Come i radar marini e gli algoritmi ispirati alle lucciole trovano le fuoriuscite di petrolio?

Le fuoriuscite di petrolio in mare sono una minaccia per gli ecosistemi, l'economia e la salute umana. Per contrastarle, gli scienziati hanno sviluppato un nuovo metodo che combina radar marini, tecniche di visione artificiale e un algoritmo ispirato alle lucciole.

Prima di tutto, le immagini radar vengono pulite: tre passaggi migliorano i contorni del film d'olio, rendendolo più evidente. Poi si estraggono due tipi di “impronte digitali” visive: i Local Binary Patterns (LBP), che catturano le texture, e gli Histogram of Oriented Gradient (HOG), che descrivono le direzioni dei bordi. Dopo una leggera sfumatura con un filtro medio, le informazioni LBP e HOG vengono fuse per creare una mappa ricca di dettagli.

A questo punto, un algoritmo di clustering chiamato K‑Means separa le zone sospette dal resto dell’immagine. L’ultimo passo è la classificazione: qui entra in gioco l’Improved Firefly Optimization (IFA), una versione potenziata dell’algoritmo delle lucciole, che decide se una regione è davvero una macchia d’olio o solo un artefatto radar.

Rispetto al tradizionale algoritmo FA, l’IFA è più preciso nella segmentazione dei film d’olio, garantendo una rilevazione più rapida e affidabile. Questo approccio apre una nuova strada per il monitoraggio marino, consentendo interventi tempestivi e riducendo l’impatto ambientale delle fuoriuscite.

Il metodo proposto si basa su una catena di elaborazione multi‑step. L’uso dei Local Binary Patterns (LBP) consente di codificare la texture locale dell’immagine radar, sfruttando la differenza di intensità tra pixel adiacenti per evidenziare le variazioni tipiche di un film d’olio, che tende a presentare una superficie più omogenea rispetto al fondo marino. Dopo l’estrazione, il filtro medio (mean filtering) riduce il rumore ad alta frequenza, preservando le strutture più rilevanti.

Gli Histogram of Oriented Gradient (HOG) vengono poi calcolati sulla mappa LBP filtrata. HOG segmenta l’immagine in celle e calcola i gradienti di intensità, creando un istogramma delle direzioni predominanti. Questo è particolarmente utile per distinguere i bordi irregolari delle macchie d’olio da quelli di altre anomalie radar, come onde o oggetti galleggianti.

Il clustering K‑Means opera nello spazio delle feature combinate (LBP + HOG), minimizzando la varianza intra‑cluster e massimizzando la separazione inter‑cluster. Il numero di cluster è tipicamente fissato a due (olio vs. non‑olio), ma può essere adattato per scenari più complessi.

L’Improved Firefly Optimization (IFA) introduce due miglioramenti rispetto al FA classico: (i) un meccanismo di adattamento dinamico della luminosità basato sulla densità locale delle feature, e (ii) una strategia di mutazione che evita il blocco in minimi locali. Le lucciole virtuali (candidati soluzione) si muovono nello spazio delle soglie di segmentazione, attirandosi verso le soluzioni più luminose (migliori metriche di accuratezza). L’IFA converge più rapidamente e con maggiore robustezza, soprattutto in presenza di rumore radar e condizioni di bassa visibilità.

Validazioni sperimentali su dataset reali di radar marini mostrano che l’accuratezza di segmentazione supera il 92%, con un miglioramento di circa 5‑7 punti percentuali rispetto al FA tradizionale e a metodi basati solo su LBP o HOG. Questi risultati suggeriscono che l’integrazione di feature texture‑orientate e l’ottimizzazione evolutiva possono diventare standard per i sistemi di monitoraggio ambientale marino.