一种隧洞探测型自主式水下机器人及其图像拼接方法

针对采用自主式水下机器人(AUV)巡检和拍摄输水隧洞中的裂缝时水下环境会极大地限制光视觉图像的可视范围和分辨率,单幅水下图像获得的视角范围有限的问题,提出一种基于加速稳健特征(SURF)算法的AUV水下图像拼接方法。在图像预处理阶段对水下图像进行去畸变和限制对比度自适应直方图均衡化处理,用于解决水下图像存在的畸变、对比度低和噪声严重等问题。将SURF特征点检测算法应用到水下图像配准中,并与RANSAC算法相结合,对特征点进行精确匹配。应用线性渐变融合算法实现水下图像融合,有效去除拼接缝隙,完成水下图像拼接,最终通过水池和外场试验拼接图像验证所提方法的正确性。     

基于双目视觉的水下连接器位姿测量方法

水下连接器的对接作业是水下工程作业的重要环节,针对目前依靠摄像机传回视频进行作业过程中存在的操作难度大、依赖操作员经验的问题,设计基于双目视觉的水下连接器位姿测量方法。该方法首先根据水下连接器的颜色特征确定检测范围,之后在检测范围中以水下连接器为模板进行初步定位,然后根据水下连接器端面的成像特点检测椭圆特征,并进行双目匹配获得相关三维点坐标,最后计算得出水下连接器的位姿。实验表明,该方法位置测量平均误差1.3%,姿态测量平均误差3.5°,可以较好地为水下连接器对接作业提供参考。     

基于小波模极大值的声纳图像特征提取与描述研究

海底地图特征提取,是水下航行器(AUV)在未知环境中同时定位与地图创建(SLAM)的关键技术之一.本文针对连续的多波束声纳图像,提出了一种基于小波模极大值法的图像特征提取与描述算法.运用小波模极大值法获取轮廓及模方位,并在轮廓图像中寻找极大区域;以极大区域中心点作为图像特征点,且将区域模方位、特征点区域图像重心坐标组合生成特征点特征向量.实验结果表明:对连续图像,该算法能提取稳定有效轮廓,在边缘上获得图像的特征点一致很好.     

一种隧洞探测型AUV及其图像拼接方法研究

裂缝是输水隧洞最普遍的缺陷和潜在威胁,AUV巡检与拍摄输水隧洞中的裂缝,通过拍摄的水下图像进行处理,以确定裂缝位置。但由于水下环境极大限制了光视觉图像可视范围与分辨率,单幅水下图像所获得的视角范围有限,所以本文提出了基于SURF算法的AUV水下图像拼接方法研究。该方法首先在图像预处理阶段对水下图像进行去畸变与限制对比度自适应直方图均衡化处理,用于解决水下图像存在的畸变、对比度低、噪声严重等问题。接着将SURF特征点检测算法应用于水下图像配准当中,并与RANSAC算法相结合对特征点进行精确匹配,然后应用线性渐变融合算法实现水下图像融合,有效去除拼接缝隙,完成水下图像拼接,最终通过水池与外场实验拼接图像来验证该方法的正确性。     

声光联合引导UUV回收系统光学子系统研究

当今水下无人航行器（UUV）在军事与民用领域都有着广泛的应用前景,布放与回收技术是影响UUV实际应用的一项关键技术。目前主要回收引导方式有声学导引、光学导引、电磁导引这3种,而各自都存在明显的优缺点。本文针对声光联合导引机械臂回收系统光学子系统进行研究,设计一组可在水下200 m、0.05～10 m范围工作的机器视觉镜头及其配合使用的靶标,并完成了系统的仿真。该系统可在环境要求下准确地提取出靶标特征点。     

图像增强技术在码头水下结构外观巡检中的应用*

定期开展码头水下结构的外观巡检是码头平稳运行的重要保障。通过分析现有的检测方法，发现获取图像质量不佳是采用视觉技术实施外观巡检的主要限制条件。结合相关检测作业的要求，创新提出将人造多幅欠曝光算法与颜色通道补偿方式进行融合，并通过试验验证使用图像增强算法的水下拍摄图像的视觉质量。结果表明，多曝光与颜色补偿可有效提升水下图像的对比度、恢复细节信息并进行颜色矫正，且运算效率高；图像增强算法可有效提升水下拍摄图像的视觉质量，帮助技术人员及时识别水下结构缺陷；试验中SIFT特征点匹配数量说明提出的算法有利于后续开展缺陷的自动识别及测量研究。     

用于水下目标识别的无监督特征选择算法

随着社会发展,海洋空间对人类变得愈发重要,对新的水下目标自动识别系统的需求也愈发迫切。在水下目标自动识别系统的构建过程中,提取到的特征含有很多冗余特征、不相关特征和噪声特征,影响系统工作效率,降低了分类识别正确率。为此,本文提出一种新的用于水下目标识别的特征选择算法——基于图学习的无监督特征选择算法(Unsupervised Feature Selection Algorithm Based on Graph Learning,UFSGL)。该算法通过同时进行转换矩阵优化和图学习来优化算法框架,并用正则化方法优化加权图中边的光滑度,最后对转换矩阵进行稀疏化从而进行特征选择。使用UCI数据库的sonar数据集对算法性能进行验证,结果证明,UFSGL算法能够有效减少特征子集中的特征个数,并在一定程度上提高分类识别正确率。     

拖曳体内波尾迹水下/水面波流特征试验研究

内波水面效应对于水下航行体探测具有重要意义，目前关于水下航行体内波尾迹水面特征的相关研究还较少。本文介绍了在大型分层流试验水池中同时开展的以研究内波尾迹特征及其诱导的水面流动特征的拖曳体内波水下/水面尾迹特征试验研究。研究采用电导率仪阵列测量拖曳体(SUBOFF)水下内波波高场及其随时间变化，采用基于光学粒子图像互相关分析的流场测试方法测量拖曳体激发内波诱导的水面流场，并定量分析拖曳体激发的内波波长及其扰动引起水面流动的波长。研究表明：所采用的水面流场测量方法可以测量水面mm/s低速流动。在低傅汝德数Fr_i下(Fr_i≤2.14)，分层流体中拖曳体水面尾迹特征主要受水下体效应内波影响，其水面尾迹波长及传播速度与水下内波的波长、传播速度基本一致；随着Fri的增加(2.14≤Fr_i≤3.42)，在水下尾流效应内波逐渐增强，但在水面流场未见明显尾流效应内波影响；随着Fri的进一步增加(3.42≤Fr_i≤10.27)，水下呈现出明显的尾流效应内波特征，由于表面波效应增强，水面流动主要表现为Kelvin波特征。     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

多波束测深系统在水下检测码头接缝中的应用

为探索多波束测深系统在水下检测码头接缝的效用和技术特点,对在建的沉箱码头岸壁开展水下检测现场试验。针对检测对象的特点,改进了多波束测深系统的安装方式和设置,对采集的数据提取点云图进行分析,并对接缝宽度进行水下摄像验证。结果表明,接缝宽度检测的分辨率与船速、波束的发射频率、探测距离等因素有关,且在作业时应力求船舶的航行姿态平稳和匀速航行以保证检测质量。该系统在水下检测时能获得三维点云数据,可直观反映接缝的整体形态,为码头水下接缝检测提供了一种新方法。