Podwodna kamera do rozpoznawania celów

Regulacja zasady obrazowania: Układ optyczny kamer podwodnych jest optymalizowany na podstawie współczynnika aktywności wody. Współczynnik refrakcji wody wynosi około 1,33, co różni się od współczynnika refrakcji powietrza, co prowadzi do refrakcji i światła. Dlatego konstrukcja obiektywu musi uwzględniać te czynniki, aby zapewnić stosunkowo wyraźne obrazy. Na przykład użycie specjalnych obiektywów szerokokątnych może w pewnym stopniu zmniejszyć zniekształcenie obrazu spowodowane przez akcję.

Wstępne przetwarzanie obrazu: Ze względu na złożone środowisko podwodne obrazy często wymagają wstępnego przetwarzania w celu skorygowania kolorów i zwiększenia kontrastu. Obejmuje to korekcję kolorów, jako kompensację określonych długości fal światła pochłanianych przez wodę, oraz poprawę kontrastu, ponieważ obrazy podwodne zazwyczaj mają niski kontrast. Metody takie jak wyrównanie histogramu mogą poprawić, ułatwiając odróżnianie obiektów docelowych od tła.

Cechy kształtu: Kształt jest kluczową cechą rozpoznawania celów podwodnych. W archeologii podwodnej kształt starożytnych fragmentów wraków statków może być nieregularny lub mieć określone kształty geometryczne. Algorytmy wykrywania krawędzi, takie jak wykrywanie Canny, mogą być używane do wyodrębniania konturów krawędzi obiektów docelowych, które służą jako ważne wskazówki do rozpoznawania.

Cechy tekstury: Wiele podwodnych celów ma unikalne tekstury. Na przykład rafy koralowe mają skomplikowane i delikatne tekstury, podczas gdy łuski ryb mają swoją własną charakterystyczną teksturę. Korzystając z metod analizy tekstury, takich jak współwystępowanie poziomów szarości, możemy wyodrębnić cechy tekstury obiektów docelowych, w tym szorstkość i kierunkowość, które można wykorzystać do rozpoznawania.

Cechy kolorów: Chociaż kolory mogą być zniekształcone, nadal mogą być używane jako cecha w pewnym stopniu. Na przykład niektóre ryby tropikalne mają jaskrawe kolory. Poprzez wyodrębnianie histogramów kolorów lub obliczanie momentów kolorów z obrazów z korekcją kolorów możemy używać cech kolorów, aby pomóc w rozpoznawaniu. Ponadto różne organizmy lub obiekty podwodne mogą mieć unikalne cechy kolorów w określonych pasmach widmowych.

Algorytmy oparte na dopasowaniu szablonów: Jeśli charakterystyka kształtu obiektu docelowego jest dobrze zdefiniowana, jak w przypadku podwodnej inspekcji rurociągu, gdzie kształt i rozmiar rurociągu są znane z góry, obraz szablonu obiektu docelowego można dopasować do przechwyconego obrazu. Poprzez obliczenie miar podobieństwa, takich jak znormalizowany współczynnik korelacji krzyżowej, można określić istnienie i położenie obiektu docelowego.

Algorytmy uczenia maszynowego:

Uczenie nadzorowane: Obejmuje to szkolenie z oznaczonym zestawem danych obrazu podwodnego. Na przykład, jeśli istnieją oznaczone obrazy różnych rodzajów ryb, cechy takie jak kształt, tekstura i kolor mogą być używane jako dane wejściowe, a rodzaj ryby jako etykieta wyjściowa. Algorytmy takie jak Support Vector Machines (SVM) i drzewa decyzyjne mogą być używane do szkolenia klasyfikacji. Wytrenowany model może być następnie używany do identyfikowania rodzajów ryb na nowych obrazach podwodnych.

Uczenie bez nadzoru: Jest to przeznaczone dla celów bez wcześniejszej wiedzy, takich jak nowo odkryte nieznane społeczności biologiczne na dnie morza. Algorytmy klastrowania, takie jak klaster K-means, mogą być używane do grupowania celów na podstawie ich cech, a następnie dalszej analizy celów w każdej grupie.

Algorytmy głębokiego uczenia:

Sieci neuronowe splotowe (CNN): Jest to skuteczna metoda rozpoznawania celów podwodnych. Na przykład można skonstruować sieć CNN z wieloma warstwami splotowymi, warstwami zbiorczymi i warstwami w pełni połączonymi. Wykorzystując szereg obrazów podwodnych jako dane treningowe, sieć może automatycznie uczyć się cech wysokiego poziomu obiektów docelowych. Na przykład podczas rozpoznawania celów dla podwodnego robota, takich jak minerały lub części wraku statku, sieć CNN może uczyć się złożonych cech tych celów, osiągając w ten sposób rozpoznanie o wysokiej precyzji.

Fuzja z czujnikami sonarowymi: W środowiskach podwodnych sonar może dostarczać informacji o odległości i rozmiarze obiektu docelowego. Dzięki danym z kamer podwodnych i czujników sonarowych można uzyskać bardziej kompleksowe zrozumienie obiektu docelowego. Na przykład podczas podwodnych operacji poszukiwawczo-ratunkowych można wykryć przybliżoną pozycję i zasięg potencjalnego celu ludzkiego, a następnie kamera podwodna może wykorzystać te informacje do precyzyjnego rozpoznania wizualnego w celu ustalenia, czy jest to cel.

Fuzja z czujnikami optycznymi: Jeśli kamera podwodna jest kamerą multispektralną, można ją połączyć z innymi czujnikami optycznymi, takimi jak LiAR, aby zwiększyć możliwości rozpoznawania celów. Różne czujniki optyczne mogą dostarczać różnych informacji o cechach obiektu docelowego, a poprzez połączenie tych informacji można poprawić dokładność i solidność rozpoznawania celów.