CN111367302B - 海上网箱养殖巡检用无人机自适应定高方法 - Google Patents

海上网箱养殖巡检用无人机自适应定高方法 Download PDF

Info

Publication number
CN111367302B
CN111367302B CN202010137858.8A CN202010137858A CN111367302B CN 111367302 B CN111367302 B CN 111367302B CN 202010137858 A CN202010137858 A CN 202010137858A CN 111367302 B CN111367302 B CN 111367302B
Authority
CN
China
Prior art keywords
unmanned aerial
inspection
aerial vehicle
cage culture
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
CN202010137858.8A
Other languages
English (en)
Other versions
CN111367302A (zh
Inventor
孟娟
杜海
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 CN202010137858.8A priority Critical patent/CN111367302B/zh
Publication of CN111367302A publication Critical patent/CN111367302A/zh
Application granted granted Critical
Publication of CN111367302B publication Critical patent/CN111367302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/04Control of altitude or depth
    • G05D1/042Control of altitude or depth specially adapted for aircraft
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/80Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
    • Y02A40/81Aquaculture, e.g. of fish

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种海上网箱养殖巡检用无人机自适应定高方法,是基于ROI区域分割和图像纹理分析技术对无人机摄像头采集的海洋网箱养殖现场图像进行网箱观测区域的自适应提取和纹理分析,并以图像的纹理特征为依据自适应调整无人机飞行高度,以获取有效的现场观测图像及可靠的养殖数据,无需人力调整飞行高度,提高了巡检效率。

Description

海上网箱养殖巡检用无人机自适应定高方法
技术领域
本发明属于无人机应用技术领域,尤其涉及一种可提高巡检效率的海上网箱养殖用无人机自适应定高方法。
背景技术
目前,海上网箱养殖有独立网箱及多排网箱两种形式,其多排网箱的每一排亦是由多个网箱拼接而成。为了获取有效的现场观测图像及可靠的养殖数据,无人机已应用于海上网箱巡检。现有无人机巡检方法是无人机根据GPS点位飞到指定目标区域,通过识别定位确定巡检起点,调整无人机至满足鱼类游动状态进行信息采集的高度后进行巡检,对于多排网箱则需要以每一排中的第一个网箱为巡检起点,调整飞行高度后完成该排网箱养殖的巡检。然而,现有无人机飞行高度均是采用GPS、气压计、激光和超声测距等人力调整,巡检效率有待提高。
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,提供一种可提高巡检效率的海上网箱养殖用无人机自适应定高方法。
本发明的技术解决方案是:一种海上网箱养殖巡检用无人机自适应定高方法,按照如下步骤进行:
a.飞行至巡检起点的无人机以设置在机身上的摄像头获取海上网箱养殖现场的俯视图像I;
b.对图像I进行网箱边框识别,获得N个编号为n的网箱,所述n=1,2,…,N;
c.对第n个网箱边框内部及外部相邻海面提取等面积的ROI区域数据,按照公式(1)~(4)分别计算第n个网箱边框内部ROI区域的纹理粗糙度Fn和外部海面ROI区域的纹理粗糙度F'n
Figure BDA0002397922500000011
Figure BDA0002397922500000012
Figure BDA0002397922500000013
Figure BDA0002397922500000021
式中,I(i,j)为图像I在点(i,j)处的像素值,k为分析窗口的尺度,K为设定的最大窗口值,ROIn(·)为图像I中第n个兴趣区域,
Figure BDA0002397922500000022
为ROIn区域内像素的个数,
Figure BDA0002397922500000023
为以x,y为索引值的矩阵,En(x,y,k)为矩阵
Figure BDA0002397922500000027
行差异和列差异的最大值;
d.计算纹理粗糙度Fn与纹理粗糙度F'n差的绝对值Gn,Gn=|Fn-F'n|,设定阈值
Figure BDA0002397922500000025
若N=1,则Gn大于设定阈值Tn时,保持飞行高度不变完成网箱养殖巡检后结束,否则降低飞行高度,重复步骤a~d;
若N≥2,则Gn中至少有1/2大于设定阈值Tn时,保持飞行高度不变完成当排网箱养殖巡检,飞行至下一排网箱养殖巡检起点,重复步骤a~d,直至巡检结束;否则降低飞行高度,重复步骤a~d。
本发明基于ROI区域分割和图像纹理分析技术对无人机摄像头采集的海洋网箱养殖现场图像进行网箱观测区域的自适应提取和纹理分析,并以图像的纹理特征为依据自适应调整无人机飞行高度,以获取有效的现场观测图像及可靠的养殖数据,无需人力调整飞行高度,提高了巡检效率。
具体实施方式
本发明的海上网箱养殖巡检用无人机自适应定高方法,按照如下步骤进行:
a.无人机根据GPS点位飞到指定目标区域,通过识别定位确定巡检起点,以设置在机身下方的摄像头获取海上网箱养殖现场的俯视图像I;
b.无人机的数据处理模块对图像I进行网箱边框识别,获得N个编号为n的网箱,所述n=1,2,…,N;可以采用深度学习的方法,也可以采用传统图像处理的方法,如采用Canny算法对图像I进行边缘检测,之后采用Hough(霍夫变换)法进行直线检测(应用于方形养殖网箱的四条边识别)或椭圆检测(应用于圆形养殖网箱的边框识别);
c.对第n个网箱边框内部及外部相邻海面(即随机选择与网箱边框相邻的海面)提取等面积的ROI区域数据,可通过逐行扫描法快速获取数据,之后按照公式(1)~(4)分别计算第n个网箱边框内部ROI区域的纹理粗糙度Fn和外部海面ROI区域的纹理粗糙度F'n
Figure BDA0002397922500000026
Figure BDA0002397922500000031
Figure BDA0002397922500000032
Figure BDA0002397922500000033
式中,I(i,j)为图像I在点(i,j)处的像素值,k为分析窗口的尺度,K为设定的最大窗口值,ROIn(·)为图像I中第n个兴趣区域,
Figure BDA0002397922500000034
为ROIn区域内像素的个数,
Figure BDA0002397922500000035
为以x,y为索引值的矩阵,En(x,y,k)为矩阵
Figure BDA0002397922500000036
行差异和列差异的最大值;
d.计算纹理粗糙度Fn与纹理粗糙度F'n差的绝对值Gn,Gn=|Fn-F'n|,设定阈值
Figure BDA0002397922500000037
若N=1,即独立网箱,则Gn大于设定阈值Tn时,保持飞行高度不变完成网箱养殖巡检后结束,否则降低无人机飞行高度,重复步骤a~d;
若N≥2,即多排网箱,则Gn中至少有1/2大于设定阈值Tn时,保持飞行高度不变完成当排网箱养殖巡检,飞行至下一排网箱养殖巡检起点,重复步骤a~d,直至巡检结束;否则降低飞行高度,重复步骤a~d。
步骤c~d的计算等均由无人机数据处理模块及控制模块完成。

Claims (1)

1.一种海上网箱养殖巡检用无人机自适应定高方法,其特征在于按照如下步骤进行:
a.飞行至巡检起点的无人机以设置在机身上的摄像头获取海上网箱养殖现场的俯视图像I;
b.对图像I进行网箱边框识别,获得N个编号为n的网箱,所述n=1,2,…,N;
c.对第n个网箱边框内部及外部相邻海面提取等面积的ROI区域数据,按照公式(1)~(4)分别计算第n个网箱边框内部ROI区域的纹理粗糙度Fn和外部海面ROI区域的纹理粗糙度F'n
Figure FDA0002397922490000011
Figure FDA0002397922490000012
Figure FDA0002397922490000013
Figure FDA0002397922490000014
式中,I(i,j)为图像I在点(i,j)处的像素值,k为分析窗口的尺度,K为设定的最大窗口值,ROIn(·)为图像I中第n个兴趣区域,
Figure FDA0002397922490000018
为ROIn区域内像素的个数,
Figure FDA0002397922490000015
为以x,y为索引值的矩阵,En(x,y,k)为矩阵
Figure FDA0002397922490000016
行差异和列差异的最大值;
d.计算纹理粗糙度Fn与纹理粗糙度F'n差的绝对值Gn,Gn=|Fn-F'n|,设定阈值
Figure FDA0002397922490000017
若N=1,则Gn大于设定阈值Tn时,保持飞行高度不变完成网箱养殖巡检后结束,否则降低飞行高度,重复步骤a~d;
若N≥2,则Gn中至少有1/2大于设定阈值Tn时,保持飞行高度不变完成当排网箱养殖巡检,飞行至下一排网箱养殖巡检起点,重复步骤a~d,直至巡检结束;否则降低飞行高度,重复步骤a~d。
CN202010137858.8A 2020-03-03 2020-03-03 海上网箱养殖巡检用无人机自适应定高方法 Active CN111367302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010137858.8A CN111367302B (zh) 2020-03-03 2020-03-03 海上网箱养殖巡检用无人机自适应定高方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010137858.8A CN111367302B (zh) 2020-03-03 2020-03-03 海上网箱养殖巡检用无人机自适应定高方法

Publications (2)

Publication Number Publication Date
CN111367302A CN111367302A (zh) 2020-07-03
CN111367302B true CN111367302B (zh) 2023-03-21

Family

ID=71206534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010137858.8A Active CN111367302B (zh) 2020-03-03 2020-03-03 海上网箱养殖巡检用无人机自适应定高方法

Country Status (1)

Country Link
CN (1) CN111367302B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412568A (zh) * 2013-08-27 2013-11-27 重庆市勘测院 同架次变航高无人机遥感影像获取方法
CN107065894A (zh) * 2016-01-28 2017-08-18 松下电器(美国)知识产权公司 无人飞行器、飞行高度控制装置、方法以及程序
CN107065895A (zh) * 2017-01-05 2017-08-18 南京航空航天大学 一种植保无人机定高技术
CN108733077A (zh) * 2018-05-31 2018-11-02 合肥赛为智能有限公司 一种农用无人机作业智能化调控系统
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
CN110288623A (zh) * 2019-06-18 2019-09-27 大连海洋大学 无人机海上网箱养殖巡检图像的数据压缩方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10029790B2 (en) * 2016-01-28 2018-07-24 Panasonic Intellectual Property Corporation Of America Device that controls flight altitude of unmanned aerial vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412568A (zh) * 2013-08-27 2013-11-27 重庆市勘测院 同架次变航高无人机遥感影像获取方法
CN107065894A (zh) * 2016-01-28 2017-08-18 松下电器(美国)知识产权公司 无人飞行器、飞行高度控制装置、方法以及程序
CN107065895A (zh) * 2017-01-05 2017-08-18 南京航空航天大学 一种植保无人机定高技术
CN108733077A (zh) * 2018-05-31 2018-11-02 合肥赛为智能有限公司 一种农用无人机作业智能化调控系统
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
CN110288623A (zh) * 2019-06-18 2019-09-27 大连海洋大学 无人机海上网箱养殖巡检图像的数据压缩方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张科比 ; 雷勇 ; .基于摄像头的输电线无人机自主巡线方案设计.2017,第43卷(第04期),83-85、89. *

Also Published As

Publication number Publication date
CN111367302A (zh) 2020-07-03

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
CN107844797A (zh) 一种基于深度图像的哺乳母猪姿态自动识别的方法
CN110147772B (zh) 一种基于迁移学习的水下坝体表面裂缝识别方法
CN111985274B (zh) 一种基于卷积神经网络的遥感图像分割方法
CN110288623B (zh) 无人机海上网箱养殖巡检图像的数据压缩方法
CN106570485B (zh) 一种基于深度学习的筏式养殖遥感图像场景标注方法
CN109978847B (zh) 基于迁移学习与拉索机器人的拉索外套病害自动识别方法
Mao et al. Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology
CN111127399A (zh) 一种基于深度学习与声呐成像的水下桥墩病害识别方法
CN112734739B (zh) 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法
US10311578B1 (en) Learning method and learning device for segmenting an image having one or more lanes by using embedding loss to support collaboration with HD maps required to satisfy level 4 of autonomous vehicles and softmax loss, and testing method and testing device using the same
CN105913425B (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN110853041A (zh) 一种基于深度学习与声呐成像的水下桥墩构件分割方法
CN116485885A (zh) 基于深度学习去除视觉slam前端动态特征点的方法
CN113012111A (zh) 一种基于边缘计算的水稻倒伏程度分级监测方法
CN115908924A (zh) 一种基于多分类器的小样本高光谱图像语义分割方法及系统
CN111367302B (zh) 海上网箱养殖巡检用无人机自适应定高方法
CN111027436A (zh) 一种基于深度学习的东北黑木耳病虫害图像识别系统
CN108765444A (zh) 基于单目视觉的地面t形运动目标检测与定位方法
JP2022066062A (ja) 状態判定システムおよび状態判定方法。
CN111428677B (zh) 无人机自动监测海上网箱养殖鱼类水面环游状态的方法
CN114022831A (zh) 一种基于双目视觉的牲畜体况监测方法及系统
CN111339968A (zh) 一种基于计算机视觉技术的室内高密度水产养殖鱼二维坐标获取方法

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