Reconocimiento de objetivos con cámara subacuática

Ajuste del principio de formación de imágenes: el sistema óptico de las cámaras submarinas está optimizado en función del índice de refracción del agua. El índice de refracción del agua es de aproximadamente 1,33, que es diferente al del aire, lo que provoca la refracción de la luz. Por lo tanto, el diseño de lentes debe tener en cuenta estos factores para garantizar imágenes relativamente claras. Por ejemplo, el uso de lentes gran angular especiales puede reducir en cierta medida la distorsión de la imagen causada por la refracción.

Preprocesamiento de imágenes: debido al complejo entorno submarino, las imágenes a menudo necesitan un preprocesamiento para corregir el color y mejorar el contraste. Esto incluye la corrección del color, que compensa las longitudes de onda específicas de la luz absorbida por el agua, y la mejora del contraste, ya que las imágenes submarinas suelen tener un contraste bajo. Los métodos como la ecualización del histograma pueden mejorar esto, lo que facilita la distinción de los objetos objetivo del fondo.

Características de la forma: La forma es una característica crucial para el reconocimiento de objetivos submarinos. En arqueología subacuática, la forma de los fragmentos de naufragios antiguos puede ser de bloques irregulares o tener formas geométricas específicas. Los algoritmos de detección de bordes, como la detección Canny, se pueden utilizar para extraer los contornos de los bordes de los objetos objetivo, que sirven como pistas importantes para el reconocimiento.

Características de la textura: Muchos objetos submarinos tienen texturas únicas. Por ejemplo, los arrecifes de coral tienen texturas intrincadas y delicadas, mientras que las escamas de los peces tienen su propia textura distintiva. Al utilizar métodos de análisis de textura como la coocurrencia de niveles de gris, podemos extraer características de textura de los objetos objetivo, incluida la rugosidad y la direccionalidad, que se pueden utilizar para el reconocimiento.

Características del color: aunque los colores se pueden distorsionar, se pueden utilizar como una característica hasta cierto punto. Por ejemplo, algunos peces tropicales tienen colores brillantes. Al extraer histogramas de color o calcular momentos de color a partir de imágenes con corrección de color, podemos utilizar las características del color para ayudar en el reconocimiento. Además, diferentes organismos u objetos submarinos pueden tener características de color únicas en bandas espectrales específicas.

Algoritmos basados en correspondencia de plantillas: si las características de forma del objeto de destino están bien definidas, como en la inspección de tuberías submarinas, donde la forma y el tamaño de la tubería se conocen de antemano, la imagen de plantilla del objeto de destino se puede comparar con la imagen capturada. Al calcular medidas de similitud, como el coeficiente de correlación cruzada normalizado, se puede determinar la existencia y la posición del objeto de destino.

Algoritmos de aprendizaje automático:

Aprendizaje supervisado: implica el entrenamiento con un conjunto de datos de imágenes submarinas etiquetadas. Por ejemplo, si hay imágenes etiquetadas de varios tipos de peces, se pueden utilizar características como la forma, la textura y el color como entrada, y el tipo de pez como etiqueta de salida. Se pueden utilizar algoritmos como las máquinas de vectores de soporte (SVM) y los árboles de decisión para el entrenamiento de clasificación. El modelo entrenado se puede utilizar luego para identificar los tipos de peces en nuevas imágenes submarinas.

Aprendizaje no supervisado: se utiliza para objetivos sin conocimiento previo, como comunidades biológicas desconocidas recién descubiertas en el fondo marino. Los algoritmos de agrupamiento, como el agrupamiento K-means, se pueden utilizar para agrupar objetivos en función de sus características y luego analizarlos más a fondo dentro de cada grupo.

Algoritmos de aprendizaje profundo:

Redes neuronales convolucionales (CNN): este es un método eficaz para el reconocimiento de objetivos submarinos. Por ejemplo, se puede construir una CNN con múltiples capas convolucionales, capas de agrupación y capas completamente conectadas. Al utilizar una serie de imágenes submarinas como datos de entrenamiento, la red puede aprender automáticamente características de alto nivel de los objetos objetivo. Por ejemplo, al reconocer objetivos para un robot submarino, como minerales o partes de un naufragio, la CNN puede aprender las características complejas de estos objetivos, logrando así un reconocimiento de alta precisión.

Fusión con sensores de sonar: en entornos submarinos, el sonar puede proporcionar información sobre la distancia y el tamaño del objeto objetivo. Al combinar los datos de las cámaras submarinas y los sensores de sonar, se puede lograr una comprensión más completa del objeto objetivo. Por ejemplo, en operaciones de búsqueda y rescate submarinas, el sonar puede detectar la posición aproximada y el alcance de un objetivo humano potencial, y luego la cámara submarina puede usar esta información para un reconocimiento visual preciso para determinar si es el objetivo.

Fusión con sensores ópticos: si la cámara submarina es una cámara multiespectral, se puede fusionar con otros sensores ópticos, como LiAR, para mejorar las capacidades de reconocimiento de objetivos. Diferentes sensores ópticos pueden proporcionar información sobre distintas características del objeto objetivo y, al fusionar esta información, se puede mejorar la precisión y la solidez del reconocimiento de objetivos.