تشخیص هدف دوربین زیر آب

تنظیم اصل تصویربرداری: سیستم نوری دوربین های زیر آب بر اساس شاخص فعال آب بهینه شده است. ضریب شکست آب تقریباً 1.33 است که با ضریب شکست هوا متفاوت است و منجر به شکست و نور می شود. بنابراین، طراحی لنز باید این عوامل را در نظر بگیرد تا تصاویر نسبتاً واضحی را تضمین کند. به عنوان مثال، استفاده از لنزهای با زاویه دید عریض می‌تواند تا حدودی اعوجاج تصویر را کاهش دهد.

پیش پردازش تصویر: به دلیل محیط پیچیده زیر آب، تصاویر اغلب نیاز به پیش پردازش برای تصحیح رنگ و افزایش کنتراست دارند. این شامل تصحیح رنگ، به عنوان جبران طول موج های خاص نور جذب شده توسط آب، و افزایش کنتراست است، زیرا تصاویر زیر آب معمولا کنتراست پایینی دارند. روش‌هایی مانند یکسان سازی هیستوگرام می‌توانند باعث بهبود آن شوند و تشخیص اشیاء هدف از پس‌زمینه را آسان‌تر کنند.

ویژگی های شکل: شکل یک ویژگی حیاتی برای تشخیص هدف زیر آب است. زیرا در باستان شناسی زیر آب، شکل قطعات کشتی شکسته باستانی ممکن است بلوک های نامنظم یا دارای اشکال هندسی خاص باشد. الگوریتم‌های تشخیص لبه، مانند تشخیص Canny، می‌توانند برای استخراج خطوط لبه اشیاء هدف مورد استفاده قرار گیرند، که به عنوان سرنخ‌های مهم برای تشخیص عمل می‌کنند.

ویژگی های بافت: بسیاری از اهداف زیر آب دارای بافت های منحصر به فردی هستند. به عنوان مثال، صخره های مرجانی بافت های پیچیده و ظریفی دارند، در حالی که فلس های ماهی بافت متمایز خود را دارند. با استفاده از روش‌های تجزیه و تحلیل بافت مانند هم‌روی سطح خاکستری، می‌توانیم ویژگی‌های بافت اشیاء هدف، از جمله زبری و جهت را استخراج کنیم که می‌توان از آن برای تشخیص استفاده کرد.

ویژگی های رنگ: اگرچه رنگ ها را می توان تحریف کرد، اما همچنان می توان از آنها تا حدی به عنوان یک ویژگی استفاده کرد. به عنوان مثال، برخی از ماهی های گرمسیری رنگ های روشن دارند. با استخراج هیستوگرام های رنگی یا محاسبه لحظه های رنگی از تصاویر تصحیح شده رنگ، می توانیم از ویژگی های رنگی برای کمک به تشخیص استفاده کنیم. علاوه بر این، موجودات یا اجسام مختلف زیر آب ممکن است دارای ویژگی های رنگی منحصر به فرد تحت باندهای طیفی خاص باشند.

الگوریتم‌های مبتنی بر تطبیق الگو: اگر ویژگی‌های شکل شی هدف به خوبی تعریف شده باشد، مانند بازرسی خط لوله زیر آب که شکل و اندازه خط لوله از قبل مشخص است، می‌توان تصویر الگوی شی هدف را با تصویر گرفته شده مطابقت داد. تصویر با محاسبه معیارهای شباهت، مانند ضریب همبستگی متقاطع نرمال شده، وجود و موقعیت شی هدف را می توان تعیین کرد.

الگوریتم های یادگیری ماشین:

یادگیری نظارت شده: این شامل آموزش با مجموعه داده های تصویر زیر آب است. به عنوان مثال، اگر تصاویر برچسب گذاری شده ای از انواع مختلف ماهی وجود داشته باشد، می توان از ویژگی هایی مانند بافت شکل و رنگ به عنوان ورودی و نوع ماهی به عنوان برچسب خروجی استفاده کرد. الگوریتم هایی مانند ماشین های بردار پشتیبان (SVM) و درخت های تصمیم برای آموزش طبقه بندی استفاده می شوند. سپس می توان از مدل آموزش دیده برای شناسایی انواع ماهی ها در تصاویر جدید زیر آب استفاده کرد.

یادگیری بدون نظارت: این برای اهداف بدون دانش قبلی است، مانند جوامع بیولوژیکی ناشناخته تازه کشف شده در کف دریا. الگوریتم‌های خوشه‌بندی، مانند خوشه‌بندی K-means، می‌توانند از اهداف گروهی بر اساس ویژگی‌هایشان استفاده کنند و سپس اهداف درون هر گروه را بیشتر تحلیل کنند.

الگوریتم های یادگیری عمیق:

شبکه های عصبی کانولوشن (CNN): این یک روش موثر برای تشخیص هدف زیر آب است. به عنوان مثال، یک CNN با چندین لایه کانولوشن، لایه های ادغام و لایه های کاملاً متصل می تواند ساخته شود. با استفاده از تعدادی تصویر زیر آب به عنوان داده های آموزشی، شبکه می تواند به طور خودکار ویژگی های سطح بالای اشیاء مورد نظر را یاد بگیرد. به عنوان مثال، در تشخیص اهداف یک ربات زیر آب، به عنوان مواد معدنی یا بخش‌هایی از یک کشتی شکسته، CNN می‌تواند ویژگی‌های پیچیده این اهداف را بیاموزد و از این طریق به تشخیص با دقت بالا دست یابد.

همجوشی با حسگرهای سونار: در محیط های زیر آب، سونار می تواند اطلاعاتی در مورد فاصله و اندازه جسم مورد نظر ارائه دهد. با داده های دوربین های زیر آب و حسگرهای سونار، می توان به درک جامع تری از جسم مورد نظر دست یافت. به عنوان مثال، در عملیات جستجو و نجات زیر آب، ar می تواند موقعیت و برد تقریبی یک هدف انسانی بالقوه را تشخیص دهد و سپس دوربین زیر آب می تواند از این اطلاعات برای تشخیص دقیق بصری استفاده کند تا مشخص کند که آیا هدف است یا خیر.

فیوژن با سنسورهای نوری: اگر دوربین زیر آب یک دوربین چند طیفی باشد، می توان آن را با سایر حسگرهای نوری مانند LiAR ترکیب کرد تا قابلیت تشخیص هدف را افزایش دهد. حسگرهای نوری مختلف می‌توانند اطلاعات ویژگی‌های متفاوتی را در مورد شی مورد نظر ارائه دهند و با ترکیب این اطلاعات، می‌توان دقت و قوی تشخیص هدف را بهبود بخشید.