Suv osti kamerasi nishonni aniqlash

Tasvirlash printsipini sozlash: Suv osti kameralarining optik tizimi suvning faol ko'rsatkichi asosida optimallashtirilgan. Suvning sinishi indeksi taxminan 1,33 ni tashkil qiladi, bu havoning sinishi va yorug'likning sinishiga olib keladi. Shuning uchun, linzalar dizayni nisbatan aniq tasvirlarni ta'minlash uchun ushbu omillarni hisobga olish kerak. Masalan, maxsus keng burchakli linzalardan foydalanish ta'sir natijasida kelib chiqadigan tasvir buzilishlarini ma'lum darajada kamaytirishi mumkin.

Tasvirga oldindan ishlov berish: Murakkab suv osti muhiti tufayli tasvirlar rangni to'g'rilash va kontrastni kuchaytirish uchun ko'pincha oldindan ishlov berishni talab qiladi. Bunga suv tomonidan so'rilgan yorug'likning ma'lum to'lqin uzunliklarini kompensatsiya qilish uchun rangni tuzatish va kontrastni yaxshilash kiradi, chunki suv ostidagi tasvirlar odatda past kontrastga ega. Gistogrammani tenglashtirish kabi usullar maqsadli ob'ektlarni fondan ajratishni osonlashtirishi mumkin.

Shakl xususiyatlari: Shakl suv ostidagi nishonni aniqlash uchun muhim xususiyatdir. Chunki, suv osti arxeologiyasida qadimgi kema halokati bo'laklarining shakli tartibsiz bloklar yoki o'ziga xos geometrik shakllarga ega bo'lishi mumkin. Kengashni aniqlash algoritmlari, masalan, Canny detection, tanib olish uchun muhim maslahatlar bo'lib xizmat qiladigan maqsadli ob'ektlarning chekka konturlarini chiqarish uchun ishlatilishi mumkin.

Tekstura xususiyatlari: Ko'pgina suv osti nishonlari noyob teksturaga ega. Masalan, marjon riflari murakkab va nozik tuzilishga ega, baliq tarozilari esa o'ziga xos tuzilishga ega. Kulrang darajadagi birgalikda paydo bo'lish kabi teksturani tahlil qilish usullaridan foydalangan holda, biz tanib olish uchun ishlatilishi mumkin bo'lgan maqsadli ob'ektlarning tekstura xususiyatlarini, shu jumladan qo'pollik va yo'nalishni ajratib olishimiz mumkin.

Rang xususiyatlari: Garchi ranglar buzilishi mumkin bo'lsa-da, ular hali ham ma'lum darajada xususiyat sifatida ishlatilishi mumkin. Misol uchun, ba'zi tropik baliqlar yorqin ranglarga ega. Rangli gistogrammalarni ajratib olish yoki ranglari to'g'rilangan tasvirlardan rang momentlarini hisoblash orqali biz tanib olishda yordam berish uchun rang xususiyatlaridan foydalanishimiz mumkin. Bundan tashqari, turli xil suv osti organizmlari yoki ob'ektlari o'ziga xos spektral chiziqlar ostida noyob rang xususiyatlariga ega bo'lishi mumkin.

Shablonlarni moslashtirishga asoslangan algoritmlar: Agar maqsadli ob'ektning shakli xususiyatlari yaxshi aniqlangan bo'lsa, masalan, quvur liniyasining shakli va o'lchami oldindan ma'lum bo'lgan suv ostidagi quvurlarni tekshirishda, maqsadli ob'ektning shablon tasviri olingan rasmga mos kelishi mumkin. tasvir. O'xshashlik ko'rsatkichlarini hisoblash orqali, masalan, normallashtirilgan o'zaro bog'liqlik koeffitsienti, maqsadli ob'ektning mavjudligi va holatini aniqlash mumkin.

Mashinani o'rganish algoritmlari:

Nazorat ostida o'rganish: Bu suv ostidagi tasvirlar ma'lumotlar to'plami bilan mashq qilishni o'z ichiga oladi. Misol uchun, har xil turdagi baliqlarning yorliqli tasvirlari mavjud bo'lsa, shakl tuzilishi va rangi kabi xususiyatlar kirish sifatida, baliq turi esa chiqish yorlig'i sifatida ishlatilishi mumkin. Tasniflashni o'rgatish uchun Vektorlarni qo'llab-quvvatlash mashinalari (SVM) va qarorlar daraxtlari kabi algoritmlardan foydalaniladi. Keyin o'qitilgan model yangi suv osti tasvirlarida baliq turlarini aniqlash uchun ishlatilishi mumkin.

Nazoratsiz o'rganish: Bu oldindan ma'lumotga ega bo'lmagan maqsadlar uchun, masalan, dengiz tubida yangi kashf etilgan noma'lum biologik jamoalar. K-means klasterlash kabi klasterlash algoritmlari o'zlarining xususiyatlariga ko'ra guruh maqsadlaridan foydalanishlari va keyin har bir guruh ichidagi maqsadlarni tahlil qilishlari mumkin.

Chuqur o'rganish algoritmlari:

Konvolyutsion neyron tarmoqlari (CNN): Bu suv ostidagi nishonni aniqlashning samarali usuli. Masalan, bir nechta konvolyutsion qatlamlar, birlashtiruvchi qatlamlar va to'liq bog'langan qatlamlarga ega CNN qurilishi mumkin. O'quv ma'lumotlari sifatida bir qator suv osti tasvirlaridan foydalangan holda, tarmoq avtomatik ravishda maqsadli ob'ektlarning yuqori darajadagi xususiyatlarini o'rganishi mumkin. Masalan, suv osti robotining maqsadlarini, minerallar yoki kema halokatining bir qismi sifatida tanib olishda, CNN ushbu nishonlarning murakkab xususiyatlarini o'rganishi mumkin va shu bilan yuqori aniqlikdagi tan olinishiga erishadi.

Sonar sensorlari bilan termoyadroviy: suv osti muhitida sonar maqsadli ob'ektning masofasi va o'lchami haqida ma'lumot berishi mumkin. Suv osti kameralari va sonar sensorlaridan olingan ma'lumotlarga ko'ra, maqsadli ob'ektni yanada to'liqroq tushunishga erishish mumkin. Masalan, suv osti qidiruv-qutqaruv operatsiyalarida ar potentsial inson nishonining taxminiy joylashuvi va diapazonini aniqlay oladi, so'ngra suv osti kamerasi ushbu ma'lumotdan maqsad ekanligini aniqlash uchun aniq vizual tanib olish uchun foydalanishi mumkin.

Optik sensorlar bilan termoyadroviy: Agar suv osti kamerasi ko'p spektrli kamera bo'lsa, maqsadni aniqlash imkoniyatlarini yaxshilash uchun uni LiAR kabi boshqa optik sensorlar bilan birlashtirish mumkin. Turli xil optik sensorlar maqsadli ob'ekt haqida turli xil xususiyat ma'lumotlarini taqdim etishi mumkin va bu ma'lumotni birlashtirish orqali maqsadni aniqlashning aniqligi va mustahkamligini oshirish mumkin.