CN114863373B - 一种海上无人平台监控方法及海上无人监控平台 - Google Patents
一种海上无人平台监控方法及海上无人监控平台 Download PDFInfo
- Publication number
- CN114863373B CN114863373B CN202210411423.7A CN202210411423A CN114863373B CN 114863373 B CN114863373 B CN 114863373B CN 202210411423 A CN202210411423 A CN 202210411423A CN 114863373 B CN114863373 B CN 114863373B
- Authority
- CN
- China
- Prior art keywords
- camera
- image
- sea
- line
- sky
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 230000009545 invasion Effects 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种海上无人平台监控方法及海上无人监控平台,所述方法包括:根据所述去雾模型对含雾气的摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理。利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框;检测出所述摄像机采集图像中的海天线;若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号。采用本发明实施例,利用YOLOV5检测框和海天线检测的结构进行入侵判断,并加入一系列预处理手段提高在复杂天气下的检测率。
Description
技术领域
本发明涉及智能监控领域,尤其涉及一种海上无人平台监控方法及海上无人监控平台。
背景技术
海上浮标部署于我国各处海域,是重要的海上无人监测平台,由于长期处于无人监管的状态,同时浮标上搭载有价值不菲的检测仪器,因此经常会有不法分子会损坏浮标上物件,同时进行偷盗,基于以上问题,监控平台常使用AIS获取船舶信息,测距传感器测量船舶与浮标的相对距离,摄像机设备只是作为一个捕捉和记录图像的辅助工具。这些监控平台包含许多硬件和传感器,比如需要搭载AIS、测距传感器、摄像头等,需要将各个传感器进行信息整合处理,平台整体结构较为复杂且臃肿。
发明内容
本发明实施例提供一种海上无人平台监控方法及海上无人监控平台,利用YOLOV5检测框和海天线检测的结构进行入侵判断,并加入一系列预处理手段提高在复杂天气下的检测率。
本申请实施例的第一方面提供了一种海上无人平台监控方法,包括:
将摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数;
统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度;
若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理;
若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理;
利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框;
检测出所述摄像机采集图像中的海天线;
若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号。
在第一方面的一种可能的实现方式中,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
在第一方面的一种可能的实现方式中,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
在第一方面的一种可能的实现方式中,所述检测出所述摄像机采集图像中的海天线,具体包括:
对所述摄像机采集图像进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
在第一方面的一种可能的实现方式中,所述船只边界框所占面积大于预设面积阈值,具体为:
所述船只边界框像素点占据所述摄像机采集图像像素的占比值大于预设占比阈值。
本申请实施例的第二方面提供了一种海上无人监控平台,包括:
预处理模块,用于将摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数;统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度;若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理;若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理;
目标检测模块,用于利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框;
预警模块,用于若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号。
在第二方面的一种可能的实现方式中,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
在第二方面的一种可能的实现方式中,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
在第二方面的一种可能的实现方式中,所述检测出所述摄像机采集图像中的海天线,具体包括:
将所述摄像机采集图像中进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
在第二方面的一种可能的实现方式中,所述船只边界框所占面积大于预设面积阈值,具体为:
所述船只边界框像素点占据所述摄像机采集图像像素的占比值大于预设占比阈值。
相比于现有技术,本发明实施例提供了一种海上无人平台监控方法及海上无人平台,只依赖于监控平台上安装摄像机获取摄像机采集图像以及支持深度学习算法的边缘嵌入式设备对摄像机采集图像进行处理分析,不需要添加其他额外的设备。将摄像机采集图像转换为灰度图像,自动区分有雾和无雾图像,判断雾气等级,从而在真实的环境中自动区分雾气和分级,对去雾模型的参数进行精细的调整,提高了检测的准确率,还利用YOLOV5检测框和海天线检测的结构进行入侵判断,从摄像机采集图像中获取的更深层次信息。
附图说明
图1是本发明一实施例提供一种海上无人平台监控方法的流程示意图;
图2是本发明一实施例提供一种对摄像机采集图像雾气判定和预处理的示意图;
图3是本发明一实施例提供一种对摄像机采集图像进行海天线检测的示意图;
图4是本发明一实施例中对一张摄像机采集图像进行海天线检测和目标检测后的示意图;
图5是本发明一实施例中一张摄像机采集图像进行警戒区域划分的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参照图1,本发明实施例提供了一种海上无人平台监控方法,包括:
S10、将摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数。
S11、统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度。
S12、若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理。
S13、若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理。
S14、利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框。
S15、检测出所述摄像机采集图像中的海天线。
S16、若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号。
S10-S13是对摄像机采集图像进行预处理的过程,在海上会面临着复杂天气,经常遇到的情况是雾天,在有雾气的环境下,检测效果会大幅度下降,因此会使用一些图像预处理手段,将图像去模糊,去雾等进行清晰化处理。本实施例中根据灰度直方图中灰度值个数统计对图像进行有雾和无雾分析,以及雾气等级判定。有雾图像相对于正常图像来说,其直方图中低灰度等级更加的尖锐,直方图等级为0-255有雾图像更多的集中在低灰度等级中,直方图更加尖锐。在输入图片后,图片先进入雾气判断,再进入预处理阶段,之后再分别送入海天线检测和YOLOV5检测器,YOLOV5的作用是将船只检测出来,海天线检测是将海天线检测出来,之后将两个检测器的结果输出到一张图片当中,然后再进行预警判断。
本实施例中,先将摄像机采集图像变为灰度图像,并且得到灰度图像的直方图。直方图的横坐标为灰度强度[0,255],纵坐标为当前灰度等级下像素点的个数。
H(k)=nk (1)
k表示直方图横坐标,k取值为[0,255],nk表示直方图纵坐标数值,灰度强度等级为k时,像素个数。经过统计之后,设定一条高度为T的水平线作为阈值,进行统计。
T=na (2)
n为原始图像中像素点的总数,a为百分比参数,根据需要设定。统计直方图中处于水平线T下的H(k)
设定阈值T1,进行雾气判定:
L=0时,表示无雾;L=1时表示有雾;在判断有雾后再根据,再根据H1的大小进行雾气等级分划。
示例性地,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
接下来需要对去雾模型的参数进行精调:
基于大气散射模型,雾气图像根据下述公式得到:
I(x)=J(x)t(x)+A(1-t(x)) (6)
在这里,I(x)是有雾图像,J(x)表示原始图像,A为全球大气光,t(x)为介质透射图,定义为:
t(x)=e-βd(x) (7)
其中β表示大气的散射系数,d(x)是场景深度。
根据方程式(6)可以推导出t(x)的近似解如下:
引入一个参数ω控制去雾程度:
需要注意的是,预处理中整个去雾模型的参数是通过CNN(卷积神经网络)训练而来,因此预处理必须是可微分的,可以通过反向传播进行优化参数ω,使去雾滤波器更有利于雾图像的检测。根据预处理过程,可以判断摄像机采集图片是否有雾,也可以判断出雾气等级,因此我们引入一个参数γ来进行微调:
当判断图片为无雾图片时,令γ为0,此时t(x,ω,γ)=1,带入公式(6),可以得到I(x)=J(x),此时图片不会进行去雾处理。
当判断图片为有雾图片时,根据雾气等级对参数γω进行限制,假设分为三个等级I级轻雾、II级中雾、III级重雾,I级轻雾时t(x,ω,γ)取值范围应该在(0.66,0.99]、II级中雾时t(x,ω,γ)取值范围应该在(0.33,0.66]、III级重雾时t(x,ω,γ)取值范围应该在(0,0.33],当雾气区分等级越细致时,取值区间越小,在ω已知的情况下,调节参数γ使γω符合雾气取值区间,从而达到精调。
示例性地,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
预处理过程中使用的算法有去雾,图像白平衡,gamma变换,色调调整,对比度拉伸,锐化处理。这些算法都是可微分的,因为其参数是依据CNN网络进行自动设置。参考图2,预处理过程需要对摄像机采集图像进行雾气判断后再进行。
在目标检测中,使用YOLOV5作为检测器。YOLOV5在YOLOv4算法的基础上做了进一步的改进,虽然是一个非官方承认的版本,但是其优势在于更加符合工业界的需求,为YOLO系列算法在工业部署上提供了有力贡献。
示例性地,参见图3,所述检测出所述摄像机采集图像中的海天线,具体包括:
对所述摄像机采集图像进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
海天线检测主要是配合目标检测,为后续的预警提供判断条件。这里采用的均是传统的图像检测方法,经过上述滤波、分割、聚合、拟合等流程处理后可以得到海天线。本实施例在面对雾气和低光照的天气环境下,能提高海天线检测的准确率。
示例性地,所述船只边界框所占面积大于预设面积阈值,具体为:
所述船只边界框像素点占据所述摄像机采集图像像素的占比值大于预设占比阈值。
一般而言,在实际应用中可以选择“30%”作为预设占比阈值。
本实施例通过从YOLOV5目标检测船只和海天线检测联合判断船只的相对距离。在经过YOLOV5检测和海天线检测后预期可得如图4所示的检测结果。
由于从图像中无法得到船只的具体坐标位置,因此这里考虑使用的办法是使用一个相对参考位置来判断船只,在海面上能获取的唯一参考线是海天线,因此***中引入了海天线检测,将海天线作为距离参考线,根据此参考线设置一个预警区域,同时考虑到浮标在海面上漂浮时会出现晃动,因此会出现由于浮标漂浮摇晃导致摄像头的摇摆,原本距离很远的船只出现在预警区域内,因此引入YOLOV5的检测框大小来辅助判断船只的相对距离。预期的结果如图5所示。
相比于现有技术,本发明实施例提供了一种海上无人平台监控方法,只依赖于监控平台上安装摄像机获取摄像机采集图像以及支持深度学习算法的边缘嵌入式设备对摄像机采集图像进行处理分析,不需要添加其他额外的设备。将摄像机采集图像转换为灰度图像,自动区分有雾和无雾图像,判断雾气等级,从而在真实的环境中自动区分雾气和分级,对去雾模型的参数进行精细的调整,提高了检测的准确率,还利用YOLOV5检测框和海天线检测的结构进行入侵判断,从摄像机采集图像中获取的更深层次信息。
本申请实施例的第二方面提供了一种海上无人监控平台,包括:预处理模块、目标检测模块、目标检测模块和预警模块。
预处理模块,用于将摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数;统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度;若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理;若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理;
目标检测模块,用于利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框。
目标检测模块,用于利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框。
预警模块,用于若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号。
示例性地,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
示例性地,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
示例性地,所述检测出所述摄像机采集图像中的海天线,具体包括:
将所述摄像机采集图像中进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
示例性地,所述船只边界框所占面积大于预设面积阈值,具体为:
所述船只边界框像素点占据所述摄像机采集图像像素的占比值大于预设占比阈值。
相比于现有技术,本发明实施例提供了一种海上无人监控平台,只依赖于监控平台上安装摄像机获取摄像机采集图像以及支持深度学习算法的边缘嵌入式设备对摄像机采集图像进行处理分析,不需要添加其他额外的设备。将摄像机采集图像转换为灰度图像,自动区分有雾和无雾图像,判断雾气等级,从而在真实的环境中自动区分雾气和分级,对去雾模型的参数进行精细的调整,提高了检测的准确率,还利用YOLOV5检测框和海天线检测的结构进行入侵判断,从摄像机采集图像中获取的更深层次信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的平台的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赞述。
整个监控平台完全利用摄像机获取的图像进行处理和判断,用到的硬件设备有摄像头和支持深度学习算法的嵌入式设备(设有预处理模块、目标检测模块、目标检测模块和预警模块),无需额外的AIS设备,测距传感器等,能大幅度降低成本。针对复杂天气境况下的目标检测,比起现有技术,能够自动区分有雾和无雾图像,判断雾气等级,从而在真实的环境中自动区分雾气和分级,对去雾模块的参数进行更加精细的调整,提高了检测的准确率,现有方法对海天线的检测没有考虑到复杂天气下的检测,本发明考虑了在复杂天气下的一系列与处理手段,尤其针对有雾天气,因此能提高在复杂天气下海天线检测的准确性
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种海上无人平台监控方法,其特征在于,包括:
将安装于监控平台的摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数;
统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度;
若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理;
若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理;
利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框;
检测出所述摄像机采集图像中的海天线;
若所述船只边界框处于所述海天线与警戒线形成的警戒区域中,所述海天线为距离参考线,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号;所述船只边界框所占面积大于预设面积阈值,具体为:所述船只边界框像素点占所述摄像机采集图像像素的占比值大于预设占比阈值。
2.如权利要求1所述的海上无人平台监控方法,其特征在于,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
3.如权利要求1所述的海上无人平台监控方法,其特征在于,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
4.如权利要求1所述的海上无人平台监控方法,其特征在于,所述检测出所述摄像机采集图像中的海天线,具体包括:
对所述摄像机采集图像进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
5.一种海上无人监控平台,其特征在于,包括:
预处理模块,用于将安装于监控平台的摄像机采集图像转换为灰度图像,并统计各个灰度强度的像素点数;统计像素点数大于预设像素阈值的灰度强度,对应的灰度强度记为有效灰度强度;若所述有效灰度强度的个数大于预设雾气阈值,判断所述摄像机采集图像包含雾气并根据所述有效灰度强度的个数划分雾气等级;根据所述雾气等级调整去雾模型中的去雾参数,根据所述去雾模型对所述摄像机采集图像进行去雾处理,并对所述摄像机采集图像进行预处理;若所述有效灰度强度的个数小于或等于预设雾气阈值,判断所述摄像机采集图像不含雾气,并对所述摄像机采集图像进行预处理;
目标检测模块,用于利用YOLOV5对所述摄像机采集图像进行目标检测,得到船只边界框;
海天线模块,用于检测出所述摄像机采集图像中的海天线;
预警模块,用于若所述船只边界框处于所述海天线的距离与警戒线形成的警戒区域中,所述海天线为距离参考线,且所述船只边界框所占面积大于预设面积阈值,发送船只非法入侵信号;所述船只边界框所占面积大于预设面积阈值,具体为:所述船只边界框像素点占据所述摄像机采集图像像素的占比值大于预设占比阈值。
6.如权利要求5所述的海上无人监控平台,其特征在于,所述去雾模型是一种基于大气散射模型的模型,包括场景辐射度、全球大气光和介质透射图。
7.如权利要求5所述的海上无人监控平台,其特征在于,所述预处理包括白平衡调整、gamma校正、色调调整、对比度调整和锐化设置。
8.如权利要求5所述的海上无人监控平台,其特征在于,所述检测出所述摄像机采集图像中的海天线,具体包括:
对所述摄像机采集图像进行图像滤波和区域分割;
利用canny算子提取边缘,并利用k均值聚类算法聚合海天线;
对所述聚合海天线进行霍夫直线检测和最小二乘法拟合,得到海天线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411423.7A CN114863373B (zh) | 2022-04-19 | 2022-04-19 | 一种海上无人平台监控方法及海上无人监控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411423.7A CN114863373B (zh) | 2022-04-19 | 2022-04-19 | 一种海上无人平台监控方法及海上无人监控平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863373A CN114863373A (zh) | 2022-08-05 |
CN114863373B true CN114863373B (zh) | 2024-06-04 |
Family
ID=82632006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411423.7A Active CN114863373B (zh) | 2022-04-19 | 2022-04-19 | 一种海上无人平台监控方法及海上无人监控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343144B (zh) * | 2023-05-24 | 2023-08-11 | 武汉纺织大学 | 一种融合视觉感知自适应去雾的实时目标检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉***图像分析处理方法 |
KR20160115130A (ko) * | 2015-03-26 | 2016-10-06 | 주식회사 네오카텍 | 단안 카메라를 이용한 해상 객체 거리측정 시스템을 이용한 해상 위험관리 시스템 및 해상 위험 관리방법 |
CN107369283A (zh) * | 2017-07-21 | 2017-11-21 | 国家***第海洋研究所 | 一种基于图像识别的大洋锚系浮标预警***与方法 |
CN108681691A (zh) * | 2018-04-09 | 2018-10-19 | 上海大学 | 一种基于无人水面艇的海上船艇快速检测方法 |
CN108765458A (zh) * | 2018-04-16 | 2018-11-06 | 上海大学 | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 |
-
2022
- 2022-04-19 CN CN202210411423.7A patent/CN114863373B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉***图像分析处理方法 |
KR20160115130A (ko) * | 2015-03-26 | 2016-10-06 | 주식회사 네오카텍 | 단안 카메라를 이용한 해상 객체 거리측정 시스템을 이용한 해상 위험관리 시스템 및 해상 위험 관리방법 |
CN107369283A (zh) * | 2017-07-21 | 2017-11-21 | 国家***第海洋研究所 | 一种基于图像识别的大洋锚系浮标预警***与方法 |
CN108681691A (zh) * | 2018-04-09 | 2018-10-19 | 上海大学 | 一种基于无人水面艇的海上船艇快速检测方法 |
CN108765458A (zh) * | 2018-04-16 | 2018-11-06 | 上海大学 | 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114863373A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及*** | |
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与*** | |
CN110414334B (zh) | 一种基于无人机巡视的智能水质识别方法 | |
CN109870461B (zh) | 一种电子元器件质量检测*** | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
CN109711353B (zh) | 一种基于机器视觉的船舶吃水线区域识别方法 | |
CN108198417B (zh) | 一种基于无人机的道路巡检*** | |
CN112381870B (zh) | 一种基于双目视觉的船舶识别与航速测量***及方法 | |
CN106770087A (zh) | 油污遥感探测模块、***及方法 | |
CN113724258A (zh) | 一种基于图像处理的传送带撕裂检测方法及*** | |
CN110908394A (zh) | 一种海事水域污染监管无人机***及监管方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN114863373B (zh) | 一种海上无人平台监控方法及海上无人监控平台 | |
CN110060221B (zh) | 一种基于无人机航拍图像的桥梁车辆检测方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和*** | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN116503650A (zh) | 一种水体蓝藻监测***及装置 | |
CN109800641B (zh) | 基于阈值自适应二值化和连通域分析的车道线检测方法 | |
CN108537815B (zh) | 一种视频图像前景分割方法和装置 | |
CN107977608B (zh) | 一种应用于公路视频图像道路区域提取的方法 | |
CN106991682B (zh) | 自动港口货船的提取方法及装置 | |
Anagnostopoulos et al. | Using sliding concentric windows for license plate segmentation and processing | |
CN111428624A (zh) | 一种光学遥感图像在轨舰船目标检测方法 |
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 |