Riconoscimento del bersaglio con telecamera subacquea

Regolazione del principio di imaging: il sistema ottico delle fotocamere subacquee è ottimizzato in base all'indice attivo dell'acqua. L'indice di rifrazione dell'acqua è di circa 1,33, che è diverso da quello dell'aria, che porta alla rifrazione e alla luce. Pertanto, la progettazione delle lenti deve considerare questi fattori per garantire immagini relativamente nitide. Ad esempio, l'utilizzo di lenti grandangolari speciali può ridurre in una certa misura la distorsione dell'immagine causata dalla rifrazione.

Pre-elaborazione delle immagini: a causa del complesso ambiente sottomarino, le immagini spesso necessitano di pre-elaborazione per correggere il colore e migliorare il contrasto. Ciò include la correzione del colore, come compensazione di specifiche lunghezze d'onda della luce assorbite dall'acqua, e il miglioramento del contrasto, poiché le immagini subacquee hanno in genere un basso contrasto. Metodi come l'equalizzazione dell'istogramma possono migliorare, rendendo più facile distinguere gli oggetti target dallo sfondo.

Caratteristiche della forma: la forma è una caratteristica cruciale per il riconoscimento di bersagli subacquei. Infatti, nell'archeologia subacquea, la forma di antichi frammenti di relitti potrebbe essere costituita da blocchi irregolari o avere forme geometriche specifiche. Gli algoritmi di rilevamento dei bordi, come il rilevamento Canny, possono essere utilizzati per estrarre i contorni dei bordi degli oggetti bersaglio, che servono come indizi importanti per il riconoscimento.

Caratteristiche della texture: molti obiettivi sottomarini hanno texture uniche. Ad esempio, le barriere coralline hanno texture intricate e delicate, mentre le squame dei pesci hanno la loro texture distintiva. Utilizzando metodi di analisi della texture come la co-occorrenza dei livelli di grigio, possiamo estrarre le caratteristiche della texture degli oggetti target, tra cui ruvidità e direzionalità, che possono essere utilizzate per il riconoscimento.

Caratteristiche del colore: sebbene i colori possano essere distorti, possono comunque essere utilizzati come una caratteristica in una certa misura. Ad esempio, alcuni pesci tropicali hanno colori vivaci. Estraendo istogrammi di colore o calcolando momenti di colore da immagini con correzione del colore, possiamo utilizzare le caratteristiche del colore per facilitare il riconoscimento. Inoltre, diversi organismi o oggetti sottomarini possono avere caratteristiche di colore uniche in specifiche bande spettrali.

Algoritmi basati sul Template Matching: se le caratteristiche di forma dell'oggetto target sono ben definite, come nell'ispezione di condotte sottomarine, dove la forma e le dimensioni della condotta sono note in anticipo, l'immagine template dell'oggetto target può essere abbinata all'immagine catturata. Calcolando misure di similarità, come il coefficiente di correlazione incrociata normalizzato, è possibile determinare l'esistenza e la posizione dell'oggetto target.

Algoritmi di apprendimento automatico:

Apprendimento supervisionato: questo comporta l'addestramento con un dataset di immagini subacquee etichettate. Ad esempio, se ci sono immagini etichettate di vari tipi di pesce, caratteristiche come forma, consistenza e colore possono essere utilizzate come input e il tipo di pesce come etichetta di output. Algoritmi come Support Vector Machines (SVM) e alberi decisionali possono essere utilizzati per l'addestramento alla classificazione. Il modello addestrato può quindi essere utilizzato per identificare i tipi di pesce in nuove immagini subacquee.

Apprendimento non supervisionato: questo è per i target senza conoscenze pregresse, come comunità biologiche sconosciute appena scoperte sul fondale marino. Gli algoritmi di clustering, come il clustering K-means, possono essere utilizzati per raggruppare i target in base alle loro caratteristiche e quindi analizzare ulteriormente i target all'interno di ciascun gruppo.

Algoritmi di apprendimento profondo:

Reti neurali convoluzionali (CNN): questo è un metodo efficace per il riconoscimento di bersagli subacquei. Ad esempio, è possibile costruire una CNN con più strati convoluzionali, strati di pooling e strati completamente connessi. Utilizzando una serie di immagini subacquee come dati di addestramento, la rete può apprendere automaticamente caratteristiche di alto livello degli oggetti bersaglio. Ad esempio, nel riconoscere bersagli per un robot subacqueo, come minerali o parti di un relitto, la CNN può apprendere le caratteristiche complesse di questi bersagli, ottenendo così un riconoscimento ad alta precisione.

Fusione con sensori sonar: negli ambienti subacquei, il sonar può fornire informazioni sulla distanza e le dimensioni dell'oggetto bersaglio. Grazie ai dati provenienti dalle telecamere subacquee e dai sensori sonar, è possibile ottenere una comprensione più completa dell'oggetto bersaglio. Ad esempio, nelle operazioni di ricerca e soccorso subacquee, il sonar può rilevare la posizione approssimativa e la portata di un potenziale bersaglio umano, quindi la telecamera subacquea può utilizzare queste informazioni per un riconoscimento visivo preciso per determinare se si tratta del bersaglio.

Fusione con sensori ottici: se la fotocamera subacquea è una fotocamera multispettrale, può essere fusa con altri sensori ottici, come LiAR, per migliorare le capacità di riconoscimento del bersaglio. Diversi sensori ottici possono fornire diverse informazioni sulle caratteristiche dell'oggetto bersaglio e, fondendo queste informazioni, è possibile migliorare l'accuratezza e la robustezza del riconoscimento del bersaglio.