CN112102197A - 一种辅助潜水员的水下目标检测系统及方法 - Google Patents
一种辅助潜水员的水下目标检测系统及方法 Download PDFInfo
- Publication number
- CN112102197A CN112102197A CN202010979699.6A CN202010979699A CN112102197A CN 112102197 A CN112102197 A CN 112102197A CN 202010979699 A CN202010979699 A CN 202010979699A CN 112102197 A CN112102197 A CN 112102197A
- Authority
- CN
- China
- Prior art keywords
- underwater
- image
- target
- divers
- detection system
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 19
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 230000000007 visual effect Effects 0.000 description 8
- 230000002708 enhancing effect Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Acoustics & Sound (AREA)
- Studio Devices (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种辅助潜水员的水下目标检测系统及方法，包括多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器；首先对所采集的图像进行预处理，然后对水下目标进行声光图像的特征级融合，最后对水下典型目标进行重建；本发明完整保存水下采集的图像，能够显示、输出、存储和回放图像功能，能够适应多种水下环境，为潜水员进行水下工作提供多种需要。系统采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。本发明为潜水员适应多种海况和工作需要提供有力帮助，能够有效提升水下作业效率，具有重要工程价值和实际意义。
Description
技术领域
本发明涉及一种水下目标检测系统及方法，尤其涉及一种辅助潜水员的水下目标检测系统及方法，属于水下目标检测技术领域。
背景技术
水中含有许多微小颗粒，尤其是自然水域，微粒会影响光照的均匀性和加重水下散射，潜水员进行水下工作时，常常面临水质浑浊、光线不清楚等因素，导致无法观察到水下目标物和周围环境。这种情况下进行水下电缆、光缆、水下预置物、小体积打捞物等典型目标探测与识别存在巨大的技术难题。直观视觉信息检测将遇到水下图像对比度低、模糊、出现亮斑、颜色衰减和噪声，由于光线、噪声和悬浮物等下扰，在一定距离后就无法检测到水下目标，严重影响潜水员搜索效率，需要一种视觉辅助装置帮助潜水员进行水下目标搜索。
声学探测是目前水下探测和目标搜索的主要工具，采用主动方式工作，发射阵发射声波后再由接收阵接收回波信号，通过对携带有空间目标信息的回波进行处理得到目标的方位和距离信息，便可形成二维图像。这种探测方式不受水质和光线的影响，能够实现远距离的探测。成像声纳与普通多波束声纳的原理是一样的，都是采用多波束形成定位与脉冲测距相结合探测目标，但两者的侧重点不同。普通多波束声纳通常是用于对远距离目标进行探测，其最关心的技术指标主要是目标的方位、有效探测距离和多个目标的分辨能力，由于作用距离较远，因而可近似将目标视为点目标。相比之下，成像声纳拥有更高的分辨率，可以在细节上为水下目标外形轮廓提供更多的描述。因此，可以通过高分辨率的目标声图像，对目标进行识别、分类和精确的跟踪。由于目标物材料不同和声纳自身的特点，声纳图像存在一定程度的噪声，导致部分水下目标声纳图像的边缘缺失，为提高近距离探测精度，结合光学图像信息，实现特征上的融合，可提高目标物的检测准确度。
发明内容
本发明的目的是为了研制一款能够进行水下电缆、光缆、水下预置物、小体积打捞物等等典型目标的一种辅助潜水员的水下目标检测系统及方法。
本发明的目的是这样实现的：
一种辅助潜水员的水下目标检测系统，包括多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器；所述多波束声呐采用声学方式对水下进行声学图像采集，具有测距功能；所述高清摄像机能够实现水下高清晰度成像；所述水下灯根据具体实际环境调节光线亮度；所述显示屏为潜水员提供操控界面、水下目标物实际采集图像和水下复合成像信息；所述按键为潜水员提供水下操控的人机接口；所述扶手为了潜水员方便水下携带；所述姿态检测系统用于检测监测系统的三维姿态信息，为潜水员进行综合判断提供依据；所述核心处理器用于采集处理光学和声学图像信息，并实现融合。
本发明还包括这样一些特征：
采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。
一种辅助潜水员的水下目标检测方法，包括如下步骤：首先对所采集的图像进行预处理，然后对水下目标进行声光图像的特征级融合，最后对水下典型目标进行重建。
所述图像预处理具体为：主要包括图像增强、图像去噪两方面：在图像增强方面，将同态滤波与直方图拉伸方法和HSI和HSV两种颜色空间进行有效结合，提出了基于色调不变的水下图像增强方法；在图像去噪方面，采用自适应字典学习的K-SVD算法可以有效去除图像噪声，对声学图像处理先进行规整化处理，采用双边滤波的优势进行合理的图像去噪，使用多尺度RETINEX图像增强算法来增强图像；
所述对水下目标进行声光图像的特征级融合具体为：首先针对声纳和微光图像特点，分别提取目标的Hu不变矩和小波不变矩，并采用主分量分析法对维数较多的小波矩特征降维，然后以加权组合串行特征融合为基础，建立了基于神经网络与改进的粒子群算法相结合的水下目标检测算法；
所述对水下典型目标进行重建具体为：采用基于深度卷积神经网络的超分辨率模型结构，利用多源数据样本完成模型的训练，以提高其对典型水下目标物特征的提取和表达能力，精确地估计和描述不同典型水下目标物特征。
与现有技术相比，本发明的有益效果是：
(1)本发明提供了一种辅助潜水员进行水下电缆、光缆、水下预置物、小体积打捞物等典型目标检测系统，该水下目标检测系统能够对水下典型目标进行识别，完整保存水下采集的图像，能够显示、输出、存储和回放图像功能。
(2)本发明采用直观的水下光学图像采集和不受水体浑浊光线限制的声学图像采集两种图像融合的方式，有效解决单一水下目标图像采集受环境条件限制和采集精度不高，导致难以确定水下目标的问题，能够辅助潜水员适应多种水下环境，为潜水员进行水下工作提供多种需要。
(3)本发明在图像预处理上，采用较为快速的预处理方法，有效提高水下目标检测效率，通过特征融合，提高水下目标的检测的准确率。
(4)本发明遵循人机设计原则，使设备使用方便。
附图说明
图1辅助潜水员的水下目标检测系统图；
图2辅助潜水员的水下目标检测系统模型图；
图3基于色调不变的水下图像増强方法流程图；
图4a-b水下图像去噪图；
图5水声图像处理流程图；
图6声学及视觉特征级融合图；
图7基于深度卷积神经网络的超分辨率模型的结构图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明针对潜水员实际水下作业任务及环境需要，研制一款能够进行水下电缆、光缆、水下预置物、小体积打捞物等典型目标探测与识别的系统，该系统具有便携性，能够由潜水员随身携带到水下，系统包含多波束声纳和水下摄像头两种检测设备，能够对水下目标的方位和距离进行测量，并对所采集的图像进行预处理，去除噪声、增强图像功能，对一些水下目标能够进行声光图像的特征级融合，能够对水下典型目标进行识别，完整保存水下采集的图像，能够显示、输出、存储和回放图像功能，能够适应多种水下环境，为潜水员进行水下工作提供多种需要。
现将具体技术方案如下：
水下目标检测系统由多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器组成：多波束声纳采用声学方式对水下进行声学图像采集，不受水质浑浊和水下光线的影响，但是图像成像精度较低，具有一定的测距功能；高清摄像机能够实现水下高清晰度成像，但是受光线和水质浑浊影响较大；水下灯为水下光学成像提供光源，并能够根据具体实际环境，调节光线亮度，保证水下光学成像提供最好的成像效果；显示屏为潜水员提供操控界面、水下目标物实际采集图像和水下复合成像信息；按键为潜水员提供水下操控的人机接口；扶手是为了潜水员方便水下携带；姿态检测系统用于检测监测系统的三维姿态信息，为潜水员进行综合判断提供依据；核心处理器用于采集处理光学和声学图像信息，并实现融合。系统采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。
针对水下目标检测中图像处理算法内容，分析了水下光学图像和声学图像特征，根据水下图像的特点，主要开展图像增强、图像去噪两方面进行了研究：在图像增强中，将同态滤波与直方图拉伸方法和HSI和HSV两种颜色空间进行有效结合，提出了基于色调不变的水下图像增强方法；针对水下图像受噪声影响质量下降的情况，采用自适应字典学习的K-SVD算法可以有效去除图像噪声。对声学图像处理先进行规整化处理；采用双边滤波的优势进行合理的图像去噪；考虑到反射回波较弱且整个图像较暗，使用多尺度RETINEX图像增强算法来增强图像。
针对声学和视觉图像的特点和适用范围，研究特征级融合的水下目标检测识别方法。首先针对声纳和微光图像特点，分别提取目标的Hu不变矩和小波不变矩，并采用主分量分析法对维数较多的小波矩特征降维。然后以加权组合串行特征融合为基础，建立了基于神经网络与改进的粒子群算法相结合的水下目标检测算法。
为了将水下典型目标的更准确和突出为潜水员显示出来，利用采集得到的多波束声纳数据信息、水下视觉图像和预先处理得到的水下典型目标物的特征数据，对已经确认的水下典型目标进行重建。采用基于深度卷积神经网络的超分辨率模型结构，利用多源数据样本完成模型的训练，以提高其对典型水下目标物特征的提取和表达能力，精确地估计和描述不同典型水下目标物特征。
实施1：如图1，2所示，水下目标检测系统由多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器组成：多波束声纳采用声学方式对水下进行声学图像采集，不受水质浑浊和水下光线的影响，但是图像成像精度较低，具有一定的测距功能；高清摄像机能够实现水下高清晰度成像，但是受光线和水质浑浊影响较大；水下灯为水下光学成像提供光源，并能够根据具体实际环境，调节光线亮度，保证水下光学成像提供最好的成像效果；显示屏为潜水员提供操控界面、水下目标物实际采集图像和水下复合成像信息；按键为潜水员提供水下操控的人机接口；扶手是为了潜水员方便水下携带；姿态检测系统用于检测监测系统的三维姿态信息，为潜水员进行综合判断提供依据；核心处理器用于采集处理光学和声学图像信息，并实现融合。系统采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。
实施2：如图3所示，采用基于色调不变的水下图像增强技术，其特征为首先在HSI颜色空间中对原图像S和I分量进行同态滤波增强，H分量保持不变，来改善光照不均匀问题；然后在HSV空间对S和V分量进行直方图拉伸，H分量仍保持不变，以达到扩大图像灰度动态变化范围，增强图像对比度的目的；最后使用小波阔值降噪方法对前两步过程中加强的噪声进行降噪处理。该方法不仅可提高图像对比度，改善光照不均匀问题，平衡色彩保真度，而且能有效降低图像对比度増强过程中噪声＂扩大＂的问题，在水下图像增强应用中效果比较显著。
实施3：采用基于稀疏表示与字典学习图像去噪方法。首先将图像分割为大小为若干个的图像块，对分割后的每个图像块分别进行稀疏表示处理。将处理后的图像块再反变换，组合成与原图大小相同的图像，最终拼接需要对重叠的部分进行平均处理。假设每个图像块都满足三元组稀疏模型，稀疏模型扩展至整幅图像并应用于图像去噪。
然后模型求解过程中，当给定字典D时，采用稀疏分解算法来获取信号在字典上的稀疏系数。稀疏表示的算法采用改进的追踪算法，该算法解决传统追踪算法中每次所选择原子并不能先验的正交于前一步所选的原子，将各向量利用Gram-Schmidt正交化方法来匹配追踪逼近，因而可以使信号收敛于有限次数的迭代，收敛速度快于传统追踪算法。如图4所示为水下图像去噪效果图。
实施4：如图5所示声呐图像增强处理过程，利用双边滤波的优势进行合理的图像去噪，从而在不丢失目标边缘信息的情况下实现整体图像去噪；考虑到反射回波较弱且整个图像较暗，使用多尺度RETINEX图像增强算法来增强图像，在增加图像亮度的同时，突出显示水下目标的特征。
首先对声纳图像进行小波分解处理，获取图像高低频系数，然后将双边滤波与多尺度RETINEX算法相互取长补短结合利用，以达到增强水声图像的目的，增强方法的具体流程如图5所示。单一利用RETINEX算法处理后的图像很容易产生光晕，而单一利用双边滤波处理后会导致图像中目标的细节缺失，将两者有效结合进行水声图像处理，能够有效克服上述两个缺点，不仅使图像中目标保持清晰，同时还能够增加了图像的对比度。
实施5：如图6所示基于特征融合的水下目标检测方法。水中环境的特殊性，单一传感器受到各方面因素综合作用，较难获得对水下环境和水下目标的准确、全面、可靠的信息。考虑光学图像受光照、水质等环境因素影响大，有效探测范围小，多波束声纳图像的分辨率较光学图像低，目标的局部特征表达能力差，但是却能对水下大范围的目标进行探测，受水质、光照的影响很小。因此在水下目标检测系统中，为了实现信息的互补性、实时性和准确性，本发明以多波束图像声纳和水下摄像机传感器为基础，研究了基于特征级融合的水下目标检测方法。为了使计算机能够“理解”图像，从而具有真正意义上的“视觉”，需要对图像中目标进行分析。声学和视觉图像经过滤波、增强、降噪、分割、形态学处理获得的不同目标区域，以处理后的二值图像为基础，提取出图像中目标的信息，得到非图像形式的特征表示和描述，即特征提取。再利用识别理论对图像中目标进行分类，以满足潜水员对水下环境中目标检测的要求。本发明分别对声纳和光学图像的二值图像提取Hu不变矩和小波不变矩，采用主成分分析法对微光图像的小波矩进行降维，并应用改进的粒子群优化算法和BP神经网络结合，以加权组合串行特征为基础，完成水下目标检测。
实施6：如图7所示多源数据融合的超分辨率重建技术。利用采集得到的多波束声纳数据信息、水下视觉图像和预先处理得到的水下典型目标物的特征数据，将其有效综合归纳以获取更准确、更符合应用需求的内容的数据融合方式。
基于深度卷积神经网络的超分辨率模型结构，利用多源数据样本完成模型的训练，以提高其对典型水下目标物特征的提取和表达能力，精确地估计和描述不同典型水下目标物特征。深度学习模型训练过程中由于数据较少导致的过拟合模型泛化能力不足的问题的研究。开发基于小规模样本集优化的深度卷积神经网络模型的正则化训练方法，以多波束声纳数据、水下视觉图像和预先处理得到的水下典型目标物特征数据在内的数据信息为训练样本，建立起超分辨率重建模型用于估计未探测区域的高分辨率信息。
综上所述：本发明根据潜水员实际水下作业任务及环境需要，研制一款能够进行水下电缆、光缆、水下预置物、小体积打捞物等典型目标检测系统。水下目标检测系统由多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器组成。该系统具有便携性，能够由潜水员随身携带到水下，系统包含多波束声纳和水下摄像头两种检测设备，能够针对不同水质环境下的水下目标的方位和距离进行测量，对所采集的图像进行预处理，去除噪声、增强图像功能，对一些水下目标能够进行声光图像的特征级融合，能够对水下典型目标进行识别，完整保存水下采集的图像，能够显示、输出、存储和回放图像功能，能够适应多种水下环境，为潜水员进行水下工作提供多种需要。系统采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。本发明为潜水员适应多种海况和工作需要提供有力帮助，能够有效提升水下作业效率，具有重要工程价值和实际意义。
Claims (6)
1.一种辅助潜水员的水下目标检测系统，其特征是，包括多波束声纳、高清摄像机、水下灯、显示屏、按键、扶手、姿态检测系统和核心处理器；所述多波束声呐采用声学方式对水下进行声学图像采集，具有测距功能；所述高清摄像机能够实现水下高清晰度成像；所述水下灯根据具体实际环境调节光线亮度；所述显示屏为潜水员提供操控界面、水下目标物实际采集图像和水下复合成像信息；所述按键为潜水员提供水下操控的人机接口；所述扶手为了潜水员方便水下携带；所述姿态检测系统用于检测监测系统的三维姿态信息，为潜水员进行综合判断提供依据；所述核心处理器用于采集处理光学和声学图像信息，并实现融合。
2.根据权利要求1所述的辅助潜水员的水下目标检测系统，其特征是，采用模块化组合方式，提供多种接口，根据实际需要扩展水下精确定位功能和水下通信功能。
3.一种辅助潜水员的水下目标检测方法，其特征是，包括如下步骤：首先对所采集的图像进行预处理，然后对水下目标进行声光图像的特征级融合，最后对水下典型目标进行重建。
4.根据权利要求3所述的辅助潜水员的水下目标检测方法，其特征是，所述图像预处理具体为：主要包括图像增强、图像去噪两方面：在图像增强方面，将同态滤波与直方图拉伸方法和HSI和HSV两种颜色空间进行有效结合，提出了基于色调不变的水下图像增强方法；在图像去噪方面，采用自适应字典学习的K-SVD算法可以有效去除图像噪声，对声学图像处理先进行规整化处理，采用双边滤波的优势进行合理的图像去噪，使用多尺度RETINEX图像增强算法来增强图像。
5.根据权利要求3所述的辅助潜水员的水下目标检测方法，其特征是，所述对水下目标进行声光图像的特征级融合具体为：首先针对声纳和微光图像特点，分别提取目标的Hu不变矩和小波不变矩，并采用主分量分析法对维数较多的小波矩特征降维，然后以加权组合串行特征融合为基础，建立了基于神经网络与改进的粒子群算法相结合的水下目标检测算法。
6.根据权利要求3所述的辅助潜水员的水下目标检测方法，其特征是，所述对水下典型目标进行重建具体为：采用基于深度卷积神经网络的超分辨率模型结构，利用多源数据样本完成模型的训练，以提高其对典型水下目标物特征的提取和表达能力，精确地估计和描述不同典型水下目标物特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979699.6A CN112102197A (zh) | 2020-09-17 | 2020-09-17 | 一种辅助潜水员的水下目标检测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979699.6A CN112102197A (zh) | 2020-09-17 | 2020-09-17 | 一种辅助潜水员的水下目标检测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112102197A true CN112102197A (zh) | 2020-12-18 |
Family
ID=73759944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010979699.6A Pending CN112102197A (zh) | 2020-09-17 | 2020-09-17 | 一种辅助潜水员的水下目标检测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102197A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189927A (zh) * | 2021-04-19 | 2021-07-30 | 杭州电子科技大学 | 一种基于多模态技术的智能潜水监控系统 |
| CN113406649A (zh) * | 2021-06-21 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种潜水员使用的便携成像声呐系统 |
| CN113961103A (zh) * | 2021-10-21 | 2022-01-21 | 安徽省东超科技有限公司 | 水下设备信息交互装置和方法以及水下设备 |
| CN116935203A (zh) * | 2023-09-18 | 2023-10-24 | 吉林大学 | 一种基于声光融合的潜水员智能监控方法和系统 |
| CN116953674A (zh) * | 2023-09-21 | 2023-10-27 | 海底鹰深海科技股份有限公司 | 声呐成像中的快速目标检测算法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644778A (zh) * | 2008-12-30 | 2010-02-10 | 中国科学院声学研究所 | 手持式成像声纳及其成像方法 |
| CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
| CN110045380A (zh) * | 2019-04-02 | 2019-07-23 | 中国科学院声学研究所 | 一种便携式手持成像声纳机械装置 |
-
2020
- 2020-09-17 CN CN202010979699.6A patent/CN112102197A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644778A (zh) * | 2008-12-30 | 2010-02-10 | 中国科学院声学研究所 | 手持式成像声纳及其成像方法 |
| CN107481188A (zh) * | 2017-06-23 | 2017-12-15 | 珠海经济特区远宏科技有限公司 | 一种图像超分辨率重构方法 |
| CN110045380A (zh) * | 2019-04-02 | 2019-07-23 | 中国科学院声学研究所 | 一种便携式手持成像声纳机械装置 |
Non-Patent Citations (4)
| Title |
|---|
| 侯国家: "水下图像增强与目标识别算法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
| 谢小敏: "水下图像分割和典型目标特征提取及识别技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
| 黄蜀玲: "AUV的水下目标检测与跟踪方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
| 龚仕枫: "基于双侧声波的水下管道损伤检测技术研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113189927A (zh) * | 2021-04-19 | 2021-07-30 | 杭州电子科技大学 | 一种基于多模态技术的智能潜水监控系统 |
| CN113189927B (zh) * | 2021-04-19 | 2022-04-29 | 杭州电子科技大学 | 一种基于多模态技术的智能潜水监控系统 |
| CN113406649A (zh) * | 2021-06-21 | 2021-09-17 | 湖南国天电子科技有限公司 | 一种潜水员使用的便携成像声呐系统 |
| CN113961103A (zh) * | 2021-10-21 | 2022-01-21 | 安徽省东超科技有限公司 | 水下设备信息交互装置和方法以及水下设备 |
| CN116935203A (zh) * | 2023-09-18 | 2023-10-24 | 吉林大学 | 一种基于声光融合的潜水员智能监控方法和系统 |
| CN116935203B (zh) * | 2023-09-18 | 2023-11-21 | 吉林大学 | 一种基于声光融合的潜水员智能监控方法和系统 |
| CN116953674A (zh) * | 2023-09-21 | 2023-10-27 | 海底鹰深海科技股份有限公司 | 声呐成像中的快速目标检测算法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Underwater image processing and object detection based on deep CNN method | |
| CN112102197A (zh) | 一种辅助潜水员的水下目标检测系统及方法 | |
| Cao et al. | Ship recognition method combined with image segmentation and deep learning feature extraction in video surveillance | |
| CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| Long et al. | Underwater forward-looking sonar images target detection via speckle reduction and scene prior | |
| CN117079117B (zh) | 水下图像处理及目标识别的方法及装置、存储介质及电子设备 | |
| CN111524117A (zh) | 一种基于特征金字塔网络的隧道表面缺陷检测方法 | |
| Xue et al. | Rethinking automatic ship wake detection: state-of-the-art CNN-based wake detection via optical images | |
| TW202225730A (zh) | 基於深度學習之高效率光達物件偵測方法 | |
| CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
| AlAzawee et al. | Using morphological operations—Erosion based algorithm for edge detection | |
| Sasilatha et al. | Deep learning-based underwater metal object detection using input image data and corrosion protection of mild steel used in underwater study: A case study: Part A: Deep learning-based underwater metal object detection using input image data | |
| CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
| Zhou et al. | Water–land segmentation via structure-aware CNN–transformer network on large-scale SAR data | |
| Zhou et al. | Deep denoising method for side scan sonar images without high-quality reference data | |
| CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
| CN111967292B (zh) | 一种轻量级的sar图像船只检测方法 | |
| Liu et al. | Remove and recover: two stage convolutional autoencoder based sonar image enhancement algorithm | |
| Malathi et al. | Optimzied resnet model of convolutional neural network for under sea water object detection and classification | |
| Fu | Texture feature extraction and recognition of underwater target image considering incomplete tree wavelet decomposition | |
| Huang et al. | An improved retinex algorithm for underwater image enhancement based on HSV model | |
| CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
| CN115049918A (zh) | 一种用于水下机器人的图像目标快速检测方法及装置 | |
| Wang et al. | Sonar image detection based on multi-scale multi-column convolution neural networks | |
| Geng et al. | Crack Segmentation Based on Fusing Multi-Scale Wavelet and Spatial-Channel Attention. |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201218 |