Reconnaissance de cible par caméra sous-marine

Réglage du principe d'imagerie : Le système optique des caméras sous-marines est optimisé en fonction de l'indice de réfraction de l'eau. L'indice de réfraction de l'eau est d'environ 1,33, ce qui est différent de celui de l'air, ce qui entraîne une réfraction et une perte de lumière. Par conséquent, la conception des objectifs doit tenir compte de ces facteurs pour garantir des images relativement claires. Par exemple, l'utilisation d'objectifs grand angle spéciaux peut réduire dans une certaine mesure la distorsion de l'image causée par la réaction.

Prétraitement des images : en raison de la complexité de l'environnement sous-marin, les images nécessitent souvent un prétraitement pour corriger les couleurs et améliorer le contraste. Cela comprend la correction des couleurs, comme la compensation des longueurs d'onde spécifiques de la lumière absorbée par l'eau, et l'amélioration du contraste, car les images sous-marines ont généralement un faible contraste. Des méthodes comme l'égalisation des histogrammes peuvent améliorer la qualité, ce qui permet de distinguer plus facilement les objets cibles de l'arrière-plan.

Caractéristiques de forme : La forme est une caractéristique cruciale pour la reconnaissance des cibles sous-marines. En archéologie sous-marine, la forme des fragments d'épaves de navires antiques peut être constituée de blocs irréguliers ou avoir des formes géométriques spécifiques. Les algorithmes de détection des contours, tels que la détection Canny, peuvent être utilisés pour extraire les contours des bords des objets cibles, qui servent d'indices importants pour la reconnaissance.

Caractéristiques de texture : de nombreuses cibles sous-marines ont des textures uniques. Par exemple, les récifs coralliens ont des textures complexes et délicates, tandis que les écailles de poisson ont leur propre texture distinctive. En utilisant des méthodes d'analyse de texture comme la cooccurrence de niveaux de gris, nous pouvons extraire les caractéristiques de texture des objets cibles, notamment la rugosité et la directionnalité, qui peuvent être utilisées pour la reconnaissance.

Caractéristiques de couleur : Bien que les couleurs puissent être déformées, elles peuvent néanmoins être utilisées comme une caractéristique dans une certaine mesure. Par exemple, certains poissons tropicaux ont des couleurs vives. En extrayant des histogrammes de couleurs ou en calculant les moments de couleur à partir d'images corrigées en couleur, nous pouvons utiliser les caractéristiques de couleur pour faciliter la reconnaissance. De plus, différents organismes ou objets sous-marins peuvent avoir des caractéristiques de couleur uniques sous des bandes spectrales spécifiques.

Algorithmes basés sur la correspondance des modèles : si les caractéristiques de forme de l'objet cible sont bien définies, comme dans le cas de l'inspection de pipelines sous-marins où la forme et la taille du pipeline sont connues à l'avance, l'image modèle de l'objet cible peut être mise en correspondance avec l'image capturée. En calculant des mesures de similarité, telles que le coefficient de corrélation croisée normalisé, l'existence et la position de l'objet cible peuvent être déterminées.

Algorithmes d'apprentissage automatique :

Apprentissage supervisé : il s'agit d'effectuer un apprentissage avec un ensemble de données d'images sous-marines étiquetées. Par exemple, s'il existe des images étiquetées de différents types de poissons, des caractéristiques telles que la forme, la texture et la couleur peuvent être utilisées comme entrées et le type de poisson comme étiquette de sortie. Des algorithmes tels que les machines à vecteurs de support (SVM) et les arbres de décision peuvent être utilisés pour l'apprentissage de la classification. Le modèle formé peut ensuite être utilisé pour identifier les types de poissons dans de nouvelles images sous-marines.

Apprentissage non supervisé : il s'agit d'objectifs sans connaissances préalables, comme les communautés biologiques inconnues récemment découvertes sur le fond marin. Les algorithmes de clustering, tels que le clustering K-means, peuvent être utilisés pour regrouper les cibles en fonction de leurs caractéristiques, puis analyser plus en détail les cibles au sein de chaque groupe.

Algorithmes d'apprentissage profond :

Réseaux neuronaux convolutionnels (CNN) : il s'agit d'une méthode efficace pour la reconnaissance de cibles sous-marines. Par exemple, un CNN avec plusieurs couches convolutionnelles, couches de regroupement et couches entièrement connectées peut être construit. En utilisant un certain nombre d'images sous-marines comme données d'apprentissage, le réseau peut automatiquement apprendre les caractéristiques de haut niveau des objets cibles. Par exemple, pour reconnaître des cibles pour un robot sous-marin, comme des minéraux ou des parties d'une épave de navire, le CNN peut apprendre les caractéristiques complexes de ces cibles, ce qui permet une reconnaissance de haute précision.

Fusion avec des capteurs sonar : dans les environnements sous-marins, le sonar peut fournir des informations sur la distance et la taille de l'objet ciblé. En utilisant les données des caméras sous-marines et des capteurs sonar, une compréhension plus complète de l'objet ciblé peut être obtenue. Par exemple, dans les opérations de recherche et de sauvetage sous-marines, le sonar peut détecter la position et la portée approximatives d'une cible humaine potentielle, puis la caméra sous-marine peut utiliser ces informations pour une reconnaissance visuelle précise afin de déterminer s'il s'agit de la cible.

Fusion avec des capteurs optiques : si la caméra sous-marine est une caméra multispectrale, elle peut être fusionnée avec d'autres capteurs optiques, tels que LiAR, pour améliorer les capacités de reconnaissance de la cible. Différents capteurs optiques peuvent fournir différentes informations sur les caractéristiques de l'objet cible et, en fusionnant ces informations, la précision et la robustesse de la reconnaissance de la cible peuvent être améliorées.