CN114228950A - 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 - Google Patents
一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 Download PDFInfo
- Publication number
- CN114228950A CN114228950A CN202111424311.7A CN202111424311A CN114228950A CN 114228950 A CN114228950 A CN 114228950A CN 202111424311 A CN202111424311 A CN 202111424311A CN 114228950 A CN114228950 A CN 114228950A
- Authority
- CN
- China
- Prior art keywords
- image
- ship body
- area
- opencv
- ship
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000009471 action Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63C—LAUNCHING, HAULING-OUT, OR DRY-DOCKING OF VESSELS; LIFE-SAVING IN WATER; EQUIPMENT FOR DWELLING OR WORKING UNDER WATER; MEANS FOR SALVAGING OR SEARCHING FOR UNDERWATER OBJECTS
- B63C7/00—Salvaging of disabled, stranded, or sunken vessels; Salvaging of vessel parts or furnishings, e.g. of safes; Salvaging of other underwater objects
- B63C7/16—Apparatus engaging vessels or objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B1/00—Hydrodynamic or hydrostatic features of hulls or of hydrofoils
- B63B1/02—Hydrodynamic or hydrostatic features of hulls or of hydrofoils deriving lift mainly from water displacement
- B63B1/10—Hydrodynamic or hydrostatic features of hulls or of hydrofoils deriving lift mainly from water displacement with multiple hulls
- B63B1/12—Hydrodynamic or hydrostatic features of hulls or of hydrofoils deriving lift mainly from water displacement with multiple hulls the hulls being interconnected rigidly
- B63B1/121—Hydrodynamic or hydrostatic features of hulls or of hydrofoils deriving lift mainly from water displacement with multiple hulls the hulls being interconnected rigidly comprising two hulls
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Ocean & Marine Engineering (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Fluid Mechanics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于OpenCV与深度学习的水面物体打捞方法及打捞船,包括:获取船体前方区域图像,采用OpenCV图像预处理方法对得到的区域图像进行预处理,得到具有物体矩形轮廓的区域图像;通过采用训练好的Mobilenet SSD模型对步骤1得到的图像进行目标检测,仅对待打捞物体进行操作,驱动船体靠近船体前方物体,直至船体与船体前方物体之间的实时距离L在机械臂可伸长至触碰的范围;获取当前船体前方区域图像,判断当前物体中心是否位于区域图像中心处,若处于,则控制机械臂进行抓取动作;若不处于,则根据当前物体中心与区域图像中心的位置关系,调整船体位置。
Description
技术领域
本发明属于智能船舶技术领域,具体涉及一种基于OpenCV与深度学习的水面物体打捞方法及打捞船。
背景技术
随着计算机技术的快速发展,许多传统工业领域也逐渐实现智能化,计算机智能处理技术已经成为当下热门。在机械、建筑、造船等传统重工业领域也出现了翻天覆地的变化,计算机视觉是带来这些改变的重要因素。计算机图像处理技术在各个领域都发挥着重要的作用,比如交通运输、建筑安全、物流配送、医学图像等。目前最尤为突出就是自动驾驶技术,计算机视觉的发展加速了实现无人驾驶技术的成功应用,包括无人机、无人车以及无人船也逐渐投入到生产生活之中。
现有的打捞方法大多是通过人工操作进行实际作业,并且尚未有较为智能化的智能打捞船的发明设计,传统人工作业成本高。目前没有结合图像处理技术来设计的水面打捞系统,如何实现打捞作业智能化是仍未能解决的问题。
发明内容
发明目的:为弥补尚未有智能打捞船方法的空缺,本发明提出了一种基于计算机视觉技术的水面漂浮物自动打捞方法及打捞船,该方法能够弥补传统打捞作业完全依赖人工操作的弊端,满足实际应用中的需求。
技术方案:一种基于OpenCV与深度学习的水面物体打捞方法,应用于打捞船,所述打捞船包括船体、设置在所述船体前端的机械臂、用于控制机械臂动作的机械臂舵机和用于调整船体位置的螺旋桨;包括以下步骤:
S100:获取船体前方物体所在区域图像,采用OpenCV图像预处理方法对得到的船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,得到物体范围图像;
S200:通过采用训练好的Mobilenet SSD模型对步骤1得到的物体范围图像进行目标检测,并判断船体前方物体是否为待打捞物体,若为待打捞物体,则执行S300;否则不做任何处理;
S300:驱动船体靠近待打捞物体,并实时测定船体与待打捞物体之间的实时距离L,直至船体与待打捞物体之间的实时距离L在机械臂可伸长至触碰的范围内时,执行S400;
S400:获取当前船体前方物体所在区域图像,采用OpenCV图像预处理方法对得到的当前船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,得到区域图像中的物体范围图像;
S500:记具有物体矩形轮廓的区域图像的中心处所处的竖直轴为纵轴,其所处的水平轴为横轴;判断物体范围图像是否位于具有物体矩形轮廓的区域图像的纵轴±误差范围内,若位于,则执行S600;否则根据物体范围图像与具有物体矩形轮廓的区域图像的纵轴之间的位置关系,控制螺旋桨调整船体位置,而后执行S400;
S600:判断物体范围图像是否位于具有物体矩形轮廓的区域图像的横轴±误差范围内,若位于,则控制机械臂进行抓取动作,以实现打捞目的;否则执行S700;
S700:根据物体范围图像与具有物体矩形轮廓的区域图像的横轴之间的位置关系,调整采集当前船体前方物体所在区域图像的角度,而后执行S400。
进一步的,所述OpenCV图像预处理方法包括依次执行以下步骤:
采用cap.set()方法对图像进行分辨率降低处理;
采用双边滤波bilateralFilter()函数进行滤波去噪;
调用cvtColor函数将滤波去噪后的图像转化成灰度图;
采用平均值法,将灰度图进行阈值二值化处理;
将阈值二值化后的图像进行形态学操作,得到物体轮廓;
对物体轮廓进行矩形绘制,得到具有物体矩形轮廓的区域图像。
进一步的,S300具体包括以下步骤:
设定可参考距离常量m,当L>m时,表示物体不在可抓取范围,控制两个螺旋桨转动,机械臂舵机保持初始状态,使船体靠近船体前方物体;当L=m时,表示船体与船体前方物体之间的实时距离L在机械臂可伸长至触碰的范围。
本发明还公开了一种基于OpenCV与深度学习的水面物体打捞船,包括船体、用于控制船体行进的驱动机构和物体打捞机构;
所述物体打捞机构包括机械臂、机械臂舵机、控制单元、用于获取船体前方物体所在区域图像的图像获取单元和测距单元,所述机械臂舵机控制机械臂动作,所述机械臂、图像获取单元、测距单元均与控制单元连接;
所述控制单元内置水面物体打捞算法,对机械臂、图像获取单元和测距单元进行控制,所述水面物体打捞算法上述公开的一种基于OpenCV与深度学习的水面物体打捞方法。
进一步的,所述船体为双体船船体。
进一步的,所述双体船船体由两条单体船身通过船体连接平台合并而成。
进一步的,所述图像获取单元为摄像头云台。
进一步的,所述驱动机构包括驱动电机、螺旋桨双桨和控制电路模块;所述控制电路模块用于接收来自控制单元的控制命令,对驱动电机进行控制,所述驱动电机用于驱动螺旋桨双桨转动,所述螺旋桨双桨用于控制船体的运动方向和速度,该螺旋桨双桨安装于船体艉部。
有益效果:本发明与现有技术相比,具有以下优点:
(1)本发明将OpenCV图像处理以及深度学习算法,与电机以及机械臂的操作原理进行结合,以实现智能化水面打捞;
(2)本发明利用事先训练好的Mobilenet SSD模型进行目标检测,增加了该方法的可靠性以及复用性。
附图说明
图1为本发明的机械结构图;
图2为图像采集及处理流程图;
图3为Mobilenet SSD模型结构图;
图4为系统结构流程图;
图5为摄像头接收到的实时画面示意图。
具体实施方式
下面结合附图和实施例进一步阐述本发明。
本发明的一种基于OpenCV与深度学习的水面物体打捞方法,通过OpenCV对图像进行预处理,结合深度学习完成对图像中物体的检测与识别并依据检测结果作出相应判断,控制电机以及机械臂,完成整体的操作,实现水面物体的智能打捞。本发明主要集中于图像中物体的检测之后如何控制电机靠近以及机械臂抓取动作的实现,针对水面物体所在背景存在各种色差、曝光干扰,尽可能的使用OpenCV对图像进行预处理,以便于提前训练好的Mobile SSD进行物体的检测,通过超声波来测定距离,再判断距离是否符合机械臂抓取的范围,最后实现水面物体自动打捞的预期效果。具体实现步骤包括:
步骤1:通过单目摄像头采集船体前方物体所在区域的实时画面,如图1所示,采用OpenCV图像预处理方法对实时画面进行预处理,得到物体范围图像,该OpenCV图像预处理方法包括以下步骤:
利用cap.set()方法对实时画面进行适当降低分辨率的处理,即调整实时画面至适当大小便于后续处理;
由于物体与背景轮廓区分明显,使用双边滤波bilateralFilter()函数进行滤波去噪,保留物体轮廓;
调用cvtColor函数将去除噪点后的图像转化成灰度图;
采用平均值法计算得到灰度平均值avg,用灰度平均值avg作为阈值将灰度图进行阈值二值化,即当灰度值p>=avg时,p=255,当灰度值p<=avg时p=0;
将阈值二值化后的图像先后进行3次腐蚀和6次膨胀的形态学操作,得到平滑的物体区域的轮廓;该步骤的目的是消除噪声以及得到平滑的物体区域的轮廓;此处使用开运算操作;
调用cv2.findContours()方法检测物体区域的轮廓,获得两个属性contours和hierarchy分别表示轮廓上点的坐标及轮廓之间的关系,最终得到整个边缘轮廓;对图像中物体轮廓所在区域进行矩形绘制,由绘制的矩形确定图像中的物体范围,得到物体范围图像。
步骤2:采用训练好的Mobilenet SSD模型对步骤1得到的物体范围图像(即绘制的矩形)进行目标检测,并判断当前船体前方物体是否为待打捞物体,若为待打捞物体,则执行步骤3;否则不做任何处理;Mobilenet SSD模型结构可参见图2。Mobilenet SSD模型的训练过程为:采集包含物体的水面环境图片,将包含物体的水面环境图片输入到MobilenetSSD模型中进行训练,训练好的模型能提取待检测物体的图像特征;
步骤3:驱动船体靠近船体前方物体,通过超声波测定与船体前方物体之间的实时距离L,基于该实时距离L,控制螺旋桨电机的转动,以达到靠近物体的效果;现结合图2对本步骤的过程做进一步说明。
设定可参考距离常量m,当L>m时,表示物体不在可抓取范围,控制两个螺旋桨转动,机械臂舵机保持初始状态;当L=m时,螺旋桨停止转动,此时满足抓取条件一,即船体与船体前方物体之间的距离满足机械臂可伸长至触碰的范围,此时进入步骤4。
步骤4:当船体与物体的距离满足抓取范围时,通过单目摄像头采集当前船体前方物体所在区域图像,采用OpenCV图像预处理方法对得到的当前船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,由绘制的矩形来确定区域图像中的物体范围图像;判断绘制的矩形是否位于具有物体矩形轮廓的区域图像的竖直纵轴附近,若位于竖直纵轴附近,则进一步绘制的矩形是否位于具有物体矩形轮廓的区域图像的水平横轴附近,若位于水平横轴附近,则控制机械臂进行抓取动作,以实现打捞目的;若位于竖直纵轴附近但不位于水平横轴附近时,则根据绘制的矩形的中心与具有物体矩形轮廓的区域图像的中心的位置关系,调整单目摄像头的采集角度,重新采集当前船体前方物体所在区域图像,并执行步骤4;若不位于竖直纵轴附近,则依靠螺旋桨调整船体的角度来使得物体范围图像位于位于竖直纵轴附近,进而再判断绘制的矩形的中心是否位于具有物体矩形轮廓的区域图像的位于水平横轴附近。
如图5所示,将实时画面通过水平横轴、竖直纵轴分为①②③④四个区域,该水平横轴和竖直纵轴交叉于画面中心点,该画面中心点的水平横轴x坐标为160,即前面提到的水平横轴x坐标左边小于160,右边大于160。
当物体范围图像出现在画面中心左边即①③区域时,螺旋桨转动情况:左浆反拉,右浆推进,使绘制的矩形逐渐靠近竖直纵轴左边附近区域即Y区域内;
当物体范围图像出现在画面中心右边即②④区域时,螺旋桨转动情况:右浆反拉,左浆推进,使绘制的矩形逐渐靠近竖直纵轴右边附近区域即Y区域内;
以上两种通过螺旋桨转动调整方向只能保证物体范围图像出现在竖直纵轴附近,不能确定绘制的矩形是否一定在中间的可抓取区域内,所以接下来还需要判断绘制的矩形是否在水平横轴附近。
当矩形在①②区域,则摄像头云台舵机向上转动微调,使绘制的矩形逐渐靠近水平横轴上面附近区域即X区域内;
当矩形在③④区域,则摄像头云台舵机向下转动微调,使绘制的矩形逐渐靠近水平横轴下面附近区域即X区域内;
通过两种方式的调整,并且满足船体与前方物体之间的实时距离L=m,才能确保绘制的矩形是在画面中的可抓取区域范围内,继而才能执行机械臂抓取动作,实现物体的抓取。
将本发明的一种基于OpenCV与深度学习的水面物体打捞方法应用于如图1所示的打捞船,该打捞船为双体船型船体,在该双体船型船体4上设有用于控制船体行进的驱动机构和物体打捞机构;具体的,该双体船型船体4由两条单体船身通过船体连接平台7进行连接,该船体连接平台7安装在起到连接和载重作用。该驱动机构包括驱动电机6、螺旋桨双桨5和控制电路模块3;该控制电路模块3控制驱动电机6,驱动电机6和螺旋桨双桨5连接并都安装于双体船型船体4艉部,控制电路模块3安装在船体连接平台7上;控制电路模块3控制驱动电机6带动螺旋桨双桨5转动,控制双体船型船体4的运动方向和速度。该物体打捞机构包括机械臂1、机械臂舵机、控制单元8、用于获取船体前方物体所在区域图像的图像获取单元和测距单元,机械臂舵机控制机械臂1动作,机械臂1、图像获取单元、测距单元均与控制单元连接;在一些实施例中,图像获取单元包括但不限于单目摄像头和摄像头云台2,该测距单元包括但不限于超声波测距模块。
本发明的控制单元8内置水面物体打捞算法,用于执行以下操作:
控制图像获取单元获取船体前方物体所在区域图像;
接收图像获取单元获取到的船体前方物体所在区域图像,并采用OpenCV图像预处理方法对得到的船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,确定区域图像中的物体范围图像;采用训练好的Mobilenet SSD模型对物体范围图像进行目标检测,并判断当前船体前方物体是否为待打捞物体,仅当判定为是待打捞物体时,控制驱动机构带动船体靠近船体前方物体;
控制测距单元测定船体与船体前方物体之间的实时距离L,并判断船体与船体前方物体之间的实时距离L是否在机械臂可伸长至触碰的范围内,仅当船体与船体前方物体之间的实时距离L在机械臂可伸长至触碰的范围内时,控制图像获取单元获取船体前方物体所在区域图像,以及采用OpenCV图像预处理方法对得到的船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,由绘制的矩形来确定区域图像中的物体范围图像;判断绘制的矩形是否位于具有物体矩形轮廓的区域图像的中心处所在竖直纵轴附近上,若位于中心处所在竖直纵轴附近,则进一步判断绘制的矩形的中心是否位于具有物体矩形轮廓的区域图像的中心处所在的水平横轴附近,若位于中心处所在的水平横轴附近,则机械臂舵机,使其驱动机械臂进行抓取动作,以实现打捞目的;若位于中心处所在竖直纵轴附近但不位于中心处所在的水平横轴附近,则根据绘制的矩形的中心与具有物体矩形轮廓的区域图像的中心的位置关系,控制图像获取单元调整图像获取角度,而后控制图像获取单元获取船体前方物体所在区域图像,以及采用OpenCV图像预处理方法对得到的船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,确定区域图像中的物体范围图像,直至绘制的矩形处于中心处所在的水平横轴附近,此时控制机械臂舵机,使其驱动机械臂进行抓取动作;若不位于中心处所在竖直纵轴附近,则控制驱动电机6带动螺旋桨双桨5转动,来调整船体的角度来使得物体范围图像位于中心处所在竖直纵轴附近,进而再重新判断绘制的矩形的中心是否位于具有物体矩形轮廓的区域图像的中心处所在的水平横轴附近。
本发明的控制器单元8通过各部分反馈的信息控制打捞船移动到物体区域进行打捞。
Claims (8)
1.一种基于OpenCV与深度学习的水面物体打捞方法,应用于打捞船,所述打捞船包括船体、设置在所述船体前端的机械臂、用于控制机械臂动作的机械臂舵机和用于调整船体位置的螺旋桨;其特征在于:包括以下步骤:
S100:获取船体前方物体所在区域图像,采用OpenCV图像预处理方法对得到的船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,得到物体范围图像;
S200:通过采用训练好的Mobilenet SSD模型对步骤1得到的物体范围图像进行目标检测,并判断船体前方物体是否为待打捞物体,若为待打捞物体,则执行S300;否则不做任何处理;
S300:驱动船体靠近待打捞物体,并实时测定船体与待打捞物体之间的实时距离L,直至船体与待打捞物体之间的实时距离L在机械臂可伸长至触碰的范围内时,执行S400;
S400:获取当前船体前方物体所在区域图像,采用OpenCV图像预处理方法对得到的当前船体前方物体所在区域图像进行预处理,得到具有物体矩形轮廓的区域图像,得到区域图像中的物体范围图像;
S500:记具有物体矩形轮廓的区域图像的中心处所处的竖直轴为纵轴,其所处的水平轴为横轴;判断物体范围图像是否位于具有物体矩形轮廓的区域图像的纵轴±误差范围内,若位于,则执行S600;否则根据物体范围图像与具有物体矩形轮廓的区域图像的纵轴之间的位置关系,控制螺旋桨调整船体位置,而后执行S400;
S600:判断物体范围图像是否位于具有物体矩形轮廓的区域图像的横轴±误差范围内,若位于,则控制机械臂进行抓取动作,以实现打捞目的;否则执行S700;
S700:根据物体范围图像与具有物体矩形轮廓的区域图像的横轴之间的位置关系,调整采集当前船体前方物体所在区域图像的角度,而后执行S400。
2.根据权利要求1所述的一种基于OpenCV与深度学习的水面物体打捞方法,其特征在于:所述OpenCV图像预处理方法包括依次执行以下步骤:
采用cap.set()方法对图像进行分辨率降低处理;
采用双边滤波bilateralFilter()函数进行滤波去噪;
调用cvtColor函数将滤波去噪后的图像转化成灰度图;
采用平均值法,将灰度图进行阈值二值化处理;
将阈值二值化后的图像进行形态学操作,得到物体轮廓;
对物体轮廓进行矩形绘制,得到具有物体矩形轮廓的区域图像。
3.根据权利要求1所述的一种基于OpenCV与深度学习的水面物体打捞方法,其特征在于:S300具体包括以下步骤:
设定可参考距离常量m,当L>m时,表示物体不在可抓取范围,控制两个螺旋桨转动,机械臂舵机保持初始状态,使船体靠近船体前方物体;当L=m时,表示船体与船体前方物体之间的实时距离L在机械臂可伸长至触碰的范围。
4.一种基于OpenCV与深度学习的水面物体打捞船,其特征在于:包括船体、用于控制船体行进的驱动机构和物体打捞机构;
所述物体打捞机构包括机械臂、机械臂舵机、控制单元、用于获取船体前方物体所在区域图像的图像获取单元和测距单元,所述机械臂舵机控制机械臂动作,所述机械臂、图像获取单元、测距单元均与控制单元连接;
所述控制单元内置水面物体打捞算法,对机械臂、图像获取单元和测距单元进行控制,所述水面物体打捞算法为权利要求1至3任意一项所述的一种基于OpenCV与深度学习的水面物体打捞方法。
5.根据权利要求4所述的一种基于OpenCV与深度学习的水面物体打捞船,其特征在于:所述船体为双体船船体。
6.根据权利要求5所述的一种基于OpenCV与深度学习的水面物体打捞船,其特征在于:所述双体船船体由两条单体船身通过船体连接平台合并而成。
7.根据权利要求4所述的一种基于OpenCV与深度学习的水面物体打捞船,其特征在于:所述图像获取单元为摄像头云台。
8.根据权利要求4所述的一种基于OpenCV与深度学习的水面物体打捞船,其特征在于:所述驱动机构包括驱动电机、螺旋桨双桨和控制电路模块;所述控制电路模块用于接收来自控制单元的控制命令,对驱动电机进行控制,所述驱动电机用于驱动螺旋桨双桨转动,所述螺旋桨双桨用于控制船体的运动方向和速度,该螺旋桨双桨安装于船体艉部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424311.7A CN114228950A (zh) | 2021-11-26 | 2021-11-26 | 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424311.7A CN114228950A (zh) | 2021-11-26 | 2021-11-26 | 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114228950A true CN114228950A (zh) | 2022-03-25 |
Family
ID=80751473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424311.7A Pending CN114228950A (zh) | 2021-11-26 | 2021-11-26 | 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114228950A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114771772A (zh) * | 2022-03-28 | 2022-07-22 | 广东海洋大学 | 融合视觉与力觉机械臂的水下打捞装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107601202A (zh) * | 2017-11-09 | 2018-01-19 | 上海木爷机器人技术有限公司 | 电梯空间检测方法及装置 |
CN109483554A (zh) * | 2019-01-22 | 2019-03-19 | 清华大学 | 基于全局和局部视觉语义的机器人动态抓取方法及系统 |
US20190126487A1 (en) * | 2016-05-19 | 2019-05-02 | Deep Learning Robotics Ltd. | Robot assisted object learning vision system |
CN110422293A (zh) * | 2019-08-30 | 2019-11-08 | 南通理工学院 | 一种基于图像识别技术的水面垃圾分拣装置及方法 |
US20200050922A1 (en) * | 2018-08-13 | 2020-02-13 | National Chiao Tung University | Recycling system and method based on deep-learning and computer vision technology |
CN111151463A (zh) * | 2019-12-24 | 2020-05-15 | 北京无线电测量研究所 | 一种基于3d视觉的机械臂分拣抓取系统及方法 |
CN112975970A (zh) * | 2021-03-01 | 2021-06-18 | 青岛科技大学 | 一种视觉抓取机械臂系统 |
CN113076924A (zh) * | 2021-04-21 | 2021-07-06 | 西交利物浦大学 | 基于无人船的河面垃圾实时检测方法、装置及存储介质 |
CN113219971A (zh) * | 2021-05-07 | 2021-08-06 | 西南交通大学 | 一种基于卷积神经网络和多线程并行控制的多功能智能物流小车 |
CN113362306A (zh) * | 2021-06-07 | 2021-09-07 | 中山大学 | 一种基于深度学习的封装芯片缺陷检测方法 |
-
2021
- 2021-11-26 CN CN202111424311.7A patent/CN114228950A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190126487A1 (en) * | 2016-05-19 | 2019-05-02 | Deep Learning Robotics Ltd. | Robot assisted object learning vision system |
CN107601202A (zh) * | 2017-11-09 | 2018-01-19 | 上海木爷机器人技术有限公司 | 电梯空间检测方法及装置 |
US20200050922A1 (en) * | 2018-08-13 | 2020-02-13 | National Chiao Tung University | Recycling system and method based on deep-learning and computer vision technology |
CN109483554A (zh) * | 2019-01-22 | 2019-03-19 | 清华大学 | 基于全局和局部视觉语义的机器人动态抓取方法及系统 |
CN110422293A (zh) * | 2019-08-30 | 2019-11-08 | 南通理工学院 | 一种基于图像识别技术的水面垃圾分拣装置及方法 |
CN111151463A (zh) * | 2019-12-24 | 2020-05-15 | 北京无线电测量研究所 | 一种基于3d视觉的机械臂分拣抓取系统及方法 |
CN112975970A (zh) * | 2021-03-01 | 2021-06-18 | 青岛科技大学 | 一种视觉抓取机械臂系统 |
CN113076924A (zh) * | 2021-04-21 | 2021-07-06 | 西交利物浦大学 | 基于无人船的河面垃圾实时检测方法、装置及存储介质 |
CN113219971A (zh) * | 2021-05-07 | 2021-08-06 | 西南交通大学 | 一种基于卷积神经网络和多线程并行控制的多功能智能物流小车 |
CN113362306A (zh) * | 2021-06-07 | 2021-09-07 | 中山大学 | 一种基于深度学习的封装芯片缺陷检测方法 |
Non-Patent Citations (3)
Title |
---|
路悦等: "基于计算机视觉的自动化采摘智能车设计与实现", 《工业控制计算机》 * |
陈佳林: "《智能硬件与机器视觉:基于树莓派、Python和OpenCV》", 31 October 2020, 机械工业出版社 * |
高宏伟等: "《电子制造装备技术》", 30 September 2015, 西安电子科技大学出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114771772A (zh) * | 2022-03-28 | 2022-07-22 | 广东海洋大学 | 融合视觉与力觉机械臂的水下打捞装置 |
CN114771772B (zh) * | 2022-03-28 | 2023-12-19 | 广东海洋大学 | 融合视觉与力觉机械臂的水下打捞装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108693535B (zh) | 一种用于水下机器人的障碍物探测系统和探测方法 | |
CN108445880A (zh) | 基于单目视觉和激光数据融合的无人艇自主停泊系统和方法 | |
CN113850848B (zh) | 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法 | |
CN107315410B (zh) | 一种机器人自动排障方法 | |
CN112194011A (zh) | 一种基于双目视觉的塔吊自动装载方法 | |
CN110658826A (zh) | 一种基于视觉伺服的欠驱动无人水面艇自主靠泊方法 | |
KR101454855B1 (ko) | 선체 검사분석 시스템 및 선체 검사분석 방법 | |
CN111562791A (zh) | 一种无人机合作目标识别视觉辅助着陆的系统及方法 | |
CN109143247B (zh) | 一种声光成像的三目水下探测方法 | |
CN103336282B (zh) | 一种自动船舱定位装置及其定位方法 | |
CN107831760A (zh) | 机器人障碍物处理系统及方法 | |
CN109623815B (zh) | 一种用于无人打捞船的波浪补偿双机器人系统及方法 | |
CN112883790A (zh) | 一种基于单目摄像头的3d物体检测方法 | |
CN114228950A (zh) | 一种基于OpenCV与深度学习的水面物体打捞方法及打捞船 | |
CN112010024A (zh) | 一种基于激光和视觉融合检测的货箱自动抓取方法及系统 | |
CN112884848B (zh) | 一种基于双目视觉的智能天车控制系统、方法、终端 | |
CN210072415U (zh) | 一种无人机合作目标识别视觉辅助着陆的系统 | |
Susanto et al. | Development of underwater object detection method base on color feature | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
CN113837924A (zh) | 一种基于无人艇感知系统的水岸线检测方法 | |
CN109815836A (zh) | 一种城市道路路面导向箭头检测识别方法 | |
CN111366959B (zh) | 一种基于图像的无人艇回收方法及系统 | |
CN116255908B (zh) | 面向水下机器人的海生物定位测量装置及方法 | |
CN116700275A (zh) | 一种卸船机无人化作业方法、装置、设备及存储介质 | |
CN111178210B (zh) | 一种十字标记的图像识别及对准方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |