CN113239747A - 一种基于计算机视觉的水上智能排污清障系统 - Google Patents
一种基于计算机视觉的水上智能排污清障系统 Download PDFInfo
- Publication number
- CN113239747A CN113239747A CN202110456060.4A CN202110456060A CN113239747A CN 113239747 A CN113239747 A CN 113239747A CN 202110456060 A CN202110456060 A CN 202110456060A CN 113239747 A CN113239747 A CN 113239747A
- Authority
- CN
- China
- Prior art keywords
- pollution discharge
- obstacle
- ship
- information
- computer vision
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 239000010813 municipal solid waste Substances 0.000 claims abstract description 66
- 230000010365 information processing Effects 0.000 claims abstract description 33
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000003911 water pollution Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 7
- 231100000719 pollutant Toxicity 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 208000034699 Vitreous floaters Diseases 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 6
- 239000010865 sewage Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 3
- 239000003643 water by type Substances 0.000 description 3
- 241000195493 Cryptophyta Species 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/48—Matching video sequences
Abstract
本发明公开了一种基于计算机视觉的水上智能排污清障系统,包括数据采集系统、信息处理系统、数据分析系统和末端控制系统;数据采集系统包括定位器、视觉摄像头和人工调整信号接收器,信息处理系统包括计算机视觉识别模块和航线规划模块;数据分析系统用于预测水域中出现垃圾或障碍物的概率及其所属类别的概率,并将信息反馈给信息处理系统;末端控制系统用于监控排污清障船的工作过程,并向数据采集系统发送指令;本发明利用计算机视觉识别技术精准识别水面上的污染物和障碍物和船身周围水域环境,并根据排污清障船周围水域环境以及识别出的污染物和障碍物的种类和数量对排污清障船的航线进行规划,提高了打捞效率,保障了船身的安全。
Description
技术领域
本发明属于水上清污技术领域,具体属于一种基于计算机视觉的水上智能排污清障系统。
背景技术
水域障碍将导致水位抬高、洪水漫溢、增加水上行船风险,冲淤的网箱、船舶、树木、大体积障碍物等还会阻塞桥涵、闸坝等,进而酿成更大危害。一些水上垃圾,譬如塑料袋、废弃水桶、水藻等,会破坏生态环境,危害附近居民身心健康。我国境内存在大量河流江道,大多数河流附近存在高密度居民区,不少河流常通航船,河流环境与人们健康和航船安全息息相关,对水域的清污除障工作至关重要。
近些年,也有将人工智能领域的无人驾驶相关技术应用于水上清污排障领域,但无人驾驶排污清障船采用人工智能视觉系统重点只是考虑识别水草、垃圾等需打捞的物体,船上只有定位器进行船身定位,对船身附近的环境不能进行把控,容易导致其他航船相撞、触礁等事故的发生,影响航船安全;现有的无人驾驶排污清障船也没有考虑无人驾驶排污清障船的航行路线问题,船就会漫无目的地随机游走,没有针对性,可能会出现同一小片水域多次重复打捞的情况,不但会浪费能源,并且会降低排污清障的效率,因此现有水域清污排障技术大部分还处于较为初始的人工打捞阶段,不仅耗费大量人工成本、不能保障工作人员的安全,而且在冬夏季节的寒冷与炎热环境中工作人员工作效率低下,甚至于无法正常工作。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于计算机视觉的水上智能排污清障系统,精准识别水面上的污染物和障碍物和船身周围水域环境,并根据排污清障船周围水域环境以及识别出的污染物和障碍物的种类和数量对排污清障船的航线进行规划,实现排污清障船高效打捞污染物和躲避障碍物的目的,提高打捞效率保障了船身的安全。
为实现上述目的,本发明提供如下技术方案:一种基于计算机视觉的水上智能排污清障系统,包括数据采集系统、信息处理系统、数据分析系统和末端控制系统;
所述数据采集系统包括定位器、视觉摄像头和人工调整信号接收器,所述定位器用于采集目标水域的范围信息和排污清障船的位置信息;所述视觉摄像头用于采集排污清障船四周360°的视频图像;所述人工调整信号接收器用于接受末端控制系统的指令;
所述信息处理系统包括计算机视觉识别模块和航线规划模块;其中,所述计算机视觉识别模块用于从视频图像中识别目标水域水面上的垃圾或障碍物,并传送给数据分析系统;所述航线规划模块用于根据数据采集系统采集的数据对排污清障船的航行路线进行规划;
所述数据分析系统用于预测水域中出现垃圾或障碍物的概率信息、垃圾或障碍物所属类别的概率信息,反馈所述概率信息给信息处理系统;
所述末端控制系统用于监控排污清障船的工作过程,并向数据采集系统发送指令,调整排污清障船的航行路线。
进一步的,所述定位器设置在所述排污清障船的船身中间、船头和船尾,所述定位器运用GPS或北斗导航系统。
进一步的,所述视觉摄像头设置在所述排污清障船的船身两侧、船头和船尾;所述视觉摄像头采用双目摄像头。
进一步的,所述数据采集系统还包括监测器,所述监测器用于收集智能排污清障船的剩余电量或油量信息以及垃圾储存仓的容量信息。
进一步的,计算机视觉识别模块提取视觉摄像头拍摄的船周围的视频图像的特征值,将该特征值与数据库中的特征值进行匹配,识别出视频图像中的各种物体;所述数据库为互联网中的照片。
进一步的,所述航线规划模块采用基于蚁群算法的完全历遍所有路径规划。
进一步的,数据分析系统接收定位器记录的每次打捞垃圾时排污清障船的停留位置以及停留时间的信息和信息处理系统记录的垃圾的大小和类别信息、障碍物的大小和类别信息,得到水域中出现障碍物或垃圾的概率信息和障碍物或垃圾所属类别的概率信息。
进一步的,所述述数据分析系统采用支持向量机算法或者神经网络算法训练模型,得出该水域中出现障碍物或垃圾的概率信息和障碍物或垃圾所属类别的概率信息,并将上述两个概率信息发送给信息处理系统。
进一步的,所述末端控制系统为岸上监控室,所述岸上监控室用于人为向数据采集系统、信息处理系统和数据分析系统发送指令。
进一步的,所述排污清障船上设置有可伸出的机械臂,所述机械臂上套有渔网,所述机械臂可人工直接控制。
与现有技术相比,本发明至少具有以下有益效果:
本发明提供一种基于计算机视觉的水上智能排污清障系统,包括数据采集系统、信息处理系统、数据分析系统和末端控系统,通过数据采集系统采集目标水域的范围信息和排污清障船的位置信息以及船身周围水域的视频图像,对船身周围的环境进行监测,避免与其他航船相撞,提高了航船的安全性;信息处理系统采用计算机视觉识别模块可以精准识别数据采集系统采集的视频中是否存在水面垃圾和障碍物,并判断水面垃圾和障碍物所属类别,并通过航线规划模块进行航线规划,避免排污清障船在水域中随机游走,针对性的对垃圾进行打捞;数据分析系统预测信息处理系统识别出的水面垃圾和障碍物出现的概率和所属类别,并将该概率信息反馈至信息处理系统,航线规划模块可根据该概率信息进一步完善排污清障船航线,对经常出现障碍物或垃圾的水域进行重点排查,并且让排污清障船多次经过这些领域,提高排污清障的效率,避免能源的浪费;通过末端控系统可使工作人员实现对水上智能排污清障系统中各个系统的实时控制,能有效规避排污清障船行船工程中的各种不利情况,提高效率。
进一步的,本发明的航线规划模块采用完全历遍所有路径规划的方式,排污清障船历遍水域内所有领域进行排查打捞,避免了传统单一点位打捞方式,也避免出现打捞时遗漏区域的缺点。
进一步的,本发明中数据分析系统中运用机器学习算法,将每次打捞水上障碍物的位置信息、障碍物类别、时间等信息记录下来,通过构建预测模型,预测下一个区域出现水上障碍物概率和障碍物所属类别的概率,可分析出经常出现同一类垃圾在水域中出现的位置区域,将此概率反馈给工作人员,为相关部门从源头解决水上垃圾障碍物问题提供一定的信息。
进一步的,本发明的全程工作流程中没有工作人员实际地在室外工作,工作人员只需在岸上监控室监控排污清障船的工作,完全解决了以往打捞工作人员安全得不到保障地问题,另外,由于打捞过程不经过人工环节,排排污清障船的工作效率不会受天气原因影响,解决了传统人工打捞在炎热和寒冷环境下工作效率低下或者无法工作的问题。
附图说明
图1是一种基于计算机视觉的水上智能排污清障系统结构示意图。
图2是一种基于计算机视觉的水上智能排污清障系统流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
如图1所示,本发明提供一种基于计算机视觉的水上智能排污清障系统,包括数据采集系统、信息处理系统、数据分析系统和末端控系统;
数据采集系统包括排污清障船身上的定位器、排污清障船身周围布置的视觉摄像头、人工调整航线信号接收器、监测器以及末端控制系统。
定位器运用GPS或北斗导航系统,实时地获取排污清障船的位置,为防止定位器因在水面附近工作进水导致失效,需对定位器做好防水措施,且布置多个,即在船头和船中间以及船尾分别布置。无论是GPS系统还是北斗定位系统都存在一定的误差,准确性较差,所以还需在船上布置视觉摄像头,提高定位精确性,防止与附近船只或障碍物碰撞。
视觉摄像头安装在排污清障船的船头、船尾和船身两侧,视觉摄像头用于采集排污清障船四周360°的视频图像,并将视频图像传送给信息处理系统用于识别水面上的物体。
优选的,视觉摄像头采用双目摄像头,不仅能够分辨出障碍物的大小还可以识别障碍物与船之间的距离。
人工调整路线信号接收器,用于接收末端控制系统发出的指令,控制定位器重新获取定位信息,视觉摄像头捕捉船身环境信息,监测器重新获取电量或者油量信息以及垃圾储存仓的容量新信息,若指令中包含到达指定位置途中不进行打捞的信息,则无需监控储存仓的容量,上述四个装置各自将重新获取的信息发送给信息处理系统。
监测器包括电或油量检测器和垃圾储存仓监测器,电或油量检测器实时监测排污清障船的油量或者电量;垃圾储存仓监测器监测排污清障船的垃圾储存仓的剩余容量,监测器将监测到的监测排污清障船的油量或者电量信息和垃圾储存仓的剩余容量的数据发送到数据分析系统,数据分析系统对上述数据进行分析并将分析后的数据传输给信息处理系统,当排污清障船的油量或者电量较低或者垃圾储存仓容量剩余较少时,信息处理系统合理地规划航船路线,及时返航。
信息处理系统包括航线规划模块与计算机视觉识别模块。
航线规划模块可采用基于蚁群算法完全历遍所有路径规划算出排污清障船历遍所有水域的最佳路径。
通过定位器获取排污清障船的位置结合其工作水域的地理位置信息以及该水域商业用船航道,对排污清障船的行船路线进行规划;排污清障船的视觉摄像头有一定的视觉范围,类似于扫地机器人可打扫的圆周半径,定位器结合船周围的视觉摄像头,可避开一些无需打捞的固定障碍物,诸如桥墩、礁石之类的障碍物,同时又能让排污清障船航行过程历遍所有水域,保证每一片区域都得到检查清理。
优选的,排污清障船路径规划不仅需要历遍所有的水域,同时还要考虑排污清障船剩余的电量或者油量的多少以及垃圾储存仓剩余容量的多少,若电量或者油量不足时,规划的航线应满足剩余电量足够返航;若监测到垃圾储存仓剩余容量不多时,应尽快返航。
计算机视觉图像识别技术(computer vision),是指用摄像头、录像机、电脑代替人眼对目标进行识别、跟踪和测量从而获取信息和处理信息的能力。计算机视觉图像识别技术需要将图像信号,纹理和颜色建模,物体几何识别和分类,以及物体建模等方面都紧密地集成在一起。
本发明中的计算机视觉识别模块通过计算机视觉图像识别技术识别视觉摄像头拍摄的视频图像中水域上的垃圾与其他物体并将识别出的垃圾与其他物体与数据库中的图片进行对比,识别出垃圾与其他物体的种类;
优选的,互联网中的大量照片可作为数据库,将数据库中的大量水上垃圾图片通过计算机视觉识别模块进行识别,计算机视觉识别模块提取数据库中图片的特征值,整合后形成特征值数据库;计算机视觉识别模块提取视觉摄像头拍摄的船周围的视频图像的特征值,将该特征值与数据库中的特征值进行匹配,识别出视频图像中的各种物体。
定位器记录每次打捞垃圾时排污清障船的停留位置以及停留时间的信息,并发送至数据分析系统;
计算机视觉识别模块识别并记录打捞垃圾的大小和类别、障碍物的大小和类别信息,并发送至数据分析系统。
数据分析系统接收并存储定位器和计算机视觉识别模块发送的每次打捞垃圾的位置、时间、障碍物大小、类别等信息,数据分析系统将排污清障船的停留位置、停留时间作为特征,以是否有需打捞的物体作为标签,形成数据集,通过支持向量机算法或者神经网络算法训练模型,该模型用于预测某一个位置是否会有需要打捞的物体,得出该水域中出现障碍物或垃圾的概率信息和障碍物或垃圾所属类别的概率信息,并将上述两个概率信息发送给信息处理系统;
信息处理系统接收上述两个概率信息,并将两个概率信息作为航线规划模块规划航线时的参考信息,航线规划模块根据这些信息适当调整航船路线,对经常出现水上障碍或垃圾的领域进行重点排查,并且让排污清障船多次经过这些领域。
进一步,将上述概率信息反馈到有关部门,为有关部门从源头解决水域污染问题提供帮助。
末端控制系统为岸上监控室。排污清障船上配备可伸出的机械臂,机械臂上套有渔网方便打捞。排污清障船接收信息处理系统的指令打捞指定位置的区域,将水中的垃圾存储在垃圾储存仓内。岸上监控室可以实时地获取排污清障船上视觉摄像头拍得到的视频画面,必要时可以根据画面信息人工地为排污清障船发送指令。在行船过程中会遇到各种各样的不利状况,例如排污清障船碰到一些体积比较大的障碍物,因为机械臂和打捞网能打捞的体积有限,这时便需要人工发送指令,控制排污清障船的航线;或者一些特殊情况需要排污清障船到特定位置,也需要人工给排污清障船发送指令。
本发明提供的一种基于计算机视觉的水上智能排污清障系统的工作步骤具体如下:
1.智能清障排污船进入目标水域后,数据采集系统中的定位器、视觉摄像头和监测器获取参数,并将参数发送给信息处理系统和数据分析系统;
2.信息处理系统接收上述参数,根据上述参数规划航线,并分析目标水域中是否有需要打捞的漂浮物;
3.若漂浮物有则前往打捞,打捞完成后定位器、视觉摄像头和监测器重新获取数据,再次规划路线;若无,则排污清障船继续按航线航行。
4.数据分析系统接受并存储每次打捞垃圾的位置、时间、障碍物大小、类别、打捞时间等信息,并进行学习预测各个水域上出现障碍物以及障碍物所属类别的概率,将得到的概率发送至信息处理系统。
以上为基于计算机视觉的水上智能排污清障船的基本工作步骤,按此步骤可让智能排污清障船持续地在目标水域进行打捞,无需工作人员在水面上亲自打捞。
遵从上述技术方案,如图2所示,本实施例给出一种基于计算机视觉的水上智能排污清障系统的实施方法。
使用时,将基于计算机视觉的排污清障船放入目标水域,其中,数据采集系统中,定位器获取智能排污清障船的位置以及目标水域的范围信息,视觉摄像头获取智能排污清障船的观察打捞半径,监测器获取排污清障船的剩余电量或油量信息以及垃圾储存仓的剩余容量信息。
下一步,信息处理系统中航线规划模块根据上述数据采集系统采集到的全部信息规划排污清障船的航线。
该航线应具有以下特点:1、航线历遍目标水域的所有区域。2、航线中重复区域尽可能少。4、保证排污清障船有充裕的电量或者油量支持到返航。5、船身的垃圾储存仓将要满时应规划及时返航。
规划好航线后,排污清障船按照规划的航线开始航行,视觉摄像头捕捉排污清障船四周360°的视频图像信息,视觉摄像头捕捉到的视频图像传输到信息处理系统的计算机视觉识别模块,通过计算机视觉识别模块分析视频图像的流域中是否有水藻、垃圾等所需要打捞的漂浮物。
若没有识别到需打捞的漂浮物,则智能排污清障船按照所规划的航线继续前行。
若在视频中捕捉到需要打捞的漂浮物,计算机视觉识别模块通过视频图像判断漂浮物的具体位置,根据分析出的位置将排污清障船行驶至漂浮物处,进行打捞。
完成打捞后,船上的定位器再次获取排污清障船的位置信息以及目标水域的范围信息,船上的视觉摄像头也再次获取排污清障船的观察打捞半径信息和四周360°的视频图像信息,监测器再次获取排污清障船的剩余电量或油量以及垃圾储存仓的剩余油量,航线规划模块根据重新获取的智能排污清障船在目标水域的位置以及其他数据采集系统获取的信息再次规划路线,以此循环工作,直至智能排污清障船的电量、油量剩余不多,或垃圾储存仓容量不足时,航线规划模型给出返航航线,排污清障船按返航航线回到原始位置。
此外,每次打捞都会将打捞位置、打捞物种类、打捞时间等信息记录储存在数据分析系统中,并通过机器学习预测下一次航行打捞时会出现污染物和障碍物较多的位置和垃圾种类,并且做一个统计学的分析,可分析出经常出现同一类垃圾的水域位置区域,例如:如果在旅游景区水域经常发现矿泉水瓶,食品袋等垃圾,说明垃圾的制造者可能是游客,需对游客们进行环保宣传等措施;如果在某一个水域经常发现破轮胎破手套等垃圾,可能是附近的维修店经常将废弃品扔入水域,将信息反馈到相关部门,为从源头解决水域中垃圾污染物及障碍物问题提供一定的信息。
Claims (10)
1.一种基于计算机视觉的水上智能排污清障系统,其特征在于,包括数据采集系统、信息处理系统、数据分析系统和末端控制系统;
所述数据采集系统包括定位器、视觉摄像头和人工调整信号接收器,所述定位器用于采集目标水域的范围信息和排污清障船的位置信息;所述视觉摄像头用于采集排污清障船四周360°的视频图像;所述人工调整信号接收器用于接受末端控制系统的指令;
所述信息处理系统包括计算机视觉识别模块和航线规划模块;其中,所述计算机视觉识别模块用于从视频图像中识别目标水域水面上的垃圾或障碍物,并传送给数据分析系统;所述航线规划模块用于根据数据采集系统采集的数据对排污清障船的航行路线进行规划;
所述数据分析系统用于预测水域中出现垃圾或障碍物的概率信息、垃圾或障碍物所属类别的概率信息,反馈所述概率信息给信息处理系统;
所述末端控制系统用于监控排污清障船的工作过程,并向数据采集系统发送指令,调整排污清障船的航行路线。
2.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述定位器设置在所述排污清障船的船身中间、船头和船尾,所述定位器运用GPS或北斗导航系统。
3.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述视觉摄像头设置在所述排污清障船的船身两侧、船头和船尾;所述视觉摄像头采用双目摄像头。
4.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述数据采集系统还包括监测器,所述监测器用于收集智能排污清障船的剩余电量或油量信息以及垃圾储存仓的容量信息。
5.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,计算机视觉识别模块提取视觉摄像头拍摄的船周围的视频图像的特征值,将该特征值与数据库中的特征值进行匹配,识别出视频图像中的各种物体;所述数据库为互联网中的照片。
6.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述航线规划模块采用基于蚁群算法的完全历遍所有路径规划。
7.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,数据分析系统接收定位器记录的每次打捞垃圾时排污清障船的停留位置以及停留时间的信息和信息处理系统记录的垃圾的大小和类别信息、障碍物的大小和类别信息,得到水域中出现障碍物或垃圾的概率信息和障碍物或垃圾所属类别的概率信息。
8.根据权利要求7所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述述数据分析系统采用支持向量机算法或者神经网络算法训练模型,得出该水域中出现障碍物或垃圾的概率信息和障碍物或垃圾所属类别的概率信息,并将上述两个概率信息发送给信息处理系统。
9.根据权利要求1所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述末端控制系统为岸上监控室,所述岸上监控室用于人为向数据采集系统、信息处理系统和数据分析系统发送指令。
10.根据权利要求9所述的一种基于计算机视觉的水上智能排污清障系统,其特征在于,所述排污清障船上设置有可伸出的机械臂,所述机械臂上套有渔网,所述机械臂可人工直接控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456060.4A CN113239747A (zh) | 2021-04-26 | 2021-04-26 | 一种基于计算机视觉的水上智能排污清障系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110456060.4A CN113239747A (zh) | 2021-04-26 | 2021-04-26 | 一种基于计算机视觉的水上智能排污清障系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239747A true CN113239747A (zh) | 2021-08-10 |
Family
ID=77129447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110456060.4A Pending CN113239747A (zh) | 2021-04-26 | 2021-04-26 | 一种基于计算机视觉的水上智能排污清障系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239747A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985876A (zh) * | 2021-10-27 | 2022-01-28 | 广州大学 | 基于仿生鱼类觅食的海洋垃圾回收路径规划方法及系统 |
CN116610061A (zh) * | 2023-07-19 | 2023-08-18 | 中交(天津)生态环保设计研究院有限公司 | 一种河道垃圾清理全过程数字化管控系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106585904A (zh) * | 2016-12-15 | 2017-04-26 | 南京理工大学 | 一种水面清洁机器人 |
CN106741683A (zh) * | 2017-03-08 | 2017-05-31 | 中国矿业大学 | 一种基于机器视觉的水域垃圾自动清洁船及自动清洁方法 |
CN107521629A (zh) * | 2017-08-22 | 2017-12-29 | 河海大学 | 一种清除水面漂浮物的自动船 |
CN108510124A (zh) * | 2018-04-09 | 2018-09-07 | 山东大学 | 基于机器学习的水面垃圾清理路径规划方法和装置 |
CN110185013A (zh) * | 2019-05-09 | 2019-08-30 | 上海海事大学 | 基于机器视觉识别的水面清洁船装置及水面清洁方法 |
CN110481720A (zh) * | 2019-08-19 | 2019-11-22 | 西北工业大学 | 一种水面垃圾清理智能船及其控制系统 |
CN111126116A (zh) * | 2018-11-01 | 2020-05-08 | 中国移动通信集团浙江有限公司 | 无人船河道垃圾识别方法及系统 |
CN111469131A (zh) * | 2020-05-10 | 2020-07-31 | 上海大学 | 一种装配机械臂的无人艇水面垃圾清理控制系统及方法 |
KR20200104436A (ko) * | 2019-02-26 | 2020-09-04 | 경기과학기술대학교 산학협력단 | 자율방식의 해양 쓰레기 수거 시스템 |
CN112109852A (zh) * | 2020-09-18 | 2020-12-22 | 南京理工大学 | 一种水面智能多功能清理机器人 |
-
2021
- 2021-04-26 CN CN202110456060.4A patent/CN113239747A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106585904A (zh) * | 2016-12-15 | 2017-04-26 | 南京理工大学 | 一种水面清洁机器人 |
CN106741683A (zh) * | 2017-03-08 | 2017-05-31 | 中国矿业大学 | 一种基于机器视觉的水域垃圾自动清洁船及自动清洁方法 |
CN107521629A (zh) * | 2017-08-22 | 2017-12-29 | 河海大学 | 一种清除水面漂浮物的自动船 |
CN108510124A (zh) * | 2018-04-09 | 2018-09-07 | 山东大学 | 基于机器学习的水面垃圾清理路径规划方法和装置 |
CN111126116A (zh) * | 2018-11-01 | 2020-05-08 | 中国移动通信集团浙江有限公司 | 无人船河道垃圾识别方法及系统 |
KR20200104436A (ko) * | 2019-02-26 | 2020-09-04 | 경기과학기술대학교 산학협력단 | 자율방식의 해양 쓰레기 수거 시스템 |
CN110185013A (zh) * | 2019-05-09 | 2019-08-30 | 上海海事大学 | 基于机器视觉识别的水面清洁船装置及水面清洁方法 |
CN110481720A (zh) * | 2019-08-19 | 2019-11-22 | 西北工业大学 | 一种水面垃圾清理智能船及其控制系统 |
CN111469131A (zh) * | 2020-05-10 | 2020-07-31 | 上海大学 | 一种装配机械臂的无人艇水面垃圾清理控制系统及方法 |
CN112109852A (zh) * | 2020-09-18 | 2020-12-22 | 南京理工大学 | 一种水面智能多功能清理机器人 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985876A (zh) * | 2021-10-27 | 2022-01-28 | 广州大学 | 基于仿生鱼类觅食的海洋垃圾回收路径规划方法及系统 |
CN113985876B (zh) * | 2021-10-27 | 2023-09-26 | 广州大学 | 基于仿生鱼类觅食的海洋垃圾回收路径规划方法及系统 |
CN116610061A (zh) * | 2023-07-19 | 2023-08-18 | 中交(天津)生态环保设计研究院有限公司 | 一种河道垃圾清理全过程数字化管控系统 |
CN116610061B (zh) * | 2023-07-19 | 2023-12-05 | 中交(天津)生态环保设计研究院有限公司 | 一种河道垃圾清理全过程数字化管控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111516808B (zh) | 一种环境监测巡河机器人系统和方法 | |
CN107622231B (zh) | 一种水天一体智能漂浮物收集系统及其收集方法 | |
CN107542073A (zh) | 一种基于树莓派的智能混动水面清理和水质监测装置及方法 | |
CN106816038A (zh) | 一种内河水域异常行为船舶自动识别系统及方法 | |
CN113239747A (zh) | 一种基于计算机视觉的水上智能排污清障系统 | |
CN107117268B (zh) | 一种异构系统的海洋垃圾回收方法及系统 | |
CN109515086A (zh) | 海洋探测机器人及其作业方法 | |
KR102339465B1 (ko) | 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템 | |
CN103778500A (zh) | 水域管理系统 | |
KR102169701B1 (ko) | 자율방식의 해양 쓰레기 수거 시스템 | |
CN103364408A (zh) | 一种采用水下机器人系统对水工混凝土结构水下表面裂缝检测的方法 | |
CN105898698B (zh) | 一种基于uwb的船舶靠泊辅助方法和系统 | |
CN112669572B (zh) | 一种用于江河流域库岸智能巡查的无人船系统 | |
CN112904328A (zh) | 一种海上风电场的雷达光电跟踪预警系统及预警方法 | |
CN110199961A (zh) | 一种自主避障寻迹识别的多功能智能捕鱼船 | |
CN111591400A (zh) | 水面垃圾自主收集方法及其系统 | |
CN205652298U (zh) | 一种基于北斗导航系统的远海垃圾清理机器鱼 | |
Bella et al. | HMDCS-UV: a concept study of Hybrid monitoring, detection and cleaning system for unmanned vehicles | |
CN109541609A (zh) | 江河湖泊探测机器人及其作业方法 | |
CN209728169U (zh) | 江河湖泊探测机器人 | |
CN111323418A (zh) | 基于无人艇的海面油污监测系统 | |
NL2029596B1 (en) | Waterborne intelligent pollution and obstacle removal system based on computer vision | |
CN116612551A (zh) | 一种无人艇、无人机协同控制的海洋牧场安全巡检系统 | |
CN115937721A (zh) | 一种浒苔监测方法 | |
CN116289823A (zh) | 一种水利水闸处水体漂浮物自动清理方法 |
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 |