CN115294141B - 一种基于声纳图像的深海渔网检测方法 - Google Patents
一种基于声纳图像的深海渔网检测方法 Download PDFInfo
- Publication number
- CN115294141B CN115294141B CN202211230724.6A CN202211230724A CN115294141B CN 115294141 B CN115294141 B CN 115294141B CN 202211230724 A CN202211230724 A CN 202211230724A CN 115294141 B CN115294141 B CN 115294141B
- Authority
- CN
- China
- Prior art keywords
- sonar
- fishing net
- gray
- image
- suspected
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 241000251468 Actinopterygii Species 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 description 9
- 230000009182 swimming Effects 0.000 description 9
- 239000000126 substance Substances 0.000 description 5
- 241000143060 Americamysis bahia Species 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000238557 Decapoda Species 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种基于声纳图像的深海渔网检测方法。方法包括:获取渔网声呐灰度图像,根据渔网声呐灰度图像,得到各像素点的灰度特征指标;根据灰度特征指标,得到渔网声呐灰度图像上的各疑似活物类像素点;根据各疑似活物类像素点之间的距离,得到渔网声呐灰度图像对应的各疑似活物类;根据渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类;对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域;根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域。本发明能够提高对渔网破损的检测精度。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于声纳图像的深海渔网检测方法。
背景技术
由于深海捕鱼的成本较大,一旦渔网出现破损等异常现象可能会造成较大的损失,因此对深海捕捞作业时的渔网状态进行监测十分重要。
由于深海中光线衰减极快,常规的光学图像采集装置无法工作,通常情况下是利用水下机器人携带声呐设备对深海作业时的渔网状态进行监测,这种监测方法一般是通过数字图像识别***进行渔网边缘的提取,然后通过判断提取的渔网边缘上是否存在边缘缺失来判断渔网是否出现破损,但是由于深海中的鱼类、虾类等活物的游动,会遮挡住渔网,使得提取的渔网边缘中存在边缘消失的区域,并且这些边缘消失的区域可能不是由于渔网自身的破损导致的,而是由于鱼类或者虾类等的遮挡所导致的,因此仅仅基于提取的渔网边缘上是否存在边缘缺失来判断渔网是否出现破损的可靠性较低。
发明内容
本发明提供一种基于声纳图像的深海渔网检测方法,用于解决现有方法中判断渔网是否出现破损时可靠性较低的问题,所采用的技术方案具体如下:
本发明实施例提供了一种基于声纳图像的深海渔网检测方法包括以下步骤:
获取渔网声呐灰度图像,所述渔网声呐灰度图像包括当前渔网声呐灰度图像和历史渔网声呐灰度图像;
根据所述渔网声呐灰度图像,得到所述渔网声呐灰度图像上各像素点的灰度特征指标;
根据所述灰度特征指标,得到所述渔网声呐灰度图像上的各疑似活物类像素点;
根据所述渔网声呐灰度图像上各疑似活物类像素点之间的距离,得到所述渔网声呐灰度图像对应的各疑似活物类;
根据当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类;
对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域;根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域。
优选的,根据所述渔网声呐灰度图像,得到所述渔网声呐灰度图像上各像素点的灰度特征指标的方法,包括:
以渔网声呐灰度图像上的各像素点为中心,得到渔网声呐灰度图像上的各像素点对应的窗口区域;
计算各像素点对应的窗口区域内的灰度方差;
根据各像素点对应的窗口区域内的各像素点灰度值和各像素点对应的窗口区域内的灰度方差,得到渔网声呐灰度图像上各像素点的灰度特征指标。
优选的,根据如下公式计算渔网声呐灰度图像上各像素点的灰度特征指标:
其中,为渔网声呐灰度图像上第i个像素点的灰度特征指标,th( )为双曲正切函数,e为自然常数,为渔网声呐灰度图像上第i个像素点对应的窗口区域内的第v个像素点的灰度值,为渔网声呐灰度图像上第i个像素点对应的窗口区域内的灰度方差。
优选的,根据所述灰度特征指标,得到所述渔网声呐灰度图像上的各疑似活物类像素点的方法,包括:
判断像素点的灰度特征指标是否大于等于预设特征阈值,若是,则将对应像素点记为疑似活物类像素点。
优选的,根据所述渔网声呐灰度图像上各疑似活物类像素点之间的距离,得到所述渔网声呐灰度图像对应的各疑似活物类的方法,包括:
依据渔网声呐灰度图像上各疑似活物类像素点之间的距离,分别对当前渔网声呐灰度图像上各疑似活物类像素点和历史渔网声呐灰度图像上各疑似活物类像素点进行聚类,分别得到当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各聚类簇;
将聚类簇中的像素点数量与对应聚类簇对应的连通域面积的比值记为对应聚类簇中像素点的分布密度;
根据各聚类簇中的像素点数量和各聚类簇中像素点的分布密度,得到渔网声呐灰度图像对应的各聚类簇对应的判别指标;
判断聚类簇对应的判别指标是否大于等于判别指标阈值,若是,则将对应聚类簇记为疑似活物类。
优选的,根据各聚类簇中的像素点数量和各聚类簇中像素点的分布密度,得到渔网声呐灰度图像对应的各聚类簇对应的判别指标的方法,包括:
分别对各聚类簇中的像素点数量和各聚类簇中像素点的分布密度进行归一化,将归一化后的各聚类簇中的像素点数量与对应聚类簇中像素点的分布密度的乘积,记为各聚类簇对应的判别指标。
根据当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类的方法,包括:
将当前渔网声呐灰度图像对应的各疑似活物类记为第一疑似活物类,对于当前渔网声呐灰度图像对应的任一第一疑似活物类:
计算得到该第一疑似活物类对应的灰度均值;
根据该第一疑似活物类对应的灰度均值、该第一疑似活物类中像素点的分布密度和该第一疑似活物类中的像素点数量,以及历史渔网声呐灰度图像对应的各疑似活物类对应的灰度均值、对应的各疑似活物类中像素点的分布密度和对应的各疑似活物类中的像素点数量,得到该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度;
将最小差异度对应的历史渔网声呐灰度图像对应的疑似活物类记为该第一疑似活物类对应的匹配疑似活物类;
获取各第一疑似活物类的质心和对应的匹配疑似活物类的质心;
计算各第一疑似活物类的质心与对应的匹配疑似活物类的质心之间的距离,记为特征距离;
判断所述特征距离是否大于预设特征距离阈值,若是,则将对应第一疑似活物类记为活物类。
优选的,根据如下公式计算该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度:
其中,为该第一疑似活物类与历史渔网声呐灰度图像对应的第r个疑似活物类之间的差异度,为该第一疑似活物类中的像素点数量,为历史渔网声呐灰度图像对应的第r个疑似活物类中的像素点数量,为该第一疑似活物类中像素点的分布密度,为历史渔网声呐灰度图像对应的第r个疑似活物类中像素点的分布密度,为历史渔网声呐灰度图像对应的第r个疑似活物类对应的灰度均值,为该第一疑似活物类对应的灰度均值,α为第一权重,β为第二权重,θ为第三权重。
优选的,对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域的方法,包括:
将当前渔网声呐灰度图像对应的各活物类的连通域进行掩膜遮盖,记为掩膜图像;
对掩膜图像进行直方图均衡化,得到掩膜增强图像;
根据如下公式计算当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值:
其中,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点对应的增强像素值,为当前渔网声呐灰度图像对应的第a个活物类的判别指标,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点的灰度值,b0为常数;所述掩膜增强图像上的像素点与当前渔网声呐灰度图像上的像素点一一对应;
将当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值赋值给掩膜增强图像上的对应的像素点,将赋值之后的掩膜增强图像记为目标增强图像;
利用边缘检测算法对目标增强图像进行边缘提取,得到边缘图像;
按照预设的标准边缘窗口模板的尺寸对所述边缘图像进行分割,得到边缘图像对应的各特征窗口区域;
计算各特征窗口区域与所述标准边缘窗口模板之间的相似度,将相似度小于预设相似度阈值的特征窗口区域记为疑似渔网边缘缺失区域。
优选的,根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域的方法,包括:
以当前渔网声呐灰度图像相邻的下一帧渔网声呐灰度图像作为初始帧,连续获取预设帧数的渔网声呐灰度图像,作为观测渔网声呐灰度图像,并利用相邻帧差分法以及目标跟随算法,得到各观测渔网声呐灰度图像上的各活物类对应的连通域;
获取各观测渔网声呐灰度图像上的各活物类对应的连通域中与各疑似渔网边缘缺失区域重合的像素点数量;
对于任一活物类和任一疑似渔网边缘缺失区域:根据各观测渔网声呐灰度图像上的该活物类对应的连通域中与该疑似渔网边缘缺失区域重合的像素点数量,构建得到重合像素点数量序列;
当重合像素点数量序列中的参数值的变化趋势符合增大-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值大于预设比值阈值时,则将该疑似渔网边缘缺失区域记为渔网破损区域;
当重合像素点数量序列中的参数值的变化趋势符合增大-不变-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值大于预设比值阈值时,则将该疑似渔网边缘缺失区域记为渔网破损区域。
有益效果:本发明主要是通过对活物类的移动轨迹进行分析来确定渔网破损区域;因此本发明首先获取渔网声呐灰度图像,由于属于活物类的像素点灰度值较高且属于活物类的像素点的局部区域内的像素点灰度值较均匀,因此本发明依据渔网声呐灰度图像,能够相对可靠的对渔网声呐灰度图像上的像素点进行筛选,得到渔网声呐灰度图像上的各疑似活物类像素点,所述灰度特征指标为确定疑似活物类的依据;又由于属于同一种活物的像素点距离较近,因此本发明根据渔网声呐灰度图像上各疑似活物类像素点之间的距离,能够得到渔网声呐灰度图像对应的各疑似活物类。由于真正的活物类存在移动或者游动的状态特征,因此本发明结合当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,能够较准确的确定当前渔网声呐灰度图像对应的各活物类。最后对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域,并根据各疑似渔网边缘缺失区域和各活物类,能够较可靠的确定渔网破损区域。因此本发明能够较可靠的判断渔网是否出现破损,也能够比较准确和可靠的得到渔网破损区域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种基于声纳图像的深海渔网检测方法的流程图。
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于声纳图像的深海渔网检测方法,详细说明如下:
如图1所示,该基于声纳图像的深海渔网检测方法,包括以下步骤:
步骤S001,获取渔网声呐灰度图像,所述渔网声呐灰度图像包括当前渔网声呐灰度图像和历史渔网声呐灰度图像。
由于深海中光线衰减极快,并且深海环境中的光线较难传播,因此常规光学图像采集装置无法工作,又由于渔网为网状且较柔性,因此本实施例主要是利用水下机器人携带声呐实现对深海作业时的渔网状态的检测,即检测深海作业时渔网是否出现破损,即利用水下机器人携带声呐设备来获取深海作业过程中的渔网声呐图像,所述渔网声呐图像包括当前渔网声呐图像和历史渔网声呐图像,所述声呐利用的是超声波,然后对当前渔网声呐图像和历史渔网声呐图像进行分析,获取当前渔网声呐图像上的疑似渔网边缘缺失区域和各活物类,并对疑似渔网边缘缺失区域和各活物类进行分析,基于分析结果确定渔网破损区域。本实施例能够较可靠的判断渔网是否出现破损,且也能够比较准确和可靠的得到渔网破损区域。
本实施例首先利用水下机器人携带声呐设备来获取深海作业过程中的渔网破损区域,所述渔网破损区域包括当前渔网声呐图像和历史渔网声呐图像,且历史渔网声呐图像与前渔网声呐图像相邻;本实施例中水下机器人在深海作业过程中不移动,渔网也不移动,但是此时水下机器人和渔网并不是完全静止的,因为深海中的生物有可能使得水下机器人和渔网出现移动;并且本实施例中的深海作业过程是指将渔网完全放置到深海中到开始收网的过程,而且通常情况下水下机器人一般不会惊扰深海中的生物;具体应用中可以根据实际情况设置水下机器人采集图像的频率以及水下机器人距离渔网的距离,本实施例要求水下机器人采集图像之间的时间间隔不能较长。
紧接着对获取的渔网声呐灰度图像进行灰度化处理,得到渔网声呐灰度图像,所述渔网声呐灰度图像包括当前渔网声呐灰度图像和历史渔网声呐灰度图像。
步骤S002,根据所述渔网声呐灰度图像,得到所述渔网声呐灰度图像上各像素点的灰度特征指标;根据所述灰度特征指标,得到所述渔网声呐灰度图像上的各疑似活物类像素点。
本实施例主要是基于活物类的移动或者游动轨迹来确定渔网破损区域,因此接下来本实施例将要确定当前渔网声呐灰度图像上的活物类;本实施例中的活物是指渔网能够捕捞的鱼、虾等能够游动的生物。又因为声呐利用的是超声波,而超声波是以物质的密度和物质与设备的距离进行成像的,因此渔网声呐灰度图像上的渔网类和活物类分别存在不同的分布密度特征和灰度特征;具体为:渔网声呐灰度图像上属于渔网类的像素点的灰度值较低,且属于渔网类的像素点分布相对较分散,即属于渔网类的像素点之间的距离较远且属于渔网类的像素点的局部区域内的像素点灰度值较为杂乱;而属于活物类的像素点灰度值较高,且属于活物类的像素点分布较为集中,即属于同一活物类的像素点之间的距离较近且属于活物类的像素点的局部区域内的像素点灰度值较为均匀,并且由于声呐成像的特点使得背景区域的灰度值为0,所述背景区域为海水等。因此接下来本实施例基于渔网类和活物类对应的分布密度特征和灰度特征,对渔网声呐灰度图像和渔网声呐灰度图像上的像素点进行筛选,分别将当前渔网声呐灰度图像和历史渔网声呐灰度图像上的疑似活物类像素点筛选出来,后续依据当前渔网声呐灰度图像和历史渔网声呐灰度图像上的疑似活物类像素点确定当前渔网声呐灰度图像对应的活物类。具体为:
由于属于活物类的像素点灰度值较高且属于活物类的像素点的局部区域内的像素点灰度值较为均匀,属于渔网类的像素点灰度值较低且属于渔网类的像素点的局部区域内的像素点灰度值较为杂乱,因此当以一个像素点为中心的局部区域内的像素点的灰度均值越大,并且以该像素点为中心的局部区域内的像素点灰度值越均匀,表明该像素点属于活物类像素点的概率越大;因此接下来本实施例以渔网声呐灰度图像上的各像素点为中心,得到渔网声呐灰度图像上的各像素点对应的窗口区域,所述窗口大小为3*3,即窗口区域中像素点的数量为9;然后计算各像素点对应的窗口区域内的灰度方差;根据各像素点对应的窗口区域内的各像素点灰度值和各像素点对应的窗口区域内的灰度方差,得到渔网声呐灰度图像上各像素点的灰度特征指标;所述灰度特征指标能够反映像素点为活物类像素点的概率;根据如下公式计算渔网声呐灰度图像上各像素点的灰度特征指标:
其中,为渔网声呐灰度图像上第i个像素点的灰度特征指标,th( )为双曲正切函数,e为自然常数,为渔网声呐灰度图像上第i个像素点对应的窗口区域内的第v个像素点的灰度值,为渔网声呐灰度图像上第i个像素点对应的窗口区域内的灰度方差,为当前渔网声呐灰度图像上第i个像素点的对应的窗口区域内的灰度均值。
的目的是为了对进行归一化,归一化后的取值范围为0到1,即使得越大,的值越大;为利用指数函数对进行反比例归一化,归一化后的取值范围也为(0,1],即使得越小,的值越大。越大,表明第i个像素点为活物类像素点的概率越大;越大,越小,表明越大;的取值范围为。代表利用欧几里得范数对和进行整合。
至此,得到了当前渔网声呐灰度图像上各像素点的灰度特征指标和历史渔网声呐灰度图像上各像素点的灰度特征指标。
然后判断像素点的灰度特征指标是否大于等于预设特征阈值,若是,则将对应像素点记为疑似活物类像素点;具体应用中可根据实际情况的不同或者根据筛选精度的不同设置预设特征阈值的值,本实施例将预设特征阈值设置为0.9。
至此,本实施例得到了当前渔网声呐灰度图像上的各疑似活物类像素点以及历史渔网声呐灰度图像上的各疑似活物类像素点。
步骤S003,根据所述渔网声呐灰度图像上各疑似活物类像素点之间的距离,得到所述渔网声呐灰度图像对应的各疑似活物类;根据当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类。
(1)得到渔网声呐灰度图像对应的各疑似活物类的具体过程为:
由于属于同一种活物的像素点距离较近,因此本实施例依据渔网声呐灰度图像上各疑似活物类像素点之间的距离,利用K-means聚类算法分别对当前渔网声呐灰度图像上各疑似活物类像素点和历史渔网声呐灰度图像上各疑似活物类像素点进行聚类,分别得到当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各聚类簇,且聚类簇中的各像素点距离较近;本实施例中疑似活物类像素点之间的距离用欧式距离来表征。但是在聚类过程中也可能因为无监督聚类算法的误差导致毫无关系的像素点被误分为了同一聚类簇内,这种情况形成的聚类簇中的像素点较少;而且一般情况下渔网能够捕捞的真正的活物类对应的像素点数量也较多,真正的活物类中的像素点分布也较为密集,因此本实施例接下来将依据聚类簇中的像素点数量和聚类簇中像素点的分布密度,对各聚类簇进行筛选,分别得到当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类;具体为:
获取各聚类簇中的像素点数量和各聚类簇中像素点的分布密度;所述聚类簇中像素点的分布密度是指对应聚类簇中的像素点数量与对应聚类簇对应的连通域面积的比值;根据各聚类簇中的像素点数量和各聚类簇中像素点的分布密度,得到渔网声呐灰度图像对应的各聚类簇对应的判别指标;对于任一聚类簇,根据如下公式计算该聚类簇对应的判别指标:
其中,L为该聚类簇对应的判别指标,G为该聚类簇中的像素点数量,为该聚类簇中像素点的分布密度,th( )为双曲正切函数;为对G进行归一化,归一化后的取值范围为0到1,即使得G越大,的值越大;为对进行归一化,归一化后的取值范围为0到1,即使得越大,的值越大;L越大,表明该聚类簇为活物类的概率越大,且L的取值范围为0到1;G越大,越大,则L越大。
至此,分别得到了当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各聚类簇对应的判别指标;然后判断聚类簇对应的判别指标的值是否大于等于判别指标阈值,若是,则将对应聚类簇记为疑似活物类;具体应用中可以根据实际情况的不同设置不同的判别指标阈值,本实施例将判别指标阈值设置为0.6;至此,分别得到了当前渔网声呐灰度图像对应的各疑似活物类和历史渔网声呐灰度图像对应的各疑似活物类。
(2)得到当前渔网声呐灰度图像对应的各活物类的具体过程为:
由于上述获取当前渔网声呐灰度图像对应的各疑似活物类时,仅仅是基于单帧图像进行分析得到的,基于单帧图像分析可能会使得深海中的其他的静止的物质所形成的聚类簇判定为疑似活物类,而相对于静止的物质对应的聚类簇而言真正的活物类存在移动或者游动的状态特征,因此接下来本实施例将结合历史渔网声呐灰度图像对应的各疑似活物类确定当前渔网声呐灰度图像对应的各活物类;具体为:
当当前渔网声呐灰度图像上的任一疑似活物类与历史渔网声呐灰度图像上的某一疑似活物类的灰度值均值相似、类内像素点数量相似以及类内像素点的分布密度也相似时,则表明这两个疑似活物类为同一个活物的概率越大;将当前渔网声呐灰度图像对应的各疑似活物类记为第一疑似活物类,对于当前渔网声呐灰度图像对应的任一第一疑似活物类:计算得到该第一疑似活物类对应的灰度均值;根据该第一疑似活物类对应的灰度均值、该第一疑似活物类中像素点的分布密度和该第一疑似活物类中的像素点数量,以及历史渔网声呐灰度图像对应的各疑似活物类对应的灰度均值、对应的各疑似活物类中像素点的分布密度和对应的各疑似活物类中的像素点数量,得到该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度,所述差异度越小表明越相似;根据如下公式计算该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度:
其中,为该第一疑似活物类与历史渔网声呐灰度图像对应的第r个疑似活物类之间的差异度,为该第一疑似活物类中的像素点数量,为历史渔网声呐灰度图像对应的第r个疑似活物类中的像素点数量,为该第一疑似活物类中像素点的分布密度,为历史渔网声呐灰度图像对应的第r个疑似活物类中像素点的分布密度,为历史渔网声呐灰度图像对应的第r个疑似活物类对应的灰度均值,为该第一疑似活物类对应的灰度均值,α为第一权重,β为第二权重,θ为第三权重。
越小,表明该第一疑似活物类与历史渔网声呐灰度图像对应的第r个疑似活物类之间越相似;的值与1越相近,表明该第一疑似活物类与历史渔网声呐灰度图像对应的第r个疑似活物类之间越相似,则1与之间的差值绝对值越小,表明的值与1越相近。具体应用中,可以根据实际情况或者重要程度设置权重值,本实施例设置α、β、θ的值均为1。
至此,得到了该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度;然后将最小差异度对应的历史渔网声呐灰度图像对应的疑似活物类记为该第一疑似活物类对应的匹配疑似活物类;按照上述过程可以得到当前渔网声呐灰度图像对应的各第一疑似活物类对应的匹配疑似活物类。
相对于静止的物质对应的聚类簇而言真正的活物类存在移动或者游动的状态特征,因此本实施例获取各第一疑似活物类的质心和各第一疑似活物类对应的匹配疑似活物类的质心;然后计算各第一疑似活物类的质心与对应第一疑似活物类对应的匹配疑似活物类的质心之间的距离,记为特征距离,所述特征距离可以用质心坐标之间的欧式距离来度量,并且获取质心的过程也为公知技术,因此不再详细描述;判断各第一疑似活物类的质心与对应第一疑似活物类对应的匹配疑似活物类的质心之间的特征距离是否大于预设特征距离阈值,若是,则将对应第一疑似活物类记为活物类;具体应用中可以根据图像的采集频率来设置预设特征距离阈值,当相邻图像之间的采集频率较大时应当设置较大的预设特征距离阈值,当相邻图像之间的采集频率较小时应当设置较小的预设特征距离阈值。
步骤S004,对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域;根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域。
接下来本实施例将对当前渔网声呐灰度图像进行分析得到各疑似渔网边缘缺失区域;并依据疑似渔网边缘缺失区域和增强图像对应的各特征活物类,得到渔网破损区域;具体为:
本实施例将对当前渔网声呐灰度图像进行自适应图像增强,图像增强的目的是便于后续的分析,但是对活物类和渔网所在区域进行自适应增强时,要保留声呐所采集的远近不同的活物类之间的细节差异,目的是为了后续依据活物类的游动行为来判断渔网是否破损时,可以更好的观测到活物类与渔网在不同位置间交互信息,因此本实施例将使用不同的方式分别对活物类对应的连通域以及除活物类对应的连通域之外的其他区域进行增强,使增强后的图像更清晰的同时,也拉开了图像上活物类与其他区域的差异以及图像上的不同位置区域之间的差异,能够更好地突出细节信息。
因此本实施例首先将当前渔网声呐灰度图像对应的各活物类对应的连通域进行掩膜遮盖,记为掩膜图像;然后对掩膜图像进行直方图均衡化,即对当前渔网声呐灰度图像上未进行遮盖的连通域进行直方图均衡化,得到掩膜增强图像,所述直方图均衡化可以增强当前渔网声呐灰度图像上除活物类之外的其他区域的对比度,即使渔网边缘更为清晰、渔网区域更为均匀,能够更好的与活物类进行区分;并且上述过程没有对活物类所在区域进行增强,因此掩膜增强图像对应的活物类的信息与当前渔网声呐灰度图像对应的活物类的信息相同。
紧接着根据当前渔网声呐灰度图像对应的各活物类对应的判别指标和当前渔网声呐灰度图像对应的各活物类中各像素点的灰度值,得到当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值;本实施例对活物类对应的连通域进行增强时考虑判别指标的目的是为了让为活物类概率更大的连通域的特征更加明显,以便于后续对活物类的游动情况或者游动轨迹进行分析;根据如下公式计算当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值:
其中,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点对应的增强像素值,为当前渔网声呐灰度图像对应的第a个活物类的判别指标,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点的灰度值,b0为常数;所述掩膜增强图像上的像素点与当前渔网声呐灰度图像上的像素点一一对应;可以表征第一增强图像对应的第a个活物类的拉伸长度或者增强程度;具体应用中b0的值可以根据实际情况进行设置。
将当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值赋值给掩膜增强图像上的对应的像素点,将赋值之后的掩膜增强图像记为目标增强图像。
至此,得到了目标增强图像。
然后利用边缘检测算法对目标增强图像进行边缘提取,得到边缘图像;所述利用边缘检测算法提取边缘为公知技术,因此不再详细描述;然后获取渔网的标准边缘模板,然后按照预设的标准边缘窗口模板对渔网的标准边缘模板进行分割,得到渔网的各标准边缘窗口模板,所述标准边缘窗口模板的尺寸需要实际情况设置;然后按照标准边缘窗口的尺寸对目标增强图像对应的边缘图像进行分割,得到边缘图像对应的各特征窗口区域;紧接着选取任意一个标准边缘窗口模板,然后计算各特征窗口区域与该标准边缘窗口模板之间的相似度,将相似度小于预设相似度阈值的特征窗口区域记为疑似渔网边缘缺失区域。
由于疑似渔网边缘缺失区域中可能存在由于深海中的鱼类、虾类等活物的遮挡所导致的,因此本实施例对疑似渔网边缘缺失区域进行标记,然后利用常用的动态图像识别方法,即相邻帧差分法以及目标跟随算法,对各活物类进行追踪,得到各活物类在后续深海作业过程中的移动轨迹,并根据各活物类在后续深海作业过程中的移动轨迹判断在后续深海作业过程中是否存在各活物类从各疑似渔网边缘缺失区域中游出或者游进,若是,则将对应的疑似渔网边缘缺失区域记为渔网破损区域,并提醒工作人员进行收网修复;具体为:以当前渔网声呐灰度图像相邻的下一帧渔网声呐灰度图像作为初始帧,连续获取预设帧数的渔网声呐灰度图像,并利用相邻帧差分法以及目标跟随算法,得到各观测渔网声呐灰度图像上的各活物类对应的连通域;并且具体应用中预设帧数需要根据实际情况进行设置,本实施例可以将预设帧数设置为20或者30;然后获取各观测渔网声呐灰度图像上的各活物类对应的连通域中与各疑似渔网边缘缺失区域重合的像素点数量,且衡量重合的依据是判断像素点坐标是否一致。对于任一活物类和任一疑似渔网边缘缺失区域:根据各观测渔网声呐灰度图像上的该活物类对应的连通域中与该疑似渔网边缘缺失区域重合的像素点数量,构建得到重合像素点数量序列;并且重合像素点数量序列中的第k1个参数的值为连续获取的预设帧数中的第k1帧观测渔网声呐灰度图像上的该活物类对应的连通域中与该疑似渔网边缘缺失区域重合的像素点数量,k1为正整数;然后判断重合像素点数量序列中的参数值的变化趋势是否符合增大-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值是否大于预设比值阈值,若是,则将该疑似渔网边缘缺失区域记为渔网破损区域;或者判断重合像素点数量序列中的参数值的变化趋势是否符合增大-不变-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值是否大于预设比值阈值,若是,则将该疑似渔网边缘缺失区域记为渔网破损区域;具体应用中预设比值阈值需要根据实际情况或者判断精度进行设置,本实施例可以将预设比值阈值设置为0.98或者0.95。
本实施例主要是通过对活物类的移动轨迹进行分析来确定渔网破损区域;因此本实施例首先获取渔网声呐灰度图像,由于属于活物类的像素点灰度值较高且属于活物类的像素点的局部区域内的像素点灰度值较均匀,因此本实施例依据渔网声呐灰度图像,能够相对可靠的对渔网声呐灰度图像上的像素点进行筛选,得到渔网声呐灰度图像上的各疑似活物类像素点,所述灰度特征指标为确定疑似活物类的依据;又由于属于同一种活物的像素点距离较近,因此本实施例根据渔网声呐灰度图像上各疑似活物类像素点之间的距离,能够得到渔网声呐灰度图像对应的各疑似活物类。由于真正的活物类存在移动或者游动的状态特征,因此本实施例结合当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,能够较准确的确定当前渔网声呐灰度图像对应的各活物类。最后对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域,并根据各疑似渔网边缘缺失区域和各活物类,能够较可靠的确定渔网破损区域。因此本实施例能够较可靠的判断渔网是否出现破损,也能够比较准确和可靠的得到渔网破损区域。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于声纳图像的深海渔网检测方法,其特征在于,该方法包括如下步骤:
获取渔网声呐灰度图像,所述渔网声呐灰度图像包括当前渔网声呐灰度图像和历史渔网声呐灰度图像;
根据所述渔网声呐灰度图像,得到所述渔网声呐灰度图像上各像素点的灰度特征指标;
根据所述灰度特征指标,得到所述渔网声呐灰度图像上的各疑似活物类像素点;
根据所述渔网声呐灰度图像上各疑似活物类像素点之间的距离,得到所述渔网声呐灰度图像对应的各疑似活物类;
根据当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类;
对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域;根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域;
根据各疑似渔网边缘缺失区域和各活物类,得到渔网破损区域的方法,包括:
以当前渔网声呐灰度图像相邻的下一帧渔网声呐灰度图像作为初始帧,连续获取预设帧数的渔网声呐灰度图像,作为观测渔网声呐灰度图像,并利用相邻帧差分法以及目标跟随算法,得到各观测渔网声呐灰度图像上的各活物类对应的连通域;
获取各观测渔网声呐灰度图像上的各活物类对应的连通域中与各疑似渔网边缘缺失区域重合的像素点数量;
对于任一活物类和任一疑似渔网边缘缺失区域:根据各观测渔网声呐灰度图像上的该活物类对应的连通域中与该疑似渔网边缘缺失区域重合的像素点数量,构建得到重合像素点数量序列;
当重合像素点数量序列中的参数值的变化趋势符合增大-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值大于预设比值阈值时,则将该疑似渔网边缘缺失区域记为渔网破损区域;
当重合像素点数量序列中的参数值的变化趋势符合增大-不变-减小的趋势,以及重合像素点数量序列中最大值与该活物类中的像素点数量的比值大于预设比值阈值时,则将该疑似渔网边缘缺失区域记为渔网破损区域。
2.如权利要求1所述的一种基于声纳图像的深海渔网检测方法,其特征在于,根据所述渔网声呐灰度图像,得到所述渔网声呐灰度图像上各像素点的灰度特征指标的方法,包括:
以渔网声呐灰度图像上的各像素点为中心,得到渔网声呐灰度图像上的各像素点对应的窗口区域;
计算各像素点对应的窗口区域内的灰度方差;
根据各像素点对应的窗口区域内的各像素点灰度值和各像素点对应的窗口区域内的灰度方差,得到渔网声呐灰度图像上各像素点的灰度特征指标。
4.如权利要求1所述的一种基于声纳图像的深海渔网检测方法,其特征在于,根据所述灰度特征指标,得到所述渔网声呐灰度图像上的各疑似活物类像素点的方法,包括:
判断像素点的灰度特征指标是否大于等于预设特征阈值,若是,则将对应像素点记为疑似活物类像素点。
5.如权利要求1所述的一种基于声纳图像的深海渔网检测方法,其特征在于,根据所述渔网声呐灰度图像上各疑似活物类像素点之间的距离,得到所述渔网声呐灰度图像对应的各疑似活物类的方法,包括:
依据渔网声呐灰度图像上各疑似活物类像素点之间的距离,分别对当前渔网声呐灰度图像上各疑似活物类像素点和历史渔网声呐灰度图像上各疑似活物类像素点进行聚类,分别得到当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各聚类簇;
将聚类簇中的像素点数量与对应聚类簇对应的连通域面积的比值记为对应聚类簇中像素点的分布密度;
根据各聚类簇中的像素点数量和各聚类簇中像素点的分布密度,得到渔网声呐灰度图像对应的各聚类簇对应的判别指标;
判断聚类簇对应的判别指标是否大于等于判别指标阈值,若是,则将对应聚类簇记为疑似活物类。
6.如权利要求5所述的一种基于声纳图像的深海渔网检测方法,其特征在于,根据各聚类簇中的像素点数量和各聚类簇中像素点的分布密度,得到渔网声呐灰度图像对应的各聚类簇对应的判别指标的方法,包括:
分别对各聚类簇中的像素点数量和各聚类簇中像素点的分布密度进行归一化,将归一化后的各聚类簇中的像素点数量与对应聚类簇中像素点的分布密度的乘积,记为各聚类簇对应的判别指标。
7.如权利要求5所述的一种基于声纳图像的深海渔网检测方法,其特征在于,根据当前渔网声呐灰度图像和历史渔网声呐灰度图像对应的各疑似活物类,得到当前渔网声呐灰度图像对应的各活物类的方法,包括:
将当前渔网声呐灰度图像对应的各疑似活物类记为第一疑似活物类,对于当前渔网声呐灰度图像对应的任一第一疑似活物类:
计算得到该第一疑似活物类对应的灰度均值;
根据该第一疑似活物类对应的灰度均值、该第一疑似活物类中像素点的分布密度和该第一疑似活物类中的像素点数量,以及历史渔网声呐灰度图像对应的各疑似活物类对应的灰度均值、对应的各疑似活物类中像素点的分布密度和对应的各疑似活物类中的像素点数量,得到该第一疑似活物类与历史渔网声呐灰度图像对应的各疑似活物类之间的差异度;
将最小差异度对应的历史渔网声呐灰度图像对应的疑似活物类记为该第一疑似活物类对应的匹配疑似活物类;
获取各第一疑似活物类的质心和对应的匹配疑似活物类的质心;
计算各第一疑似活物类的质心与对应的匹配疑似活物类的质心之间的距离,记为特征距离;
判断所述特征距离是否大于预设特征距离阈值,若是,则将对应第一疑似活物类记为活物类。
9.如权利要求5所述的一种基于声纳图像的深海渔网检测方法,其特征在于,对当前渔网声呐灰度图像进行边缘提取,得到各疑似渔网边缘缺失区域的方法,包括:
将当前渔网声呐灰度图像对应的各活物类的连通域进行掩膜遮盖,记为掩膜图像;
对掩膜图像进行直方图均衡化,得到掩膜增强图像;
根据如下公式计算当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值:
其中,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点对应的增强像素值,为当前渔网声呐灰度图像对应的第a个活物类的判别指标,为当前渔网声呐灰度图像对应的第a个活物类中的第c个像素点的灰度值,b0为常数;所述掩膜增强图像上的像素点与当前渔网声呐灰度图像上的像素点一一对应;
将当前渔网声呐灰度图像对应的各活物类中各像素点对应的增强像素值赋值给掩膜增强图像上的对应的像素点,将赋值之后的掩膜增强图像记为目标增强图像;
利用边缘检测算法对目标增强图像进行边缘提取,得到边缘图像;
按照预设的标准边缘窗口模板的尺寸对所述边缘图像进行分割,得到边缘图像对应的各特征窗口区域;
计算各特征窗口区域与所述标准边缘窗口模板之间的相似度,将相似度小于预设相似度阈值的特征窗口区域记为疑似渔网边缘缺失区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211230724.6A CN115294141B (zh) | 2022-10-10 | 2022-10-10 | 一种基于声纳图像的深海渔网检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211230724.6A CN115294141B (zh) | 2022-10-10 | 2022-10-10 | 一种基于声纳图像的深海渔网检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294141A CN115294141A (zh) | 2022-11-04 |
CN115294141B true CN115294141B (zh) | 2023-03-10 |
Family
ID=83819210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211230724.6A Active CN115294141B (zh) | 2022-10-10 | 2022-10-10 | 一种基于声纳图像的深海渔网检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294141B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840458A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 一种指纹识别方法及指纹采集设备 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
CN112526524A (zh) * | 2020-12-09 | 2021-03-19 | 青岛澎湃海洋探索技术有限公司 | 一种基于前视声纳图像和auv平台的水下渔网检测方法 |
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3043170C (en) * | 2016-11-07 | 2022-02-08 | The Climate Corporation | Agricultural implements for soil and vegetation analysis |
CN115082482B (zh) * | 2022-08-23 | 2022-11-22 | 山东优奭趸泵业科技有限公司 | 一种金属表面缺陷检测方法 |
-
2022
- 2022-10-10 CN CN202211230724.6A patent/CN115294141B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840458A (zh) * | 2017-11-29 | 2019-06-04 | 杭州海康威视数字技术股份有限公司 | 一种指纹识别方法及指纹采集设备 |
WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN112526524A (zh) * | 2020-12-09 | 2021-03-19 | 青岛澎湃海洋探索技术有限公司 | 一种基于前视声纳图像和auv平台的水下渔网检测方法 |
CN114913365A (zh) * | 2022-04-22 | 2022-08-16 | 海门王巢家具制造有限公司 | 基于机器视觉的人造板质量分类方法及*** |
Non-Patent Citations (3)
Title |
---|
Sonar Image Target Detection and Recognition Based on Convolution Neural Network;Wu Yanchen;《Hindawa》;20210322;第1-8页 * |
侧扫声呐***和网络RTK技术在人工鱼礁探测中的应用;雷利元等;《测绘与空间地理信息》;20190525(第05期);第45-47页 * |
基于聚类分析的声呐目标图像自动提取方法;卞红雨等;《声学与电子工程》;20110615(第02期);第3-5,28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115294141A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
CN110414414B (zh) | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 | |
Brandtberg et al. | Automated delineation of individual tree crowns in high spatial resolution aerial images by multiple-scale analysis | |
CN107067413B (zh) | 一种时空域统计匹配局部特征的运动目标检测方法 | |
Prasetyo et al. | A comparison of yolo and mask r-cnn for segmenting head and tail of fish | |
CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
CN110765865B (zh) | 基于改进的yolo算法的水下目标检测方法 | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN105427342B (zh) | 一种水下小目标声呐图像目标检测跟踪方法和*** | |
EP1593094A2 (en) | Image analysis | |
CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
EP2079054A1 (en) | Detection of blobs in images | |
WO2013088175A1 (en) | Image processing method | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
Hao et al. | An advanced superpixel-based Markov random field model for unsupervised change detection | |
CN112241692B (zh) | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 | |
CN114581709A (zh) | 识别医学图像中的目标的模型训练、方法、设备及介质 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
Lee et al. | Contour matching for fish species recognition and migration monitoring | |
CN111950357A (zh) | 一种基于多特征yolov3的船用水面垃圾快速识别方法 | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN115294141B (zh) | 一种基于声纳图像的深海渔网检测方法 | |
Habibi Aghdam et al. | A probabilistic approach for breast boundary extraction in mammograms | |
CN112308002B (zh) | 一种基于单阶段深度学习网络的海底生物识别和检测方法 | |
CN109886133B (zh) | 一种基于光学遥感图像的船只检测方法及*** |
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 |