I. Tổng quan phương pháp phát hiện đối tượng dưới nước hiệu quả
Việc phát hiện đối tượng dưới nước (Underwater Object Detection - UOD) là một lĩnh vực nghiên cứu đầy thách thức và có ý nghĩa thực tiễn to lớn. Môi trường dưới nước, với sự đa dạng của sinh vật biển và các cấu trúc địa chất, ẩn chứa nhiều tiềm năng cho khoa học và kinh tế. Tuy nhiên, các điều kiện khắc nghiệt như ánh sáng yếu, màu sắc bị hấp thụ, và sự thay đổi liên tục của môi trường tạo ra rào cản lớn cho các phương pháp quan sát truyền thống. Sự phát triển của trí tuệ nhân tạo (AI), đặc biệt là các mô hình học sâu (Deep Learning), đã mở ra một kỷ nguyên mới. Các mô hình này chứng tỏ khả năng vượt trội trong việc phân tích hình ảnh phức tạp, vượt qua những hạn chế của thị giác con người và các công cụ cũ. Nghiên cứu trong lĩnh vực này không chỉ góp phần phát triển khoa học máy tính mà còn thúc đẩy các ngành như hải dương học, quản lý tài nguyên biển và bảo vệ môi trường. Việc xây dựng một mô hình có khả năng nhận diện chính xác các sinh vật nhỏ trong môi trường biển là mục tiêu cốt lõi, đòi hỏi sự kết hợp giữa lý thuyết học sâu và các kỹ thuật xử lý ảnh tiên tiến.
1.1. Tầm quan trọng của học sâu trong nghiên cứu môi trường biển
Ứng dụng mô hình học sâu trong việc phát hiện đối tượng dưới nước mang lại ý nghĩa khoa học và thực tiễn sâu sắc. Về mặt khoa học, nó thúc đẩy sự phát triển của các thuật toán thị giác máy tính trong điều kiện phi lý tưởng, mở rộng giới hạn của AI từ môi trường thông thường sang môi trường dưới nước đầy biến động. Các nghiên cứu này cung cấp nền tảng để tối ưu hóa kiến trúc mạng nơ-ron, phát triển các hàm mất mát mới và kỹ thuật tăng cường dữ liệu chuyên biệt. Về mặt thực tiễn, công nghệ này có thể được triển khai để giám sát môi trường biển một cách tự động, theo dõi sự thay đổi của hệ sinh thái, phát hiện sớm các loài xâm lấn hoặc tình trạng ô nhiễm. Trong công nghiệp, nó giúp cải thiện hiệu suất khai thác tài nguyên biển và hỗ trợ các phương tiện tự hành dưới nước (AUVs) trong việc điều hướng và thực hiện nhiệm vụ.
1.2. Mục tiêu và phạm vi của bài toán phát hiện sinh vật biển
Mục tiêu chính của nghiên cứu là xây dựng và thực nghiệm một mô hình học sâu chuyên biệt để phát hiện các đối tượng là sinh vật nhỏ trong môi trường biển. Phạm vi nghiên cứu tập trung vào việc sử dụng dữ liệu hình ảnh thu thập từ môi trường nước mặn. Đối tượng cần phát hiện bao gồm các loài phổ biến như nhím biển, hải sâm, sao biển và sò điệp. Để đạt được mục tiêu này, phương pháp nghiên cứu bao gồm hai phần chính: nghiên cứu lý thuyết và thực nghiệm. Phần lý thuyết tập trung vào việc tìm hiểu sâu về các kiến trúc mạng như Transformer và DETR, các kỹ thuật tiền xử lý ảnh và các phương pháp đánh giá mô hình. Phần thực nghiệm bao gồm các bước: thu thập và xử lý các bộ dữ liệu benchmark như UTDAC2020 và DUO, xây dựng mô hình, tiến hành huấn luyện và cuối cùng là đánh giá, so sánh kết quả để đưa ra kết luận về hiệu quả của phương pháp đề xuất.
II. Top thách thức khi phát hiện đối tượng dưới nước bằng AI
Môi trường dưới nước đặt ra những thách thức độc đáo mà các thuật toán phát hiện đối tượng tiêu chuẩn khó có thể giải quyết hiệu quả. Một trong những khó khăn lớn nhất là chất lượng hình ảnh kém. Nước hấp thụ và tán xạ ánh sáng, đặc biệt là các bước sóng dài như màu đỏ, khiến hình ảnh thường bị mờ, thiếu tương phản và có tông màu xanh lục hoặc xanh lam. Điều này làm cho các đặc trưng nhận dạng của đối tượng trở nên yếu đi. Thêm vào đó, các đối tượng như sinh vật biển thường có kích thước nhỏ, dễ dàng hòa lẫn vào môi trường xung quanh như rạn san hô, đáy cát hoặc thảm thực vật. Hiện tượng gom cụm, khi nhiều cá thể tập trung lại một chỗ, cũng gây ra sự che khuất lẫn nhau, làm phức tạp hóa việc phân tách và định vị từng đối tượng riêng lẻ. Sự thay đổi liên tục của dòng chảy, độ đục của nước và điều kiện ánh sáng tự nhiên cũng đòi hỏi mô hình phải có khả năng khái quát hóa cao. Những yếu tố này yêu cầu các giải pháp tiên tiến hơn là chỉ áp dụng các mô hình học sâu có sẵn.
2.1. Vấn đề suy giảm chất lượng và biến dạng màu sắc hình ảnh
Sự suy giảm chất lượng hình ảnh là rào cản hàng đầu trong phát hiện đối tượng dưới nước. Hiện tượng tán xạ ngược (backscattering) từ các hạt lơ lửng trong nước tạo ra một lớp sương mù, làm giảm độ rõ nét. Đồng thời, sự suy giảm ánh sáng (attenuation) không đồng đều giữa các kênh màu (RGB) gây ra hiện tượng biến dạng màu sắc nghiêm trọng. Theo John Y. Chiang và cộng sự [21], việc bù trừ chênh lệch suy giảm bước sóng là cần thiết để khôi phục lại sự cân bằng màu sắc. Nhiều nghiên cứu đã tập trung vào các kỹ thuật nâng cao chất lượng ảnh dưới nước (Underwater Image Enhancement) làm bước tiền xử lý. Các phương pháp từ bù trừ vật lý, sử dụng mô hình khử sương mù, cho đến các mô hình học sâu như GAN (WaterGAN) [20] và Diffusion Model [34] đã được đề xuất để tái tạo lại hình ảnh rõ nét hơn. Tuy nhiên, việc cải thiện hình ảnh không phải lúc nào cũng đảm bảo tăng hiệu suất phát hiện, đôi khi còn làm mất đi các đặc trưng tự nhiên quan trọng.
2.2. Khó khăn từ đối tượng nhỏ mật độ dày và bị che khuất
Các đối tượng sinh vật biển thường có kích thước rất nhỏ so với toàn bộ khung hình. Điều này khiến các kiến trúc CNN truyền thống, vốn dễ bỏ qua các đặc trưng ở quy mô nhỏ, gặp nhiều khó khăn. Các bộ dữ liệu như UTDAC2020 và DUO cho thấy rõ đặc điểm này, nơi các loài như nhím biển, hải sâm thường xuất hiện với mật độ dày và chồng lấn lên nhau. Hiện tượng này được gọi là gom cụm và che khuất. Để giải quyết vấn đề này, một số phương pháp đã được đề xuất. SWIPENet [23] sử dụng Dilated Convolution và Hyper Feature Maps để cải thiện việc phát hiện đối tượng ở nhiều tỷ lệ. Các phương pháp tăng cường dữ liệu như RoIMix [36] cũng được phát triển để tạo ra các kịch bản chồng lấn và che khuất ảo, giúp mô hình học được cách xử lý các tình huống phức tạp này trong thực tế.
III. Hướng dẫn ứng dụng Transformer cho phát hiện đối tượng nước
Kiến trúc Transformer, ban đầu được giới thiệu trong bài báo "Attention Is All You Need" [35], đã tạo ra một cuộc cách mạng trong xử lý ngôn ngữ tự nhiên và nhanh chóng được điều chỉnh cho các bài toán thị giác máy tính. Khác với CNN dựa trên các cửa sổ trượt cục bộ, Transformer sử dụng cơ chế self-attention để xử lý toàn bộ hình ảnh một cách toàn cục, cho phép mô hình nắm bắt các mối quan hệ ngữ nghĩa giữa các vùng ảnh xa nhau. Điều này đặc biệt hữu ích trong việc hiểu bối cảnh phức tạp của môi trường dưới nước. DETR (DEtection TRansformer) [6] là một trong những mô hình tiên phong áp dụng kiến trúc này vào bài toán phát hiện đối tượng. DETR đã loại bỏ các thành phần thủ công phức tạp như anchor boxes và Non-Maximum Suppression (NMS), thay thế chúng bằng một quy trình end-to-end đơn giản. Mô hình này sử dụng một bộ mã hóa-giải mã (encoder-decoder) Transformer để trực tiếp dự đoán một tập hợp các hộp giới hạn và nhãn lớp, mang lại một cách tiếp cận thanh lịch và hiệu quả.
3.1. Mô hình DETR và cơ chế dự đoán tập hợp Set Prediction
Kiến trúc của DETR bao gồm ba thành phần chính: một backbone CNN (thường là ResNet) để trích xuất đặc trưng hình ảnh, một bộ encoder-decoder Transformer, và các đầu dự đoán (prediction heads). Backbone trích xuất một bản đồ đặc trưng từ ảnh đầu vào. Encoder của Transformer sau đó xử lý bản đồ đặc trưng này, làm phong phú thêm thông tin ngữ cảnh toàn cục thông qua các lớp self-attention. Decoder nhận đầu vào là một số lượng cố định các truy vấn đối tượng (object queries) đã được học và đầu ra của encoder. Mỗi truy vấn đối tượng sẽ được decoder biến đổi để dự đoán một đối tượng duy nhất, bao gồm tọa độ hộp giới hạn và xác suất lớp. Điểm đột phá của DETR là cơ chế dự đoán tập hợp (set prediction) kết hợp với hàm mất mát dựa trên đối sánh hai phía (bipartite matching), giúp gán mỗi đối tượng thực tế với một dự đoán duy nhất, loại bỏ sự cần thiết của NMS.
3.2. Deformable DETR Cải tiến tốc độ và hiệu quả với Attention
Deformable DETR [41] ra đời để giải quyết các hạn chế của DETR gốc, bao gồm tốc độ hội tụ chậm và hiệu suất kém trên các đối tượng nhỏ. Thay vì sử dụng cơ chế attention trên toàn bộ bản đồ đặc trưng, Deformable DETR giới thiệu deformable attention. Cơ chế này chỉ tập trung vào một số điểm lấy mẫu chính xung quanh một vị trí tham chiếu. Điều này giúp giảm đáng kể độ phức tạp tính toán và cho phép mô hình tập trung hiệu quả hơn vào các vùng đặc trưng quan trọng. Hơn nữa, Deformable DETR xử lý các bản đồ đặc trưng đa tỷ lệ, cho phép nó phát hiện tốt hơn các đối tượng ở nhiều kích thước khác nhau. Nhờ những cải tiến này, mô hình có khả năng hội tụ nhanh hơn gấp nhiều lần và đạt được độ chính xác cao hơn, đặc biệt là với các đối tượng nhỏ, một thách thức lớn trong môi trường dưới nước.
IV. Bí quyết tối ưu mô hình DINO phát hiện đối tượng dưới nước
Phương pháp đề xuất dựa trên nền tảng của DINO (DETR with Improved deNoising anchOr boxes) [39], một trong những mô hình phát hiện đối tượng dựa trên Transformer tiên tiến nhất. DINO cải thiện các phiên bản DETR trước đó bằng cách giới thiệu một loạt kỹ thuật đột phá như huấn luyện khử nhiễu tương phản (contrastive denoising training), lựa chọn truy vấn hỗn hợp (mixed query selection) và cập nhật hộp giới hạn tiên tiến. Tuy nhiên, để mô hình hoạt động tối ưu trong môi trường đặc thù dưới nước, một số cải tiến đã được thực hiện. Các điều chỉnh này tập trung vào việc giải quyết các thách thức cốt lõi như đối tượng nhỏ, gom cụm và chất lượng ảnh kém. Cụ thể, các thay đổi bao gồm mở rộng số lượng truy vấn của decoder, tinh chỉnh siêu tham số trong quá trình khử nhiễu và quan trọng nhất là thiết kế lại cấu trúc hàm mất mát để phù hợp hơn với đặc điểm của dữ liệu.
4.1. Cải tiến Decoder và DeNoising Training cho ảnh mờ
Để đối phó với mật độ đối tượng dày đặc, số lượng truy vấn của decoder được tăng từ 900 lên 950. Mỗi truy vấn (query) có vai trò như một "khe" để dự đoán một đối tượng tiềm năng. Việc tăng số lượng truy vấn cho phép mô hình xử lý nhiều đối tượng hơn trong một khung hình, đặc biệt hữu ích cho các kịch bản gom cụm. Đồng thời, trong kỹ thuật Denoising Training, giá trị box_noise_scale đã được giảm xuống. Kỹ thuật này huấn luyện mô hình khôi phục lại các hộp giới hạn gốc từ các phiên bản bị nhiễu. Bằng cách giảm độ lớn của nhiễu thêm vào, mô hình bị buộc phải học cách dự đoán vị trí và kích thước với độ chính xác cao hơn. Điều này đặc biệt hiệu quả đối với các đối tượng nhỏ, nơi mà một sai lệch nhỏ cũng có thể dẫn đến lỗi nghiêm trọng.
4.2. Tối ưu hàm mất mát với SmoothL1 và DIoU Loss
Hàm mất mát cho việc dự đoán hộp giới hạn (bbox loss) đã được thay đổi từ L1 Loss sang SmoothL1 Loss. L1 Loss nhạy cảm với các giá trị ngoại lệ, trong khi SmoothL1 Loss (còn gọi là Huber Loss) kết hợp ưu điểm của L1 và L2 Loss. Nó hoạt động như L2 Loss với các sai số nhỏ (giúp quá trình hội tụ mượt mà) và như L1 Loss với các sai số lớn (giảm ảnh hưởng của các dự đoán sai lệch nhiều), rất phù hợp với sự đa dạng về kích thước đối tượng dưới nước. Bên cạnh đó, hàm mất mát IoU (Intersection over Union) cũng được nâng cấp từ GIoU Loss lên DIoU Loss [40]. DIoU Loss không chỉ tối ưu hóa độ chồng chéo mà còn trực tiếp giảm thiểu khoảng cách giữa tâm của hộp dự đoán và hộp thực tế. Điều này giúp mô hình hội tụ nhanh hơn và định vị đối tượng chính xác hơn, ngay cả khi các hộp không chồng chéo.
V. Đánh giá hiệu suất mô hình học sâu trên bộ dữ liệu DUO
Hiệu suất của phương pháp đề xuất được đánh giá thông qua các thực nghiệm nghiêm ngặt trên hai bộ dữ liệu benchmark phổ biến trong lĩnh vực phát hiện đối tượng dưới nước: UTDAC2020 và DUO. Bộ dữ liệu DUO là một phiên bản cải tiến và mở rộng của UTDAC2020, cung cấp một tập xác thực đa dạng hơn, ít trùng lặp hơn, giúp đánh giá khả năng khái quát hóa của mô hình một cách khách quan. Cả hai bộ dữ liệu đều chứa hình ảnh của bốn loài sinh vật biển phổ biến với nhiều độ phân giải khác nhau, mô phỏng các điều kiện thực tế. Quá trình huấn luyện và đánh giá được thực hiện trên một nền tảng phần cứng mạnh mẽ, sử dụng ngôn ngữ lập trình Python và thư viện PyTorch. Các chỉ số đánh giá chính bao gồm Precision, Recall, và đặc biệt là mAP (mean Average Precision), tiêu chuẩn vàng để đo lường độ chính xác trong các bài toán phát hiện đối tượng.
5.1. Phân tích các bộ dữ liệu thực nghiệm UTDAC2020 và DUO
Bộ dữ liệu UTDAC2020 bao gồm 5168 ảnh huấn luyện và 1293 ảnh xác thực. Trong khi đó, DUO [3] mở rộng với 6772 ảnh huấn luyện và 1111 ảnh xác thực, với tổng cộng hơn 74,000 thực thể được gán nhãn. Một nhược điểm của tập xác thực UTDAC2020 là sự trùng lặp hình ảnh cao, có thể dẫn đến đánh giá quá lạc quan về hiệu suất mô hình. DUO khắc phục điều này bằng cách cung cấp một tập xác thực đa dạng hơn, phản ánh chính xác hơn hiệu năng của mô hình trên dữ liệu chưa từng thấy. Cả hai bộ dữ liệu đều có đặc điểm chung là các đối tượng thường nhỏ, có màu sắc hòa lẫn với môi trường và xuất hiện theo cụm, tạo ra một bài toán đầy thách thức. Việc sử dụng cả hai bộ dữ liệu cho phép so sánh và xác nhận tính hiệu quả của các cải tiến được đề xuất.
5.2. Kết quả so sánh và minh chứng hiệu quả của phương pháp
Kết quả thực nghiệm cho thấy mô hình DINO được cải tiến đã đạt được hiệu suất vượt trội so với các phương pháp trước đó trên cả hai bộ dữ liệu. Đặc biệt trên bộ dữ liệu DUO, phương pháp đề xuất cho thấy sự cải thiện rõ rệt trong việc phát hiện các đối tượng nhỏ và vừa. Phân tích biểu đồ Precision-Recall Curve cho thấy mô hình không chỉ đạt được độ chính xác cao mà còn duy trì được tỷ lệ phát hiện tốt (recall). Ví dụ minh họa trên các ảnh từ tập xác thực cho thấy mô hình có khả năng phân biệt và định vị chính xác các đối tượng ngay cả trong các cảnh phức tạp với nhiều cá thể chồng lấn. Những kết quả này khẳng định rằng các điều chỉnh về kiến trúc decoder, kỹ thuật Denoising Training và việc tối ưu hóa hàm mất mát đã mang lại hiệu quả thực tiễn, giúp mô hình thích ứng tốt hơn với bài toán phát hiện đối tượng dưới nước.
VI. Triển vọng và tương lai của mô hình học sâu trong UOD
Nghiên cứu về phát hiện đối tượng dưới nước sử dụng mô hình học sâu đã đạt được những thành tựu đáng kể, nhưng vẫn còn nhiều tiềm năng để phát triển trong tương lai. Các kết quả từ việc cải tiến mô hình DINO cho thấy rằng việc tùy chỉnh kiến trúc và quy trình huấn luyện theo đặc thù của miền dữ liệu là hướng đi đúng đắn. Trong tương lai, việc khắc phục các hạn chế còn lại và mở rộng khả năng của mô hình sẽ là trọng tâm. Các hướng phát triển có thể bao gồm việc tích hợp các kỹ thuật xử lý video để theo dõi đối tượng theo thời gian thực, tối ưu hóa mô hình để có thể triển khai trên các thiết bị tài nguyên hạn chế như AUVs, và phát triển các phương pháp học không giám sát hoặc bán giám sát để giảm sự phụ thuộc vào dữ liệu gán nhãn tốn kém. Sự tiến bộ trong lĩnh vực này hứa hẹn sẽ mang lại những công cụ mạnh mẽ hơn cho việc khám phá và bảo vệ đại dương.
6.1. Hướng phát triển tiềm năng để nâng cao hiệu suất mô hình
Một trong những hướng phát triển chính là cải thiện khả năng xử lý hình ảnh chất lượng rất thấp. Thay vì chỉ dựa vào các bước tiền xử lý, có thể tích hợp trực tiếp các mô-đun nâng cao chất lượng ảnh vào kiến trúc mạng nơ-ron, cho phép mô hình học đồng thời cả việc cải thiện ảnh và phát hiện đối tượng. Phương pháp GCC (Gated Cross-domain Collaborative) [11] là một ví dụ, khi kết hợp đặc trưng từ cả ảnh gốc và ảnh đã tăng cường. Ngoài ra, việc khám phá các biến thể Transformer nhẹ hơn và hiệu quả hơn về mặt tính toán là cần thiết để triển khai trên các hệ thống nhúng. Nghiên cứu các kỹ thuật học đa nhiệm (multi-task learning), nơi mô hình cùng lúc thực hiện phát hiện, phân đoạn và ước tính độ sâu, cũng là một hướng đi đầy hứa hẹn để cung cấp thông tin toàn diện hơn về môi trường dưới nước.
6.2. Ứng dụng thực tiễn và tác động đến ngành khoa học biển
Trong tương lai, các mô hình học sâu tiên tiến sẽ trở thành công cụ không thể thiếu trong ngành khoa học biển. Chúng có thể được tích hợp vào các hệ thống quan sát tự động trên toàn cầu để theo dõi quần thể sinh vật biển, đánh giá sức khỏe của rạn san hô, và phát hiện các hoạt động bất hợp pháp như đánh bắt cá trái phép. Các phương tiện tự hành dưới nước được trang bị các mô hình này sẽ có khả năng tự lập bản đồ đáy biển, kiểm tra các công trình ngầm như đường ống dẫn dầu hay cáp quang, và thực hiện các nhiệm vụ tìm kiếm cứu nạn một cách hiệu quả hơn. Sự kết hợp giữa AI và robot học sẽ đẩy nhanh tốc độ khám phá đại dương, giúp con người hiểu sâu hơn về hành tinh của chính mình và đưa ra các quyết sách tốt hơn để bảo vệ nó.
