CN107622231B - 一种水天一体智能漂浮物收集***及其收集方法 - Google Patents
一种水天一体智能漂浮物收集***及其收集方法 Download PDFInfo
- Publication number
- CN107622231B CN107622231B CN201710806662.1A CN201710806662A CN107622231B CN 107622231 B CN107622231 B CN 107622231B CN 201710806662 A CN201710806662 A CN 201710806662A CN 107622231 B CN107622231 B CN 107622231B
- Authority
- CN
- China
- Prior art keywords
- rubbish
- image
- unmanned plane
- described image
- water
- 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
Links
Landscapes
- Image Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种水天一体智能漂浮物收集***及其收集方法。所述***包括图像采集模块、图像处理模块、水面垃圾清理装置。图像采集模块通过无人机获取待清理湖面的图像,并经过A/D转换,再把图像灰度化,之后进行图像预处理。图像处理模块将图像中湖面背景与前景对象分割;识别前景对象中的目标垃圾:通过将前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标。水面垃圾清理装置根据目标垃圾的位置坐标清理目标垃圾。本发明将清洁装置和无人机结合起来实现水面漂浮物清理的全自动化并且很大程度上提高了水面清理工作的效率。
Description
技术领域
本发明涉及一种收集***及其收集方法,尤其涉及一种水天一体智能漂浮物收集***及其收集方法。
背景技术
随着经济的发展,人们的生活水平都有所提高,生活垃圾也逐渐增多,但是由于一些人的素质和行为***洋上的海洋垃圾就已经达到350万平方公里,仅2010年全球就有800万吨塑料流入海洋湖泊,而且这个数字逐年上升。据法国《费加罗报》报道,2013年,150万动物成为海洋中塑料垃圾的牺牲品。
不仅是海洋,湖泊河流的污染也日益严重,引起了社会的关注。湖面上的各种漂浮垃圾,严重影响了水质和湖面的景观,甚至还会造成水体污染、水质恶化,并且最终将会危害人类自身的生命与健康。对于景观湖,由于受到发展迅猛的旅游业和自然条件的影响,湖面上常漂浮着各种垃圾,使景区的旅游价值大打折扣。景观湖的污染现象在很多景区都有存在,若不及时清理,不仅会造成视觉污染,影响自然景观,还会对湖泊中的水生生物造成生命威胁。本发明以高效、智能地清理景观湖湖面漂浮垃圾为目标,对维持湖面清洁,营造一个良好的景区环境具有重要意义。
国外对水面清洁装置的研究较早,设计的清洁装置也比较成熟。目前,日本、欧美等国家又相继投入巨额资金用于研制自动水面垃圾清理装置,例如,南非的企业家理查德·哈迪曼(Richard Hardiman)研发出一款名为“垃圾鲨鱼”(WasteShark)的海面清洁机器人,可在港口附近自主巡游,清理海洋垃圾。
相比之下,国内对于水面垃圾清洁装置的研究起步较晚,市场上大多利用人工驾驶垃圾船打捞的方式,比较典型的是上海市废弃物处置公司研制的水面漂浮物打捞船,采用燃油驱动和人工驾驶的方式进行打捞。自2000年以来,在众多学者及工程师的努力下,我国在清洁装置自动化方面也取得了***的研究成果。例如云洲科技的“水面机器人”产品以自主研发的世界最小高性能无人船平台为基础,融合了船舶、通讯、自动化、机器人控制、远程监控、网络化***等多方面的技术,打破中国水面智能机器人空白,其主要应用于军事、安防、勘探、环保、救援等领域。2016年初,中科院成功研发出了“风光互补”自主式水面清洁机器人,类似于家庭清洁机器人,能够自主识别垃圾并进行清除,主要应用于各种海洋、湖泊、及景区内的湖泊、池塘的固体垃圾、浮萍等清理,以及危险区域的远程作业,然而湖面垃圾的定位准确率和识别准确率都不是很高。
发明内容
有鉴于此,本发明提供一种水天一体智能漂浮物收集***及其收集方法,其将清洁装置和无人机结合起来实现水面漂浮物清理的全自动化并且很大程度上提高了水面清理工作的效率。
本发明的解决方案是:一种水天一体智能漂浮物收集***,其包括无人机和水面垃圾清理装置;无人机安装有图像采集模块和图像处理模块;
所述图像采集模块通过无人机获取待清理湖面的图像,并将所述图像经过A/D转换将模拟信号转换为数字信号实现所述图像的空间和幅值的离散处理,再把所述图像灰度化,之后进行图像预处理;
所述图像处理模块将所述图像中湖面背景与前景对象分割并获取所述前景对象;识别所述前景对象中的目标垃圾:通过将所述前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标;
所述水面垃圾清理装置根据目标垃圾的位置坐标清理目标垃圾。
作为上述方案的进一步改进,所述***还包括数据库,所述数据库存储识别出的目标垃圾,并根据目标垃圾二值化后的特点进行分类归纳,所述图像采集模块对获取的图像调用所述数据库的目标垃圾进行对比,快速获取所述图像中的目标垃圾。
作为上述方案的进一步改进,所述***还包括路径设计模块,所述路径设计模块规划所述无人机的路径设计,所述无人机的路径设计包括以下步骤:
根据已知湖面的条件分布情况画出泰森多边形图;
在此基础上对湖岸轮廓进行最大折线化,使湖岸轮廓成为一个贴合环境的内接多边形,内接多边形的每条边为一条路线;
从内接多边形的最长边开始,无人机按照迪杰斯特拉算法对湖面开始扫描,路线之间的间距为摄像头扫描范围;
使用差分GPS在路线上面每隔一定距离为无人机设定一个航路点,修正航路点,保留满足完全勾勒出内接多边形特征的航路点,保证无人机在航行过程中不会因为距离不合适丢掉下一个航路点或偏离航迹;
无人机在实际航行中就按照修正后的航路点进行航行与扫描。
作为上述方案的进一步改进,所述***还包括路径设计模块,所述路径设计模块规划所述水面垃圾清理装置的路径设计,所述水面垃圾清理装置的路径设计分两部分规划:考虑自由空间应比船体尺寸位置超出多少的粗规划和侧重空间较窄时船只定位的细规划。
进一步地,在粗规划中应用蚁群算法,所述粗规划包括以下步骤:
进行环境建模,对整个湖面进行栅格划分:把障碍物划分为黑格,其余为白格,不足半格按没有算,超过半格按一格算,起点与终点之间在白格内画出所有可能的路线;
选择最优路径,先扩大范围:将环境建模中相连的多个栅格扩大为一个单位,统计每个单位内障碍物出现的概率,算出这些概率的平均值,高于平均值的范围舍去,在低于平均值的范围内继续用上述方法迭代,直到找出最优的路径;
对最优路径进行平滑处理。
进一步地,在细规划中应用C空间法,所述细规划为:首先围着障碍物做一个多边形,多边形到湖岸边的距离为x,使a<x<b,过多边形的顶点、垃圾船的起始点P和垃圾所在位置Q连线,连线不穿过障碍物,使起始点P和位置Q分别与多边形的顶点相连行成一个闭合多边形,所述闭合多边形的边形成了两条路径M、N,比较这两条路径长度,短的即为最佳路径。
作为上述方案的进一步改进,所述图像的灰度化是将亮度量化:划分成0到255即256个级别,0表征最暗或全黑,255表征最亮或全白;所述图像处理模块采用灰度阈值分割法对所述图像进行分割。
作为上述方案的进一步改进,所述图像预处理包括步骤:
(1)首先进行降噪滤波处理,通过微分消除噪声;
(2)再对所述图像进行锐化处理。
作为上述方案的进一步改进,所述图像处理模块在图像分割前检测湖面典型干扰因素并祛除。
本发明还提供一种水天一体智能漂浮物收集方法,其应用于上述任意一种水天一体智能漂浮物收集***;所述水天一体智能漂浮物收集方法包括以下步骤:
通过无人机拍摄来获取待清理水域的图像,所述图像经过A/D转换将模拟信号转换为数字信号实现所述图像的空间和幅值的离散处理,再把所述图像灰度化,之后进行图像预处理;
将所述图像中湖面背景与前景对象分割并获取所述前景对象;识别所述前景对象中的目标垃圾:通过将所述前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标;
根据目标垃圾的位置坐标清理目标垃圾。
本发明的有益效果如下:
1.无人机协助清理湖面垃圾:以往的水面垃圾清理装置由于自身的扫描范围有限,浪费时间、能源,效率很低,而本发明应用无人机作为垃圾船的“眼睛”,“视野”范围广,大大提高了工作效率;
2.利用排除法识别垃圾:在湖面上,除漂浮垃圾外还会有面积较大的物体(如船只、成片的景观植物荷花等),故本发明在识别垃圾时,将湖面上面积大于一平方米的物体排除,剩下的前景对象即可确定为是漂浮垃圾;此方法简洁有效,而且还排除了面积较大的物体对目标垃圾识别产生的影响;
3.水面清洁装置的路径设计:本发明考虑湖中存在小岛的情况,若水面清洁装置与目标垃圾分别在小岛的两侧,那么清洁装置就不能是简单的直线航行了;本发明在已知小岛位置的情况下,对清洁装置进行了路径设计,提高了应用范围;
4.无人机的路径设计:无人机可在事先指定的区域内通过航路点的规划,自主完成路径设计,以进行航向;
5.地面站:本发明包含地面站,该地面站可实时显示无人机拍拍摄的画面,并且可通过该地面站进行无人机姿态控制、航行区域的设定等。
附图说明
图1为本发明***采用的图像灰度级的直方图。
图2为本发明***采用的图像灰度化处理和二值化处理流程图。
图3为本发明***采用的无人机的路径设计图。
图4为本发明***采用的水面清洁装置的路径设计图。
图5为本发明***采用的方案流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的水天一体智能漂浮物收集***在硬件上主要包括两个大部分:无人机和水面垃圾清理装置。在软件上主要包括图像采集模块、图像处理模块、路径设计模块。无人机安装有图像采集模块、图像处理模块、路径设计模块。图像处理模块、路径设计模块也可安装在水面垃圾清理装置上。
图像采集模块获取待清理湖面的图像,所述图像经过A/D转换将模拟信号转换为数字信号实现所述图像的空间和幅值的离散处理,再把所述图像灰度化,之后进行图像预处理。
图像处理模块将所述图像中湖面背景与前景对象分割并获取所述前景对象;识别所述前景对象中的目标垃圾:通过将所述前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标。
水面垃圾清理装置根据目标垃圾的位置坐标清理目标垃圾。路径设计模块不仅规划所述无人机的路径设计,还规划所述水面垃圾清理装置的路径设计。路径设计模块也可以分成两个子模块,分别安装在无人机上和水面垃圾清理装置上,分别完成无人机的路径设计规划和水面垃圾清理装置的路径设计规划。
本发明通过图像采集、图像处理与分析技术定位和识别出湖面垃圾,并将位置信息发送给水面垃圾清洁装置,进行垃圾清理。
在本实施例中,有两部分涉及到图像处理技术:
①无人机对垃圾的识别;
②在小范围内,水面清洁装置对垃圾的准确定位。
其中,无人机对垃圾的识别和水面清洁装置对垃圾的准确定位采用相同的技术。
图像采集模块可安装在无人机上,图像采集先由无人机的摄像头拍摄获取湖面图像,然后进行预处理转化成有利于后续分析的图像信息。
由于CCD图像传感器受震动与冲击的损伤较少,并且对紫外线不敏感,所以本发明设计在无人机上搭载CCD摄像头,无人机飞行在湖面上空由摄像头进行图像的拍摄。
摄像头获取图像后需要经过A/D转换将模拟信号转换为可处理的数字信号,即空间和幅值的离散处理。然后把图像灰度化,也就是将亮度量化,通常划分成0到255即256个级别,0最暗(全黑),255最亮(全白)。经过处理后的信息为图像的灰度值,但其中包含受各种条件的限制和干扰而产生的噪声,在进行后续处理前必须先进行图像预处理,即进行以下两步:
(1)首先进行降噪滤波处理,通过微分消除噪声,防止噪声对后续图像分析的影响;
(2)由于滤波处理会使得图像边缘模糊,为了突出边缘和轮廓信息,需要再对图像进行锐化处理,即通过积分加强有用信息,使得边缘突出、清晰。
图像处理模块为本发明的一个重点内容。由于采集回来的图像信息包括两部分:湖面背景以及前景对象。首先需要通过图像分割,将湖面背景与前景对象分开并获取前景对象。由于一般景观湖面上的前景对象并不多,主要有两大类:面积较大的对象(包括成片的水生观赏植物、船只等)和漂浮垃圾,由于漂浮垃圾多种多样,相比之下,面积较大的对象更容易识别,故本发明利用排除法:排除面积大于一平方米的物体,剩下的前景对象即可确定为是漂浮垃圾。
(1)湖面典型干扰因素的检测与祛除
在实际情况中,获取的湖面图像并不是理想的,在各种环境条件的影响下,还存在一些情况会干扰图像的处理与分析,典型的干扰因素有以下几点:
①由于受到刮风或水生生物运动等情况的影响,水面容易出现波纹;
②在自然因素的影响下,岸边景物会在湖面形成倒影;
③由于摄像头与光线和水面角度的任意性,在获取的图像中可能会产生曝光区域或反光区域。
这些因素的存在都会对后续图像处理产生影响,甚至会产生虚假错误的目标识别。因此,在进行下一步处理前应将这些典型的干扰因素祛除,以免对垃圾识别造成影响,该步操作避免了可能存在的不确定因素对分析结果产生影响,提高了目标识别的鲁棒性。
(2)图像分割
本发明需要将湖面垃圾识别出来,故应先将前景对象与湖面背景分离,图像分割是把图像分成一些互不重叠而又具有各自特征的区域,可以根据前景对象与湖面背景的特征,将图像表示为物理上有意义的连通区域的集合,即对图像中的前景对象、湖面背景进行标记、定位,然后把前景对象从湖面背景中分离出来,图像分割是图像识别的基础,其分割质量的好坏直接影响后续图像处理的进行。由于湖面常见前景对象的灰度特征与湖面背景有明显区别,故采用灰度阈值分割法对图像进行分割。
设原图像为f(x,y),以一定的准则在f(x,y)中找一个合适的灰度值,作为阈值T,那么分割后的图像g(x,y)可以用以下形式表示:
或
由此可见,若能找到一个合适的阈值,就能将图像准确地分割,阈值的选取为图像分割的关键问题。阈值一旦确定,将各像素点的灰度与阈值进行比较,分割之后即可给出垃圾目标区域。
如果图像的灰度级直方图呈明显的双峰,如图1所示的图像的灰度级直方图,则可选取两峰之间的谷底的灰度值作为阈值T。如图2为原始图像、灰度化处理、二值化处理之后图像三者的比较。
(3)目标垃圾识别
由于提取出的前景对象不只有目标垃圾,还有一些体积过大的对象(如:船只),所以可以将面积大于一定值b的物体排除,剩下的即可确定为目标垃圾。
一张图片的实际尺寸是由电子图片的像素和分辨率共同决定的。假定电子图片的像素为p,分辨率为q,则获取电子图片的尺寸(注:得到的尺寸单位为英寸,需转换单位为米)。设无人机定高后的视野范围为y,则比例图片中前景对象的尺寸为l,因此前景对象的实际面积
为确定出是否为目标垃圾,只需比较前景对象的实际面积S与设定值b(此处设定为1平方米)的大小关系,即:
当垃圾被识别后,无人机以自身的摄像头为坐标原点,建立坐标。将识别出的垃圾的位置进行计算,得到垃圾的对应位置坐标,然后将相应的坐标通过无线传输模块,传送给水面垃圾清洁装置。可以在图像处理算法中加入一个垃圾库的程序库,将大部分垃圾扫描到库中,找出每类垃圾二值化后的特点进行分类归纳,最后让无人机对垃圾扫描后直接与库中对比,更加快速高效的识别垃圾。
本发明的路径设计就是要在一定的空间范围内寻找一条应对各种情况的优化路径。在本发明中,由于无人机和水面清洁装置都涉及到航行,故路径设计相应地分为两部分:无人机的路径设计和水面垃圾清洁装置的路径设计。
一、无人机的路径设计
本发明无人机在湖面上空航行,需要提前对航行路线进行设计。它是任务规划和航迹规划的一部分,需要受到环境信息和任务信息的约束。其主要内容为首先根据已知的湖面条件分布情况画出Voronoi图;在此基础上对湖岸轮廓进行最大折线化,使其成为一个贴合环境的内接多边形,然后从内接多边形的最长边开始,按照Dijkstra(如图3所示的无人机路径设计图)对环境开始扫描,路线之间的间距为摄像头扫描范围;使用差分GPS在路线上面每隔一定距离为无人机设定一个航路点,航路点要满足完全勾勒出多边形的特征,并且保证无人机在航行过程中不会因为距离不合适丢掉下一个航路点或偏离航迹;最后无人机在实际航行中就按照修正后的航路点进行航行与扫描,根据实际情况进一步对路线进行深度整合规划。
Dijkstra(迪杰斯特拉)算法是典型的单源最短路径算法,用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展,直到扩展到终点为止。Dijkstra算法是很有代表性的最短路径算法,在很多专业课程中都作为基本内容有详细的介绍,如数据结,图论,运筹学等等。注意该算法要求图中不存在负权边。
问题描述:在无向图G=(V,E)中,假设每条边E[i]的长度为w[i],找到由顶点V0到其余各点的最短路径。(单源最短路径)
(2)算法描述
①算法思想:
设G=(V,E)是一个带权有向图,把图中顶点集合V分成两组,第一组为已求出最短路径的顶点集合(用S表示,初始时S中只有一个源点,以后每求得一条最短路径,就将加入到集合S中,直到全部顶点都加入到S中,算法就结束了),第二组为其余未确定最短路径的顶点集合(用U表示),按最短路径长度的递增次序依次把第二组的顶点加入S中。在加入的过程中,总保持从源点v到S中各顶点的最短路径长度不大于从源点v到U中任何顶点的最短路径长度。此外,每个顶点对应一个距离,S中的顶点的距离就是从v到此顶点的最短路径长度,U中的顶点的距离,是从v到此顶点只包括S中的顶点为中间顶点的当前最短路径长度。
②算法步骤:
a.初始时,S只包含源点,即S={v},v的距离为0。U包含除v外的其他顶点,即:U={其余顶点},若v与U中顶点u有边,则<u,v>正常有权值,若u不是v的出边邻接点,则<u,v>权值为∞。
b.从U中选取一个距离v最小的顶点k,把k,加入S中(该选定的距离就是v到k的最短路径长度)。
c.以k为新考虑的中间点,修改U中各顶点的距离;若从源点v到顶点u的距离(经过顶点k)比原来距离(不经过顶点k)短,则修改顶点u的距离值,修改后的距离值的顶点k的距离加上边上的权。
d.重复步骤b和c直到所有顶点都包含在S中。
二、水面清洁装置的路径设计
路径规划分两部种,粗规划和细规划。粗规划考虑自由空间应比船体尺寸位置超出多少,而细规划侧重空间较窄时船定位要精准。很显然,巡航船应更侧重于粗规划。
2.2.1.蚁群算法
首先,进行环境建模,对整个湖面进行栅格划分,即相当于把环境放在一个国际象棋的棋盘中,不同的是,把障碍物划分为黑格(为0),其余为白格(为1),不足半格按没有算,超过半格按一格算,所以格分的越细、尽量扩大障碍物即黑格的范围、边界适当缩小,处理就更精准.起点与终点间在白格内画出所有可能的路线。其次,选择最优路径,不过距离最短和巡航范围最优无法同时满足。先扩大范围,如第一步环境建模中的25个小格为一个新的单位,统计每个单位内障碍物出现的概率,算出这些概率的平均值,高于平均值的范围舍去,在低于平均值的范围内继续用上述方法迭代,直到找出最优的路线。最后,对最优路线进行平滑处理。此算法依据为蚁群算法。
(1)范围
蚂蚁观察到的范围是一个方格世界,蚂蚁有一个参数为速度半径(一般是3),那么它能观察到的范围就是3*3个方格世界,并且能移动的距离也在这个范围之内。
(2)环境
蚂蚁所在的环境是一个虚拟的世界,其中有障碍物,有别的蚂蚁,还有信息素,信息素有两种,一种是找到食物的蚂蚁洒下的食物信息素,一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。
(3)觅食规则
在每只蚂蚁能感知的范围内寻找是否有食物,如果有就直接过去。否则看是否有信息素,并且比较在能感知的范围内哪一点的信息素最多,它就朝信息素多的地方走,并且每只蚂蚁都会以小概率犯错误,而不是往信息素最多的点移动。蚂蚁找窝的规则和上面一样,只不过它对窝的信息素做出反应,而对食物信息素没反应。
(4)移动规则
每只蚂蚁都朝向信息素最多的方向移,并且,当周围没有信息素指引的时候,蚂蚁会按照自己原来运动的方向惯性的运动下去,并且,在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈,它会记住刚才走过了哪些点,如果发现要走的下一点已经在之前走过了,它就会尽量避开。
(5)避障规则
如果蚂蚁要移动的方向有障碍物挡住,它会随机的选择另一个方向,并且有信息素指引的话,它会按照觅食的规则行为。
(6)信息素规则
每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多,并随着它走远的距离,播撒的信息素越来越少。根据这几条规则,蚂蚁之间并没有直接的关系,但是每只蚂蚁都和环境发生交互,而通过信息素这个纽带,实际上把各个蚂蚁之间关联起来了。比如,当一只蚂蚁找到了食物,它并没有直接告诉其它蚂蚁这儿有食物,而是向环境播撒信息素,当其它的蚂蚁经过它附近的时候,就会感觉到信息素的存在,进而根据信息素的指引找到了食物。可以适当引入负反馈来校准路径。
2.2.2.C空间法
当水面清洁装置接收到位置信息时,需要按照一定的路线航行到目标位置。若清洁装置的位置与目标位置之间无障碍物,则可直线航行到目标位置;若有障碍物(如小岛),则需要为水面清洁装置设计一条最优航行路径,以最短航程到达目标位置。
面对湖中障碍物我们应用C空间法(又称可视图空间法)进行路径设计:
首先围着障碍物(以湖中小岛为例)做一个多边形,多边形到岸边的距离为x,使a<x<b(其中a,b的选取使x不至于太大或太小即可),此处的x是为了防止垃圾船与小岛相撞并有利于确定路线。过多边形的顶点、垃圾船的起始点P和垃圾所在位置Q连线(不穿过障碍物的连线),使P和Q分别与多边形的顶点相连行成一个闭合多边形,该多边形的边形成了两条路径M、N,比较这两条路径长度,短的即为最佳路径(如图4所示的水面清洁装置路径设计图)。水面清洁装置便按该路径到达目标位置。
在硬件***的选择上,经过对常用器件的比较,现场可编程门阵列FPGA更适合本发明信息处理量大,处理速度要求高的特点。能在已有的无人机模型以及水面清理装置的基础上进行设计,搭建基于可编程门阵列FPGA的硬件***作为信息处理的核心部分。
由于FPGA硬核实现的功能与等效的软核相比具有更高的性能和更低的功耗,但是软核的使用更加灵活,当在硬核处理器上运行的特定功能遇到瓶颈时,我们可以使用软核通过可编程构造来实现,这样FPGA软核与硬核结合使用能够在提供高性能和低功耗的同时实现特定功能。
在本发明中,FPGA作为信息处理的核心部分,不仅要模拟出I2C总线协议,完成视频解码、编码,还要对视频流同步信号提取,实现图像采集控制、图像处理基本算法,并将图像信号存储在SRAM中。同时,水面清洁装置的路径设计算法也是在FPGA中实现。如图5所示的方案流程图,本发明主要对图像处理以及路径设计这两大部分展开研究。
本发明利用在湖面上空飞行的无人机识别湖面垃圾并对垃圾进行定位,把所检测到的位置信息传送给湖面上的水面清洁装置,然后由清洁装置来清理回收垃圾,以维持湖面清洁。本发明对于实现湖面垃圾清理的自动化、智能化具有如下重要意义。
1.无人机协助清理湖面垃圾。以往的水面垃圾清理装置由于自身的扫描范围有限,浪费时间、能源,效率很低,而本发明应用无人机作为垃圾船的“眼睛”,“视野”范围广,大大提高了工作效率。
2.利用排除法识别垃圾。在湖面上,除漂浮垃圾外还会有面积较大的物体(如船只、成片的景观植物荷花等),故本发明在识别垃圾时,将湖面上面积大于一平方米的物体排除,剩下的前景对象即可确定为是漂浮垃圾。此方法简洁有效,而且还排除了面积较大的物体对目标垃圾识别产生的影响。
3.水面清洁装置的路径设计。本发明考虑湖中存在小岛的情况,若水面清洁装置与目标垃圾分别在小岛的两侧,那么清洁装置就不能是简单的直线航行了。本发明在已知小岛位置的情况下,对清洁装置进行了路径设计,提高了应用范围。
4.无人机的路径设计。无人机可在事先指定的区域内通过航路点的规划,自主完成路径设计,以进行航向。
5.地面站。本发明包含地面站,该地面站可实时显示无人机拍拍摄的画面,并且可通过该地面站进行无人机姿态控制、航行区域的设定等。
综上所述,本发明可以延伸总结如下。
1、在实物***总体设计上,可设置结构:无人机+水面清洁装置+地面站。
无人机是整个***的“眼睛”,主要负责水面图像的采集与处理。摄像头获取图像后需要经过A/D转换将模拟信号转换为可处理的数字信号,即空间和幅值的离散处理。然后把图像灰度化,也就是将亮度量化,划分成0到255即256个级别,0最暗(全黑),255最亮(全白)。经过处理后的信息为图像的灰度值,但其中包含受各种条件的限制和干扰而产生的噪声,在进行后续处理前必须先进行图像预处理,即进行以下三步:
①首先进行降噪滤波处理,通过微分消除噪声,防止噪声对后续图像分析的影响;
②由于滤波处理会使得图像边缘模糊,为了突出边缘和轮廓信息,需要再对图像进行锐化处理,即通过积分加强有用信息,使得边缘突出、清晰;
③检测并祛除水面典型干扰因素。
由于图像信息处理量大,一般的处理器无法满足实时性的要求。本***在无人机上搭载机载电脑,能够快速处理图像,并且识别出垃圾后将垃圾的位置信息传送给水面清洁装置。
水面清洁装置最主要的作用是收集无人机所发现的湖面漂浮垃圾。清洁装置接收到无人机发送的垃圾位置信息后,将自行规划最优路径,以前往目的地清理垃圾。其次水面清洁装置还有一些附加功能:可以对危险区域或者工作人员到达不了的区域进行湖水采样,以供水质监测;可以对湖里的生物进行喂食,减少了管理人员的工作量;最后水面清洁装置还是无人机的“加油站”,当无人机完成一次巡航时或者电量不足以继续工作时,无人机将返回到水面清洁装置进行充电。而所有的过程全为自动的,无需人为操作。
地面站是使用者用来了解***工作状况以及控制***的地面平台。地面站可以完成无人机航行区域设定、无人机飞行姿态控制,同时还可以实时地查看水面清洁装置以及无人机的工作情况。
2、在实际情况中,获取的湖面图像并不是理想的,在各种环境条件的影响下,还存在一些情况会干扰图像的处理与分析,故本发明在图像预处理时会检测典型的干扰因素并祛除,水面典型干扰因素主要有以下几点:
①湖面可能会存在一些非垃圾的漂浮物,如一些供游客娱乐的小船,水生生物等,会对***的垃圾识别造成影响;
②由于受到自然环境或水生生物运动等情况的影响,水面出现波纹;
③若岸边有景物或者其他物体,会在湖面形成倒影;
④获取的图像中存在曝光区域或反光区域。
3、对于影响垃圾识别的水生生物,本发明采用红外探测仪检测的方法祛除。由于水生生物与漂浮垃圾最大的区别就是生物有生命特征,红外探测仪中的热电元件可以检测到生命特征的存在,利用这种方法可以有效地将水中的生物干扰祛除掉。
4、图像处理目标识别采用排除法
由于从图像提取出的前景对象不仅有目标垃圾,还有一些体积过大的对象(如:船只),故本发明采用排除法进行垃圾识别。排除法即为设定一个合适的阈值,将前景对象进行处理找出它的平均半径与阈值比较,若大于阈值,则认为该前景对象不是目标垃圾,并将该对象排除,剩下的前景对象则可以确定为是垃圾目标。在本***所使用的环境中,使用排除法来识别垃圾简洁有效。
5、本***主要的信息处理是在无人机搭载的机载电脑上完成的。由于图像处理信息量比较大,一般常用的处理器无法快速实时地完成图像处理、垃圾识别。本发明在无人机上搭载机载电脑,可以实现***对实时性的要求,同时也不用依附于地面电脑,信息处理可以直接在无人机上完成。
6、地面站是使用者用来了解***工作状况以及控制***的地面平台。
①地面站可以完成无人机航行区域设定:使用者可以在地面站上划定湖面区域,无人机接收到相应的位置信息后可以自主规划巡航路径,进而完成区域巡航;
②地面站可以实现无人机飞行姿态控制,在地面站上设定有设定好的无人机飞行姿态,使用者可以根据需求,选择不同的飞行姿态。同时,在保证无人机正常飞行的前提下,使用者可以自定义无人机的飞行姿态;
③在地面站上可以实时地看到无人机拍摄的湖面画面,并且还可以查看水面清洁装置以及无人机的工作情况;
7、所述***还可包括路径设计模块,所述路径设计模块规划所述无人机的路径设计,所述无人机的路径设计包括以下步骤:
根据已知湖面的条件分布情况画出泰森多边形图;
在此基础上对湖岸轮廓进行最大折线化,使湖岸轮廓成为一个贴合环境的内接多边形,内接多边形的每条边为一条路线;
从内接多边形的最长边开始,无人机按照迪杰斯特拉算法对湖面开始扫描,路线之间的间距为摄像头扫描范围;
使用差分GPS在路线上面每隔一定距离为无人机设定一个航路点,修正航路点,保留满足完全勾勒出内接多边形特征的航路点,保证无人机在航行过程中不会因为距离不合适丢掉下一个航路点或偏离航迹;
无人机在实际航行中就按照修正后的航路点进行航行与扫描。
8、水面清洁装置的路径规划采用C空间法
当水面清洁装置接收到位置信息时,需要按照一定的路线航行到目标位置。若清洁装置的位置与目标位置之间无障碍物,则可直线航行到目标位置;若有障碍物(如小岛),则需要为水面清洁装置设计一条最优航行路径,以最短航程到达目标位置。
面对湖中障碍物我们应用C空间法(又称可视图空间法)进行路径设计:
首先围着障碍物(以湖中小岛为例)做一个多边形,多边形到岸边的距离为x,使a<x<b(其中a,b的选取使x不至于太大或太小即可),此处的x是为了防止垃圾船与小岛相撞并有利于确定路线。过多边形的顶点、垃圾船的起始点P和垃圾所在位置Q连线(不穿过障碍物的连线),使P和Q分别与多边形的顶点相连行成一个闭合多边形,该多边形的边形成了两条路径M、N,比较这两条路径长度,短的即为最佳路径(如图4所示的水面清洁装置路径设计图)。水面清洁装置便按该路径到达目标位置。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种水天一体智能漂浮物收集***,其特征在于:其包括图像采集模块、图像处理模块、水面垃圾清理装置;
所述图像采集模块通过无人机获取待清理湖面的图像,并将所述图像经过A/D转换将模拟信号转换为数字信号实现所述图像的空间和幅值的离散处理,再把所述图像灰度化,之后进行图像预处理;
所述图像处理模块将所述图像中湖面背景与前景对象分割并获取所述前景对象;识别所述前景对象中的目标垃圾:通过将所述前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标;
所述水面垃圾清理装置根据目标垃圾的位置坐标清理目标垃圾;
其中,所述***还包括路径设计模块,所述路径设计模块规划所述水面垃圾清理装置的路径设计,所述水面垃圾清理装置的路径设计分两部分规划:考虑自由空间应比船体尺寸位置超出多少的粗规划、和侧重空间较窄时船只定位的细规划;
在粗规划中应用蚁群算法,所述粗规划包括以下步骤:
进行环境建模,对整个湖面进行栅格划分:把障碍物划分为黑格,其余为白格,不足半格按没有算,超过半格按一格算,起点与终点之间在白格内画出所有可能的路线;
选择最优路径,先扩大范围:将环境建模中相连的多个栅格扩大为一个单位,统计每个单位内障碍物出现的概率,算出这些概率的平均值,高于平均值的范围舍去,在低于平均值的范围内继续用上述方法迭代,直到找出最优的路径;
对最优路径进行平滑处理。
2.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:所述***还包括数据库,所述数据库存储识别出的目标垃圾,并根据目标垃圾二值化后的特点进行分类归纳,所述图像采集模块对获取的图像调用所述数据库的目标垃圾进行对比,快速获取所述图像中的目标垃圾。
3.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:所述***还包括路径设计模块,所述路径设计模块规划所述无人机的路径设计,所述无人机的路径设计包括以下步骤:
根据已知湖面的条件分布情况画出泰森多边形图;
在此基础上对湖岸轮廓进行最大折线化,使湖岸轮廓成为一个贴合环境的内接多边形,内接多边形的每条边为一条路线;
从内接多边形的最长边开始,无人机按照迪杰斯特拉算法对湖面开始扫描,路线之间的间距为摄像头扫描范围;
使用差分GPS在路线上面每隔一定距离为无人机设定一个航路点,修正航路点,保留满足完全勾勒出内接多边形特征的航路点,保证无人机在航行过程中不会因为距离不合适丢掉下一个航路点或偏离航迹;
无人机在实际航行中就按照修正后的航路点进行航行与扫描。
4.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:在细规划中应用C空间法,所述细规划为:首先围着障碍物做一个多边形,多边形到湖岸边的距离为x,使a<x<b,过多边形的顶点、垃圾船的起始点P和垃圾所在位置Q连线,连线不穿过障碍物,使起始点P和位置Q分别与多边形的顶点相连行成一个闭合多边形,所述闭合多边形的边形成了两条路径M、N,比较这两条路径长度,短的即为最佳路径。
5.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:所述图像的灰度化是将亮度量化:划分成0到255即256个级别,0表征最暗或全黑,255表征最亮或全白;所述图像处理模块采用灰度阈值分割法对所述图像进行分割。
6.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:所述图像预处理包括步骤:
(1)首先进行降噪滤波处理,通过微分消除噪声;
(2)再对所述图像进行锐化处理。
7.如权利要求1所述的水天一体智能漂浮物收集***,其特征在于:所述图像处理模块在图像分割前检测湖面典型干扰因素并祛除。
8.一种水天一体智能漂浮物收集方法,其特征在于:其应用于如权利要求1至7中任意一项所述的水天一体智能漂浮物收集***;所述水天一体智能漂浮物收集方法包括以下步骤:
通过无人机拍摄来获取待清理水域的图像,所述图像经过A/D转换将模拟信号转换为数字信号实现所述图像的空间和幅值的离散处理,再把所述图像灰度化,之后进行图像预处理;
将所述图像中湖面背景与前景对象分割并获取所述前景对象;识别所述前景对象中的目标垃圾:通过将所述前景对象中面积大于预设值的物体排除;对识别出的目标垃圾,以无人机自身的摄像头为坐标原点,建立坐标,在此坐标下计算出位置坐标;
根据目标垃圾的位置坐标清理目标垃圾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806662.1A CN107622231B (zh) | 2017-09-08 | 2017-09-08 | 一种水天一体智能漂浮物收集***及其收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710806662.1A CN107622231B (zh) | 2017-09-08 | 2017-09-08 | 一种水天一体智能漂浮物收集***及其收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107622231A CN107622231A (zh) | 2018-01-23 |
CN107622231B true CN107622231B (zh) | 2019-11-05 |
Family
ID=61088571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710806662.1A Active CN107622231B (zh) | 2017-09-08 | 2017-09-08 | 一种水天一体智能漂浮物收集***及其收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107622231B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510124B (zh) * | 2018-04-09 | 2020-11-03 | 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 |
CN108646728B (zh) * | 2018-04-09 | 2020-07-31 | 山东大学 | 基于云端服务器的水面垃圾自动清理方法与*** |
CN110443823A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种水面漂浮物前景分割方法 |
CN108985274B (zh) * | 2018-08-20 | 2023-07-14 | 上海磐导智能科技有限公司 | 水面异物识别方法 |
EP3853766A1 (fr) | 2018-09-20 | 2021-07-28 | Cortexia SA | Méthode et dispositif de suivi et d'exploitation d'au moins un paramètre environnemental |
CN109392427B (zh) * | 2018-10-26 | 2021-01-19 | 大连理工高邮研究院有限公司 | 一种新型割草机用割草装置、***及方法 |
CN110414334B (zh) * | 2019-06-20 | 2021-05-11 | 浙江大学 | 一种基于无人机巡视的智能水质识别方法 |
CN110244763B (zh) * | 2019-06-21 | 2021-11-02 | 浙江海洋大学 | 海水污染物的远程监测***及监测方法 |
CN110320163A (zh) * | 2019-06-26 | 2019-10-11 | 深圳市宇驰检测技术股份有限公司 | 无人机的在线水质监测方法、***及存储介质 |
CN110758658A (zh) * | 2019-11-08 | 2020-02-07 | 湘潭大学 | 一种使用无人机和无人船协同清理水面漂浮垃圾的方法 |
CN111079724B (zh) * | 2020-03-25 | 2020-06-30 | 速度时空信息科技股份有限公司 | 一种基于无人机的海漂垃圾识别方法 |
CN111931597B (zh) * | 2020-07-20 | 2024-06-04 | 苏州富鑫林光电科技有限公司 | 基于人工智能的垃圾分选方法及***、存储介质、设备 |
US11308603B2 (en) | 2020-08-12 | 2022-04-19 | International Business Machines Corporation | Detection and monitoring of waste disposal in an environmental location using artificial intelligence |
CN112947202B (zh) * | 2021-02-26 | 2022-06-14 | 厦门理工学院 | 一种水面漂浮垃圾智能清理***及控制方法 |
CN114063640B (zh) * | 2021-10-18 | 2024-04-12 | 广州大学 | 一种水域垃圾清理方法、装置、设备及存储介质 |
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*** |
CN116195912A (zh) * | 2021-11-30 | 2023-06-02 | 美智纵横科技有限责任公司 | 清洁机器人的控制方法、装置、电子设备及存储介质 |
CN114565635B (zh) * | 2022-03-08 | 2022-11-11 | 安徽新宇环保科技股份有限公司 | 一种智能识别河道垃圾并进行分类收集的无人船*** |
CN114545952B (zh) * | 2022-04-20 | 2022-07-29 | 季华实验室 | 水面清理方法、作业***、装置、电子设备及存储介质 |
CN115318760B (zh) * | 2022-07-29 | 2024-04-16 | 武汉理工大学 | 一种输电铁塔的无人机激光清洗方法及*** |
CN115049825B (zh) * | 2022-08-16 | 2022-11-01 | 北京大学 | 水面清洁方法、装置、设备及计算机可读存储介质 |
CN116591131B (zh) * | 2023-07-18 | 2023-09-22 | 浙江大学海南研究院 | 垃圾收集模块及垃圾收集装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542852A (zh) * | 2013-10-23 | 2014-01-29 | 上海大学 | 一种基于分割法的无人机路径规划方法 |
CN106444773A (zh) * | 2016-10-25 | 2017-02-22 | 大连理工大学 | 一种基于递归简化可视图的环境建模方法 |
CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 广东数相智能科技有限公司 | 基于图像识别的垃圾分类方法、装置和*** |
CN107117268A (zh) * | 2017-05-12 | 2017-09-01 | 西南科技大学 | 一种异构***的海洋垃圾回收方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9975040B2 (en) * | 2015-06-07 | 2018-05-22 | Apple Inc. | Procedural navigation graphs for identifying a route for a virtual object |
-
2017
- 2017-09-08 CN CN201710806662.1A patent/CN107622231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542852A (zh) * | 2013-10-23 | 2014-01-29 | 上海大学 | 一种基于分割法的无人机路径规划方法 |
CN106444773A (zh) * | 2016-10-25 | 2017-02-22 | 大连理工大学 | 一种基于递归简化可视图的环境建模方法 |
CN107092914A (zh) * | 2017-03-23 | 2017-08-25 | 广东数相智能科技有限公司 | 基于图像识别的垃圾分类方法、装置和*** |
CN107117268A (zh) * | 2017-05-12 | 2017-09-01 | 西南科技大学 | 一种异构***的海洋垃圾回收方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107622231A (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622231B (zh) | 一种水天一体智能漂浮物收集***及其收集方法 | |
US11195013B2 (en) | DANet-based drone patrol and inspection system for coastline floating garbage | |
CN106816038A (zh) | 一种内河水域异常行为船舶自动识别***及方法 | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN110188696A (zh) | 一种水面无人装备多源感知方法及*** | |
CN109711295A (zh) | 一种光学遥感图像近岸舰船检测方法 | |
CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别***及方法 | |
Salehi et al. | Automatic moving vehicles information extraction from single-pass WorldView-2 imagery | |
CN103886285A (zh) | 先验地理信息辅助下的光学遥感影像舰船检测方法 | |
CN101145200A (zh) | 多视觉传感器信息融合的内河船舶自动识别*** | |
CN108090911A (zh) | 一种光学遥感图像的近岸舰船分割方法 | |
CN111222701A (zh) | 一种基于海洋环境图层的船舶航线自动规划与评价方法 | |
CN111582218A (zh) | 一种基于深度学习的遥感影像岛礁提取方法 | |
CN104992172B (zh) | 基于沿岸突异区扫描的港口遥感图像靠岸船舶检测方法 | |
CN111753677A (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
CN109919026A (zh) | 一种水面无人艇局部路径规划方法 | |
US20230306730A1 (en) | Information extraction method of offshore raft culture based on multi-temporal optical remote sensing images | |
CN107731011A (zh) | 一种港口泊船监测方法、***及电子设备 | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN113159042A (zh) | 一种激光视觉融合的无人船桥洞通行方法及*** | |
CN113723371B (zh) | 无人船清洁路线规划方法、装置、计算机设备及存储介质 | |
CN108446721A (zh) | 一种基于多分支网络的水面环境解析方法 | |
CN114743059B (zh) | 一种综合地形地貌特征的海底地理实体自动分类方法 | |
CN116385876A (zh) | 基于yolox的光学遥感影像地物检测方法 | |
CN109976158A (zh) | 基于距离进化n-pso的auv能源优化路径搜寻方法 |
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 |