Цифровизация промерных планшетов на примере работ в заливе Терпения и порту Корсаков (о. Сахалин)

Введение

При несомненной актуальности развития и реконструкции портовой структуры Северного морского пути встает вопрос о восстановлении старых промерных планшетов, полученных при строительстве этих портовых сооружений. Современные методы получения промерных планшетов позволяют получить их сразу в виде цифровой матрицы, удобной для дальнейшей обработки. Сравнение современных планшетов и старых возможно только на одной унифицированной платформе. Поэтому так важно старые планшеты перевести в цифру. Это позволит сравнивать отметки дна, разнесенные во времени, и делать выводы о динамике донного рельефа, наиболее оптимальной ориентировке подводящих судоходных каналов, оптимальному ориентированию молов, пирсов и других портовых сооружений не только по гидрометеорологической обстановке, но и относительно заносимости портовых сооружений современными морскими наносами.

Результаты исследований

В работе описан конвейер оцифровки исторических промерных планшетов, включающий автоматизированное распознавание рукописных значений глубин, геопривязку растров и формирование готовых к использованию в ГИС векторных слоев. Конвейер реализован на материале промерных планшетов масштаба 1 : 2000 для акваторий залива Терпения и промежуточного для Северного морского пути порта Корсаков (о. Сахалин) [1–6]. В качестве источника дополнительной информации для распознавания используются модели искусственного интеллекта, дополняющие классический OCR на базе Tesseract.

Исторические промерные планшеты остаются важным источником батиметрической информации для анализа динамики донных форм, уточнения глубин и сопоставления с современными измерениями. Однако традиционная ручная оцифровка подобных материалов крайне трудоемка и подвержена субъективным ошибкам оператора. В последние годы развитие методов компьютерного зрения и генеративных моделей создало предпосылки для частичной или полной автоматизации этого процесса. Важно не только распознать рукописные значения глубин внутри регулярной сетки планшета, но и корректно связать их с географическими координатами для дальнейшего использования в геоинформационных системах.

Цель данной работы состоит в том, чтобы:

1. разработать воспроизводимый конвейер оцифровки промерных планшетов, совмещающий методы классического OCR и современных моделей ИИ;

2. апробировать этот конвейер на наборе планшетов для залива Терпения и порта Корсаков;

3. оценить качество распознавания и полноту восстановленного массива глубин.

Объектом исследования в данной работе выступают акватории залива Терпения (район водозаборного сооружения Южно-Сахалинской ГРЭС) и порта Корсаков, расположенные у восточных и южных берегов острова Сахалин. Эти районы характеризуются довольно сложной конфигурацией береговой линии, значительной навигационной нагрузкой и подвижной морфологией дна.

В качестве исходных данных использовался набор отсканированных промерных планшетов (файлы вида scan530–scan546), содержащих регулярную координатную сетку и рукописные значения глубин в узлах ячейчатой таблицы. Промерные планшеты были получены одним из авторов этой статьи в 1970-х годах при исследовании условий заносимости водозаборного сооружения Южно-Сахалинской ГРЭС морскими наносами. В качестве примера приведен исходный планшет залива Терпения (рис. 1).

Первым этапом нашей работы являлась предварительная подготовка растровых изображений. Исходные планшеты сканировались на широкоформатном скане с максимальной степенью разрешения. Сканы выравнивались, из них удалялись неинформативные поля и дополнительные элементы оформления, после чего планшеты переводились в одиночный канал яркости.

Для уменьшения влияния линий таблицы и артефактов использовались скрипты очистки, в результате чего формировались монохромные варианты изображений (`*_mono.png`), подготовленные к дальнейшей автоматизированной обработке.

Рабочая область с регулярной сеткой задавалась пользователем по четырем характерным точкам (координаты углов), которые затем передавались в скрипт извлечения значений в виде параметра `--coords`. Примером является выделение области для файла `scan540_mono.png`.

Важным параметром выступает оценка характерного размера ячейки (`--half`), задаваемая в пикселях. Это значение используется при поиске центров ячеек и влияет на устойчивость последующих шагов сегментации.

Следующим шагом представленной работы было выделение регулярной сетки и формирование первичного JSON. Извлечение структуры регулярной таблицы реализовано в скрипте `extract_grid_vаlues. py`. На первом шаге выполняется перспективное преобразование рабочей области планшета, что позволяет получить ее «прямой» вид и упростить последующую обработку.

Далее на изображении выделяются компоненты, похожие на цифры. По их центрам и характерным расстояниям между ними реконструируется структура строк и столбцов таблицы, что позволяет оценить границы ячеек по вертикали и горизонтали. Для каждой ячейки вычисляется четырехугольник в системе координат исходного изображения; полученные данные сохраняются в JSON-файле, где для каждой ячейки хранится номер строки и столбца, координаты углов и первичная оценка значения глубины.

Распознавание рукописных значений глубин реализовано каскадно. На базовом уровне используется Tesseract OCR, настроенный на распознавание двух цифр в пределах одной ячейки. Перед вызовом OCR применяется адаптивная бинаризация, сглаживание и ряд морфологических операций, позволяющих подавить шум и усилить контур цифр. Для повышения качества распознавания и заполнения ранее пустых ячеек применяется верификационный скрипт `verify_cells_ollama. py`, который поочередно вырезает тайлы отдельных ячеек и обращается к выбранному OCR/LLM-бэкенду (локальный Tesseract, HTTP-сервис, OpenAI, Gemini, Ollama и др.). Ответ модели нормализуется до двух цифр, а при необходимости выполняется несколько попыток распознавания.

Для исключения влияния линий изобат и береговой линии реализована отдельная процедура детектирования и удаления пересекающих линий, а также классификация ячеек, содержащих только рамки или линейные артефакты. Такие ячейки помечаются специальным статусом и рассматриваются как пустые. Результаты работы верификационного этапа сохраняются в полях метаданных каждой ячейки, включая исходное значение, новое распознанное значение, оценку надежности и признак ручной проверки. Конфигурация и относительный вклад разных бэкендов в итоговое качество распознавания могут варьироваться. В данной работе наиболее существенный вклад обеспечил следующий вариант настройки: преимущественное использование LLM при ограниченной роли классического OCR. Промежуточный вариант промерного планшета, полученного в результате описанных выше операций, представлен на рис. 2.

После получения стабильного массива значений глубин возникает задача их геопривязки. Для этого используется аффинное преобразование между координатами пикселей планшета и географическими координатами (широта, долгота) выбранной системы (WGS-84). Параметры преобразования задаются в конфигурационных файлах формата key = value, где указываются три опорные точки в пикселях и соответствующие им геодезические координаты. На основе этих данных решается система линейных уравнений, а вычисленные коэффициенты применяются ко всем центрам ячеек. Реализация геопривязки осуществляется скриптом `georef_cells. py`, который добавляет к каждой ячейке поля широты и долготы, а также формирует географический контур планшета и ограничивающий прямоугольник покрытия (`bbox`). В качестве опорных точек для стабильной геопривязки может быть использована местная триангуляционная сеть, на основе которой обычно ведутся промерные работы. В случае утери таких данных можно использовать местные характерные точки долгосрочного использования (пирсы, молы и т. п.).

Для интеграции результатов в стандартные средства просмотра и анализа пространственных данных используется скрипт `json_to_kml. py`, конвертирующий JSON в формат KML с отдельным элементом `Placemark` для каждой ячейки. Полученные файлы могут быть загружены, например, в QGIS, yandex maps, Google Earth либо в другое gis-приложение.

Конвейер был применен к 12 планшетам залива Терпения и 2 планшетам порта Корсаков (Охотское море). В совокупности было обработано 20 790 ячеек регулярных сеток. После завершения этапов распознавания и верификации удалось получить значения глубин примерно для 17 527 ячеек, что соответствует заполненности порядка 84,3 %. Сравнение базовых JSON-файлов, сформированных после начального OCR, с обновленными версиями, прошедшими LLM-верификацию, показывает значительный прирост числа заполненных ячеек. По семи планшетам, для которых доступны обе версии данных, суммарное количество заполненных ячеек увеличилось с 6849 до 10 727 (рост примерно на 56,6 %). На отдельных планшетах прирост особенно заметен: например, на одном из них число заполненных ячеек выросло с 1331 до 2471, на другом — с 2703 до 3562. Это демонстрирует эффективность использования моделей искусственного интеллекта для реконструкции сложных или плохо читаемых рукописных значений. Для представительной подачи полученного материала была использована космическая съемка района промеров, на который был наложен массив табличных глубин (рис. 3).

Оценка точности распознавания по выборочной ручной проверке затруднена отсутствием независимого эталона. В работе рассматривались следующие подходы к оценке качества: простое сравнение с исходными значениями.

Полученные результаты показывают, что комбинированное использование классического OCR и моделей искусственного интеллекта позволяет существенно повысить полноту оцифровки исторических промерных планшетов без пропорционального роста объема ручной работы.

Вместе с тем сохраняется ряд ограничений: качество распознавания существенно зависит от состояния исходных сканов, контраста рукописного текста, наличия пятен и дефектов бумаги, а также от точности задания рабочей области и параметров сегментации. Для дальнейшего улучшения качества возможно развитие следующих направлений: обучение специализированных моделей OCR на корпусе локальных рукописей.

Заключение

В заключение можно сказать, что представленный конвейер оцифровки промерных планшетов включает автоматизированное распознавание рукописных глубин, геопривязку растровых данных и экспорт полученных результатов в форматы, пригодные для использования в ГИС. Апробация на материале залива Терпения и порта Корсаков показала, что комбинированный подход позволяет существенно повысить полноту и удобство использования исторических батиметрических данных. Практическая значимость работы заключается в возможности расширения доступного массива промерных данных и их включения в современные схемы анализа и моделирования, включая оценку многолетних изменений рельефа дна, повышение детализации карт глубин, поддержку навигационно-гидрографических решений. Следующим этапом развития методов обработки старых промерных планшетов должен быть анализ временных изменений глубин и привязка их к причинам, вызывающим динамику современных наносов в береговой зоне.

Вклад авторов

Манягин Глеб Вячеславович — систематизация и обработка материалов, подбор отечественного программного продукта, техническая цифровизация промерных планшетов, анализ.

Табакаев Николай Михайлович — получение исходной информации, техническая подготовка статьи.

Author contribution statement

Gleb V. Manyagin — systematization and processing of data, selection of Russian software products, technical digitalization of paper smooth sheets, analysis of the obtained results.

Nikolay M. Tabakaev — gathering initial information, technical preparation of the manuscript.