基于双目视觉的水下海产品尺寸自动测量技术研究

发布时间：2020-12-10 22:41

　　目前海产品的捕捞主要依靠人工,效率低下,并且长期水下作业会对潜水员的身体造成极大伤害。因此,使用水下捕捞机器人代替人工进行海产品捕捞已经成为一种趋势。通常,水下捕捞机器人在进行海产品捕捞作业时,需要找到海产品,然后挑选生长成熟的海产品抓取,这就要求机器人不仅能识别海产品,还要能对其大小进行判断。本文将以海参作为主要研究对象,针对水下环境的特点,对水下折射现象导致的双目测量不准确问题进行了研究并对海产品的检测方法进行了研究,并在此基础上设计一种基于双目视觉的海产品尺寸自动测量方法,最终实现了自动寻找待捕捞海产品并判断其大小的功能。本文的主要研究内容包括以下几个部分:（1）开展水下双目视觉技术研究。相机成像时,光在水与空气的交界处会发生折射现象,这将导致双目获取到的三维信息不准确。本文通过建立水下相机成像模型发现折射对相机焦距与成像畸变造成了影响,并依据推导结果对水下双目相机进行标定,通过水下标定参数完成相机校准。在此基础上对双目相机进行建模,通过三角测量原理,推导得到图像上的目标点在空间中的实际位置。最后,本文在水下进行了三维重建以及三维测量实验,实验结果显示水下重建结果误差平均值小于0... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图１．１?ＴａｌｉＴｒｅｉｂｉｔｚ标定方法过程与结果图??Ｆｉｇｕｒｅ．?１．１?Ｔａｌｉ?Ｔｒｅｉｂｉｔｚ＾?ｃａｌｉｂｒａｔｉｏｎ?ｍｅｔｈｏｄ?ｐｒｏｃｅｓｓ?ａｎｄ?ｒｅｓｕｌｔ?ｇｒａｐｈ??

?基于双目视觉的水下海产品尺寸自动测量技术研究???ｆｃｉｙ，?＾?；?ｉｒｌ?ｗａｒｐｅｄ?ｒｅｇｉｏｎ?Ｊ?ａｅｒｏｐｌａｎｅ－ｎ〇．￣??，；；：ｉ?＇?Ｖ＇?：广衡琴??ＩＪＷＳ?ＳＭＵｍ－＾??１?Ｖ—ｌ??１．输入图片?２．产生候选区域?３．提取图像特征?４．目标分类??图１．２?Ｒ－ＣＮＮ网络结构图??Ｆｉｇｕｒｅ．?１．２?Ｒ－ＣＮＮ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ??（?？??ｉｍｍ／＾?ｆ￡Ｍ??输入ＳｘＳ个网格?＿＿＿＿＿＿＿?检测结果??类概率图??图１．３?ＹＯＬＯ检测流程??Ｆｉｇｕｒｅ．?１．３?ＹＯＬＯ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ??２０１６年，Ｒｅｄｍｏｎ?Ｊ提出了?ＹＯＬＯ检测算法，标志着基于回归方法的单步（ｏｎｅ－ｓｔａｇｅ）??目标检测方法的诞生。其检测流程如图１．３所示，该算法将特征提娶候选框回归和分??类放到了一个无分支的卷积网络。将待检测图像缩小到相同大小，为了检测不同位置的??目标，将图像等分成ＳｘＳ个单元格，每个单元格负责预测重心落在该单元格的目标。??由于网络结构变得更加简单，将检测帧率从个位数提升到了两位数。２０１７年，提出的??ＹＯＬＯｖ２算法［１７］，修改了原有的特征提取网络，加入了批量归一化层与残差结构，提出??了?Ｄａｒｋｎｅｔ－１９特征提取网络，通过重新训练的４１８?ｘ?４１８分类网络，使得平均准确率（ｍＡＰ）??提高了?４％；?２０１８年，ＹＯＬＯｖ３算法提出，作者提出了全新的特征提取网络的Ｄａｒｋｎｅｔ－５３??并在预测阶段借鉴了?ＦＰＮ〃８］多尺度预测方案，在网络输出的三个尺寸的特征图上

?基于双目视觉的水下海产品尺寸自动测量技术研宄???射和密封装置的玻璃罩都会使得畸变更加严重。因此，当需要使用相机线性成像模型进??行精准视觉测量任务时，需要对这种偏差进行矫正。??相机的畸变主要分为径向畸变与切向畸变两种。通常，畸变的矫正采用高阶多项式??来完成［５７］。图２．５为两种畸变所造成的偏差示意图。??▲??理想图像实际图像点??图２．５相机畸变（径向畸变办？，切向畸变造成的成像偏差示意图??Ｆｉｇｕｒｅ．?２．５?Ｉｍａｇｉｎｇ?ｄｅｖｉａｔｉｏｎ?ｃａｕｓｅｄ?ｂｙ?ｃａｍｅｒａ?ｄｉｓｔｏｒｔｉｏｎ??（ｉ）径向畸变??径向畸变由透镜形状的不完全规则导致，主要分为两类：枕形畸变和桶形畸变，如??图２．６所示。??三三三三三三三三展二??（ａ）正常图像?（ｂ）枕形畸变?（ｃ）桶形畸变??图２．６径向畸变种类??Ｆｉｇｕｒｅ．?２．６?Ｔｙｐｅｓ?ｏｆ?ｒａｄｉａｌ?ｄｉｓｔｏｒｔｉｏｎ??通常，图像中心点处不发生径向畸变。随着与图像中心位置距离的增加，畸变也变??得更加严重，并且畸变的变化呈中心对称。因此，径向畸变可用数学模型表述为：??１２??


本文编号：2909400