CN110533650B - 一种基于视觉的auv水下管道检测跟踪方法 - Google Patents

一种基于视觉的auv水下管道检测跟踪方法 Download PDF

Info

Publication number
CN110533650B
CN110533650B CN201910802123.XA CN201910802123A CN110533650B CN 110533650 B CN110533650 B CN 110533650B CN 201910802123 A CN201910802123 A CN 201910802123A CN 110533650 B CN110533650 B CN 110533650B
Authority
CN
China
Prior art keywords
pipeline
detection
entering
line
image
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.)
Active
Application number
CN201910802123.XA
Other languages
English (en)
Other versions
CN110533650A (zh
Inventor
李晔
徐硕
丛正
张强
马腾
凌宇
顾华宇
武皓微
贡雨森
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910802123.XA priority Critical patent/CN110533650B/zh
Publication of CN110533650A publication Critical patent/CN110533650A/zh
Application granted granted Critical
Publication of CN110533650B publication Critical patent/CN110533650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种基于视觉的AUV水下管道检测跟踪方法，属于水下管道检测领域。本发明包括：采集海底管道图像；对图像进行预处理；管道方向检测；管道中心线检测；管道位置检测。与现有的技术相比，本发明采用管道方向检测，管道中心检测和管道位置检测算法，并通过随机采样一致和一致性检测剔除异常值，保证AUV在进行管道检测时，根据准确的管道方向和位置进行自主航行。

Description

一种基于视觉的AUV水下管道检测跟踪方法
技术领域
本发明属于水下管道检测领域，具体涉及一种基于视觉的AUV水下管道检测跟踪方法。
背景技术
水下航行器(Autonomous Underwater Vehicle，AUV)在探索海洋、开发海洋方面发挥着不可替代的作用。由于海底环境的影响，海底管道需要定期检查和维修。目前管道检测主要有遥控无人潜水器(Remote Operated Vehicle，ROV)检测和人工检测两种方法。ROV一般配有侧扫声呐并通过水面船搭载的上位机进行遥控检测，优点是可以准确获得管道的安全状态和受损位置，然而ROV并不能到达较深的海底进行管道检测，并且昂贵的声呐设备使得检测的成本较高；人工检测同样只适用于较浅的海底，并且效率不如ROV检测。AUV由于其机动灵活、使用范围广和智能化等优点，搭载低成本的视觉传感器可以获得清晰的图像信息，成为海底管道检测的新工具。因此，使用AUV进行海底管道检测既可以提高检测效率，同时降低检测成本，并且适用于更大范围的海底环境。然而，如何对在水下长时间工作的AUV进行导航，从而保证AUV能完成海底管道检测任务，是制约AUV在管道检测领域应用的主要因素。
本发明涉及一种基于视觉的AUV水下管道检测跟踪方法，该方法可以为管道检测的AUV提供管道的方向和位置，从而保证AUV的导航。
目前AUV水下管道检测的研究主要集中在在载体本身的设计研究，对基于视觉的管道检测跟踪方法并没有。
公开日为2018年12月18号，公开号为CN109035224A，发明名称为“海底管道检测最新技术及发展方向”的专利申请，该方法根据多波束测深声呐探测管道得到的水下声呐图像采用阈值法对图像像素点进行分类和提取，得到三维点云数据；然后采用基于密度分析的点云去噪滤波方法，得到滤波去噪后的管道的三维点云数据；然后采用线性拟合方法对管道每个截面的点云数据进行圆拟合，将得到拟合圆的半径以及线性变化的圆心点进行三维重建，得到所述管道的三维图。该方法是一种基于声学的管道检测方法，并且不能实时进行，因此不能达到为AUV导航的目的。
发明内容
本发明涉及一种基于视觉的AUV水下管道检测跟踪方法，该方法可以为管道检测的AUV提供管道的方向和位置，从而保证AUV的导航。
本发明的目的在于提供一种基于视觉的AUV水下管道检测跟踪方法，该方法通过双目相机采集得到图像信息，利用累计概率霍夫变换检测出水下图像中的所有直线，通过随机采样一致得到管道方向，采用K均值聚类算法将测到的所有直线分为管道两侧对应的左右两类，并剔除异常值，得到管道中心线，最后利用块匹配算法得到左右相机的管道中心点，并计算管道与AUV的位置，从而输出管道的方向和位置信息。该方法主要包括管道方向检测，管道中心检测和管道位置检测三个方面。
本发明的目的是这样实现的：
一种基于视觉的AUV水下管道检测跟踪方法，包括AUV机器人和安装在其下方的双目相机，包含以下步骤：
步骤1：当AUV在海底进行管道检测时，利用安装在AUV下方的双目相机采集海底管道图像，进入步骤2；
步骤2：对采集到的双目图像，选择一张图像进行预处理；首先将彩色图像去畸变，灰度化和滤波去噪；进而对简单处理后的图像进行边缘检测，得到二值化边缘的图像，进入步骤3；
步骤3：管道方向检测，包括：直线提取和管道方向计算；利用累计概率霍夫变换，找出图像中所有大于阈值长度的直线；通过随机采样一致算法，对提取到的直线集合计算一致性最好的方向，并作为管道方向，进入步骤4；
步骤4：方向检测完成后，进入管道中心线检测；由于管道由两条直线构成，因此采用K均值聚类算法，将图像中的直线集合分为两类，并剔除一致性较差的异常直线；之后将两类直线取均值，从而计算出管道的中心线，进入步骤5；
步骤5：检测到中心线后，进入管道位置检测；首先计算出相机光心到管道中心线的垂直交点的像素位置，作为管道的中心点；然后利用左右相机采集到的灰度图像，对光心一定范围内的图像区域利用块匹配算法，得到光心的具体位置，最终输出管道的方向和位置信息。
所述的步骤3中的管道方向检测包含以下步骤：
步骤3-1：输入预处理后的图像数据，进入步骤3-2；
步骤3-2：直线检测；累计概率霍夫变换将像素由笛卡尔坐标系变换到极坐标系，并且有选择地进行线段检测，进行步骤3-3；
步骤3-3：检测到线段的个数N是否大于最小个数10，若是，进入步骤3-4，否则降低最小长度L的值，进入步骤3-2；
步骤3-4：对检测到的所有直线段{Lines}，计算其方向{θ}；利用随机采样一致算法，在{θ}中选择与所选线段方向θi误差小于1度的线段作为内点，否则作为外点，迭代次数大于线段个数N的80％；计算所有外点个数与N的比值，即合格率μ，找出合格率最大的作为管道的主方向θ，进入步骤3-5；若所有的合格率均小于0.8，进入步骤3-1；
步骤3-5：判断主方向θ的线段个数n是否大于8，若是，则输出管道主方向，否则降低最小长度L的值，进入步骤3-2。
所述的步骤4中的管道中心线检测包含以下步骤：
步骤4-1：输入图像和主方向上的直线集，进入步骤4-2；
步骤4-2：归一化直线；求解得到归一化结果{ui}，进入步骤4-3；
步骤4-3：对{ui}进行K均值聚类，将直线集合分为左右两类直线{Lui}和{Rui}，进入步骤4-4；
步骤4-4：计算左右两类直线{Lui}和{Rui}归一化方差，若某一直线的方差σi大于两倍最小值2σmin，则剔除，之后进入步骤4-5；
步骤4-5：计算左右两类直线的均值，得到管道中心线。
所述的步骤5中的管道位置检测包含以下步骤：
步骤5-1：根据检测到的管道中心线，计算出相机光心到中心线的垂直交点的像素位置，作为管道的中心点O(u0,v0)，进入步骤5-2；
步骤5-2：取中心点附近一定区域内的图像块，进行左右相机图像的块匹配，得到中心点的视差值d0，进入步骤5-3；
步骤5-3：根据立体视觉模型，计算出管道的位置坐标，即管道的位置。
本发明的有益效果在于提出一种基于视觉的AUV水下管道检测跟踪方法，保证AUV在进行管道检测时，根据得到的管道方向和位置进行自主航行。与现有的技术相比，本发明采用管道方向检测，管道中心检测和管道位置检测算法，并通过随机采样一致和一致性检测剔除异常值，保证AUV在进行管道检测时，根据准确的管道方向和位置进行自主航行。
附图说明
图1为主程序流程框图；
图2为管道方向检测程框图；
图3为管道中心线位置检测流程框图。
具体实施方式
本发明公开的是一种基于视觉的AUV水下管道检测跟踪方法，即一种用于AUV水下管道检测的视觉导航方法。该方法主要包括管道方向检测，管道中心检测和管道位置检测。管道边缘检测利用累计概率霍夫变换检测出水下图像中的所有直线，通过随机采样一致得到管道方向；管道中心检测采用K均值聚类算法将测到的所有直线分为管道两侧对应的左右两类，并剔除异常值，最终得到管道中心线；管道位置检测利用块匹配算法得到左右相机的管道中心点，并计算管道相对于AUV的位置。本发明的有益效果在于提出一种基于双目视觉的管道检测跟踪方法，与现有的技术相比，本发明采用管道方向检测，管道中心检测和管道位置检测算法，并通过随机采样一致和一致性检测剔除异常值，保证AUV在进行管道检测时，根据准确的管道方向和位置进行自主航行。
本发明包括AUV机器人以及安装在AUV下方的双目相机，本发明主程序包括如下步骤：
(1)当AUV在海底进行管道检测时，利用安装在AUV下方的双目相机采集海底管道图像，进入步骤(2)；
(2)对采集到的双目图像，选择一张图像进行预处理。首先将彩色图像去畸变，灰度化和滤波去噪；进而对简单处理后的图像进行边缘检测，得到二值化边缘的图像，进入步骤(3)；
(3)管道方向检测包括：直线提取和管道方向计算。利用累计概率霍夫变换，找出图像中所有大于阈值长度的直线；通过随机采样一致算法，对提取到的直线集合计算一致性最好的方向，并作为管道方向；进入步骤(4)；
(4)方向检测完成后，进入管道中心线检测。由于管道由两条直线构成，因此采用K均值聚类，将图像中的直线集合分为两类，并剔除一致性较差的异常直线；之后将两类直线取均值，从而计算出管道的中心线，进入步骤(5)；
(5)检测到中心线后，进入管道位置检测。首先计算出相机光心到管道中心线的垂直交点的像素位置，作为管道的中心点；然后利用左右相机采集到的灰度图像，对光心一定范围内的图像区域利用块匹配算法，得到光心的具体位置，最终输出管道的方向和位置信息。
主程序所述步骤(3)中，管道方向检测还包括如下步骤：
(1)输入预处理后的图像数据，进入步骤(2)；
(2)直线检测。累计概率霍夫变换将像素由笛卡尔坐标系变换到极坐标系，并且有选择地进行线段检测，可由以下公式表示：
N＝HoughLinesP(I(u,v),T,L)
其中，N表示检测到线段的个数，I(u,v)表示输入的图像数据，T是极坐标累计平面的阈值参数，取50，L表示检测到的线段的最小长度，取80，进行步骤(3)；
(3)检测到线段的个数N是否大于最小个数10，若是，进入步骤(4)，否则降低最小长度L的值，进入步骤(2)；
(4)对检测到的所有直线段{Lines}，计算其方向{θ}。利用随机采样一致算法，在{θ}中选择与所选线段方向θi误差小于1度的线段作为内点，否则作为外点，迭代次数大于线段个数N的80％。计算所有外点个数与N的比值，即合格率μ，找出合格率最大的作为管道的主方向θ，进入步骤(5)。若所有的合格率均小于0.8，进入步骤(1)；
(5)判断主方向θ的线段个数n是否大于8，若是，则输出管道主方向，否则降低最小长度L的值，进入步骤(2)。
主程序步骤(4)中，管道中心线检测还包括如下步骤：
(1)输入图像和主方向上的直线集，进入步骤(2)；
(2)归一化直线。记图像尺寸为M×N，计算所有直线与直线v＝M/2的交点：
Figure BDA0002182622290000051
这里，u＝kv+b表示主方向直线方程，求解得到归一化结果{ui}，进入步骤(3)。
(3)对{ui}进行K均值聚类，将直线集合分为左右两类直线{Lui}和{Rui}，进入步骤(4)；
(4)计算左右两类直线{Lui}和{Rui}归一化方差：
Figure BDA0002182622290000052
其中，n0表示直线总数。若某一直线的方差σi大于两倍最小值2σmin，则剔除，之后进入步骤(5)；
(5)计算左右两类直线的均值，得到管道中心线。
主程序步骤(5)中，管道位置检测还包括如下步骤：
(1)根据检测到的管道中心线，计算出相机光心到中心线的垂直交点的像素位置，作为管道的中心点O(u0,v0)，进入步骤(2)；
(2)取中心点附近一定区域内的图像块，进行左右相机图像的块匹配，得到中心点的视差值d0，进入步骤(3)；
(3)根据立体视觉模型：
Figure BDA0002182622290000061
计算出管道的位置坐标。其中，P(xc,yc,zc)表示中心点O(u0,v0)的相机坐标，即管道的位置，B表示双目的基线长。
下面结合附图举例对本发明做更详细的描述：
结合图1，主程序包括如下步骤：
(1)当AUV在海底进行管道检测时，利用安装在AUV下方的双目相机采集海底管道图像，进入步骤(2)；
(2)对采集到的双目图像，选择一张图像进行预处理。首先将彩色图像去畸变，灰度化和滤波去噪；进而对简单处理后的图像进行边缘检测，得到二值化边缘的图像，进入步骤(3)；
(3)管道方向检测包括：直线提取和管道方向计算。利用累计概率霍夫变换，找出图像中所有大于阈值长度的直线；通过随机采样一致算法，对提取到的直线集合计算一致性最好的方向，并作为管道方向；进入步骤(4)；
(4)方向检测完成后，进入管道中心线检测。由于管道由两条直线构成，因此采用K均值聚类，将图像中的直线集合分为两类，并剔除一致性较差的异常直线；之后将两类直线取均值，从而计算出管道的中心线，进入步骤(5)；
(5)检测到中心线后，进入管道位置检测。首先计算出相机光心到管道中心线的垂直交点的像素位置，作为管道的中心点；然后利用左右相机采集到的灰度图像，对光心一定范围内的图像区域利用块匹配算法，得到光心的具体位置，最终输出管道的方向和位置信息。
结合图2，管道方向检测包括如下步骤：
(1)输入预处理后的图像数据，进入步骤(2)；
(2)直线检测。累计概率霍夫变换将像素由笛卡尔坐标系变换到极坐标系，并且有选择地进行线段检测，可由以下公式表示：
N＝HoughLinesP(I(u,v),T,L)
其中，N表示检测到线段的个数，I(u,v)表示输入的图像数据，T是极坐标累计平面的阈值参数，取50，L表示检测到的线段的最小长度，取80，进行步骤(3)；
(3)检测到线段的个数N是否大于最小个数10，若是，进入步骤(4)，否则降低最小长度L的值，进入步骤(2)；
(4)对检测到的所有直线段{Lines}，计算其方向{θ}。利用随机采样一致算法，在{θ}中选择与所选线段方向θi误差小于1度的线段作为内点，否则作为外点，迭代次数大于线段个数N的80％。计算所有外点个数与N的比值，即合格率μ，找出合格率最大的作为管道的主方向θ，进入步骤(5)。若所有的合格率均小于0.8，进入步骤(1)；
(5)判断主方向θ的线段个数n是否大于8，若是，则输出管道主方向，否则降低最小长度L的值，进入步骤(2)。
结合图3，管道中心线位置检测包括如下步骤：
(1)输入图像和主方向上的直线集，进入步骤(2)；
(2)归一化直线。记图像尺寸为M×N，计算所有直线与直线v＝M/2的交点：
Figure BDA0002182622290000071
这里，u＝kv+b表示主方向直线方程，求解得到归一化结果{ui}，进入步骤(3)。
(3)对{ui}进行K均值聚类，将直线集合分为左右两类直线{Lui}和{Rui}，进入步骤(4)；
(4)计算左右两类直线{Lui}和{Rui}归一化方差：
Figure BDA0002182622290000072
其中，n0表示直线总数。若某一直线的方差σi大于两倍最小值2σmin，则剔除，之后进入步骤(5)；
(5)计算左右两类直线的均值，得到管道中心线，进入步骤(6)。
(6)根据检测到的管道中心线，计算出相机光心到中心线的垂直交点的像素位置，作为管道的中心点O(u0,v0)，进入步骤(7)；
(7)取中心点附近一定区域内的图像块，进行左右相机图像的块匹配，得到中心点的视差值d0，进入步骤(8)；
(8)根据立体视觉模型：
Figure BDA0002182622290000081
计算出管道的位置坐标。其中，P(xc,yc,zc)表示中心点O(u0,v0)的相机坐标，即管道的位置，B表示双目的基线长。
与现有的技术相比，本发明采用管道方向检测，管道中心检测和管道位置检测算法，并通过随机采样一致和一致性检测剔除异常值，保证AUV在进行管道检测时，根据准确的管道方向和位置进行自主航行。
以上所述并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、同等替换、改进等，均应包含在本发明的保护范围内。

Claims (4)

1.一种基于视觉的AUV水下管道检测跟踪方法，包括AUV机器人和安装在其下方的双目相机，其特征在于，包含以下步骤：
步骤1：当AUV在海底进行管道检测时，利用安装在AUV下方的双目相机采集海底管道图像，进入步骤2；
步骤2：对采集到的双目图像，选择一张图像进行预处理；首先将彩色图像去畸变，灰度化和滤波去噪；进而对简单处理后的图像进行边缘检测，得到二值化边缘的图像，进入步骤3；
步骤3：管道方向检测，包括：直线提取和管道方向计算；利用累计概率霍夫变换，找出图像中所有大于阈值长度的直线；通过随机采样一致算法，对提取到的直线集合计算一致性最好的方向，并作为管道方向，对检测到的所有直线段{Lines}，计算其方向{θ}，利用随机采样一致算法，在{θ}中选择与所选线段方向θi误差小于1度的线段作为内点，否则作为外点，迭代次数大于线段个数N的80％；计算所有外点个数与N的比值，即合格率μ，找出合格率最大的作为管道的主方向θ，进入步骤4；
步骤4：方向检测完成后，进入管道中心线检测；由于管道由两条直线构成，因此采用K均值聚类算法，将图像中的直线集合分为两类，并剔除一致性较差的异常直线；之后将两类直线取均值，从而计算出管道的中心线，进入步骤5；
步骤5：检测到中心线后，进入管道位置检测；首先计算出相机光心到管道中心线的垂直交点的像素位置，作为管道的中心点；然后利用左右相机采集到的灰度图像，对光心一定范围内的图像区域利用块匹配算法，得到光心的具体位置，最终输出管道的方向和位置信息。
2.根据权利要求1所述的一种基于视觉的AUV水下管道检测跟踪方法，其特征在于，所述的步骤3中的管道方向检测包含以下步骤：
步骤3-1：输入预处理后的图像数据，进入步骤3-2；
步骤3-2：直线检测；累计概率霍夫变换将像素由笛卡尔坐标系变换到极坐标系，并且有选择地进行线段检测，进行步骤3-3；
步骤3-3：检测到线段的个数N是否大于最小个数10，若是，进入步骤3-4，否则降低长度L的值，进入步骤3-2；
步骤3-4：对检测到的所有直线段{Lines}，计算其方向{θ}；利用随机采样一致算法，在{θ}中选择与所选线段方向θi误差小于1度的线段作为内点，否则作为外点，迭代次数大于线段个数N的80％；计算所有外点个数与N的比值，即合格率μ，找出合格率最大的作为管道的主方向θ，进入步骤3-5；若所有的合格率均小于0.8，进入步骤3-1；
步骤3-5：判断主方向θ的线段个数n是否大于8，若是，则输出管道主方向，否则降低长度L的值，进入步骤3-2。
3.根据权利要求1所述的一种基于视觉的AUV水下管道检测跟踪方法，其特征在于，所述的步骤4中的管道中心线检测包含以下步骤：
步骤4-1：输入图像和主方向上的直线集，进入步骤4-2；
步骤4-2：归一化直线；求解得到归一化结果{ui}，进入步骤4-3；
步骤4-3：对{ui}进行K均值聚类，将直线集合分为左右两类直线{Lui}和{Rui}，进入步骤4-4；
步骤4-4：计算左右两类直线{Lui}和{Rui}归一化方差，若某一直线的方差σi大于两倍最小值2σmin，则剔除，之后进入步骤4-5；
步骤4-5：计算左右两类直线的均值，得到管道中心线。
4.根据权利要求1所述的一种基于视觉的AUV水下管道检测跟踪方法，其特征在于，所述的步骤5中的管道位置检测包含以下步骤：
步骤5-1：根据检测到的管道中心线，计算出相机光心到中心线的垂直交点的像素位置，作为管道的中心点O(u0,v0)，进入步骤5-2；
步骤5-2：取中心点附近一定区域内的图像块，进行左右相机图像的块匹配，得到中心点的视差值d0，进入步骤5-3；
步骤5-3：根据立体视觉模型，计算出管道的位置坐标，即管道的位置。
CN201910802123.XA 2019-08-28 2019-08-28 一种基于视觉的auv水下管道检测跟踪方法 Active CN110533650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910802123.XA CN110533650B (zh) 2019-08-28 2019-08-28 一种基于视觉的auv水下管道检测跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910802123.XA CN110533650B (zh) 2019-08-28 2019-08-28 一种基于视觉的auv水下管道检测跟踪方法

Publications (2)

Publication Number Publication Date
CN110533650A CN110533650A (zh) 2019-12-03
CN110533650B true CN110533650B (zh) 2022-12-13

Family

ID=68664807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910802123.XA Active CN110533650B (zh) 2019-08-28 2019-08-28 一种基于视觉的auv水下管道检测跟踪方法

Country Status (1)

Country Link
CN (1) CN110533650B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111504225B (zh) * 2020-04-30 2022-05-31 中国核工业华兴建设有限公司 一种基于三维扫描的管道位置检测方法
CN112184765B (zh) * 2020-09-18 2022-08-23 西北工业大学 一种用于水下航行器的自主跟踪方法
CN113487687B (zh) * 2021-08-04 2023-02-03 广东工业大学 一种深沟窄槽视觉检测镜头防碰撞控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014060562A1 (en) * 2012-10-17 2014-04-24 Cathx Research Ltd Improvements in relation to underwater imaging for underwater surveys
WO2014067685A1 (en) * 2012-10-30 2014-05-08 Total Sa A method for simplifying defect analysis
JP2015175831A (ja) * 2014-03-18 2015-10-05 日立Ｇｅニュークリア・エナジー株式会社 水中移動体の位置検知装置及び位置検知方法
CN108051444A (zh) * 2017-11-30 2018-05-18 哈尔滨市舍科技有限公司 基于图像的水下管道检测装置及其检测方法
CN109035224A (zh) * 2018-07-11 2018-12-18 哈尔滨工程大学 一种基于多波束点云的海底管道检测与三维重建方法
CN109753081A (zh) * 2018-12-14 2019-05-14 中国矿业大学 一种基于机器视觉的巷道巡检无人机系统及导航方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014060562A1 (en) * 2012-10-17 2014-04-24 Cathx Research Ltd Improvements in relation to underwater imaging for underwater surveys
WO2014067685A1 (en) * 2012-10-30 2014-05-08 Total Sa A method for simplifying defect analysis
JP2015175831A (ja) * 2014-03-18 2015-10-05 日立Ｇｅニュークリア・エナジー株式会社 水中移動体の位置検知装置及び位置検知方法
CN108051444A (zh) * 2017-11-30 2018-05-18 哈尔滨市舍科技有限公司 基于图像的水下管道检测装置及其检测方法
CN109035224A (zh) * 2018-07-11 2018-12-18 哈尔滨工程大学 一种基于多波束点云的海底管道检测与三维重建方法
CN109753081A (zh) * 2018-12-14 2019-05-14 中国矿业大学 一种基于机器视觉的巷道巡检无人机系统及导航方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘奕晖."基于AUV的水下管道检测及位置估算方法研究".《中国优秀硕士学位论文全文数据库（电子期刊）》.2018, *

Also Published As

Publication number Publication date
CN110533650A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN109035224B (zh) 一种基于多波束点云的海底管道检测与三维重建方法
CN110533650B (zh) 一种基于视觉的auv水下管道检测跟踪方法
CN113284109B (zh) 管道缺陷识别方法、装置、终端设备及存储介质
CN109993710B (zh) 一种基于生成对抗网络的水下图像去噪方法
CN112146654B (zh) 基于关键约束帧的前视成像声呐水下定位与导航方法
CN101832470A (zh) 基于光视觉的水下管线巡检方法及巡检装置
CN201680157U (zh) 基于光视觉的水下管线巡检装置
Guth et al. Underwater SLAM: Challenges, state of the art, algorithms and a new biologically-inspired approach
CN113624225B (zh) 一种用于发动机定位销安装的位姿解算方法
CN114034288B (zh) 海底微地形激光线扫描三维探测方法及系统
CN113034569A (zh) 一种基于点云数据的船舶超限预警方法及系统
CN104766312A (zh) 一种基于双目光视觉引导的智能水下机器人自主对接方法
Li et al. Vision-based target detection and positioning approach for underwater robots
CN113589294A (zh) 一种水下浅地层剖面数据的处理方法、系统、设备及介质
CN114170686A (zh) 一种基于人体关键点的屈肘行为检测方法
CN113298725A (zh) 一种轮船图标图像叠加误差的纠正方法
Liu et al. A prior-knowledge-based threshold segmentation method of forward-looking sonar images for underwater linear object detection
CN117593601A (zh) 一种基于深度学习的水尺验潮方法
CN116740036A (zh) 一种钢管管端引熄弧板切割点位检测方法和系统
CN106778515B (zh) 一种法兰轴向漏磁阵列信号自动识别方法
CN112116538B (zh) 一种基于深度神经网络的海洋勘测图像质量增强方法
CN113935946A (zh) 实时检测地下障碍物的方法及装置
Sheng et al. A new algorithm for AUV pipeline recognition and location
CN109298709A (zh) 一种用于浅水管线的水面无人艇检测与跟踪方法
Huang et al. Seafloor obstacle detection by sidescan sonar scanlines for submarine cable construction

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