.
- Quyết định: Một ngưỡng sẽ tách biệt thay đổi có ý nghĩa khỏi nhiễu. Các độ đo độ tương tự như trong scikit-image image metrics API có thể định lượng mức độ khác biệt rõ rệt giữa hai quan sát.
- Hậu xử lý: Các phát hiện đơn lẻ có kích thước nhỏ có thể bị loại bỏ, các pixel lân cận được hợp nhất thành các vùng, và các thay đổi được gán nhãn chẳng hạn như “tòa nhà mới” hoặc “linh kiện còn thiếu”.
Mức thay đổi phát hiện tối thiểu là sự biến đổi nhỏ nhất mà một hệ thống có thể tách biệt một cách đáng tin cậy khỏi nhiễu cảm biến, lỗi căn chỉnh và biến động thông thường. Nó phụ thuộc vào độ phân giải hình ảnh, kích thước đối tượng, độ tương phản, chất lượng tiền xử lý và ngưỡng được chọn.
Các Khái niệm Liên quan và Điểm Khác biệt Chính#
Phát hiện thay đổi chồng lấn với một số tác vụ thị giác, nhưng mỗi tác vụ lại trả lời cho một câu hỏi khác nhau:
- Anomaly detection nhận diện các quan sát khác biệt với định nghĩa đã học về trạng thái bình thường, đôi khi chỉ sử dụng một hình ảnh duy nhất. Phát hiện thay đổi yêu cầu so sánh theo thời gian hoặc đường cơ sở và không ngụ ý rằng sự thay đổi đó là bất thường.
- Object detection định vị và phân loại các đối tượng một cách độc lập trong từng hình ảnh. Việc so sánh các phát hiện qua các mốc thời gian có thể tiết lộ các đối tượng được thêm vào hoặc bị loại bỏ.
- Image segmentation gán nhãn ở cấp độ pixel. Phát hiện thay đổi có thể so sánh các mặt nạ phân đoạn để đo đạc chính xác các hình dạng hoặc diện tích đã thay đổi.
- Object tracking duy trì nhận dạng đối tượng qua các khung hình video và nhấn mạnh vào chuyển động cũng như quỹ đạo. Phát hiện thay đổi thường tập trung vào các thay đổi về nội dung hoặc trạng thái của cảnh, có thể diễn ra trong vài phút, vài tháng hoặc vài năm.
- Data drift mô tả các thay đổi trong phân phối xác suất của dữ liệu đầu vào trong môi trường vận hành. Khái niệm này liên quan đến độ tin cậy của model, trong khi phát hiện thay đổi trực quan liên quan đến sự khác biệt bên trong các cảnh được quan sát.
Các ứng dụng trong thực tế#
Quan sát trái đất và đánh giá thảm họa: Các nhà phân tích so sánh hình ảnh vệ tinh để lập bản đồ nạn phá rừng, sự mở rộng đô thị, sự dịch chuyển đường bờ biển, thiệt hại do cháy rừng hoặc lũ lụt. Satellite image analysis có thể kết hợp dữ liệu đa phổ với phân đoạn để phân loại từng vùng đã thay đổi. Bộ sưu tập USGS Earthshots collection minh họa cách hình ảnh Landsat trước và sau cho thấy sự biến đổi của môi trường, trong khi NASA cung cấp một log-difference change detection workflow thực tế. Các chương trình dài hạn như NOAA Coastal Land Cover and Change chuyển đổi các phép so sánh này thành thông tin phục vụ quy hoạch phòng chống lũ lụt và quản lý vùng bờ.
Kiểm định công nghiệp: Một máy ảnh cố định có thể so sánh một cụm lắp ráp trước và sau một bước sản xuất. Quá trình phát hiện có thể cho thấy một bu-lông bị thiếu hoặc một linh kiện vừa được đặt vào, trong khi quá trình phân đoạn có thể đo lường một vết nứt hoặc bề mặt bị hỏng. Trong manufacturing visual inspection tự động, một thay đổi không được phát hiện có thể cho phép một sản phẩm lỗi tiếp tục đi xuống dây chuyền, trong khi các cảnh báo sai có thể gây ra việc dừng dây chuyền không cần thiết và phải đánh giá thủ công.
Phát hiện Thay đổi với Ultralytics YOLO#
Ultralytics YOLO có thể cung cấp giai đoạn nhận thức ngữ nghĩa của một quy trình phát hiện thay đổi. Ví dụ, một model phân đoạn YOLO26 tùy chỉnh có thể xử lý các hình ảnh trước và sau đã được căn chỉnh thông qua YOLO predict mode:
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)Quy trình này tạo ra các mặt nạ đối tượng và nhãn cho mỗi quan sát. Một ứng dụng hạ nguồn có thể khớp các lớp tương ứng và so sánh sự hiện diện, vị trí hoặc diện tích mặt nạ của chúng. Đối với các danh mục chuyên biệt, các nhóm có thể chú thích hình ảnh theo cặp, huấn luyện các model tùy chỉnh và quản lý việc triển khai bằng cách sử dụng Ultralytics Platform.
Thách thức Thực tế và Thực tiễn Tốt nhất#
Phát hiện thay đổi đáng tin cậy đòi hỏi nhiều hơn việc chỉ trừ các hình ảnh với nhau. Sự di chuyển của máy ảnh, bóng đổ, thảm thực vật theo mùa, sự phản chiếu, mây và hiện tượng che khuất có thể trông giống như thay đổi thực tế. Các nhóm nên giữ cho góc nhìn và cài đặt cảm biến nhất quán, căn chỉnh hình ảnh trước khi so sánh, huấn luyện với các biến thể “không thay đổi” đại diện, và chọn ngưỡng sử dụng dữ liệu kiểm định.
Việc đánh giá nên đo lường cả false positives, chẳng hạn như bóng râm bị dán nhãn thành thay đổi cấu trúc, và false negatives, chẳng hạn như các khiếm khuyết nhỏ bị bỏ sót. Sự cân bằng phù hợp phụ thuộc vào hậu quả: lập bản đồ thảm họa có thể ưu tiên độ nhạy (recall), trong khi dây chuyền kiểm định khối lượng lớn có thể cần độ chính xác (precision) chặt chẽ hơn để tránh các cảnh báo quá mức. Đánh giá của con người vẫn rất có giá trị đối với các kết quả mơ hồ hoặc có tác động lớn.
