СИСТЕМА КОМП’ЮТЕРНОГО ЗОРУ АВТОНОМНИХ БЕЗПІЛОТНИХ ПІДВОДНИХ АПАРАТІВ НА БАЗІ МОДИФІКОВАНОГО МЕТОДУ SEA-THRU ТА НЕЙРОМЕРЕЖІ YOLO

Автор(и)

DOI:

https://doi.org/10.32782/tnv-tech.2023.5.5

Ключові слова:

автономні безпілотні підводні апарати, розпізнавання об’єктів в реальному часі, Sea-thru, YOLO.

Анотація

Автономні безпілотні підводні апарати (АБПА) представляють значні можливості для різноманітних завдань у водному середовищі, таких як наукові дослідження, цивільні дослідження і військові місії. Вони використовуються для вивчення підводного середовища за допомогою різноманітних бортових приладів і датчиків. Однак виявлення та класифікація підводних об’єктів залишаються складними завданнями через умови підводного середовища, такі як розсіювання і поглиблення світла. У даний час попередні методи виявлення підводних об’єктів в основному базуються на традиційних підходах до обробки зображень та комп’ютерного зору, які часто не враховують усіх складнощів підводного середовища. Пропонована робота розглядає інтеграцію реконструкції кольорів та використання глибокого навчання безпосередньо на борту АБПА. Це може вирішити виклики, пов’язані зі зменшенням якості зображень через розсіювання та поглиблення світла у водному середовищі. Розглядаючи важливість виявлення та класифікації підводних об’єктів у реальному часі, обрана стратегія інтеграції технологій не тільки покращить здатність АБПА розпізнавати об’єкти, але й зробить цей процес ефективнішим і надійнішим. Результатом буде збільшена точність та швидкість виявлення об’єктів у водних глибинах, що розширить можливості використання АБПА в різноманітних областях, включаючи військові операції, наукові дослідження та місії цивільного призначення. Дослідження зосереджується на вирішенні ключової проблеми – ефективному виявленні та класифікації підводних об’єктів в реальному часі. Інтеграція передових технологій та підходів відкриває нові перспективи для автоматизованого аналізу зображень у підводному середовищі. Покращення точності та швидкості виявлення об’єктів може розширити можливості АБПА для різноманітних застосувань, включаючи військові, дослідницькі та цивільні місії у водних середовищах.

Посилання

Іванюк В. І., Потапова К. Р., Наливайчук М. В. Огляд нейронних мереж та стандартних алгоритмів обробки зображень в області комп’ютерного зору // Міжнародний науковий журнал «Інтернаука». 2023. № 15. https://doi.org/10.25313/2520-2057-2023-15-9208

Гуриненко, С. О. (2023) «Моделювання, CFD-розрахунок та оцінка гідродинамічних коефіцієнтів автономного безпілотного підводного апарата», International Scientific Technical Journal «Problems of Control and Informatics», 67(6), с. 5–13. doi: 10.34229/1028-0979-2022-6-1.

Aurora Vision Documentation. URL: https://docs.adaptive-vision.com/current/studio/machine_vision_guide/BlobAnalysis.html (дата звернення: 28.09.2023)

Jia, T., Sun, N., & Cao, M. Moving object detection based on blob analysis.2008 IEEE International Conference on Automation and Logistics. URL: https://www.researchgate.net/publication/238513594_Moving_object_detection_based_on_blob_analysis (дата звернення: 28.09.2023).

JOHN CANNY, A Computational Approach to Edge Detection, URL: https://perso.limsi.fr/vezien/PAPIERS_ACS/canny1986.pdf (дата звернення: 30.09.2023)

C. Harris and M. Stephens, A combined corner and edge detector, in Alvey Vision Conference, vol. 15, Manchester, UK, 1988. URL: https://bmva-archive.org.uk/bmvc/1988/avc-88-023.pdf (дата звернення: 02.10.2023).

A. Krizhevsky, I. Sutskever and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” in Advances in neural information processing systems, 2012. URL: https://dl.acm.org/doi/pdf/10.1145/3065386 (дата звернення: 03.11.2023).

A. Gulli and S. Pal, Deep Learning with Keras, Birmingham: Packt, 2017, с. 190.

Derya Akkaynak, Tali Treibitz. Sea-thru: A Method For Removing Water From Underwater Images // IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019 p. 2. URL: https://www.researchgate.net/publication/338514335_Sea-Thru_A_Method_for_Removing_Water_From_Underwater_Images (дата звернення: 04.10.2023).

Derya Akkaynak, Tali Treibitz. A Revised Underwater Image Formation Model // In Proc. IEEE CVPR. 2018. P. 6723–6726 URL: https://www.researchgate.net/publication/324113188_A_Revised_Underwater_Image_Formation_Model (дата звернення: 04.10.2023).

J. Redmon, S. Divvala, R. Girshick and A. Farhadi, “You Only Look Once:Unified, Real-Time Object Detection” P. 1–2. URL: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper.pdf (дата звернення: 06.10.2023).

D. Berman, D. Levy, S. Avidan, and T. Treibitz. Underwater single image color restoration using haze-lines and a new quantitative dataset. 2020. URL: https://www.researchgate.net/publication/339632700_Underwater_Single_Image_Color_Restoration_Using_Haze-Lines_and_a_New_Quantitative_Dataset (дата звернення: 15.11.2023).

##submission.downloads##

Опубліковано

2024-01-11

Як цитувати

Іванюк, В. І., Потапова, К. Р., Наливайчук, М. В., Гуріненко , С. О., & Вовк, Л. Б. (2024). СИСТЕМА КОМП’ЮТЕРНОГО ЗОРУ АВТОНОМНИХ БЕЗПІЛОТНИХ ПІДВОДНИХ АПАРАТІВ НА БАЗІ МОДИФІКОВАНОГО МЕТОДУ SEA-THRU ТА НЕЙРОМЕРЕЖІ YOLO. Таврійський науковий вісник. Серія: Технічні науки, (5), 40-54. https://doi.org/10.32782/tnv-tech.2023.5.5

Номер

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Статті цього автора (авторів), які найбільше читають