Zielerkennung mit Unterwasserkamera

Anpassung des Bildgebungsprinzips: Das optische System von Unterwasserkameras wird basierend auf dem aktiven Index von Wasser optimiert. Der Brechungsindex von Wasser beträgt ungefähr 1,33 und unterscheidet sich damit von dem von Luft, was zu einer Lichtbrechung führt. Daher muss das Objektivdesign diese Faktoren berücksichtigen, um relativ klare Bilder zu gewährleisten. Beispielsweise kann die Verwendung spezieller Weitwinkelobjektive die durch die Reaktion verursachte Bildverzerrung bis zu einem gewissen Grad reduzieren.

Bildvorverarbeitung: Aufgrund der komplexen Unterwasserumgebung müssen Bilder häufig vorverarbeitet werden, um die Farbe zu korrigieren und den Kontrast zu verbessern. Dazu gehört die Farbkorrektur, also die Kompensation bestimmter Wellenlängen des vom Wasser absorbierten Lichts, und die Kontrastverbesserung, da Unterwasserbilder normalerweise einen geringen Kontrast aufweisen. Methoden wie die Histogramm-Gleichung können dies verbessern und es einfacher machen, Zielobjekte vom Hintergrund zu unterscheiden.

Formmerkmale: Die Form ist ein entscheidendes Merkmal für die Erkennung von Unterwasserzielen. In der Unterwasserarchäologie können die Fragmente alter Schiffswracks unregelmäßige Blöcke sein oder bestimmte geometrische Formen aufweisen. Kantenerkennungsalgorithmen wie die Canny-Erkennung können verwendet werden, um die Kantenkonturen von Zielobjekten zu extrahieren, die als wichtige Hinweise für die Erkennung dienen.

Texturmerkmale: Viele Unterwasserziele haben einzigartige Texturen. Korallenriffe haben beispielsweise komplizierte und feine Texturen, während Fischschuppen ihre eigene, unverwechselbare Textur haben. Durch den Einsatz von Texturanalysemethoden wie der Graustufen-Ko-Okkurrenz können wir Texturmerkmale von Zielobjekten extrahieren, darunter Rauheit und Richtung, die zur Erkennung verwendet werden können.

Farbmerkmale: Obwohl Farben verzerrt sein können, können sie bis zu einem gewissen Grad dennoch als Merkmal verwendet werden. Einige tropische Fische haben beispielsweise leuchtende Farben. Durch das Extrahieren von Farbhistogrammen oder das Berechnen von Farbmomenten aus farbkorrigierten Bildern können wir Farbmerkmale zur Unterstützung der Erkennung verwenden. Darüber hinaus können verschiedene Unterwasserorganismen oder -objekte in bestimmten Spektralbändern einzigartige Farbmerkmale aufweisen.

Auf Vorlagenabgleich basierende Algorithmen: Wenn die Formmerkmale des Zielobjekts gut definiert sind, wie beispielsweise bei der Unterwasser-Pipeline-Inspektion, bei der die Form und Größe der Pipeline im Voraus bekannt sind, kann das Vorlagenbild des Zielobjekts mit dem aufgenommenen Bild abgeglichen werden. Durch die Berechnung von Ähnlichkeitsmaßen, wie beispielsweise dem normalisierten Kreuzkorrelationskoeffizienten, können die Existenz und Position des Zielobjekts bestimmt werden.

Algorithmen für maschinelles Lernen:

Überwachtes Lernen: Dabei wird mit einem beschrifteten Unterwasserbilddatensatz trainiert. Wenn es beispielsweise beschriftete Bilder verschiedener Fischarten gibt, können Merkmale wie Form, Textur und Farbe als Eingaben und die Fischart als Ausgabebeschriftung verwendet werden. Algorithmen wie Support Vector Machines (SVM) und Entscheidungsbäume können für das Klassifizierungstraining verwendet werden. Das trainierte Modell kann dann verwendet werden, um die Fischarten in neuen Unterwasserbildern zu identifizieren.

Unüberwachtes Lernen: Dies ist für Ziele ohne Vorwissen, wie neu entdeckte unbekannte biologische Gemeinschaften auf dem Meeresboden. Clustering-Algorithmen wie K-Means-Clustering können verwendet werden, um Ziele basierend auf ihren Merkmalen zu gruppieren und die Ziele dann innerhalb jeder Gruppe weiter zu analysieren.

Deep Learning Algorithmen:

Convolutional Neural Networks (CNN): Dies ist eine effektive Methode zur Erkennung von Unterwasserzielen. Beispielsweise kann ein CNN mit mehreren Convolutional-Schichten, Pooling-Schichten und vollständig verbundenen Schichten erstellt werden. Durch die Verwendung einer Reihe von Unterwasserbildern als Trainingsdaten kann das Netzwerk automatisch hochrangige Merkmale der Zielobjekte erlernen. Wenn beispielsweise Ziele für einen Unterwasserroboter wie Mineralien oder Teile eines Schiffswracks erkannt werden, kann das CNN die komplexen Merkmale dieser Ziele erlernen und so eine hochpräzise Erkennung erreichen.

Fusion mit Sonarsensoren: In Unterwasserumgebungen kann Sonar Informationen über die Entfernung und Größe des Zielobjekts liefern. Durch die Kombination der Daten von Unterwasserkameras und Sonarsensoren kann ein umfassenderes Verständnis des Zielobjekts erreicht werden. Beispielsweise kann AR bei Unterwassersuch- und -rettungseinsätzen die ungefähre Position und Reichweite eines potenziellen menschlichen Ziels erkennen, und dann kann die Unterwasserkamera diese Informationen für eine präzise visuelle Erkennung verwenden, um festzustellen, ob es sich um das Ziel handelt.

Fusion mit optischen Sensoren: Wenn es sich bei der Unterwasserkamera um eine Multispektralkamera handelt, kann sie mit anderen optischen Sensoren, wie z. B. LiAR, fusioniert werden, um die Zielerkennungsfähigkeiten zu verbessern. Verschiedene optische Sensoren können unterschiedliche Merkmalsinformationen über das Zielobjekt liefern, und durch die Fusion dieser Informationen können die Genauigkeit und Robustheit der Zielerkennung verbessert werden.