本文關(guān)鍵詞：基于水下機器視覺的海參實時識別研究　出處：《中國農(nóng)業(yè)大學》2017年博士論文　論文類型：學位論文

  更多相關(guān)文章： 水下機器視覺 海參 圖像增強 圖像分割 實時識別

【摘要】：海參生活在水底,主要靠人工捕撈,強度大,甚至危及生命。使用水下機器人替代人工捕撈海參是未來發(fā)展趨勢,海參實時識別技術(shù)是海參捕撈機器人能否研制成功的關(guān)鍵,而水下環(huán)境復雜多變,給海參實時識別帶來不少困難。本文以海參為研究對象,采集其實時水下圖像,利用水下機器視覺技術(shù)和圖像處理技術(shù)對水下海參的實時識別方法進行了研究,具體研究內(nèi)容如下:(1)水下海參圖像預處理方法研究。針對水下圖像質(zhì)量受光照和水渾濁度的影響較大,造成圖像對比度低、噪聲高、且重要信息丟失的問題,提出了基于受限對比度自適應(yīng)直方圖均衡化和小波變換的圖像增強方法。首先采用受限對比度自適應(yīng)直方圖均衡化法提高海參目標與背景的對比度,且對噪聲有一定抑制;然后采用小波變換進一步消除噪聲,對高斯噪聲的消除效果明顯。實驗結(jié)果表明,本文所提出的預處理方法在視覺效果和定量評價指標上均好于其他對比方法,均方差、信噪比和熵的平均值分別達到49.21、13.39和6.68,且平均運算時間為0.25 s,可以實時快速提升水下圖像質(zhì)量。(2)水下海參圖像分割方法研究。針對自然水域環(huán)境下的海參圖像背景復雜、先驗知識不足,而且海參形狀不規(guī)則,位置未知,顏色和沙底背景比較接近的問題,提出了基于C-V主動輪廓的自適應(yīng)海參位置分割方法。該方法首先采用顏色空間單通道相互融合法使海參目標從相似背景物中突顯,其中G-B + R突出海參主體部分,R + B-G突出海參刺部分;Canny邊緣檢測技術(shù)定位海參在圖像中的位置,以此位置建立海參主體分割的初始輪廓,另以邊緣檢測出的海參刺邊緣作為海參刺分割的初始輪廓;采用C-V主動輪廓法分別分割出海參主體部分和海參刺部分并融合,結(jié)果與Otsu法和原始C-V主動輪廓法進行對比,表明本文所采用的分割方法在視覺效果和定量評價指標上均優(yōu)于其他兩種方法,歐氏距離、靈敏度、特異性和準確度的平均值分別達到12.70 px、84.51%、96.97%和96.54%,且平均運算時間為4.27 s,能快速實現(xiàn)水下海參圖像的精確分割。(3)水下海參圖像特征提取方法研究。為全面表達海參目標特征,通過對比分析海參與背景物圖像,顏色特征提取了海參和背景圖像RGB、HSV和Lab各空間分量的均值共9個特征;紋理特征提取了圖像灰度共生矩陣0°、45°、90°和135°四個方向上的能量、熵、慣性矩、相關(guān)性和逆差矩,共20個特征;Tamura紋理特征中的粗糙度、對比度、方向度和線性度,共4個特征;圖像基于 Gabor 小波變換五尺度(2,3,4,5,6)、六方向(0°、30°、60°、90°、120°、150°)的均值,共30個特征;形狀特征提取了矩形度、周長比、伸長度、圓形度、Hu不變矩M1～M7和前8個傅里葉描述子,共19個特征。以上共82個特征元素構(gòu)成識別算法的輸入。然后對特征集進行標準差標準化,消除各特征間的量綱影響,并對各特征的海參識別能力進行初步判斷,為下一步的目標識別提供足夠數(shù)據(jù)和參考。每張圖像的平均特征提取時間為2.86 s。(4)水下海參圖像識別方法研究。針對識別準確度、穩(wěn)定性和速度難以兼顧的問題,提出了基于排序主成分分析和支持向量機的水下海參目標識別算法,單特征根據(jù)識別率排序后,再進行主成分分析降維,提升了海參目標識別算法穩(wěn)定性,與ACO-SVM和GA-SVM算法對比,雖然特征子集的元素最多,但本文識別算法平均準確率最高,為98.55%,而且平均運行時間最短,僅0.73 s,滿足海參實時識別要求。(5)水下海參圖像軟件識別系統(tǒng)的設(shè)計與開發(fā)。該軟件系統(tǒng)主要包括數(shù)據(jù)存儲、圖像預處理、目標分割和目標識別4個模塊和2個顯示窗口,水下海參圖像識別過程中關(guān)鍵步驟的結(jié)果能實時顯示并儲存,可作為水下海參圖像識別算法驗證平臺,為水下海參捕撈機器人的研制提供軟件平臺。
[Abstract]:The method of real - time recognition of underwater sea cucumber is studied by means of limited contrast adaptive histogram equalization method , which results in low image contrast , high noise and loss of important information . The experimental results show that the preprocessing method is better than other contrast methods , mean square error , signal - to - noise ratio and entropy average value reach 49.21 , 13.39 and 6.68 respectively , and the average operation time is 0.25 s , which can improve the underwater image quality in real time . ( 2 ) The method of image segmentation of sea cucumber under the condition of natural waters is studied in this paper . The method of self - adaptive sea cucumber location segmentation based on C - V active contour is proposed . ( 3 ) The image feature extraction method of underwater sea cucumber is studied . In order to fully express sea cucumber target characters , the mean value of the spatial components of sea cucumber and background image RGB , HSV and Lab is extracted by contrast analysis .

【學位授予單位】：中國農(nóng)業(yè)大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.41;TP242

【參考文獻】

相關(guān)期刊論文 前10條

1 高振紅;張志偉;霍迎秋;岳田利;;基于高光譜成像技術(shù)的殘留氯吡脲獼猴桃無損識別[J];農(nóng)業(yè)機械學報;2016年06期

2 郭依正;朱偉興;馬長華;陳晨;;基于Isomap和支持向量機算法的俯視群養(yǎng)豬個體識別[J];農(nóng)業(yè)工程學報;2016年03期

3 田凱;張連寬;熊美東;黃志豪;李就好;;基于葉片病斑特征的茄子褐紋病識別方法[J];農(nóng)業(yè)工程學報;2016年S1期

4 賈偉寬;趙德安;劉曉洋;唐書萍;阮承治;姬偉;;機器人采摘蘋果果實的K-means和GA-RBF-LMS神經(jīng)網(wǎng)絡(luò)識別[J];農(nóng)業(yè)工程學報;2015年18期

5 JI Tingting;WANG Guoyu;;An Approach to Underwater Image Enhancement Based on Image Structural Decomposition[J];Journal of Ocean University of China;2015年02期

6 劉輝;許強;劉石林;張立斌;楊紅生;;Evaluation of body weight of sea cucumber Apostichopus japonicus by computer vision[J];Chinese Journal of Oceanology and Limnology;2015年01期

7 翟治芬;徐哲;周新群;王麗麗;張建華;;基于樸素貝葉斯分類器的棉花盲椿象危害等級識別[J];農(nóng)業(yè)工程學報;2015年01期

8 張建華;孔繁濤;李哲敏;吳建寨;陳威;王盛威;朱孟帥;;基于最優(yōu)二叉樹支持向量機的蜜柚葉部病害識別[J];農(nóng)業(yè)工程學報;2014年19期

9 陶華偉;趙力;奚吉;虞玲;王彤;;基于顏色及紋理特征的果蔬種類識別方法[J];農(nóng)業(yè)工程學報;2014年16期

10 刁智華;王歡;宋寅卯;王云鵬;;復雜背景下棉花病葉害螨圖像分割方法[J];農(nóng)業(yè)工程學報;2013年05期

相關(guān)會議論文 前1條

1 王士龍;萬磊;唐旭東;;一種基于直方圖改進的FCM聚類水下圖像分割算法[A];第二十九屆中國控制會議論文集[C];2010年

相關(guān)博士學位論文 前1條

1 劉和祥;面向AUV回收控制的水下機器視覺研究[D];哈爾濱工程大學;2009年

，

本文編號：1421518