Reconhecimento de alvos por câmera subaquática

Princípio de ajuste de imagem: O sistema óptico de câmeras subaquáticas é otimizado com base no índice ativo da água. O índice de refração da água é de aproximadamente 1,33, que é diferente do do ar, levando à refração e à luz. Portanto, o design da lente precisa considerar esses fatores para garantir imagens relativamente claras. Por exemplo, usar lentes grandes angulares especiais pode reduzir a distorção da imagem causada pela tração até certo ponto.

Pré-processamento de imagem: Devido ao complexo ambiente subaquático, as imagens geralmente precisam de pré-processamento para corrigir a cor e melhorar o contraste. Isso inclui correção de cor, como compensação para comprimentos de onda específicos de luz absorvidos pela água, e aprimoramento de contraste, pois as imagens subaquáticas geralmente têm baixo contraste. Métodos como equalização de histograma podem melhorar, tornando mais fácil distinguir objetos-alvo do fundo.

Características de forma: A forma é uma característica crucial para o reconhecimento de alvos subaquáticos. Pois, na arqueologia subaquática, a forma de fragmentos de naufrágios antigos pode ser blocos irregulares ou ter formas geométricas específicas. Algoritmos de detecção de bordas, como a detecção Canny, podem ser usados para extrair os contornos das bordas de objetos alvos, que servem como pistas importantes para o reconhecimento.

Características de textura: Muitos alvos subaquáticos têm texturas únicas. Por exemplo, recifes de corais têm texturas intrincadas e delicadas, enquanto escamas de peixes têm sua própria textura distinta. Ao usar métodos de análise de textura como a coocorrência de níveis de cinza, podemos extrair características de textura de objetos alvo, incluindo rugosidade e direcionalidade, que podem ser usadas para reconhecimento.

Características de cor: embora as cores possam ser distorcidas, elas ainda podem ser usadas como uma característica até certo ponto. Por exemplo, alguns peixes tropicais têm cores brilhantes. Ao extrair histogramas de cores ou calcular momentos de cor de imagens com correção de cor, podemos usar características de cor para auxiliar no reconhecimento. Além disso, diferentes organismos ou objetos subaquáticos podem ter características de cor únicas sob bandas espectrais específicas.

Algoritmos baseados em correspondência de modelo: se as características de forma do objeto alvo forem bem definidas, como na inspeção de tubulação subaquática, onde a forma e o tamanho da tubulação são conhecidos com antecedência, a imagem de modelo do objeto alvo pode ser correspondida com a imagem capturada. Ao calcular medidas de similaridade, como o coeficiente de correlação cruzada normalizado, a existência e a posição do objeto alvo podem ser determinadas.

Algoritmos de Aprendizado de Máquina:

Aprendizado supervisionado: envolve treinamento com um conjunto de dados de imagens subaquáticas rotuladas. Por exemplo, se houver imagens rotuladas de vários tipos de peixes, recursos como forma, textura e cor podem ser usados como entradas, e o tipo de peixe como rótulo de saída. Algoritmos como Support Vector Machines (SVM) e árvores de decisão podem ser usados para treinamento de classificação. O modelo treinado pode então ser usado para identificar os tipos de peixes em novas imagens subaquáticas.

Aprendizado não supervisionado: isto é para alvos sem conhecimento prévio, como comunidades biológicas desconhecidas recentemente descobertas no fundo do mar. Algoritmos de clustering, como clustering K-means, podem ser usados para agrupar alvos com base em suas características e, então, analisar mais detalhadamente os alvos dentro de cada grupo.

Algoritmos de Aprendizado Profundo:

Redes Neurais Convolucionais (CNN): Este é um método eficaz para reconhecimento de alvos subaquáticos. Por exemplo, uma CNN com múltiplas camadas convolucionais, camadas de pooling e camadas totalmente conectadas pode ser construída. Ao usar uma série de imagens subaquáticas como dados de treinamento, a rede pode aprender automaticamente características de alto nível dos objetos alvo. Por exemplo, ao reconhecer alvos para um robô subaquático, como minerais ou partes de um naufrágio, a CNN pode aprender as características complexas desses alvos, alcançando assim um reconhecimento de alta precisão.

Fusão com sensores de sonar: em ambientes subaquáticos, o sonar pode fornecer informações sobre a distância e o tamanho do objeto alvo. Por meio dos dados de câmeras subaquáticas e sensores de sonar, uma compreensão mais abrangente do objeto alvo pode ser alcançada. Por exemplo, em operações de busca e salvamento subaquático, o ar pode detectar a posição aproximada e o alcance de um alvo humano em potencial e, então, a câmera subaquática pode usar essas informações para reconhecimento visual preciso para determinar se é o alvo.

Fusão com sensores ópticos: Se a câmera subaquática for uma câmera multiespectral, ela pode ser fundida com outros sensores ópticos, como LiAR, para aprimorar as capacidades de reconhecimento de alvos. Diferentes sensores ópticos podem fornecer diferentes informações de características sobre o objeto alvo e, ao fundir essas informações, a precisão e a robustez do reconhecimento de alvos podem ser melhoradas.