CN110288623A - 无人机海上网箱养殖巡检图像的数据压缩方法 - Google Patents

无人机海上网箱养殖巡检图像的数据压缩方法 Download PDF

Info

Publication number
CN110288623A
CN110288623A CN201910525175.7A CN201910525175A CN110288623A CN 110288623 A CN110288623 A CN 110288623A CN 201910525175 A CN201910525175 A CN 201910525175A CN 110288623 A CN110288623 A CN 110288623A
Authority
CN
China
Prior art keywords
image
net cage
unmanned plane
region
carried out
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910525175.7A
Other languages
English (en)
Other versions
CN110288623B (zh
Inventor
孟娟
杜海
赵云鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian Ocean University
Original Assignee
Dalian Ocean University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian Ocean University filed Critical Dalian Ocean University
Priority to CN201910525175.7A priority Critical patent/CN110288623B/zh
Publication of CN110288623A publication Critical patent/CN110288623A/zh
Application granted granted Critical
Publication of CN110288623B publication Critical patent/CN110288623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81—Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种无人机海上网箱养殖巡检图像的数据压缩方法，依次按照如下步骤进行：无人机在海上养殖网箱现场并采集n个养殖现场图像；在图像处理卡中对获取的图像进行HED深度网络计算，获取图像的边缘梯度图像；对得到的边缘梯度图像进行OSTU二值化及反色处理；进行实时形态学开、闭处理并进行连通域目标识别；剔除位于完整网箱区域边缘外的不完整区域；将完整网箱区域小于t的图像剔除，获得多个目标网箱图像；对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。

Description

无人机海上网箱养殖巡检图像的数据压缩方法
技术领域
本发明属于无人机巡检技术领域，尤其涉及一种无人机海上网箱养殖巡检图像的数据压缩方法。
背景技术
随着无人机技术的发展，使用无人机进行日常工程安全巡检也越来越受到人们的青睐。同样，无人机作为海上养殖的巡检装置不仅降低人工成本和操作风险，而且获取数据更加客观，可大幅度提高巡检结论的可靠性。采用无人机进行海上巡检时，主要依靠光学成像技术，即通过摄像头捕捉现场的运行情况（图像）。然而，无人机所采集到的现场网箱图像中充斥着大量的冗余信息，如海水、海面非养殖物体、不完整的养殖区域等，这些都严重影响后端处理的实时性；另外，海洋养殖网箱现场监测时，所采集的图像受海浪、天色等现场采集背景干扰较大，从而加大了准确提取信息的难度。目前为止还没有对完整网箱区域数据进行有效提取的方法，使得图像的大数据量成为无人机巡检实时数据处理的屏障。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种无人机海上网箱养殖巡检图像的数据压缩方法。
本发明的技术解决方案是：一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：
a. 无人机在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；
b. 在无人机图像处理卡中对采集的每张图像进行HED深度网络计算，获取每张图像的边缘梯度图像；
c. 对得到的边缘梯度图像进行OSTU二值化及反色处理；
d. 进行实时形态学开、闭处理并进行连通域目标识别；
e. 剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；
f. 设置阈值t，，其中A(i)为第i个图像完整网箱区域的面积，单位为像素个数，将A(i)小于t的图像剔除，获得多个目标网箱图像；
g. 对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。
本发明以HED深度网络结合传统视觉处理技术，摒除背景对目标网箱（完整网箱区域）选择的干扰，通过提出了面积选择的自适应阈值，对完整网箱区域的自适应提取，可大幅降低无人机巡检时所产生的数据量且保留了原有目标分辨能力，有效提高海上网箱养殖信息实时处理能力，极大地促进了无人机和图像测量技术在海洋养殖网箱巡检中的应用。
附图说明
图1是本发明实施例所采集的原图。
图2是本发明实施例图1所示原图的边缘梯度图像。
图3是本发明实施例图1所示原图d步骤所获得的图像。
图4是本发明实施例图1所示原图g步骤所获得的的图像。
具体实施方式
本发明的一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：
a. 无人机按照预先设定的GPS点位，在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；
b. 在图像处理卡（NVIDIA Jetson Nano处理卡）中对获取的如图1所示图像进行HED深度网络计算（在巡检前HED深度网络已通过养殖现场的网箱图像样本进行训练），获取如图2所示的边缘梯度图像；
c. 对得到的边缘梯度图像进行OSTU二值化及反色处理；
d. 进行实时形态学开、闭处理并进行连通域目标识别，得到图3所示的图像；
e. 剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；
f. 设置阈值t，，其中A(i)为第i个图像完整网箱区域的面积，单位为像素个数，将A(i)小于t的图像剔除，获得多个目标网箱图像；
g. 对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据，结果如图4所示。
经过对所采集的n个养殖现场图像处理，从图1~4可以看出，大幅降低无人机巡检时所产生的数据量且保留了原有目标分辨能力。

Claims (1)

1.一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：
a. 无人机在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；
b. 在无人机图像处理卡中对采集的每张图像进行HED深度网络计算，获取每张图像的边缘梯度图像；
c. 对得到的边缘梯度图像进行OSTU二值化及反色处理；
d. 进行实时形态学开、闭处理并进行连通域目标识别；
e. 剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；
f. 设置阈值t，，其中A(i)为第i个图像完整网箱区域的面积，单位为像素个数，将A(i)小于t的图像剔除，获得多个目标网箱图像；
g. 对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。
CN201910525175.7A 2019-06-18 2019-06-18 无人机海上网箱养殖巡检图像的数据压缩方法 Active CN110288623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910525175.7A CN110288623B (zh) 2019-06-18 2019-06-18 无人机海上网箱养殖巡检图像的数据压缩方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910525175.7A CN110288623B (zh) 2019-06-18 2019-06-18 无人机海上网箱养殖巡检图像的数据压缩方法

Publications (2)

Publication Number Publication Date
CN110288623A true CN110288623A (zh) 2019-09-27
CN110288623B CN110288623B (zh) 2023-05-23

Family

ID=68005066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910525175.7A Active CN110288623B (zh) 2019-06-18 2019-06-18 无人机海上网箱养殖巡检图像的数据压缩方法

Country Status (1)

Country Link
CN (1) CN110288623B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111367302A (zh) * 2020-03-03 2020-07-03 大连海洋大学 海上网箱养殖巡检用无人机自适应定高方法
CN111428677A (zh) * 2020-04-02 2020-07-17 大连海洋大学 无人机自动监测海上网箱养殖鱼类水面环游状态的方法
CN111984034A (zh) * 2020-08-24 2020-11-24 广东电网有限责任公司 一种无人机电力巡线系统
CN112471028A (zh) * 2020-12-09 2021-03-12 浙江海洋大学 东海大黄鱼放流野外驯养系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301689A (zh) * 2017-06-16 2017-10-27 中国人民解放军海军工程大学 一种基于无人船的网箱巡检装置及其方法
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法
WO2019045091A1 (ja) * 2017-09-04 2019-03-07 日本電気株式会社 情報処理装置、計数システム、計数方法およびプログラム記憶媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301689A (zh) * 2017-06-16 2017-10-27 中国人民解放军海军工程大学 一种基于无人船的网箱巡检装置及其方法
WO2019045091A1 (ja) * 2017-09-04 2019-03-07 日本電気株式会社 情報処理装置、計数システム、計数方法およびプログラム記憶媒体
CN109145794A (zh) * 2018-08-10 2019-01-04 大连理工大学 一种海洋牧场网箱的健康监测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111367302A (zh) * 2020-03-03 2020-07-03 大连海洋大学 海上网箱养殖巡检用无人机自适应定高方法
CN111367302B (zh) * 2020-03-03 2023-03-21 大连海洋大学 海上网箱养殖巡检用无人机自适应定高方法
CN111428677A (zh) * 2020-04-02 2020-07-17 大连海洋大学 无人机自动监测海上网箱养殖鱼类水面环游状态的方法
CN111428677B (zh) * 2020-04-02 2023-07-14 大连海洋大学 无人机自动监测海上网箱养殖鱼类水面环游状态的方法
CN111984034A (zh) * 2020-08-24 2020-11-24 广东电网有限责任公司 一种无人机电力巡线系统
CN112471028A (zh) * 2020-12-09 2021-03-12 浙江海洋大学 东海大黄鱼放流野外驯养系统

Also Published As

Publication number Publication date
CN110288623B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110288623A (zh) 无人机海上网箱养殖巡检图像的数据压缩方法
CN109345547B (zh) 基于深度学习多任务网络的交通车道线检测方法及装置
CN110197231A (zh) 基于可见光和红外光图像融合的鸟情探测设备及识别方法
CN108648169A (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN112149513A (zh) 基于深度学习的工业制造现场安全帽佩戴识别系统和方法
CN106056594A (zh) 一种基于双光谱的可见光图像提取系统与方法
CN109359577B (zh) 一种基于机器学习的复杂背景下人数检测系统
CN108268832A (zh) 电力作业监测方法、装置、存储介质和计算机设备
CN103530638A (zh) 多摄像头下的行人匹配方法
CN109409250A (zh) 一种基于深度学习的无交叠视域跨摄像机行人再识别方法
CN104036250A (zh) 视频行人检测与跟踪方法
CN105184804A (zh) 基于机载红外相机航拍图像的海面小目标检测方法
CN106702870A (zh) 一种道路裂缝检测系统
CN110276831A (zh) 三维模型的建构方法和装置、设备、计算机可读存储介质
CN108898098A (zh) 基于监控平台的早期视频烟雾检测方法
CN115861799A (zh) 基于注意力梯度的轻量化空对地目标检测方法
CN104318240A (zh) 一种基于计算机视觉的花蕾判别方法
CN113569981A (zh) 一种基于单阶段目标检测网络的电力巡检鸟窝检测方法
CN109697428A (zh) 基于rgb_d和深度卷积网络的无人机识别定位系统
Li et al. Panoramic image mosaic technology based on sift algorithm in power monitoring
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及系统
CN105447463A (zh) 变电站基于人体特征识别的跨摄像机自动跟踪系统
CN116665077A (zh) 基于ai识别技术的输电线路检测拍摄方法及其系统
CN111611866A (zh) 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统
CN110298824A (zh) 基于彩色图像和卷积神经网络技术的鱿鱼自动分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant