CN111047583A - 一种基于机器视觉的水下网衣系统破损检测方法 - Google Patents

一种基于机器视觉的水下网衣系统破损检测方法 Download PDF

Info

Publication number
CN111047583A
CN111047583A CN201911332867.6A CN201911332867A CN111047583A CN 111047583 A CN111047583 A CN 111047583A CN 201911332867 A CN201911332867 A CN 201911332867A CN 111047583 A CN111047583 A CN 111047583A
Authority
CN
China
Prior art keywords
netting
image
mesh
damage
underwater
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
CN201911332867.6A
Other languages
English (en)
Other versions
CN111047583B (zh
Inventor
赵云鹏
杜海
毕春伟
牛丽娟
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 University of Technology
Original Assignee
Dalian University of Technology
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 University of Technology filed Critical Dalian University of Technology
Priority to CN201911332867.6A priority Critical patent/CN111047583B/zh
Publication of CN111047583A publication Critical patent/CN111047583A/zh
Application granted granted Critical
Publication of CN111047583B publication Critical patent/CN111047583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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)
  • Multimedia (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于海洋工程与信息技术融合技术领域，提供了一种基于机器视觉的水下网衣系统破损检测方法，包括网孔信息识别及网孔异常检测。本发明基于机器视觉的网箱水下网衣破损检测方法，通过ROV水下机器人获取网衣原始视频图像，基于传统图像处理技术去除水下噪声，之后简化网衣图像为二值图。通过连通域分割获取每个网孔的面积，并形成网衣特征梯度曲线，确定网衣破损判别公式，根据自适应网衣异常阈值来判断网衣破损情况，并准确返回原始图像中网衣破损位置，自动框出网衣破损面积。本方法在整个网衣破损检测过程中均自动检测分析，提高网衣检测效率的同时，可有效降低网衣破损检测中的人力消耗，保障工作人员人身安全。

Description

一种基于机器视觉的水下网衣系统破损检测方法
技术领域
本发明属于海洋工程与信息技术融合技术领域，涉及一种网衣破损状态检测方法，尤其涉及一种具有非接触式和准确检测破损程度及位置功能的方法。
背景技术
渔业是我国农业及国民经济的重要组成部分，为了实现渔业的可持续发展，维护海洋生态平衡，海洋捕捞作业逐渐从传统的粗狂过渡捕捞发展为间歇式的捕捞和集约式的海水网箱养殖的现状。随着海产品需求缺口的不断增大和近海养殖环境的日益恶劣，深远海网箱养殖成为我国海水渔业养殖的主要发展方向，作为科技含量较高的养殖方式，深远海网箱养殖是高投入、高风险和高收益的养殖行业类型。其具有抗浪力强，集约化程度高，产量高，养殖水体流动性强、成鱼品质优质，经济效益显著，成为了扩大生存空间，发展海洋渔业产业的一个新的经济增长点。
深远海网箱系统主要由框架系统、网衣系统、锚锭系统及配套设施组成。大型深远海养殖网箱在风、浪、流等作用下会发生结构破坏。其中最关键的组成部分即水下网衣系统，一旦发生破坏若未及时发现，将会导致大量鱼类逃逸，造成很严重的经济损失以及生态污染。然而，网箱网衣的破损检测一直处于技术滞后状态。目前养殖过程中针对网衣检测，常采用定期换网或聘请专业的潜水员进行水下网目排查的方式，其过程较为繁琐，不仅存在操作效率问题，还无法保证工作人员的安全。因此，网衣检测成为了影响深远海网箱养殖健康发展的一个关键问题。
针对上述问题，本发明以水下网箱监测实际应用为背景，基于传统图像处理技术提出了水下网衣破损检测的一种新方法，利用水下机器人(ROV，Remote OperatedVehicle)进行网衣视频图像的采集，通过对网衣视频的预处理，提高网衣图像的像素质量，去除使图像变得模糊的水下噪声，增强网衣目标与水体背景的对比度，使得网衣图像可以很好地被计算机识别与计算；利用二值化图像分割方法使得每个网孔成为一个独立的研究对象，以便于后续对网孔进行破损检测计算；之后根据网孔面积构建特征梯度曲线，并基于曲线的特征值判断网孔异常情况。最后进行了网衣状态检测实验，使用水下机器人在波流水槽内进行网衣检测实验，对本发明所提方法进行了验证，并证实了该方法的有效性。本发明具有非接触式、智能化检测的特点，为进一步实现深海养殖网箱的日常无人化监测提供了有效方法。
发明内容
本发明的目的在于克服传统检测手段的不足，提供一种全新的检测方法，为一种基于机器视觉的水下网衣系统破损检测方法，用以检测深水网箱网衣的破损情况。
本发明的技术方案：
一种基于机器视觉的水下网衣系统破损检测方法，包括网孔信息识别及网孔异常检测；
(一)网孔信息识别，包括网衣图像预处理、图像二值化、连通域分割、网衣特征梯度曲线构造，具体步骤如下：
(1)利用水下机器人(ROV)对水下网衣进行视频采集，获取网箱网衣局部图像；
(2)进行网衣图像预处理，包括：
(2.1)将网衣视频输入到计算机中，转化为单帧图像，设定网衣图像的主分析区域(ROI)，忽略图像边缘区域，以提高计算机计算速度及精度；
(2.2)将ROI区域内的网衣像素矩阵进行双边带滤波操作，在保留网衣边缘的同时去除其它噪声；
(2.3)对滤波后的网衣图像进行灰度处理，将原图像由RGB三通道变换为单通道灰度图，简化计算机计算过程，提高整体网衣检测效率；
(3)利用最大类间方差法即大津法(OSTU)对网衣灰度图像进行二值化操作，通过不断调整自适应阈值来达到目标网衣与背景的最优分割，得到网衣网线与网孔的二值图；
(4)对网衣二值图像进行连通域分割，将网衣上的每个网孔分割开来作为单独的研究对象，具体包括：
(4.1)对二值图像进行取反，转化研究对象，将以网衣边缘为研究对象转化为以网孔为分析目标，以便后续计算机对网孔进行识别分割；
(4.2)对网易图像进行连通域分割，统计连通域的数目，使整体的网衣分割为多个独立的网孔；
(4.3)通过统计每个网孔内像素点的个数计算每个网孔的面积，将小面积噪声点及边缘不完整网孔面积值设为0。
(5)根据得到的网孔面积值得到面积升序曲线，并计算曲线的特征梯度，进而形成特征梯度曲线；
(二)网孔异常检测步骤，包括曲线峰值搜索、网孔异常阈值设定、网衣异常判别标准、网衣破损位置提取，具体包括：
(1)搜索特征梯度曲线的局部峰值K，并计算局部峰值平均值
Figure BDA0002330146560000031
当
Figure BDA0002330146560000032
时，将K保存为Kj于集合P中。
(2)利用最大类间方差法，找到符合峰值的网孔异常阈值，此阈值为自适应阈值，可随网衣图像的变化自适应选择符合条件的阈值；
(3)根据网衣异常判别公式判别网孔是否有异常情况，即集合P中的最大峰值与最小峰值之间的差大于网孔异常阈值时，筛选出网孔异常点；
(4)根据网孔异常点，映射到网衣特征梯度曲线中，其纵坐标代表网衣破损程度，横坐标表示网衣破损位置。根据提取的网衣破损位置即可返回到网衣原图中确定破损情况。
本发明的有益效果：本发明基于机器视觉的网箱水下网衣破损检测方法，通过ROV水下机器人获取网衣原始视频图像，基于传统图像处理技术去除水下噪声，之后简化网衣图像为二值图。通过连通域分割获取每个网孔的面积，并形成网衣特征梯度曲线，确定网衣破损判别公式，根据自适应网衣异常阈值来判断网衣破损情况，并准确返回原始图像中网衣破损位置，自动框出网衣破损面积。本方法在整个网衣破损检测过程中均自动检测分析，提高网衣检测效率的同时，可有效降低网衣破损检测中的人力消耗，保障工作人员人身安全。
附图说明
图1是本发明所提出的基于机器视觉的网箱水下网衣破损检测方法的一种实施例的网孔信息识别流程图；
图2是本发明所提出的基于机器视觉的网箱水下网衣破损检测方法的一种实施例的网孔异常检测流程图；
图3是本发明所提出的基于机器视觉的网箱水下网衣破损检测方法的一种实施例中的网衣模型图；
图4是本发明所提出的基于机器视觉的网箱水下网衣破损检测方法的一种实施例中扫描网衣示意图；
图5是本发明所提出的基于机器视觉的网箱水下网衣破损检测方法的一种实施例中网衣破损检测示意图；
图中：1水下机器人；2水下机器人获取的网箱局部网衣图像；3深水网箱。
具体实施方案
以下结合附图和实施例，详细叙述本发明的具体实施方式。
实施例一，本发明提出了一种基于机器视觉的网箱水下网衣破损检测方法，包括网孔信息识别及网孔异常检测步骤。
网孔信息识别步骤，如图1所示，包括：
S1、利用水下机器人(ROV)对水下网衣进行视频采集，获取网箱网衣局部图像；
S2、进行网衣图像预处理，包括：
S2.1、将网衣视频输入到计算机中，转化为单帧图像，设定网衣图像的主分析区域(ROI)，忽略图像边缘区域，以提高计算机计算速度及精度；
S2.2、将ROI区域内的网衣像素矩阵进行双边带滤波操作，在保留网衣边缘的同时去除其它噪声；
S2.3、对滤波后的网衣图像进行灰度处理，将原图像由RGB三通道变换为单通道灰度图，简化计算机计算过程，提高整体网衣检测效率；
S3、利用最大类间方差法即大津法(OSTU)对网衣灰度图像进行二值化操作，通过不断调整自适应阈值来达到目标网衣与背景的最优分割，得到网衣网线与网孔的二值图；
S4、对网衣二值图像进行连通域分割，将网衣上的每个网孔分割开来作为单独的研究对象，具体包括：
S4.1、对二值图像进行取反，转化研究对象，将以网衣边缘为研究对象转化为以网孔为分析目标，以便后续计算机对网孔进行识别分割；
S4.2、对网衣图像进行连通域分割，统计连通域的数目，使整体的网衣分割为多个独立的网孔；
S4.3、通过统计每个网孔内像素点的个数计算每个网孔的面积，将小面积噪声点及边缘不完整网孔面积值设为0。
S5、根据得到的网孔面积值得到面积升序曲线，并计算曲线的特征梯度，进而形成特征梯度曲线；
网孔异常检测步骤，如图2所示，包括：
S1、搜索特征梯度曲线的局部峰值K，并计算局部峰值平均值
Figure BDA0002330146560000061
当
Figure BDA0002330146560000062
时，将K保存为Kj于集合P中。
S2、利用最大类间方差法，找到符合峰值的网孔异常阈值，此阈值为自适应阈值，可随网衣图像的变化自适应选择符合条件的阈值；
S3、根据网衣异常判别公式判别网孔是否有异常情况，即集合P中的最大峰值与最小峰值之间的差大于网孔异常阈值时，筛选出网孔异常点；
S4、根据网孔异常点，映射到网衣特征梯度曲线中，其纵坐标代表网衣破损程度，横坐标表示网衣破损位置。根据提取的网衣破损位置即可返回到网衣原图中确定破损情况。
网衣破损检测过程，如图5所示。由于考虑到网衣附着问题，本发明转换研究对象，将以网线为研究对象转换为以网孔为研究对象。网衣视频由多帧图像组成，在一帧网衣图像中，我们利用图5所示破损检测过程确定这一帧网衣图像中是否有网衣破损情况，若有则终止循环，界面停止并显示网衣破损位置及破损程度；若网衣不存在破损，则继续循环下一帧图像。结合图5，具体破损检测情况如下：
首先，左上图为网衣进行简化加强处理后的二值图。进行连通域分割，分割每个网孔为单独的研究对象，统计各个网孔的面积并显示于各网孔中心位置，如图5中右上图。之后根据各网孔面积形成网衣特征梯度曲线并判断网衣破损情况如图5中右下图。最后根据特征梯度曲线的异常值坐标，判断网衣破损程度及其在原图中的位置。
具体的，网衣特征梯度计算过程为：首先将各网孔面积做升序排列，之后利用梯度算子计算网衣特征梯度，并将计算出的各个梯度保存于一个集合中。
如以下公式：
Figure BDA0002330146560000071
Ai为ROI区域中n个网孔的面积；函数ζ(Ai)表示Ai的升序排列；▽为梯度算子；K是根据面积升序曲线计算得出的一组特征梯度的集合。
具体的，网衣破损检测判别过程为：首先计算集合K中所有特征梯度的平均值
Figure BDA0002330146560000074
判断集合K中的特征梯度值是否大于梯度平均值，把满足条件的梯度值重新保存于另一集合P中。之后在新的集合P中，根据网衣特征确定自适应阈值T1，并比较集合中梯度最大值与梯度最小值的差是否大于自适应阈值。若最值差大于自适应阈值，此时判定网衣存在破损，输出最大特征梯度的横坐标c，映射到原图中，显示破损位置并框出网衣破损面积。具体如以下公式：
Figure BDA0002330146560000072
D＝[max(Pc)-min(Pc)＞T1？c:Null],c∈[1,n]
Kj是集合K中的单个梯度元素；
Figure BDA0002330146560000073
是集合K中所有梯度值的平均值；P是满足特征梯度曲线的一组特征梯度的集合；Pc是集合P中的单个峰值元素；c是对应于峰值Pc的横坐标，代表每个网孔的中心位置；T1是自适应阈值，可根据网衣图像的不同自动调节阈值；D是特征梯度曲线中统计的网衣的破损点。
本发明基于机器视觉的网箱水下网衣破损检测方法，通过ROV水下机器人遍历网衣，获取网衣原始视频图像。基于传统图像处理技术包括双边带滤波、图像增强等，去除水下噪声，提高图像像素质量。之后将网衣图像化为二值图，简化计算机分析过程。通过连通域分割获取每个网孔的面积，并形成网衣特征梯度曲线，确定网衣破损判别公式，根据自适应网衣异常阈值来判断网衣破损情况，并准确返回原始图像中网衣破损位置，自动框出网衣破损面积。本方法可同时检测带有附着物的网衣的破损情况，即网线有遮挡时，仍可有效检测其破损情况，同时可并行计算出网衣的附着程度，用以提醒工作人员是否需要及时更换或清理网衣。在整个网衣破损检测过程中均自动检测分析，提高网衣检测效率的同时，可有效降低网衣破损检测中的人力消耗，保障工作人员人身安全。

Claims (1)

1.一种基于机器视觉的水下网衣系统破损检测方法，其特征在于，该基于机器视觉的水下网衣系统破损检测方法包括网孔信息识别及网孔异常检测；
(一)网孔信息识别，包括网衣图像预处理、图像二值化、连通域分割、网衣特征梯度曲线构造，具体步骤如下：
(1)利用水下机器人对水下网衣进行视频采集，获取网衣局部图像；
(2)网衣图像预处理
(2.1)将网衣视频输入到计算机中，转化为单帧图像，设定网衣图像的主分析区域ROI，忽略图像边缘区域；
(2.2)将ROI区域内的网衣像素矩阵进行双边带滤波操作，在保留网衣边缘的同时去除其它噪声；
(2.3)对滤波后的网衣图像进行灰度处理，将原图像由RGB三通道变换为单通道灰度图；
(3)利用最大类间方差法即大津法对网衣单通道灰度图像进行二值化操作，通过不断调整自适应阈值来达到目标网衣与背景的最优分割，得到网衣网线与网孔的二值图；
(4)对网衣二值图像进行连通域分割，将网衣上的每个网孔分割开来作为单独的研究对象；
(4.1)对二值图像进行取反，转化研究对象，将以网衣边缘为研究对象转化为以网孔为分析目标，以便后续计算机对网孔进行识别分割；
(4.2)对网衣图像进行连通域分割，统计连通域的数目，使整体的网衣分割为多个独立的网孔；
(4.3)通过统计每个网孔内像素点的个数计算每个网孔的面积，将小面积噪声点及边缘不完整网孔面积值设为0；
(5)根据得到的网孔面积值得到面积升序曲线，并计算曲线的特征梯度，进而形成网衣特征梯度曲线；
(二)网孔异常检测，包括曲线峰值搜索、网孔异常阈值设定、网衣异常判别标准、网衣破损位置提取，具体步骤如下：
(1)搜索网衣特征梯度曲线的局部峰值K，并计算局部峰值平均值
Figure FDA0002330146550000021
；当
Figure FDA0002330146550000022
时，将K保存为Kj于集合P中；
(2)利用最大类间方差法，找到符合峰值的网孔异常阈值，此网孔异常阈值为自适应阈值，随网衣图像的变化自适应选择符合条件的阈值；
(3)根据网衣异常判别公式判别网孔是否有异常情况，即集合P中的最大峰值与最小峰值之间的差大于网孔异常阈值时，筛选出网孔异常点；
(4)根据网孔异常点，映射到网衣特征梯度曲线中，其纵坐标代表网衣破损程度，横坐标表示网衣破损位置；根据提取的网衣破损位置即可返回到网衣局部图像中确定破损情况。
CN201911332867.6A 2019-12-23 2019-12-23 一种基于机器视觉的水下网衣系统破损检测方法 Active CN111047583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911332867.6A CN111047583B (zh) 2019-12-23 2019-12-23 一种基于机器视觉的水下网衣系统破损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911332867.6A CN111047583B (zh) 2019-12-23 2019-12-23 一种基于机器视觉的水下网衣系统破损检测方法

Publications (2)

Publication Number Publication Date
CN111047583A true CN111047583A (zh) 2020-04-21
CN111047583B CN111047583B (zh) 2022-11-18

Family

ID=70238428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911332867.6A Active CN111047583B (zh) 2019-12-23 2019-12-23 一种基于机器视觉的水下网衣系统破损检测方法

Country Status (1)

Country Link
CN (1) CN111047583B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861995A (zh) * 2020-06-19 2020-10-30 苏州鸿鹄骐骥电子科技有限公司 一种基于CNN的高密度微led芯片视觉检测方法
CN111882555A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于深度学习的网衣检测方法、装置、设备及存储介质
CN112529853A (zh) * 2020-11-30 2021-03-19 南京工程学院 一种用于水下养殖网箱的网衣破损检测方法及装置
CN113785790A (zh) * 2021-09-09 2021-12-14 哈尔滨工程大学 一种带有网衣破损监测与定位模块的网箱
CN114155685A (zh) * 2021-12-21 2022-03-08 中国华能集团清洁能源技术研究院有限公司 一种海洋牧场水下监测装置和监测方法
CN114354755A (zh) * 2022-01-06 2022-04-15 中特检深燃安全技术服务(深圳)有限公司 一种城镇燃气聚乙烯管道的检测方法
CN114852289A (zh) * 2022-04-06 2022-08-05 五邑大学 深海渔场网箱巡检方法、装置、系统及存储介质
CN116228757A (zh) * 2023-05-08 2023-06-06 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种基于图像处理算法的深海网箱网衣检测方法
CN116805312A (zh) * 2023-08-21 2023-09-26 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084792A (zh) * 2019-04-19 2019-08-02 大连理工大学 一种海上养殖网箱网衣的异常检测方法
CN110335245A (zh) * 2019-05-21 2019-10-15 青岛科技大学 基于单目时空连续图像的网箱网衣破损监测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084792A (zh) * 2019-04-19 2019-08-02 大连理工大学 一种海上养殖网箱网衣的异常检测方法
CN110335245A (zh) * 2019-05-21 2019-10-15 青岛科技大学 基于单目时空连续图像的网箱网衣破损监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张金泉等: "海上网箱网衣检测用框架式AUV设计与试验", 《上海海洋大学学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861995B (zh) * 2020-06-19 2024-01-23 苏州鸿鹄骐骥电子科技有限公司 一种基于CNN的高密度微led芯片视觉检测方法
CN111861995A (zh) * 2020-06-19 2020-10-30 苏州鸿鹄骐骥电子科技有限公司 一种基于CNN的高密度微led芯片视觉检测方法
CN111882555A (zh) * 2020-08-07 2020-11-03 中国农业大学 基于深度学习的网衣检测方法、装置、设备及存储介质
CN111882555B (zh) * 2020-08-07 2024-03-12 中国农业大学 基于深度学习的网衣检测方法、装置、设备及存储介质
CN112529853A (zh) * 2020-11-30 2021-03-19 南京工程学院 一种用于水下养殖网箱的网衣破损检测方法及装置
CN113785790A (zh) * 2021-09-09 2021-12-14 哈尔滨工程大学 一种带有网衣破损监测与定位模块的网箱
CN114155685A (zh) * 2021-12-21 2022-03-08 中国华能集团清洁能源技术研究院有限公司 一种海洋牧场水下监测装置和监测方法
CN114354755A (zh) * 2022-01-06 2022-04-15 中特检深燃安全技术服务(深圳)有限公司 一种城镇燃气聚乙烯管道的检测方法
CN114852289A (zh) * 2022-04-06 2022-08-05 五邑大学 深海渔场网箱巡检方法、装置、系统及存储介质
CN114852289B (zh) * 2022-04-06 2024-03-26 五邑大学 深海渔场网箱巡检方法、装置、系统及存储介质
CN116228757B (zh) * 2023-05-08 2023-08-29 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种基于图像处理算法的深海网箱网衣检测方法
CN116228757A (zh) * 2023-05-08 2023-06-06 山东省海洋科学研究院(青岛国家海洋科学研究中心) 一种基于图像处理算法的深海网箱网衣检测方法
CN116805312A (zh) * 2023-08-21 2023-09-26 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法
CN116805312B (zh) * 2023-08-21 2024-01-05 青岛时佳汇服装有限公司 一种基于图像处理的针织式面料质量检测方法

Also Published As

Publication number Publication date
CN111047583B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN111047583B (zh) 一种基于机器视觉的水下网衣系统破损检测方法
CN109448001B (zh) 一种图片自动裁剪方法
CN102279973B (zh) 基于高梯度关键点的海天线检测方法
CN108181316B (zh) 一种基于机器视觉的竹条缺陷检测方法
Zhao et al. An adaptive method of damage detection for fishing nets based on image processing technology
CN105844621A (zh) 一种印刷品质量检测方法
CN112598713A (zh) 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法
CN110930357A (zh) 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统
CN110084792B (zh) 一种海上养殖网箱网衣的异常检测方法
CN106097320B (zh) 水下海参图像自动分割方法及装置
CN105678749B (zh) 一种基于视觉的鲜鱼方向判别方法
CN108109133A (zh) 一种基于数字图像处理技术的蚕卵自动计数方法
CN114724022A (zh) 融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质
CN109766892A (zh) 一种基于边缘检测的射线检测图像标记信息字符分割方法
CN109948544B (zh) 一种目标菌落自动定位与识别方法
CN113240668B (zh) 一种基于图像数字特征分布的生成熔池图像质量评估方法
El Aouni et al. Detection of moroccan coastal upwelling using sea surface chlorophyll concentration
Ge et al. Real-time object detection algorithm for Underwater Robots
CN112308002B (zh) 一种基于单阶段深度学习网络的海底生物识别和检测方法
CN115409768A (zh) 一种基于特征输入增强的渗漏水病害深度学习检测方法
CN110264474B (zh) 一种sar遥感图像的水陆分割方法
CN110533698B (zh) 一种基于视觉检测的基坑施工桩检测控制方法
CN110570437B (zh) 一种基于边界识别的电力通道自动化巡检数据处理方法
CN114332144A (zh) 样本粒度检测方法、系统、电子设备及存储介质
CN114119662A (zh) 鱼类检测视觉系统中的图像处理方法及其系统

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