Detectarea schimbărilor în imagini satelitare și aeriene pentru apărare

Volumul de imagini aeriene colectat acum deasupra oricărei zone disputate depășește ceea ce analiștii umani pot inspecta vreodată cadru cu cadru. Întrebarea de informații este rareori „ce este în această imagine" – este „ce este diferit față de ultima dată când am privit." Detectarea schimbărilor răspunde direct la acea întrebare: compară imagini co-înregistrate de-a lungul trecerilor și reduce un teanc de scene cu aspect identic la o listă scurtă, geolocalizată, de locuri în care lumea fizică s-a mișcat. Apar noi parapete, vehicule se masează la un depozit, un pod este tăiat, o pistă este reparată. Acest articol parcurge întregul pipeline – co-înregistrarea, normalizarea radiometrică, modelele de schimbare în sine, controlul alarmelor false și etapa de orientare a analistului care transformă o mască de schimbare într-un produs de informații. Aceeași disciplină care alimentează viziunea computerizată pe dronele ISR se aplică aici, dar dimensiunea temporală schimbă totul.

Ce produce de fapt detectarea schimbărilor

Livrabilul unui sistem de detectare a schimbărilor nu este o imagine – este un ajutor de decizie. Un pipeline funcțional preia o imagine de referință (ultima bază de încredere a unei zone) și o imagine nouă (cea mai recentă trecere) și produce un set de poligoane de schimbare: regiuni delimitate în care scena diferă semnificativ de bază, fiecare etichetată cu un scor de încredere, o suprafață, o amprentă WGS84 și, ideal, o clasă de schimbare. Un analist primește o listă de indicii clasificată, cu fragmente de imagine înainte/după, în loc de o scenă completă de scanat. Această inversare – de la „interpretează totul" la „adjudecă doar ce s-a mișcat" – este întreaga propunere de valoare. Multiplică debitul analistului și, mai important, scurtează timpul dintre o schimbare fizică pe teren și o alertă în mâinile unui factor de decizie.

Acel cadru contează deoarece stabilește prioritățile de inginerie. Sistemul nu este judecat după cât de multă schimbare găsește, ci după fiabilitatea listei sale de indicii. Un analist căruia i se arată zece indicii și descoperă că nouă dintre ele sunt zgomot va înceta să aibă încredere în al unsprezecelea. Precizia – fracțiunea de indicii care sunt reale – este metrica ce guvernează adoptarea operațională, și aproape fiecare decizie de proiectare de mai jos este în serviciul ei.

Co-înregistrarea: precondiția pentru orice

Două treceri ale aceleiași coordonate aproape niciodată nu sunt aliniate la nivel de pixel. Platforma zboară pe o orbită sau traiectorie ușor diferită, senzorul privește dintr-un unghi diferit, relieful terenului induce paralaxă, iar ortorectificarea lasă o eroare reziduală proprie. Fiecare dintre aceste diferențe geometrice este citită de un model de schimbare naiv ca schimbare. Rezultatul este un halou de alarme false care urmărește fiecare margine cu contrast ridicat din scenă: conturul clădirilor, marginile drumurilor, limitele parcelelor, liniile de coastă. În practică, cea mai mare sursă unică de alarme false operaționale nu este modelul de schimbare – este eroarea de înregistrare.

Soluția este co-înregistrarea sub-pixel. Ambele imagini sunt mai întâi ortorectificate față de un model digital de elevație (DTED sau un DEM comercial) și proiectate într-un cadru cartografic comun, ceea ce elimină cea mai mare parte a paralaxei induse de teren. Imaginea nouă este apoi înregistrată cu cea de referință folosind potrivirea punctelor de legătură sau corelația de fază în domeniul Fourier, rafinând alinierea până la mai bine de 0,5 pixeli RMS. Plăcuțele care nu pot fi înregistrate la acea toleranță – peste deșert lipsit de trăsături sau apă deschisă, de exemplu – ar trebui marcate și excluse, nu forțate, deoarece o plăcuță prost înregistrată contribuie doar cu zgomot.

De ce ortorectificarea nu este opțională

Este tentant să sari peste ortorectificare pentru imagini la nadir pe teren plat. Aceasta este o capcană. Chiar și unghiuri mici în afara nadirului combinate cu structuri verticale – clădiri, turnuri, margini de teren – produc înclinare și deplasare care variază cu geometria de vizare între treceri. O clădire de 30 de metri fotografiată din două azimuturi diferite va părea că „se mișcă" cu câțiva metri la linia acoperișului. Fără ortorectificare și un model de înălțime, acea mișcare aparentă este imposibil de distins de schimbarea reală, iar rata de alarme false din jurul fiecărei structuri înalte devine de negestionat.

Normalizarea radiometrică: eliminarea a ceea ce s-a schimbat dar nu contează

Chiar și imaginile perfect aliniate diferă radiometric între treceri. Unghiul solar se schimbă cu ora zilei și anotimpul, ceața atmosferică și încărcătura de aerosoli variază, iar câștigul senzorului și calibrarea derivează. Un model de schimbare care vede intensitatea brută va semnala un întreg deal ca „schimbat" pur și simplu pentru că soarele de după-amiază l-a luminat diferit față de baza de dimineață. Normalizarea radiometrică rescalează imaginea nouă astfel încât distribuția intensității ei să fie comparabilă cu cea de referință, folosind fie corecție atmosferică bazată pe fizică (conversia la reflectanța de suprafață), fie normalizare relativă față de trăsături invariante – acoperișuri, suprafețe pavate, apă adâncă – care nu ar fi trebuit să se schimbe.

Pe lângă normalizare, pipeline-ul maschează clasele de perturbare care se schimbă natural și nu poartă nicio valoare de informații. Norul și umbra norului sunt cele evidente; un nor în trecere ar domina altfel masca de schimbare. Vegetația densă se mișcă cu vântul și crește între treceri, apa deschisă are o suprafață în continuă variație, iar umbra terenului se deplasează cu unghiul solar. Mascarea acestor clase înainte de rularea modelului de schimbare – sau ponderarea lor în jos – menține modelul concentrat pe schimbarea semantică de care îi pasă analistului. Principiile de aici se suprapun puternic cu arhitectura platformei GEOINT mai largă care găzduiește aceste produse.

Modelele de schimbare: de la diferențierea pixelilor la schimbarea învățată

Cel mai simplu detector de schimbare este diferențierea imaginilor: scade imaginea de referință din cea nouă și aplică un prag magnitudinii. Este rapid și interpretabil, iar pe imagini bine înregistrate și bine normalizate funcționează pentru schimbarea cu contrast ridicat. Dar este fragil – nu poate distinge o prelată întinsă peste echipament de o schimbare structurală autentică și nu are nicio noțiune despre ce fel de schimbare contează. Rafinamentele clasice includ analiza vectorului de schimbare pe benzile spectrale, analiza componentelor principale a perechii de imagini stivuite și transformata IR-MAD (detectarea alterării multivariate reponderată iterativ), care este robustă statistic la diferențele radiometrice reziduale.

Sistemele operaționale moderne folosesc modele de schimbare învățate, cel mai frecvent o rețea siameză: doi codificatori care împart greutățile procesează imaginea de referință și cea nouă în embeddinguri de trăsături, iar un decodificator fuzionează cele două fluxuri de trăsături într-o hartă de probabilitate de schimbare per pixel. Arhitecturile siameze convoluționale (precum familiile Siam-Diff și FC-Siam) și, mai recent, detectoarele de schimbare bazate pe transformer captează context pe care metodele de pixeli nu îl pot capta – ele învață că o nouă trăsătură liniară într-un câmp este mai probabil o urmă decât o umbră, și că o adăugire rectangulară lângă o clădire este construcție. Rezultatul este un raster continuu de încredere în schimbare, nu o mască binară dură, ceea ce păstrează informația necesară pentru etapa de prag.

SAR și detectarea coerentă a schimbărilor

Detectarea optică a schimbărilor este oarbă noaptea și sub nori. Radarul cu apertură sintetică nu este, iar acest lucru face din detectarea schimbărilor SAR un complement pe orice vreme, zi și noapte, care este adesea modul mai valoros operațional. Dincolo de simpla diferențiere a amplitudinii, SAR permite detectarea coerentă a schimbărilor (CCD): compararea coerenței de fază interferometrice dintre două imagini SAR complexe ale aceleiași scene. Acolo unde suprafața a fost perturbată fizic la scara lungimii de undă a radarului – urme de vehicule pe sol, săpături proaspete, poteci, echipament mutat recent – coerența se prăbușește, iar aceste perturbări ies în evidență vivid chiar și atunci când nicio schimbare de amplitudine nu este vizibilă pentru ochi. Un tipar operațional comun fuzionează cele două: o pierdere de coerență în SAR orientează o colectare optică ulterioară a coordonatelor exacte, astfel încât senzorul pe orice vreme îl declanșează pe cel de înaltă rezoluție.

Controlul alarmelor false și orientarea analistului

După ce a produs un raster de încredere în schimbare, pipeline-ul trebuie să-l transforme într-o listă de indicii de încredere. Aceasta este o problemă de filtrare în mai multe etape. Mai întâi, un prag de încredere și o curățare morfologică elimină pixelii zgomotoși și izolați. Regiunile conectate sunt apoi vectorizate în poligoane de schimbare, fiecare adnotat cu suprafață, amprentă, încredere și – dacă este prezent un clasificator – o clasă de schimbare. O cerință de persistență este unul dintre cei mai eficienți supresori de alarme false disponibili: cerința ca o schimbare să apară în două sau mai multe treceri consecutive înainte de a fi promovată elimină majoritatea artefactelor dintr-o singură trecere (o margine de nor tranzitorie, o defecțiune de înregistrare singulară), aducând totuși activitatea autentică la suprafață într-o întârziere acceptabilă.

Poligoanele supraviețuitoare sunt clasificate – de obicei printr-o combinație de încredere și suprafață, cu zonele de prioritate definite de operator amplificând schimbările din interiorul zonelor de interes denumite. Fiecare indiciu este împachetat cu un fragment de imagine înainte/după, astfel încât analistul să poată adjudeca în câteva secunde fără a deschide scena completă. Esențial, verdictul analistului (schimbare reală, perturbare, deja cunoscută) este captat și retroalimentat ca date de antrenare etichetate. Aceasta închide bucla: modelul care a produs indiciul învață de la analistul care l-a judecat, iar precizia se îmbunătățește pe durata de viață a desfășurării. Aceeași disciplină om-în-buclă susține trierea datelor ISR asistată de AI în sens mai larg.

Latența, revizitarea și mutarea către edge

Cât de repede trebuie detectată o schimbare depinde în întregime de țintă. Monitorizarea infrastructurii strategice fixe tolerează o revizitare măsurată în zile și o latență de procesare măsurată în ore – baza abia se mișcă, iar un produs lent și atent este acceptabil. Monitorizarea activității este diferită. Când valoarea de informații constă în concentrarea vehiculelor, mișcarea echipamentelor sau excavarea proaspătă, schimbarea este avertismentul, iar un indiciu care sosește cu o zi întârziere este un indiciu care sosește după ce fereastra de decizie s-a închis. Detectarea tactică a schimbărilor împinge așadar către o revizitare orară și o latență de procesare la scară de minute, de la transmisie până la indiciu.

Acea presiune de latență este principalul motor din spatele mutării detectării schimbărilor către edge-ul senzorului. Arhitectura clasică transmite fiecare imagine completă către un centru de procesare la sol, ceea ce este consumator de lățime de bandă și lent. Arhitectura emergentă rulează co-înregistrarea și modelul de schimbare la bord sau la un nod avansat, astfel încât doar poligoanele de schimbare și fragmentele mici înainte/după – kiloocteți, nu gigaocteți – traversează legătura descendentă constrânsă. Aceasta este aceeași filozofie de inferență la edge aplicată în întregul ISR modern, unde rețeaua este blocajul, iar răspunsul este să transmiți decizia, nu datele.

Ingineria sistemului de la cap la coadă

Un sistem de detectare a schimbărilor în producție este un lanț de componente, fiecare dintre ele putând scufunda produsul dacă subperformează: un front end de ortorectificare și co-înregistrare, o etapă de normalizare radiometrică și mascare, modelul de schimbare în sine (optic, SAR sau fuzionat), un back end de prag și vectorizare și un strat de orientare și feedback conectat la tabloul GEOINT. Modelul este partea care atrage cea mai multă atenție, dar rareori este partea care determină dacă analiștii au încredere în rezultat. Geometria, normalizarea și controlul disciplinat al alarmelor false decid asta. Construiește-le bine, păstrează un om în bucla de adjudecare, iar produsul de detectare a schimbărilor devine ceea ce ar trebui să fie: un motor de tip tip-and-cue care îndreaptă atenția analitică limitată exact către coordonatele unde s-a schimbat lumea.

Pentru latura de inferență pe dispozitiv a acestei probleme – rularea modelelor de detectare și schimbare aproape de senzor – consultă articolul nostru însoțitor despre viziunea computerizată pentru sistemele de apărare.