Распознавание целей подводной камерой

Регулировка принципа визуализации: Оптическая система подводных камер оптимизирована на основе активного индекса воды. Индекс преломления воды составляет приблизительно 1,33, что отличается от индекса воздуха, что приводит к преломлению и света. Поэтому при проектировании объектива необходимо учитывать эти факторы, чтобы обеспечить относительно четкие изображения. Например, использование специальных широкоугольных объективов может в некоторой степени уменьшить искажение изображения, вызванное реакцией.

Предварительная обработка изображений: Из-за сложной подводной среды изображения часто нуждаются в предварительной обработке для коррекции цвета и повышения контрастности. Это включает в себя цветокоррекцию, как компенсацию определенных длин волн света, поглощаемого водой, и повышение контрастности, поскольку подводные изображения обычно имеют низкую контрастность. Такие методы, как выравнивание гистограммы, могут улучшить, упрощая различение целевых объектов от фона.

Особенности формы: Форма является важнейшей особенностью для распознавания подводных целей. В подводной археологии форма фрагментов древних кораблекрушений может быть неправильной или иметь определенные геометрические формы. Алгоритмы обнаружения краев, такие как обнаружение Кэнни, могут использоваться для извлечения контуров краев целевых объектов, которые служат важными подсказками для распознавания.

Особенности текстуры: Многие подводные объекты имеют уникальные текстуры. Например, коралловые рифы имеют сложные и нежные текстуры, в то время как чешуя рыб имеет свою собственную отличительную текстуру. Используя методы анализа текстуры, такие как серое сопутствующее появление, мы можем извлечь особенности текстуры целевых объектов, включая шероховатость и направленность, которые могут быть использованы для распознавания.

Цветовые характеристики: Хотя цвета могут быть искажены, их все равно можно использовать в качестве характеристики в некоторой степени. Например, некоторые тропические рыбы имеют яркие цвета. Извлекая цветовые гистограммы или вычисляя цветовые моменты из скорректированных по цвету изображений, мы можем использовать цветовые характеристики для помощи в распознавании. Кроме того, различные подводные организмы или объекты могут иметь уникальные цветовые характеристики в определенных спектральных диапазонах.

Алгоритмы на основе сопоставления шаблонов: Если характеристики формы целевого объекта четко определены, например, при подводной инспекции трубопровода, где форма и размер трубопровода известны заранее, изображение шаблона целевого объекта может быть сопоставлено с захваченным изображением. Путем вычисления мер сходства, таких как нормализованный коэффициент взаимной корреляции, можно определить наличие и положение целевого объекта.

Алгоритмы машинного обучения:

Контролируемое обучение: это включает обучение с использованием набора данных маркированных подводных изображений. Например, если есть маркированные изображения различных типов рыб, такие признаки, как форма, текстура и цвет, могут использоваться в качестве входных данных, а тип рыбы — в качестве выходной метки. Для обучения классификации можно использовать такие алгоритмы, как опорные векторные машины (SVM) и деревья решений. Обученная модель затем может использоваться для определения типов рыб на новых подводных изображениях.

Неконтролируемое обучение: это для целей без предварительного знания, таких как недавно обнаруженные неизвестные биологические сообщества на морском дне. Алгоритмы кластеризации, такие как кластеризация K-средних, могут использоваться для групповых целей на основе их особенностей, а затем для дальнейшего анализа целей внутри каждой группы.

Алгоритмы глубокого обучения:

Сверточные нейронные сети (CNN): Это эффективный метод распознавания подводных целей. Например, можно построить CNN с несколькими сверточными слоями, слоями объединения и полностью связанными слоями. Используя ряд подводных изображений в качестве обучающих данных, сеть может автоматически изучать высокоуровневые особенности целевых объектов. Например, при распознавании целей для подводного робота, таких как минералы или части затонувшего корабля, CNN может изучать сложные особенности этих целей, тем самым достигая высокоточного распознавания.

Слияние с датчиками сонара: в подводной среде сонар может предоставлять информацию о расстоянии и размере целевого объекта. Используя данные с подводных камер и датчиков сонара, можно достичь более полного понимания целевого объекта. Например, в подводных поисково-спасательных операциях ar может определять приблизительное положение и дальность потенциальной человеческой цели, а затем подводная камера может использовать эту информацию для точного визуального распознавания, чтобы определить, является ли он целью.

Слияние с оптическими датчиками: Если подводная камера является многоспектральной камерой, ее можно объединить с другими оптическими датчиками, такими как LiAR, для улучшения возможностей распознавания цели. Различные оптические датчики могут предоставлять различную информацию о характеристиках целевого объекта, и путем слияния этой информации можно улучшить точность и надежность распознавания цели.