CN110738698B - 浮水式海底数据测量方法、装置和电子设备 - Google Patents
浮水式海底数据测量方法、装置和电子设备 Download PDFInfo
- Publication number
- CN110738698B CN110738698B CN201911085885.9A CN201911085885A CN110738698B CN 110738698 B CN110738698 B CN 110738698B CN 201911085885 A CN201911085885 A CN 201911085885A CN 110738698 B CN110738698 B CN 110738698B
- Authority
- CN
- China
- Prior art keywords
- submarine
- image
- measured
- region
- scanning
- 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
Links
- 238000007667 floating Methods 0.000 title claims abstract description 47
- 238000000691 measurement method Methods 0.000 title abstract description 11
- 235000014653 Carica parviflora Nutrition 0.000 claims abstract description 63
- 241000243321 Cnidaria Species 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 241000242757 Anthozoa Species 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 13
- 238000011179 visual inspection Methods 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 241000894007 species Species 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000242759 Actiniaria Species 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/008—Surveying specially adapted to open water, e.g. sea, lake, river or canal measuring depth of open water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Optics & Photonics (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供的浮水式海底数据测量方法、装置和电子设备,涉及图像识别领域,该方法首先通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;然后将海底扫描图像进行拼接以及预处理,得到待测量区域的海底平面图;最后基于预先训练的珊瑚分类模型,确定海底平面图中的各类珊瑚的分布区域。因此,本发明实施例提供的技术方案,无需下水目测,在水面上即可作测量,缓解了现有技术中存在的测量准确度低,测量时间较长的技术问题,能够提高测量结果的准确度,减少了测量时间,有利于提高测量效率。
Description
技术领域
本发明涉及海洋测量领域,具体而言,涉及一种浮水式海底数据测量方法、装置和电子设备。
背景技术
生物种类丰富度是衡量珊瑚礁健康状况的一个重要指标,因为健康的珊瑚礁通常比退化的珊瑚礁用于更多的物种。对珊瑚礁进行抽样来估算生物种类丰富度或给定区域内的物种数量。
目前,科学家对珊瑚礁抽样来进行海洋测量主要依靠潜水员目测的方式,即通过潜水员直接下水进行测量,其中横断线和正方形框架是珊瑚礁抽样检测过程中常用的工具。如图1所示。在下水测量时,潜水员需要手持PVC管制成的正方形框架,为小区域范围内的生物进行计数或量化,并根据小区域的结果来估算更大区域的丰富度。小区域样本估算较大区域,会产生很多假设,导致测量的准确度较低;此外,在水下由于水的折射问题也会导致目测的测量准确度较低,需要的测量时间往往也比较长。
综上,现有技术中存在测量准确度较低、测量时间较长的问题。
发明内容
有鉴于此,本发明的目的在于提供一种浮水式海底数据测量方法、装置、电子设备和计算机可读存储介质。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种浮水式海底数据测量方法,包括:
通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述浮水式图像采集装置包括线型激光发射器,所述线型激光发射器用于向海底发射围合固定面积的激光,所述海底扫描图像包括所述激光的图像;所述方法还包括:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图的步骤,包括:
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;
基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图的步骤,包括:
将所述海底扫描图像进行拼接,得到所述待测量区域的海底拼接图像;
将所述待测量区域的海底拼接图像,基于RBG进行直方图均衡处理;
将处理后的海底拼接图像,由RBG转换为HSV,对饱和度和明度进行直方图均衡处理,得到所述待测量区域的海底三维图。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,还包括:
预先确定训练样本集,每个训练样本对应有珊瑚类型标签;
基于所述训练样本集对初始的珊瑚分类模型进行训练,得到训练的珊瑚分类模型。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,所述初始的珊瑚分类模型为ImageNet CNN或者Google AutoML。
第二方面,实施例提供一种浮水式海底数据测量装置,包括:
获取模块,用于通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
处理模块,用于将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
确定模块,用于基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述浮水式图像采集装置包括线型激光发射器,所述线型激光发射器用于向海底发射围合固定面积的激光,所述海底扫描图像包括所述激光的图像;所述确定模块,还用于:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
第三方面,实施例提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现前述实施方式任一项所述的方法。
第四方面,实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
本发明实施例带来了以下有益效果:本发明实施例提供的浮水式海底数据测量方法、装置、电子设备和计算机可读存储介质,其中,该方法包括:通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。因此,本发明实施例提供的技术方案,无需下水目测,在水面上即可作测量,缓解了现有技术中存在的测量准确度低,测量时间较长的技术问题,能够提高测量结果的准确度,减少了测量时间,有利于提高测量效率。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了现有技术的海洋测量场景图;
图2示出了本发明实施例提供的一种浮水式海底数据测量方法的流程图;
图3示出了本发明实施例提供的一种浮水式图像采集装置的测试原理图;
图4示出了本发明实施例提供的一种图像处理前后的对比图;
图5示出了本发明实施例提供的一种经图像处理后的海底三维图;
图6示出了图5对应的海底平面图;
图7示出了部分训练样本的示意图;
图8示出了图6中的珊瑚种类及其分布区域图;
图9示出了本发明实施例提供的一种浮水式海底数据测量装置的示意图;
图10示出了本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前的生物种类丰富度测量方法依赖于潜水员目测的方式,存在以下缺点:
第一,测量时间较长,例如装备(如氧气筒等)的局限性导致每次下水测量的时间较短,对于一些大面积的海域,则要多次分段测量,导致测量时间长,测量效率较低。
第二,测量准确度不高,潜水员下水只能采集小区域估计大区域,需要作出不少假设,且在海水里光线有折射,海水呈蓝色的情况下目测也会导致测量结果准确度下降。
基于此,本发明实施例提供了一种浮水式海底数据测量方法、装置及电子设备,能够缓解现有技术中存在的测量准确度低、测量时间长的问题,测量结果准确度较高,测量时间也较短,此外,减少了对生态的破坏。
下面首先对本发明实施例提供的一种浮水式海底数据测量方法进行介绍:
如图2所示,本发明实施例提供一种浮水式海底数据测量方法,包括:
步骤S202,通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
步骤S204,将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
步骤S206,基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。
对于步骤S202,浮水式海洋测量装置可以在水面上使用,既可以由用户在水上手持测量,也可以通过运动装置(例如马达)驱动海洋测量装置运动。当然浮水式海洋测量装置还可以固定不同,通过设置多个浮水式海洋测量装置来对较大的海域进行测量。
浮水式海洋测量装置包括图像采集装置,具体的,图像采集装置可以是照相机或者摄像装置。图像采集装置可以对海底进行图像扫描,得到海底扫描图像。若待测量区域的面积较大时,可以通过将浮水式图像采集装置在待测量区域的海洋表面移动,获取待测量区域的海底扫描图像。
针对步骤S204,考虑到拍摄到的图像是一张一张的,可能无法得到待测量区域的宏观图像,因此首先对拍摄的海底扫描图像进行拼接;之后对拼接的图像进行预处理,这里的预处理可以包括RGB的直方图均衡处理、将RGB转换为HSV、并进行SV的直方图均衡处理,使得图像中珊瑚突出显示便于识别。
在可选的实施方案中,该步骤S204在将海底扫描图像进行拼接时,可以通过以下步骤执行:
通过PIX4D等图像处理软件将海底扫描图像拼接起来,得到整个待测量区域的海底拼接图像。
在可选的实施方案中,该步骤S204在进行图像预处理时,包括:
A对上述海底拼接图像,基于RGB进行直方图均衡(Histogram Equalisation,HE)处理;
B将处理后的海底拼接图像由RGB转换为HSV,并对SV(饱和度和明度)进行HE处理。
在可选的实施方式中,步骤S204将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图,包括:
1、将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;
在可选的实施方式中,该步骤1,包括以下子步骤:
1.1将所述海底扫描图像进行拼接,得到所述待测量区域的海底拼接图像;
1.2将所述待测量区域的海底拼接图像,基于RBG进行直方图均衡处理;
1.3将处理后的海底拼接图像,由RBG转换为HSV,对饱和度和明度进行直方图均衡处理,得到所述待测量区域的海底三维图。
2、基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
在可选的实施方式中,海底深度可以基于超声测距技术得到,也可以根据激光测距得到。
在可选的实施方式中,所述浮水式图像采集装置包括线型激光发射器,所述线型激光发射器用于向海底发射围合固定面积的激光,所述海底扫描图像包括所述激光的图像;该方法还包括海底深度的确定步骤:基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
在步骤S206中,珊瑚分类模型是一种基于CNN(Convolutional Neural Network,卷积神经网络)模型,珊瑚分类模型可以用来识别珊瑚,并对珊瑚进行分类。
在可选的实施方式中,该方法还包括珊瑚分类模型的构建步骤:
具体的,珊瑚分类模型的构建步骤包括:
1)预先确定训练样本集,每个训练样本对应有珊瑚类型标签;
其中训练样本可以从互联网上获取,训练样本集包括多种类型的珊瑚,每种类型的珊瑚均有多张。
具体的,在网上为不同种类的珊瑚找出每种30张以上的图片,所有的图片构成训练样本集,然后将这些珊瑚图片分为8:1:1(训练用的样本数目:验证用的样本数目:测试用的样本数量)。
2)基于所述训练样本集对初始的珊瑚分类模型进行训练,得到训练的珊瑚分类模型。
在可选的实施方式中,所述初始珊瑚分类模型为ImageNet CNN或者GoogleAutoML。
在一种可能的实现方式中,基于训练样本集对现有的ImageNet CNN进行训练,得到训练的珊瑚分类模型。
在其他实施方式中,基于训练样本集直接采用Google AutoML进行训练得到训练的珊瑚分类模型。
本发明实施例提供的浮水式海底数据测量方法,首先通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;然后将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;最后基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。因此,本发明实施例提供的技术方案,无需下水目测,在水面上即可作测量,缓解了现有技术中存在的测量准确度低,测量时间较长的技术问题,能够提高测量结果的准确度,减少了测量时间,有利于提高测量效率。
为了便于理解,下面举例对该浮水式海底数据测量方法进行说明:
下面结合图3对本实施例中采用的浮水式采集装置进行简要介绍,如图3所示,该浮水式采集装置包括预设尺寸的方形架子、设置在方形架子中间的相机以及设置在方形架子四条边上的四个线型激光发射器(在架子边的底部安装,因此未示于图中);根据线型激光发射器在水下打出来的激光围合成的图像区域的面积大小来作水深检测,即线型激光发射器可以用于确定海底深度。
该方法主要包括以下四个过程:
(1)录影海底。操作过程中,操作人员手持架子在海洋表面移动,移动过程中尽可能的将架子维持在水平(例如架子上还可以安装有水平指示仪,从而便于查看架子是否水平,及时作出调整,以免影响结果)。
应当理解的是,图3中围合的四方形(颜色为红色)越小,则海底越深。
(2)图像处理。考虑到获取到的照片是一张张的,得不到一个宏观的海洋生态环境。因此,需要对这些照片采用PIX4D等软件拼接起来。之后开始进行RBG的HE处理,再将RGB转换为HSV,将HSV中的SV两部分做HE处理,这样就能将整个珊瑚等生态的颜色等强化。
图4示出了一种图像处理前后的对比图,其中左边图是未处理的图(original),右边图是处理后的图(corrected)。
图5示出了一种经图像处理后的海底三维图。
进一步的,可以通过四方形的大小来记录海底深度。
然后基于海底三维图及对应的海底深度,可以确定海底三维图所对应的海底平面图;图6示出了图5对应的海底平面图。
(3)训练CNN和图像识别,在网上获取不同种类的珊瑚图片,每种种类的珊瑚图片为多张,将这些图片作为训练样本集对初始的CNN进行训练,得到珊瑚分类模型,初始的CNN可以是现有的ImageNet CNN或者Google AutoML。
图7示出了部分训练样本的示意图,该训练样本包括标注有珊瑚种类的标签和图片。
(4)应用上述训练的珊瑚分类模型对图6中的海底平面图进行识别,识别结果如图8所示,图8中示出了图6中的珊瑚种类及其分布区域,其中深色四方形代表海葵,浅色四方形代表脑珊瑚。
本发明实施例提供的浮水式海底数据测量方法是一种基于CNN的机器视觉技术,来进行图像识别,测量海底的生态分布。该方法不需要潜水,不需要目测,也不需要复杂的硬件,仅需要浮水式图像采集装置在水面就可以对海底进行测量,相比于现有技术,该方法简单易行,测量效率和测量准确度均有提升。
参照图9,本发明实施例提供一种浮水式海底数据测量装置,包括:获取模块901、处理模块902和确定模块903。
其中,获取模块901,用于通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
处理模块902,用于将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
确定模块903,用于基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。
在可选的实施方式中,所述浮水式图像采集装置包括线型激光发射器,所述线型激光发射器用于向海底发射围合固定面积的激光,所述海底扫描图像包括所述激光的图像;所述确定模块,还用于:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
在可选的实施方式中,处理模块902在将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图时,用于将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
在可选的实施方式中,处理模块902在将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图时,用于将所述海底扫描图像进行拼接,得到所述待测量区域的海底拼接图像;将所述待测量区域的海底拼接图像,基于RBG进行直方图均衡处理;将处理后的海底拼接图像,由RBG转换为HSV,对饱和度和明度进行直方图均衡处理,得到所述待测量区域的海底三维图。
在可选的实施方式中,该装置还包括训练模块904,用于预先确定训练样本集,每个训练样本对应有珊瑚类型标签;基于所述训练样本集对初始的珊瑚分类模型进行训练,得到训练的珊瑚分类模型。
在可选的实施方式中,初始珊瑚分类模型为ImageNet CNN或者Google AutoML。
本申请实施例提供的浮水式海底数据测量装置,与上述实施例提供的浮水式海底数据测量方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
参见图10,本发明实施例还提供一种电子设备100,包括:
处理器41、存储器42、和总线43;存储器42用于存储执行指令,包括内存421和外部存储器422;这里的内存421也称内存储器,用于暂时存放处理器41中的运算数据,以及与硬盘等外部存储器422交换的数据,处理器41通过内存421与外部存储器422进行数据交换,当所述计算机设备400运行时,所述处理器41与所述存储器42之间通过总线43通信,使得所述处理器41在用户态执行以下指令:
通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域。
可选地,处理器41执行的指令中,所述浮水式图像采集装置包括线型激光发射器,所述线型激光发射器用于向海底发射围合固定面积的激光,所述海底扫描图像包括所述激光的图像;还包括:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
可选地,处理器41执行的指令中,将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图,包括:
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;
基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
可选地,处理器41执行的指令中,还包括:将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图的步骤,包括:
将所述海底扫描图像进行拼接,得到所述待测量区域的海底拼接图像;
将所述待测量区域的海底拼接图像,基于RBG进行直方图均衡处理;
将处理后的海底拼接图像,由RBG转换为HSV,对饱和度和明度进行直方图均衡处理,得到所述待测量区域的海底三维图。
可选地,处理器41执行的指令中,还包括:
预先确定训练样本集,每个训练样本对应有珊瑚类型标签;
基于所述训练样本集对初始的珊瑚分类模型进行训练,得到训练的珊瑚分类模型。
可选地,处理器41执行的指令中,所述初始珊瑚分类模型为ImageNet CNN或者Google AutoML。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例提供的基于路标的室内定位方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种浮水式海底数据测量方法,其特征在于,包括:
通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域;
其中,所述浮水式采集装置包括预设尺寸的方形架子、设置在所述方形架子中间的相机以及设置在所述方形架子四条边上的四个线型激光发射器;通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像,包括:
通过四个所述线型激光发射器向海底发射围合固定面积的激光,并在四个所述线型激光发射器向海底发射围合固定面积的激光的过程中,通过所述相机拍摄所述激光的图像,得到所述海底扫描图像;
所述将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图的步骤包括:
将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;
基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
3.根据权利要求1所述的方法,其特征在于,将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图的步骤,包括:
将所述海底扫描图像进行拼接,得到所述待测量区域的海底拼接图像;
将所述待测量区域的海底拼接图像,基于RBG进行直方图均衡处理;
将处理后的海底拼接图像,由RBG转换为HSV,对饱和度和明度进行直方图均衡处理,得到所述待测量区域的海底三维图。
4.根据权利要求1所述的方法,其特征在于,还包括:
预先确定训练样本集,每个训练样本对应有珊瑚类型标签;
基于所述训练样本集对初始的珊瑚分类模型进行训练,得到训练的珊瑚分类模型。
5.根据权利要求4所述的方法,其特征在于,所述初始的珊瑚分类模型为ImageNet CNN或者Google AutoML。
6.一种浮水式海底数据测量装置,其特征在于,包括:
获取模块,用于通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像;
处理模块,用于将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底平面图;
确定模块,用于基于预先训练的珊瑚分类模型,确定所述海底平面图中的各类珊瑚的分布区域;
其中,所述浮水式采集装置包括预设尺寸的方形架子、设置在所述方形架子中间的相机以及设置在所述方形架子四条边上的四个线型激光发射器;通过浮水式图像采集装置在待测量区域的海洋表面获取海底扫描图像时,所述获取模块具体用于:
通过四个所述线型激光发射器向海底发射围合固定面积的激光,并在四个所述线型激光发射器向海底发射围合固定面积的激光的过程中,通过所述相机拍摄所述激光的图像,得到所述海底扫描图像;
所述处理模块具体用于:将所述海底扫描图像进行拼接以及预处理,得到所述待测量区域的海底三维图;基于每个所述海底扫描图像对应的海底深度,根据所述待测量区域的海底三维图,确定所述待测量区域的海底平面图。
7.根据权利要求6所述的装置,其特征在于,所述确定模块还用于:
基于所述海底扫描图像中所述激光围合的图像区域的面积的大小,确定所述海底扫描图像对应的海底深度。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器可执行所述机器可执行指令以实现权利要求1-5任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085885.9A CN110738698B (zh) | 2019-11-08 | 2019-11-08 | 浮水式海底数据测量方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085885.9A CN110738698B (zh) | 2019-11-08 | 2019-11-08 | 浮水式海底数据测量方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738698A CN110738698A (zh) | 2020-01-31 |
CN110738698B true CN110738698B (zh) | 2023-07-04 |
Family
ID=69272526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911085885.9A Active CN110738698B (zh) | 2019-11-08 | 2019-11-08 | 浮水式海底数据测量方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738698B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283278B (zh) * | 2021-01-08 | 2023-03-24 | 浙江大学 | 一种抗干扰的激光水下目标识别仪 |
CN112949632A (zh) * | 2021-03-05 | 2021-06-11 | 哈尔滨工程大学 | 一种珊瑚礁白化自动识别方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10262205B2 (en) * | 2015-07-28 | 2019-04-16 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN107241533B (zh) * | 2016-03-29 | 2019-09-24 | 中国人民解放军92232部队 | 一种水下面阵扫描激光成像装置及方法 |
US10546373B2 (en) * | 2016-08-03 | 2020-01-28 | Sightline Innovation Inc. | System and method for integrated laser scanning and signal processing |
US10809376B2 (en) * | 2017-01-06 | 2020-10-20 | Massachusetts Institute Of Technology | Systems and methods for detecting objects in underwater environments |
CN109932708B (zh) * | 2019-03-25 | 2022-09-23 | 西北工业大学 | 一种基于干涉条纹和深度学习的水面水下分类目标的方法 |
CN110375719A (zh) * | 2019-07-09 | 2019-10-25 | 山东科技大学 | 一种基于蒙特卡罗匹配的机载激光测深航带拼接方法 |
-
2019
- 2019-11-08 CN CN201911085885.9A patent/CN110738698B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110738698A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lines et al. | An automatic image-based system for estimating the mass of free-swimming fish | |
CN103914802B (zh) | 用于使用导入的深度信息的图像选择和掩蔽的系统与方法 | |
CN110738698B (zh) | 浮水式海底数据测量方法、装置和电子设备 | |
JP7006776B2 (ja) | 分析装置、分析方法、プログラムおよび水中生物監視システム | |
CN109409428A (zh) | 木板识别及木板识别模型的训练方法、装置及电子设备 | |
CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
JP7074185B2 (ja) | 特徴推定装置および特徴推定方法、プログラム | |
Garner et al. | Estimating reef fish size distributions with a mini remotely operated vehicle-integrated stereo camera system | |
Rofallski et al. | Measuring artificial reefs using a multi-camera system for unmanned underwater vehicles | |
CN115797658A (zh) | 水下垃圾检测方法及系统 | |
CN115690546B (zh) | 虾长测量方法、装置、电子设备及存储介质 | |
CN116452965A (zh) | 一种基于声光融合的水下目标检测识别方法 | |
Ge et al. | Real-time object detection algorithm for Underwater Robots | |
CN116125489A (zh) | 一种室内物体三维检测方法、计算机设备及存储介质 | |
US20200226384A1 (en) | Method for counting and identifying fish species at a given location | |
CN114758355A (zh) | 基于机器视觉的水下鲑鱼重量估计方法及系统 | |
Xin et al. | ULL-SLAM: underwater low-light enhancement for the front-end of visual SLAM | |
CN114331848A (zh) | 视频图像拼接方法、装置及设备 | |
Ivanovskii | The Concept of Automated Draught Survey System for Marine Ships | |
US20190286918A1 (en) | Method and device for aiding the navigation of a vehicle | |
CN114677324B (zh) | 水深检测方法及系统 | |
MUSTAFA et al. | FLUDI: Using digital images for measuring fish length | |
Rahim et al. | A new approach in measuring fish length using FiLeDI framework | |
CN114511610A (zh) | 一种确定图像内待测量物体大小的方法、装置和存储介质 | |
CN115937664A (zh) | 海产品检测方法、装置、终端设备以及存储介质 |
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 |