網(wǎng)箱養(yǎng)殖已逐漸成為全球深遠(yuǎn)海漁業(yè)的主要發(fā)展趨勢(shì),養(yǎng)殖方式的改變必將迎來巡檢方法的升級(jí)換代。養(yǎng)殖網(wǎng)箱的智能化檢測(cè)是無(wú)人機(jī)巡檢的一個(gè)重要應(yīng)用方向,對(duì)提高網(wǎng)箱內(nèi)魚類健康狀態(tài)檢測(cè)效率具有較大的現(xiàn)實(shí)意義。各界學(xué)者對(duì)養(yǎng)殖網(wǎng)箱網(wǎng)衣的破損檢測(cè)、框架的水動(dòng)力特性等都做了大量研究工作,并取得了顯著成果,但對(duì)于俯視視角下網(wǎng)箱的視覺感知方面研究卻少之又少。為提高養(yǎng)殖網(wǎng)箱的巡檢效率以及巡檢方法的智能化,本論文展開了相關(guān)的研究,具體工作內(nèi)容如下:（1）網(wǎng)箱內(nèi)部養(yǎng)殖區(qū)域的自動(dòng)識(shí)別與提取。為增加區(qū)域提取方法的高效性,針對(duì)無(wú)人機(jī)巡檢過程中采集到的數(shù)據(jù)龐大且冗余的問題,對(duì)網(wǎng)箱數(shù)據(jù)首先進(jìn)行智能化網(wǎng)箱識(shí)別。通過智能化網(wǎng)箱場(chǎng)景識(shí)別,將可識(shí)別的養(yǎng)殖區(qū)域圖片數(shù)據(jù)與其他圖片數(shù)據(jù)有效分離。本論文采用方便快捷的YOLO-v3（You Only Look Once）神經(jīng)網(wǎng)絡(luò)模型將標(biāo)注好的網(wǎng)箱數(shù)據(jù)進(jìn)行訓(xùn)練及測(cè)試,將識(shí)別結(jié)果中網(wǎng)箱面積占比作為參考數(shù)值,通過自定義判斷規(guī)則,判定該圖片是否為養(yǎng)殖網(wǎng)箱圖片,從而對(duì)網(wǎng)箱數(shù)據(jù)起到清洗篩選的作用,提高圖片數(shù)據(jù)質(zhì)量。然而經(jīng)過篩選后的數(shù)據(jù)除網(wǎng)箱目標(biāo)外,仍有背景環(huán)境等因素對(duì)提取結(jié)果有影響,為保證準(zhǔn)確提取網(wǎng)箱養(yǎng)殖... 

【文章來源】：大連海洋大學(xué)遼寧省

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

無(wú)人機(jī)拍攝養(yǎng)殖網(wǎng)箱示例圖

12第一，充分利用了圖片像素的梯度方向信息，對(duì)梯度方向進(jìn)行了非極大值抑制。邊緣像素點(diǎn)的特征為灰度值的變化，將像素點(diǎn)分別求偏導(dǎo)計(jì)算出兩個(gè)相鄰像素的差分值，然后將像素點(diǎn)的8鄰域分別用4個(gè)算子來檢測(cè)水平、垂直和對(duì)角的邊緣，計(jì)算出梯度后，為優(yōu)化粗糙的邊緣線，便需要沿著梯度方向?qū)μ荻确颠M(jìn)行非極大值抑制。以3*3領(lǐng)域大小為例，如圖2-4所示，若中心點(diǎn)x的值大于其對(duì)應(yīng)的梯度方向的兩個(gè)像素，則保留該點(diǎn)，否則標(biāo)0放棄。非極大值抑制的方法可以使Canny達(dá)到細(xì)化邊緣的作用。1238X4765圖2-4非極大值抑制示例圖Figure2-4Exampleofnonmaximumsuppression第二，對(duì)像素點(diǎn)進(jìn)行雙閾值約束處理。設(shè)置TH為高閾值，TL為低閾值，像素值大于TH的像素點(diǎn)確定為邊緣點(diǎn)標(biāo)記為1或255，像素值低于TL的點(diǎn)非邊緣點(diǎn)，標(biāo)為0。介于TH于TL之間的像素點(diǎn)進(jìn)行8連通域連接，若與確定為邊緣像素的點(diǎn)相連則記為邊緣點(diǎn)，否則被拋棄。即使處在深度神經(jīng)網(wǎng)絡(luò)發(fā)展迅速的時(shí)代，Canny邊緣檢測(cè)算法仍在圖像處理領(lǐng)域中有著很高的研究?jī)r(jià)值，在一些特定領(lǐng)域中有其不可替代的算法優(yōu)勢(shì)，得以始終保持不斷發(fā)展的狀態(tài)[42]。2.2.2基于深度學(xué)習(xí)的HED邊緣檢測(cè)算法近年來，隨著神經(jīng)網(wǎng)絡(luò)的興起，邊緣檢測(cè)方法也被吸納進(jìn)這個(gè)領(lǐng)域，用更加智能的方法推動(dòng)邊緣檢測(cè)任務(wù)的發(fā)展[43]。HED是一個(gè)端到端的邊緣檢測(cè)模型，有效解決了傳統(tǒng)邊緣檢測(cè)算法中線段不連續(xù)、受噪聲影響大以及輪廓線粗糙等問題。HED網(wǎng)絡(luò)模型的設(shè)計(jì)是根據(jù)全連接網(wǎng)絡(luò)和VGG-net網(wǎng)絡(luò)進(jìn)行修改得到的的，HED模型使用6個(gè)損失函數(shù)同時(shí)訓(xùn)練的方法優(yōu)化模型從而提高檢測(cè)結(jié)果的精確度。，此外，該網(wǎng)絡(luò)為解決檢測(cè)結(jié)果中邊緣模糊和物體輪廓不清晰的問題，設(shè)計(jì)了多尺度邊緣檢測(cè)的方法，即引入一個(gè)權(quán)重融合參數(shù)，將每個(gè)卷積層輸出的

19進(jìn)行網(wǎng)箱的邊緣檢測(cè)，從而有效地避免太陽(yáng)光照及海面反光對(duì)檢測(cè)造成的影響，得到邊緣清晰、輪廓連貫的邊緣圖。HED邊緣檢測(cè)結(jié)果示例如圖3-2所示。(a)Originalimage(b)Outputimage(c)Sideoutput1(d)Sideoutput2(e)Sideoutput3(f)Sideoutput4圖3-2HED邊緣檢測(cè)結(jié)果示例圖Figure3-2ExampleofEdgeDetectionResultsofHEDnet在得到網(wǎng)箱的邊緣圖后進(jìn)行圖片的二值化處理，將網(wǎng)箱邊緣信息僅僅通過黑白兩種顏色表示，從而更加突出目標(biāo)物體的邊緣輪廓。由于通過HED網(wǎng)絡(luò)模型輸出的邊緣圖為灰度圖，選取合適的閾值后便可以直接進(jìn)行圖像的二值化操作[57]。閾值的選取是圖像二值化任務(wù)中重要的步驟，常用的閾值選取方法有大津法（Otsu）、雙峰法、最大熵取值法等。其中大津法的基本思想是將灰度值分為兩組，找到能夠使兩組灰度值類間方差最大的閾值，即為二值化的最佳閾值[58]；雙峰法是將灰度像素值做灰度直方圖，若目標(biāo)和背景差異較大，會(huì)有目標(biāo)灰度值波峰和背景波峰，則最佳閾值可以在雙峰之間的波谷取到；最大熵取值法是根據(jù)圖像灰度直方圖的熵，找到最佳二值圖的最佳分割閾值。每一種方法都有其獨(dú)特的優(yōu)勢(shì)，但是無(wú)論哪種方法目的都在于過濾掉非邊緣像素，使二值圖能夠更精簡(jiǎn)的表達(dá)目標(biāo)物體的特征。由于養(yǎng)殖網(wǎng)箱的邊緣圖已經(jīng)很好的抑制了背景信息及光照等其他因素的干擾，為了充分利用網(wǎng)箱邊緣信息，使二值化后的網(wǎng)箱邊緣輪廓線依舊連貫，圖像的二值化需要盡量保留中所有的邊緣像素點(diǎn)。故論文此處簡(jiǎn)單的將二值化分割閾值設(shè)為1，保證網(wǎng)箱邊緣信息的完整性。由于網(wǎng)箱的二值圖中白色代表網(wǎng)箱，所需提取的目標(biāo)是網(wǎng)箱內(nèi)部被白色圈住的養(yǎng)殖區(qū)，為得到養(yǎng)殖區(qū)，需要對(duì)二值圖的顏色進(jìn)行取反操作，取反后得到白色塊為初始圖像連通域。此時(shí)的白色連通域不僅

【參考文獻(xiàn)】：
期刊論文
[1]無(wú)人機(jī)輸電線路智能巡檢技術(shù)綜述[J]. 繆希仁,劉志穎,鄢齊晨.  福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(02)
[2]基于視覺的目標(biāo)檢測(cè)方法綜述[J]. 李章維,胡安順,王曉飛.  計(jì)算機(jī)工程與應(yīng)用. 2020(08)
[3]基于無(wú)人機(jī)技術(shù)的電力線路安全巡檢系統(tǒng)[J]. 孫闊騰.  集成電路應(yīng)用. 2020(03)
[4]無(wú)人機(jī)在天然氣長(zhǎng)輸管道地質(zhì)災(zāi)害預(yù)警的應(yīng)用[J]. 羅志強(qiáng),彭波,夏敏.  石化技術(shù). 2020(02)
[5]深遠(yuǎn)海智能養(yǎng)殖平臺(tái)最新發(fā)展[J]. 鄧炳林.  中國(guó)船檢. 2020(02)
[6]淺談農(nóng)用植保無(wú)人機(jī)的發(fā)展現(xiàn)狀及應(yīng)用推廣[J]. 李楠,于艷青,于深州,張陽(yáng),李蔚然,郝宇.  北方水稻. 2020(01)
[7]YOLO圖像檢測(cè)技術(shù)綜述[J]. 林健巍.  福建電腦. 2019(09)
[8]無(wú)人機(jī)在地質(zhì)災(zāi)害調(diào)查中的應(yīng)用現(xiàn)狀探究[J]. 何志強(qiáng),程健博.  西部資源. 2019(06)
[9]多類別的邊緣感知方法在圖像分割中的應(yīng)用[J]. 董子昊,邵秀麗.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(07)
[10]淺議低空無(wú)人機(jī)在河道管理中應(yīng)用研究[J]. 宋強(qiáng),王昆侖,黃祚繼,董丹丹,張蕊.  治淮. 2019(05)

博士論文
[1]基于識(shí)別聲吶的魚群目標(biāo)檢測(cè)跟蹤方法[D]. 荊丹翔.浙江大學(xué) 2018

碩士論文
[1]基于航線規(guī)劃與圖像識(shí)別技術(shù)的無(wú)人機(jī)巡線研究[D]. 侴海洋.哈爾濱理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的魚群檢測(cè)方法研究[D]. 沈軍宇.蘇州科技大學(xué) 2019
[3]基于深度學(xué)習(xí)的行人和騎行者檢測(cè)及防碰撞預(yù)警系統(tǒng)研究[D]. 高雪婷.江蘇大學(xué) 2018
[4]基于深度學(xué)習(xí)的無(wú)人機(jī)影像植被識(shí)別方法研究[D]. 韓京冶.北京林業(yè)大學(xué) 2018
[5]基于深度神經(jīng)網(wǎng)絡(luò)的物體識(shí)別方法研究及實(shí)現(xiàn)[D]. 郭濟(jì)民.電子科技大學(xué) 2018
[6]基于Faster RCNN的道路車輛檢測(cè)算法研究[D]. 劉敦強(qiáng).南京航空航天大學(xué) 2018
[7]波流作用下網(wǎng)箱浮架結(jié)構(gòu)動(dòng)力響應(yīng)和疲勞分析[D]. 李坤鵬.大連理工大學(xué) 2016
[8]網(wǎng)箱網(wǎng)衣檢測(cè)用框架式AUV設(shè)計(jì)[D]. 張金泉.上海海洋大學(xué) 2016
[9]基于紋理分析的煤與非煤物的圖像識(shí)別算法研究[D]. 周鵬.東北大學(xué) 2009



本文編號(hào)：3450514