导读:本文包含了水下机器视觉论文开题报告文献综述及选题提纲参考文献，主要关键词:水下机器人,机器视觉,现状,策略
水下机器视觉论文文献综述
林海燕,王皓[1]（2019）在《机器视觉技术在水下机器人中的应用研究现状及展望》一文中研究指出在加快建设海洋强国,重点发展海洋工程装备的背景下,我国水下智能机器人产业的发展迅速,但水下机器人自动识别定位技术仍与发达国家有较大差距,本文试图通过对国内机器视觉技术在水下机器人中的应用研究的文献进行整理。为后续水下机器人机器视觉研究提供思路和方向。(本文来源于《信息记录材料》期刊2019年09期）
马凤瑞,曾奕淇,杨帆,王忆麟,鲁奇欣[2]（2019）在《基于机器视觉的新型降噪水下生态调查机器人》一文中研究指出本文研究设计了一种新型微降噪水下生态调查机器人,以水滴型流线设计为运载器舱体,通过六个螺旋桨推进器协作运行实现航行器在水下的全自由度运动。本文使用机器视觉来获取目标信息,基于自动白平衡的视频去雾算法与目标识别技术,经试验验证,该方法能够减小水下可视图像退化的影响,识别被观测物种。(本文来源于《电子技术与软件工程》期刊2019年10期）
赵德安,刘晓洋,孙月平,吴任迪,洪剑青[3]（2019）在《基于机器视觉的水下河蟹识别方法》一文中研究指出为了探测河蟹在池塘中的数量及分布情况,为自动投饵船提供可靠的数据反馈,提出了基于机器视觉的水下河蟹识别方法。该方法通过在投饵船下方安装摄像头进行河蟹图像实时采集,针对水下光线衰减大、视野模糊等特点,采用优化的Retinex算法提高图像对比度,增强图像细节,修改基于深度卷积神经网络YOLO V3的输入输出,并采用自建的数据集对其进行训练,实现了对水下河蟹的高精度识别。实验所训练的YOLO V3模型在测试集上的平均精度均值达86. 42%,对水下河蟹识别的准确率为96. 65%,召回率为91. 30%。实验对比了多种目标检测算法,仅有YOLO V3在识别准确率和识别速率上均达到较高水平。在同一硬件平台上YOLO V3的识别速率为10. 67 f/s,优于其他算法,具有较高的实时性和应用价值。(本文来源于《农业机械学报》期刊2019年03期）
张梦辉[4]（2018）在《基于机器视觉的自主式水下航行器末端导引系统关键技术研究》一文中研究指出AUV即自主式水下航行器(Autonomous Underwater Vehicle,AUV),能够依靠自身携带的能源以及搭载的控制主机,自治地完成预先设置的任务。然而,AUV自身携带的能源有限,工作时间和工作范围受限。随着AUV技术的不断发展,将AUV与海底观测网对接是目前国内外的研究热点。针对AUV水下对接过程,本文深入展开了基于机器视觉的AUV末端导引系统关键性技术研究。第一章为绪论,阐述了本文的研究背景和水下机器视觉定位在国内外的研究进展,并论述了本文的研究内容和技术难点。第二章主要对水下图像增强以及目标检测技术的研究成果展开讨论。由于水介质对光线的吸收和散射作用,水下成像质量较差。因此,必须对水下图像进行一定的增强处理以得到感兴趣的图像特征。本文进行了摄像机自动曝光算法和图像自适应阈值分割算法的研究。此外,本文利用仿射不变矩做为SVM分类器的特征量,对水下目标进行识别。第叁章首先分析了海水的光学特性,用于指导水下灯的硬件选型。此外,论述了摄像机线性成像几何模型和单目单灯视觉导引的机理。在搭建好水下接驳平台后,本文先后进行了水池试验、莫干山湖湖试、舟山海域初步海试以及湛江海域海试,并取得理想结果。第四章在第叁章的基础上提出以两种水下目标叁维定位方法。为了得到准确的摄像机参数,本文首先阐述了摄像机非线性成像几何模型以及标定方法。本文提出两种叁维定位方案,即基于已知模型的单目视觉叁维定位和基于双目视觉的叁维定位。实验结果表明,上述两种方法均能得到理想的结果。相较而言,双目视觉定位的定位精度更高,但由于视野的限制,目标点的距离不能过小。第五章以水面小船为载体在实验室水池进行末端视觉导引实验。实验结果表明,本文提出的方法能够准确地将实验平台导引至目标地点。第六章为本文的工作总结和展望,对课题研究过程和研究结果进行了总结,并对课题的进一步开展提出了几点建议。(本文来源于《浙江大学》期刊2018-01-15）
林奕雪[5]（2017）在《基于声呐和机器视觉技术的水下机器人避障与目标跟踪研究》一文中研究指出水下机器人是一个代替人类下潜到水下,感知海洋及周边领域环境的必不可少的工具。其中,水下机器人避障与运动目标跟踪的应用十分广泛。它在看护潜水员安全、海洋生物研究、港口航道建设及其安全防御、水下打击等方面都发挥着重要作用。然而水下环境的特殊性,造成了采集到的传感器信息模糊不清、运动易受干扰,并且传统避障与跟踪算法无法在水下直接使用。而以往关于水下机器人避障或目标跟踪研究,仅依靠声呐或光学摄像头探测环境信息。由于缺少对周围环境更全面的感知,导致实际应用中,精度无法满足要求。针对以上情况,本文在水下机器人上设计搭载了一个避障与目标跟踪系统,实现了准确跟踪运动目标并躲避障碍物的功能。该系统以声呐和机器视觉技术为基础,通过RS485建立水下机器人与PC间的通信,获取水下机器人所搭载的声纳和水下相机的采集数据,并应用图像处理技术得到更清晰的水下环境信息;同时,基于模糊PID方法设计完成水下机器人闭环运动控制器,实现PC对水下机器人准确的运动控制;最后在此基础上,编写相应的程序实现水下机器人的避障与目标跟踪。主要研究内容如下:1)阐述了水下相机成像模型,对水下相机进行标定和畸变校正,并采用拉普拉斯金字塔融合方法处理水下退化失真图像,得到增强后的水下图像。2)建立声呐与上位机的通信,采集声呐回波数据,获取水下机器人周围障碍物的具体位置信息,并绘制成声学图像。同时,采用改进的双边滤波方法消除图像中多余的环境噪音。3)通过对水下机器人进行运动学和动力学研究,采用模糊PID控制方法设计水下机器人深度和艏向的控制器,实现PC对水下机器人准确的运动控制。4)采用改进的人工势场法,解决目标和障碍物相距过近时产生的局部最小点问题。同时还利用速度合成思想,削弱水流在水下机器人避障过程中的干扰。5)通过改进的核相关滤波跟踪算法,实现了即使水下目标发生形变或出现目标遮挡情况,依然能够准确而快速地跟踪到目标。(本文来源于《福州大学》期刊2017-06-01）
乔曦[6]（2017）在《基于水下机器视觉的海参实时识别研究》一文中研究指出海参生活在水底,主要靠人工捕捞,强度大,甚至危及生命。使用水下机器人替代人工捕捞海参是未来发展趋势,海参实时识别技术是海参捕捞机器人能否研制成功的关键,而水下环境复杂多变,给海参实时识别带来不少困难。本文以海参为研究对象,采集其实时水下图像,利用水下机器视觉技术和图像处理技术对水下海参的实时识别方法进行了研究,具体研究内容如下:(1)水下海参图像预处理方法研究。针对水下图像质量受光照和水浑浊度的影响较大,造成图像对比度低、噪声高、且重要信息丢失的问题,提出了基于受限对比度自适应直方图均衡化和小波变换的图像增强方法。首先采用受限对比度自适应直方图均衡化法提高海参目标与背景的对比度,且对噪声有一定抑制;然后采用小波变换进一步消除噪声,对高斯噪声的消除效果明显。实验结果表明,本文所提出的预处理方法在视觉效果和定量评价指标上均好于其他对比方法,均方差、信噪比和熵的平均值分别达到49.21、13.39和6.68,且平均运算时间为0.25 s,可以实时快速提升水下图像质量。(2)水下海参图像分割方法研究。针对自然水域环境下的海参图像背景复杂、先验知识不足,而且海参形状不规则,位置未知,颜色和沙底背景比较接近的问题,提出了基于C-V主动轮廓的自适应海参位置分割方法。该方法首先采用颜色空间单通道相互融合法使海参目标从相似背景物中突显,其中G-B + R突出海参主体部分,R + B-G突出海参刺部分;Canny边缘检测技术定位海参在图像中的位置,以此位置建立海参主体分割的初始轮廓,另以边缘检测出的海参刺边缘作为海参刺分割的初始轮廓;采用C-V主动轮廓法分别分割出海参主体部分和海参刺部分并融合,结果与Otsu法和原始C-V主动轮廓法进行对比,表明本文所采用的分割方法在视觉效果和定量评价指标上均优于其他两种方法,欧氏距离、灵敏度、特异性和准确度的平均值分别达到12.70 px、84.51%、96.97%和96.54%,且平均运算时间为4.27 s,能快速实现水下海参图像的精确分割。(3)水下海参图像特征提取方法研究。为全面表达海参目标特征,通过对比分析海参与背景物图像,颜色特征提取了海参和背景图像RGB、HSV和Lab各空间分量的均值共9个特征;纹理特征提取了图像灰度共生矩阵0°、45°、90°和135°四个方向上的能量、熵、惯性矩、相关性和逆差矩,共20个特征;Tamura纹理特征中的粗糙度、对比度、方向度和线性度,共4个特征;图像基于 Gabor 小波变换五尺度(2,3,4,5,6)、六方向(0°、30°、60°、90°、120°、150°)的均值,共30个特征;形状特征提取了矩形度、周长比、伸长度、圆形度、Hu不变矩M1～M7和前8个傅里叶描述子,共19个特征。以上共82个特征元素构成识别算法的输入。然后对特征集进行标准差标准化,消除各特征间的量纲影响,并对各特征的海参识别能力进行初步判断,为下一步的目标识别提供足够数据和参考。每张图像的平均特征提取时间为2.86 s。(4)水下海参图像识别方法研究。针对识别准确度、稳定性和速度难以兼顾的问题,提出了基于排序主成分分析和支持向量机的水下海参目标识别算法,单特征根据识别率排序后,再进行主成分分析降维,提升了海参目标识别算法稳定性,与ACO-SVM和GA-SVM算法对比,虽然特征子集的元素最多,但本文识别算法平均准确率最高,为98.55%,而且平均运行时间最短,仅0.73 s,满足海参实时识别要求。(5)水下海参图像软件识别系统的设计与开发。该软件系统主要包括数据存储、图像预处理、目标分割和目标识别4个模块和2个显示窗口,水下海参图像识别过程中关键步骤的结果能实时显示并储存,可作为水下海参图像识别算法验证平台,为水下海参捕捞机器人的研制提供软件平台。(本文来源于《中国农业大学》期刊2017-05-01）
韩银锋[7]（2015）在《基于机器视觉的ROV水下管线自动跟踪方法》一文中研究指出针对混浊水下管线检测过程中由于光学图像成像不清而难以实现自动跟踪的问题,提出一种基于机器视觉和声纳图像处理的水下管线自动跟踪方法;鉴于声纳图像噪声大的问题,该方法采用Gabor滤波器增强管线特征,然后通过二值化,以及Canny边缘提取管线轮廓,最后通过霍夫变换得到管线的几何特征;为了提高管线提取的效率,采用卡尔曼滤波对管线走向和位置进行预测;通过ROV实验,结果表明,该方法能够减少图像搜索的面积,减少处理时间,成功地提取出管线特征;该方法应用于混浊水下管线跟踪是可行的、有效的。(本文来源于《计算机测量与控制》期刊2015年02期）
李明明[8]（2014）在《基于机器视觉的水下目标检测与跟踪技术研究》一文中研究指出目标检测与跟踪技术是计算机视觉的一个热点问题，而水下目标的检测与跟踪是水下机器人的重要研究内容，其不仅广泛地应用在水下机器人导航、水下视频监控等许多方面，而且对核电站中反应堆堆芯和水池的异物检查、打捞有着重要作用。本文在国家863项目“核电站多功能水下爬行机器人”的支持下，对水下目标的检测与跟踪技术进行了研究。本文的主要工作和创新性成果如下：（1）根据水下光学成像原理以及其它各种影响因素，分析了水下成像的特点，进而研究了基于水下成像模型的图像清晰化算法。该算法采用小波变换估计并去除了散射光和光源强度变化对水下成像的影响。（2）针对复杂的水下核辐射环境，研究了基于颜色的自适应窗水下目标跟踪算法。该算法在传统颜色匹配跟踪算法的基础上，先通过颜色定位算法和跟踪准确算法找到最佳目标位置，提高了跟踪的精度，再根据跟踪窗尺寸变化算法计算窗宽，基本实现了跟踪窗尺寸随着目标物在图像中的大小而变化。（3）针对水下成像模糊和不稳定的特性，研究了基于二维模糊Otsu的水下图像分割算法。该算法将最大类间方差法（Otsu）从一维扩展到二维，并加上了模糊理论，综合了最大类间方差法与模糊理论的双重优点。然后根据水下目标的几何特征，获得了手爪抓取目标所需要的辅助信息，包括质心位置、手腕旋转角度以及控制手爪开合的电机旋转角度。（4）利用LabVIEW的软件平台进行了水下目标跟踪、图像分割以及特征提取的实验，验证了算法的有效性和可行性。(本文来源于《河北工业大学》期刊2014-03-01）
李鹏凡[9]（2013）在《基于机器视觉的水下废气气泡测量系统设计研究》一文中研究指出AIP动力系统的应用使得常规潜艇的长时间潜航成为可能,但随之而来的是潜艇废气浓度随时间的持续增高。潜艇废气管理系统将这些气体排入大海时会形成大量的气泡,这些气泡改变了周围海水的声光特性,使得潜艇的隐身性和安全性受到影响。因此,测量不同水深处气泡大小的变化对于研究气泡对潜艇隐身性能的影响具有现实意义。为了研究不同水深气泡大小的变化情况,本文先对水下废气气泡的运动模型和传质模型进行了耦合分析,得出了不同水深处不同大小气泡的可探测性结论,为后续的机器视觉测量系统设计提供了理论基础。本文随后针对潜艇废气气泡的特点设计了水下废气气泡的发生模拟装置,为机器视觉测量提供了目标。又按照机器视觉各硬件的选型要求,结合本项目的阶段性要求选择了照明设备、相机、镜头、图像采集卡、处理终端及其他硬件设备。根据水下气泡成像的具体特点,针对性的提出了改进照明方式和优化相机参数的意见,得到了满足测量要求的气泡图像。针对水中气泡图像边缘模糊、对比度低的特点,本文基于NI视觉软件对气泡图像进行了预处理,主要包括系统标定、噪声抑制、对比度增强等工作。在流程上,本文先对各项理论进行简单介绍,再在VBAI配置环境中进行方案设计,最后在搭载了NI Vision的LabVIEW环境中进行优化完善。完成上述处理后,本文在常用边缘检测算子的基础上设计了基于组合优化的边缘检测算法对气泡的边缘进行检测。由于需要测量气泡位于不同水深时的半径大小,本文针对气泡群的几何特征对相邻图片上的气泡进行了动态匹配。测量软件可以将结果实时的显示在软件界面上,也可以以图片覆盖层及表格的方式保存在本地和网络上。(本文来源于《武汉理工大学》期刊2013-04-01）
王文静,徐建瑜,吕志敏,辛乃宏[10]（2012）在《基于机器视觉的水下鲆鲽鱼类质量估计》一文中研究指出为了更好地解决水下鲆鲽类等底栖鱼的质量估计问题,本研究获取了半滑舌鳎(Cynoglossus semilaevis)在不同生长阶段的图像和质量数据,利用图像处理技术测量出鱼的面积,并将面积与质量进行数据拟合建立模型。结果表明面积与质量的相关性可达到0.9682,测试平均相对误差为6.17%。由于鱼的质量还受其他形状参数的影响,同时测量了等效椭圆长短轴比和圆形度因子,对面积、等效椭圆长短轴比和质量,面积、圆形度因子和质量分别进行叁维拟合,质量估计的平均相对误差分别为5.50%、5.62%。通过验证表明,对水底鱼拍摄的图像经过水底模板校准后的处理结果,与水外面拍摄处理后的结果一致,因此在不捕捞的情况下可以实现水底活体鲆鲽类鱼的质量估计。(本文来源于《农业工程学报》期刊2012年16期）
水下机器视觉论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文研究设计了一种新型微降噪水下生态调查机器人,以水滴型流线设计为运载器舱体,通过六个螺旋桨推进器协作运行实现航行器在水下的全自由度运动。本文使用机器视觉来获取目标信息,基于自动白平衡的视频去雾算法与目标识别技术,经试验验证,该方法能够减小水下可视图像退化的影响,识别被观测物种。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水下机器视觉论文参考文献
[1].林海燕,王皓.机器视觉技术在水下机器人中的应用研究现状及展望[J].信息记录材料.2019
[2].马凤瑞,曾奕淇,杨帆,王忆麟,鲁奇欣.基于机器视觉的新型降噪水下生态调查机器人[J].电子技术与软件工程.2019
[3].赵德安,刘晓洋,孙月平,吴任迪,洪剑青.基于机器视觉的水下河蟹识别方法[J].农业机械学报.2019
[4].张梦辉.基于机器视觉的自主式水下航行器末端导引系统关键技术研究[D].浙江大学.2018
[5].林奕雪.基于声呐和机器视觉技术的水下机器人避障与目标跟踪研究[D].福州大学.2017
[6].乔曦.基于水下机器视觉的海参实时识别研究[D].中国农业大学.2017
[7].韩银锋.基于机器视觉的ROV水下管线自动跟踪方法[J].计算机测量与控制.2015
[8].李明明.基于机器视觉的水下目标检测与跟踪技术研究[D].河北工业大学.2014
[9].李鹏凡.基于机器视觉的水下废气气泡测量系统设计研究[D].武汉理工大学.2013
[10].王文静,徐建瑜,吕志敏,辛乃宏.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报.2012