海洋牧场养殖网箱的智能化检测方法研究
发布时间：2021-10-22 05:58
网箱养殖已逐渐成为全球深远海渔业的主要发展趋势,养殖方式的改变必将迎来巡检方法的升级换代。养殖网箱的智能化检测是无人机巡检的一个重要应用方向,对提高网箱内鱼类健康状态检测效率具有较大的现实意义。各界学者对养殖网箱网衣的破损检测、框架的水动力特性等都做了大量研究工作,并取得了显著成果,但对于俯视视角下网箱的视觉感知方面研究却少之又少。为提高养殖网箱的巡检效率以及巡检方法的智能化,本论文展开了相关的研究,具体工作内容如下:（1）网箱内部养殖区域的自动识别与提取。为增加区域提取方法的高效性,针对无人机巡检过程中采集到的数据庞大且冗余的问题,对网箱数据首先进行智能化网箱识别。通过智能化网箱场景识别,将可识别的养殖区域图片数据与其他图片数据有效分离。本论文采用方便快捷的YOLO-v3（You Only Look Once）神经网络模型将标注好的网箱数据进行训练及测试,将识别结果中网箱面积占比作为参考数值,通过自定义判断规则,判定该图片是否为养殖网箱图片,从而对网箱数据起到清洗筛选的作用,提高图片数据质量。然而经过筛选后的数据除网箱目标外,仍有背景环境等因素对提取结果有影响,为保证准确提取网箱养殖...
【文章来源】：大连海洋大学辽宁省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
无人机拍摄养殖网箱示例图
12第一，充分利用了图片像素的梯度方向信息，对梯度方向进行了非极大值抑制。边缘像素点的特征为灰度值的变化，将像素点分别求偏导计算出两个相邻像素的差分值，然后将像素点的8邻域分别用4个算子来检测水平、垂直和对角的边缘，计算出梯度后，为优化粗糙的边缘线，便需要沿着梯度方向对梯度幅值进行非极大值抑制。以3*3领域大小为例，如图2-4所示，若中心点x的值大于其对应的梯度方向的两个像素，则保留该点，否则标0放弃。非极大值抑制的方法可以使Canny达到细化边缘的作用。1238X4765图2-4非极大值抑制示例图Figure2-4Exampleofnonmaximumsuppression第二，对像素点进行双阈值约束处理。设置TH为高阈值，TL为低阈值，像素值大于TH的像素点确定为边缘点标记为1或255，像素值低于TL的点非边缘点，标为0。介于TH于TL之间的像素点进行8连通域连接，若与确定为边缘像素的点相连则记为边缘点，否则被抛弃。即使处在深度神经网络发展迅速的时代，Canny边缘检测算法仍在图像处理领域中有着很高的研究价值，在一些特定领域中有其不可替代的算法优势，得以始终保持不断发展的状态[42]。2.2.2基于深度学习的HED边缘检测算法近年来，随着神经网络的兴起，边缘检测方法也被吸纳进这个领域，用更加智能的方法推动边缘检测任务的发展[43]。HED是一个端到端的边缘检测模型，有效解决了传统边缘检测算法中线段不连续、受噪声影响大以及轮廓线粗糙等问题。HED网络模型的设计是根据全连接网络和VGG-net网络进行修改得到的的，HED模型使用6个损失函数同时训练的方法优化模型从而提高检测结果的精确度。，此外，该网络为解决检测结果中边缘模糊和物体轮廓不清晰的问题，设计了多尺度边缘检测的方法，即引入一个权重融合参数，将每个卷积层输出的
19进行网箱的边缘检测，从而有效地避免太阳光照及海面反光对检测造成的影响，得到边缘清晰、轮廓连贯的边缘图。HED边缘检测结果示例如图3-2所示。(a)Originalimage(b)Outputimage(c)Sideoutput1(d)Sideoutput2(e)Sideoutput3(f)Sideoutput4图3-2HED边缘检测结果示例图Figure3-2ExampleofEdgeDetectionResultsofHEDnet在得到网箱的边缘图后进行图片的二值化处理，将网箱边缘信息仅仅通过黑白两种颜色表示，从而更加突出目标物体的边缘轮廓。由于通过HED网络模型输出的边缘图为灰度图，选取合适的阈值后便可以直接进行图像的二值化操作[57]。阈值的选取是图像二值化任务中重要的步骤，常用的阈值选取方法有大津法（Otsu）、双峰法、最大熵取值法等。其中大津法的基本思想是将灰度值分为两组，找到能够使两组灰度值类间方差最大的阈值，即为二值化的最佳阈值[58]；双峰法是将灰度像素值做灰度直方图，若目标和背景差异较大，会有目标灰度值波峰和背景波峰，则最佳阈值可以在双峰之间的波谷取到；最大熵取值法是根据图像灰度直方图的熵，找到最佳二值图的最佳分割阈值。每一种方法都有其独特的优势，但是无论哪种方法目的都在于过滤掉非边缘像素，使二值图能够更精简的表达目标物体的特征。由于养殖网箱的边缘图已经很好的抑制了背景信息及光照等其他因素的干扰，为了充分利用网箱边缘信息，使二值化后的网箱边缘轮廓线依旧连贯，图像的二值化需要尽量保留中所有的边缘像素点。故论文此处简单的将二值化分割阈值设为1，保证网箱边缘信息的完整性。由于网箱的二值图中白色代表网箱，所需提取的目标是网箱内部被白色圈住的养殖区，为得到养殖区，需要对二值图的颜色进行取反操作，取反后得到白色块为初始图像连通域。此时的白色连通域不仅
【参考文献】：
期刊论文
[1]无人机输电线路智能巡检技术综述[J]. 缪希仁,刘志颖,鄢齐晨. 福州大学学报(自然科学版). 2020(02)
[2]基于视觉的目标检测方法综述[J]. 李章维,胡安顺,王晓飞. 计算机工程与应用. 2020(08)
[3]基于无人机技术的电力线路安全巡检系统[J]. 孙阔腾. 集成电路应用. 2020(03)
[4]无人机在天然气长输管道地质灾害预警的应用[J]. 罗志强,彭波,夏敏. 石化技术. 2020(02)
[5]深远海智能养殖平台最新发展[J]. 邓炳林. 中国船检. 2020(02)
[6]浅谈农用植保无人机的发展现状及应用推广[J]. 李楠,于艳青,于深州,张阳,李蔚然,郝宇. 北方水稻. 2020(01)
[7]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[8]无人机在地质灾害调查中的应用现状探究[J]. 何志强,程健博. 西部资源. 2019(06)
[9]多类别的边缘感知方法在图像分割中的应用[J]. 董子昊,邵秀丽. 计算机辅助设计与图形学学报. 2019(07)
[10]浅议低空无人机在河道管理中应用研究[J]. 宋强,王昆仑,黄祚继,董丹丹,张蕊. 治淮. 2019(05)
博士论文
[1]基于识别声呐的鱼群目标检测跟踪方法[D]. 荆丹翔.浙江大学 2018
硕士论文
[1]基于航线规划与图像识别技术的无人机巡线研究[D]. 侴海洋.哈尔滨理工大学 2019
[2]基于深度学习的鱼群检测方法研究[D]. 沈军宇.苏州科技大学 2019
[3]基于深度学习的行人和骑行者检测及防碰撞预警系统研究[D]. 高雪婷.江苏大学 2018
[4]基于深度学习的无人机影像植被识别方法研究[D]. 韩京冶.北京林业大学 2018
[5]基于深度神经网络的物体识别方法研究及实现[D]. 郭济民.电子科技大学 2018
[6]基于Faster RCNN的道路车辆检测算法研究[D]. 刘敦强.南京航空航天大学 2018
[7]波流作用下网箱浮架结构动力响应和疲劳分析[D]. 李坤鹏.大连理工大学 2016
[8]网箱网衣检测用框架式AUV设计[D]. 张金泉.上海海洋大学 2016
[9]基于纹理分析的煤与非煤物的图像识别算法研究[D]. 周鹏.东北大学 2009
本文编号：3450514
【文章来源】：大连海洋大学辽宁省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
无人机拍摄养殖网箱示例图
12第一，充分利用了图片像素的梯度方向信息，对梯度方向进行了非极大值抑制。边缘像素点的特征为灰度值的变化，将像素点分别求偏导计算出两个相邻像素的差分值，然后将像素点的8邻域分别用4个算子来检测水平、垂直和对角的边缘，计算出梯度后，为优化粗糙的边缘线，便需要沿着梯度方向对梯度幅值进行非极大值抑制。以3*3领域大小为例，如图2-4所示，若中心点x的值大于其对应的梯度方向的两个像素，则保留该点，否则标0放弃。非极大值抑制的方法可以使Canny达到细化边缘的作用。1238X4765图2-4非极大值抑制示例图Figure2-4Exampleofnonmaximumsuppression第二，对像素点进行双阈值约束处理。设置TH为高阈值，TL为低阈值，像素值大于TH的像素点确定为边缘点标记为1或255，像素值低于TL的点非边缘点，标为0。介于TH于TL之间的像素点进行8连通域连接，若与确定为边缘像素的点相连则记为边缘点，否则被抛弃。即使处在深度神经网络发展迅速的时代，Canny边缘检测算法仍在图像处理领域中有着很高的研究价值，在一些特定领域中有其不可替代的算法优势，得以始终保持不断发展的状态[42]。2.2.2基于深度学习的HED边缘检测算法近年来，随着神经网络的兴起，边缘检测方法也被吸纳进这个领域，用更加智能的方法推动边缘检测任务的发展[43]。HED是一个端到端的边缘检测模型，有效解决了传统边缘检测算法中线段不连续、受噪声影响大以及轮廓线粗糙等问题。HED网络模型的设计是根据全连接网络和VGG-net网络进行修改得到的的，HED模型使用6个损失函数同时训练的方法优化模型从而提高检测结果的精确度。，此外，该网络为解决检测结果中边缘模糊和物体轮廓不清晰的问题，设计了多尺度边缘检测的方法，即引入一个权重融合参数，将每个卷积层输出的
19进行网箱的边缘检测，从而有效地避免太阳光照及海面反光对检测造成的影响，得到边缘清晰、轮廓连贯的边缘图。HED边缘检测结果示例如图3-2所示。(a)Originalimage(b)Outputimage(c)Sideoutput1(d)Sideoutput2(e)Sideoutput3(f)Sideoutput4图3-2HED边缘检测结果示例图Figure3-2ExampleofEdgeDetectionResultsofHEDnet在得到网箱的边缘图后进行图片的二值化处理，将网箱边缘信息仅仅通过黑白两种颜色表示，从而更加突出目标物体的边缘轮廓。由于通过HED网络模型输出的边缘图为灰度图，选取合适的阈值后便可以直接进行图像的二值化操作[57]。阈值的选取是图像二值化任务中重要的步骤，常用的阈值选取方法有大津法（Otsu）、双峰法、最大熵取值法等。其中大津法的基本思想是将灰度值分为两组，找到能够使两组灰度值类间方差最大的阈值，即为二值化的最佳阈值[58]；双峰法是将灰度像素值做灰度直方图，若目标和背景差异较大，会有目标灰度值波峰和背景波峰，则最佳阈值可以在双峰之间的波谷取到；最大熵取值法是根据图像灰度直方图的熵，找到最佳二值图的最佳分割阈值。每一种方法都有其独特的优势，但是无论哪种方法目的都在于过滤掉非边缘像素，使二值图能够更精简的表达目标物体的特征。由于养殖网箱的边缘图已经很好的抑制了背景信息及光照等其他因素的干扰，为了充分利用网箱边缘信息，使二值化后的网箱边缘轮廓线依旧连贯，图像的二值化需要尽量保留中所有的边缘像素点。故论文此处简单的将二值化分割阈值设为1，保证网箱边缘信息的完整性。由于网箱的二值图中白色代表网箱，所需提取的目标是网箱内部被白色圈住的养殖区，为得到养殖区，需要对二值图的颜色进行取反操作，取反后得到白色块为初始图像连通域。此时的白色连通域不仅
【参考文献】：
期刊论文
[1]无人机输电线路智能巡检技术综述[J]. 缪希仁,刘志颖,鄢齐晨. 福州大学学报(自然科学版). 2020(02)
[2]基于视觉的目标检测方法综述[J]. 李章维,胡安顺,王晓飞. 计算机工程与应用. 2020(08)
[3]基于无人机技术的电力线路安全巡检系统[J]. 孙阔腾. 集成电路应用. 2020(03)
[4]无人机在天然气长输管道地质灾害预警的应用[J]. 罗志强,彭波,夏敏. 石化技术. 2020(02)
[5]深远海智能养殖平台最新发展[J]. 邓炳林. 中国船检. 2020(02)
[6]浅谈农用植保无人机的发展现状及应用推广[J]. 李楠,于艳青,于深州,张阳,李蔚然,郝宇. 北方水稻. 2020(01)
[7]YOLO图像检测技术综述[J]. 林健巍. 福建电脑. 2019(09)
[8]无人机在地质灾害调查中的应用现状探究[J]. 何志强,程健博. 西部资源. 2019(06)
[9]多类别的边缘感知方法在图像分割中的应用[J]. 董子昊,邵秀丽. 计算机辅助设计与图形学学报. 2019(07)
[10]浅议低空无人机在河道管理中应用研究[J]. 宋强,王昆仑,黄祚继,董丹丹,张蕊. 治淮. 2019(05)
博士论文
[1]基于识别声呐的鱼群目标检测跟踪方法[D]. 荆丹翔.浙江大学 2018
硕士论文
[1]基于航线规划与图像识别技术的无人机巡线研究[D]. 侴海洋.哈尔滨理工大学 2019
[2]基于深度学习的鱼群检测方法研究[D]. 沈军宇.苏州科技大学 2019
[3]基于深度学习的行人和骑行者检测及防碰撞预警系统研究[D]. 高雪婷.江苏大学 2018
[4]基于深度学习的无人机影像植被识别方法研究[D]. 韩京冶.北京林业大学 2018
[5]基于深度神经网络的物体识别方法研究及实现[D]. 郭济民.电子科技大学 2018
[6]基于Faster RCNN的道路车辆检测算法研究[D]. 刘敦强.南京航空航天大学 2018
[7]波流作用下网箱浮架结构动力响应和疲劳分析[D]. 李坤鹏.大连理工大学 2016
[8]网箱网衣检测用框架式AUV设计[D]. 张金泉.上海海洋大学 2016
[9]基于纹理分析的煤与非煤物的图像识别算法研究[D]. 周鹏.东北大学 2009
本文编号：3450514
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3450514.html
最近更新
教材专著
