Pengenalan Target Kamera Bawah Air

Penyesuaian Prinsip Pencitraan: Sistem optik kamera bawah air dioptimalkan berdasarkan indeks refraksi air. Indeks refraksi air sekitar 1,33, yang berbeda dengan indeks refraksi udara, yang menyebabkan refraksi cahaya. Oleh karena itu, desain lensa perlu mempertimbangkan faktor-faktor ini untuk memastikan gambar yang relatif jernih. Misalnya, penggunaan lensa sudut lebar khusus dapat mengurangi distorsi gambar yang disebabkan oleh refraksi hingga batas tertentu.

Prapemrosesan Gambar: Karena lingkungan bawah air yang kompleks, gambar sering kali memerlukan prapemrosesan untuk mengoreksi warna dan meningkatkan kontras. Ini termasuk koreksi warna, sebagai kompensasi untuk panjang gelombang cahaya tertentu yang diserap oleh air, dan peningkatan kontras, karena gambar bawah air biasanya memiliki kontras yang rendah. Metode seperti pemerataan histogram dapat meningkatkannya, sehingga lebih mudah untuk membedakan objek target dari latar belakang.

Fitur Bentuk: Bentuk merupakan fitur penting untuk pengenalan target di bawah air. Sebab, dalam arkeologi bawah air, bentuk pecahan kapal karam kuno mungkin berupa balok-balok yang tidak beraturan atau memiliki bentuk geometris tertentu. Algoritme deteksi tepi, seperti deteksi Canny, dapat digunakan untuk mengekstrak kontur tepi objek target, yang berfungsi sebagai petunjuk penting untuk pengenalan.

Fitur Tekstur: Banyak target bawah air memiliki tekstur yang unik. Misalnya, terumbu karang memiliki tekstur yang rumit dan halus, sementara sisik ikan memiliki tekstur khasnya sendiri. Dengan menggunakan metode analisis tekstur seperti gray-level co-occurrence, kita dapat mengekstraksi fitur tekstur objek target, termasuk kekasaran dan arah, yang dapat digunakan untuk pengenalan.

Fitur Warna: Meskipun warna dapat terdistorsi, warna tersebut masih dapat digunakan sebagai fitur sampai batas tertentu. Misalnya, beberapa ikan tropis memiliki warna yang cerah. Dengan mengekstraksi histogram warna atau menghitung momen warna dari gambar yang dikoreksi warna, kita dapat menggunakan fitur warna untuk membantu pengenalan. Selain itu, berbagai organisme atau objek bawah air mungkin memiliki karakteristik warna yang unik di bawah pita spektrum tertentu.

Algoritma Berbasis Pencocokan Template: Jika karakteristik bentuk objek target terdefinisi dengan baik seperti dalam inspeksi pipa bawah air di mana bentuk dan ukuran pipa diketahui sebelumnya, citra template objek target dapat dicocokkan dengan citra yang diambil. Dengan menghitung ukuran kesamaan, seperti koefisien korelasi silang yang dinormalkan, keberadaan dan posisi objek target dapat ditentukan.

Algoritma Pembelajaran Mesin:

Pembelajaran Terbimbing: Ini melibatkan pelatihan dengan kumpulan data gambar bawah air berlabel. Misalnya, jika ada gambar berlabel dari berbagai jenis ikan, fitur seperti bentuk, tekstur, dan warna dapat digunakan sebagai masukan, dan jenis ikan sebagai label keluaran. Algoritme seperti Support Vector Machines (SVM) dan pohon keputusan dapat digunakan untuk pelatihan klasifikasi. Model yang dilatih kemudian dapat digunakan untuk mengidentifikasi jenis ikan dalam gambar bawah air baru.

Pembelajaran Tanpa Pengawasan: Ini untuk target tanpa pengetahuan sebelumnya, seperti komunitas biologis tak dikenal yang baru ditemukan di dasar laut. Algoritme pengelompokan, seperti pengelompokan K-means, dapat digunakan untuk mengelompokkan target berdasarkan fiturnya, lalu menganalisis lebih lanjut target dalam setiap kelompok.

Algoritma Pembelajaran Mendalam:

Convolutional Neural Networks (CNN): Ini adalah metode yang efektif untuk pengenalan target di bawah air. Misalnya, CNN dengan beberapa lapisan konvolusional, lapisan pengumpulan, dan lapisan yang terhubung penuh dapat dibangun. Dengan menggunakan sejumlah gambar bawah air sebagai data pelatihan, jaringan dapat secara otomatis mempelajari fitur tingkat tinggi dari objek target. Misalnya, dalam mengenali target untuk robot bawah air, seperti mineral atau bagian dari bangkai kapal, CNN dapat mempelajari fitur kompleks dari target ini, sehingga mencapai pengenalan presisi tinggi.

Penggabungan dengan Sensor Sonar: Di lingkungan bawah air, sonar dapat memberikan informasi tentang jarak dan ukuran objek sasaran. Dengan data dari kamera bawah air dan sensor sonar, pemahaman yang lebih komprehensif tentang objek sasaran dapat dicapai. Misalnya, dalam operasi pencarian dan penyelamatan bawah air, sonar dapat mendeteksi perkiraan posisi dan jangkauan target manusia potensial, dan kemudian kamera bawah air dapat menggunakan informasi ini untuk pengenalan visual yang tepat guna menentukan apakah objek tersebut adalah target.

Penggabungan dengan Sensor Optik: Jika kamera bawah air merupakan kamera multispektral, kamera tersebut dapat digabungkan dengan sensor optik lain, seperti LiAR, untuk meningkatkan kemampuan pengenalan target. Sensor optik yang berbeda dapat memberikan informasi fitur yang berbeda tentang objek target, dan dengan menggabungkan informasi ini, akurasi dan ketahanan pengenalan target dapat ditingkatkan.