一种基于图像处理算法的深海网箱网衣检测方法技术

本发明专利技术公开了一种基于图像处理算法的深海网箱网衣检测方法，涉及计算机图像处理技术和智能识别技术领域，包括：S1：获取传感器采集到的彩色图像；S2：对彩色图像进行预处理；S3：对图像中的网箱网衣目标进行目标检测；S4：提取网箱网衣的边缘信息；S5：对网箱网衣边缘信息进行线段化处理；S6：对网箱网衣线段化信息进行分析处理；S7：网箱网衣缺陷检测结果可视化。本发明专利技术通过获取深海网箱网衣的彩色图像，基于图像预处理、目标检测、边缘检测、线段化处理、缺陷检测和结果显示等步骤，能够快速、准确地检测出网衣的整体和局部断裂和缺损情况，旨在预测和预防网衣破损导致的渔业经济损失和损害，提高深海网箱养殖的安全性和效率。提高深海网箱养殖的安全性和效率。提高深海网箱养殖的安全性和效率。

【技术实现步骤摘要】
一种基于图像处理算法的深海网箱网衣检测方法


[0001]本专利技术涉及图像处理
，尤其是一种基于图像处理算法的深海网箱网衣检测方法。

技术介绍

[0002]深海养殖是一种新型的养殖方式，目前仍在不断发展和探索中，深海网箱作为重要的设备之一在其中发挥着重要的作用。随着深海网箱应用范围越来越广，网箱网衣的检查和维护变得越来越重要。传统的检测方法主要有两种，一种是目视检测，包括水下潜水蛙人目视检测和提网目视检测；另一种是利用仪器进行检测。目视检测的方法简单直观，但会存在大量的人为主观因素，且效率低、费时费力；而仪器检测虽然可以实现无人化作业，但设备昂贵、很难适应不同规格的网箱网衣，并且检测结果也存在误差，不能满足精确检测的要求。

技术实现思路

[0003]为了克服现有技术中存在的上述问题，本专利技术提出一种基于图像处理算法的深海网箱网衣检测方法。
[0004]本专利技术解决其技术问题所采用的技术方案是：一种基于图像处理算法的深海网箱网衣检测方法，包括以下步骤：S1，获取传感器采集到的深海网箱网衣的彩色图像；S2，对S1所得的彩色图像进行预处理；S3，对S2所得图像中的网箱网衣目标进行目标检测；S4，提取网箱网衣的边缘信息；S5，对网箱网衣边缘信息进行线段化处理；S6，对网箱网衣线段化信息进行分析处理；S7，网箱网衣缺陷检测结果可视化；所述步骤S7中，网箱网衣缺陷检测结果可视化，进一步包括以下步骤：S71，采用Python的OpenCV库将分析结果与原始图像进行叠加和融合，生成可视化的图像或视频；S72，根据缺陷类型和位置，选用矩形框、多边形填充、文字标注或颜色映射对缺陷区域进行标注，提高可视化效果；S73，使用图形界面或动态交互方式，将图像或视频显示在屏幕或设备上，或通过网络或存储介质进行远程访问和共享；S74，将可视化结果和缺陷信息保存为标准图片格式和标准视频格式。
[0005]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述步骤S2中，对彩色图像进行预处理，进一步包括以下步骤：S21，采用中值滤波或均值滤波去除彩色图像中的点、线、面等噪声信息；S22，使用卷积或加权平均的方法将彩色图像转化为灰度图像；
S23，采用直方图均衡化方法提高深海环境中图像的对比度；S24，使用拉普拉斯增强方法对图像进行亮度补偿或颜色平衡；S25，通过调整图像角度方法校正网箱网衣位置。
[0006]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述步骤S3中，对图像中的网箱网衣目标进行目标检测，进一步包括以下步骤：S31，通过SIFT算法、SURF算法或ORB算法提取图像中的关键特征；S32，采用图像区域分割和选择性搜索方法生成包含检测目标的候选区域；S33，使用卷积神经网络算法对候选区域进行分类和定位，以判断是否包含检测目标，并给出检测目标的边框坐标；S34，采用非极大值抑制算法过滤重叠的检测框，以及去除置信度较低的检测框；S35，在图像中绘制边框和标签，并显示检测目标的置信度。
[0007]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述步骤S4中，提取网箱网衣的边缘信息，进一步包括以下步骤：S41，采用高斯滤波去除图像中的噪声信号；S42，使用Sobel算子和梯度阈值确定图像的边缘位置；S43，采用非最大抑制算法细化图像边缘位置，保留梯度最大的像素，过滤掉不相邻或低于梯度阈值的像素；S44，对边缘像素进行高阈值和低阈值处理，边缘像素大于高阈值的被保留，低于低阈值的被过滤，介于两者之间的边缘像素如果与高阈值像素相邻则被保留，不相邻则被过滤；S45，使用曲线拟合方法将保留下的边缘像素连接成一条不间断的曲线，以表示网箱网衣的边缘。
[0008]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述S44具体包括：S441.将通过非最大抑制算法细化之后的边缘像素进行阈值处理，用一个高阈值和一个低阈值来区分不同强度的边缘像素；S442.对于每个像素，如果其强度值大于高阈值，则将该像素标记为边缘像素，并将其像素值设为1，表示该像素位于深海网箱的网衣位置，如果像素值小于低阈值，则将其标记为非边缘像素，并将其像素值设为0，表示该像素位于深海网箱网衣外；S443.对于介于高阈值和低阈值之间的边缘像素，如果其与高阈值像素相邻，则将其标记为边缘像素，并将其像素值设为1；相邻的定义是指在8个方向中，至少有一个像素的像素值大于高阈值，如果该像素没有与高阈值像素相邻，则将其标记为非边缘像素，并将其像素值设为0，表示该像素位于深海网箱网衣外；S444.通过进行阈值处理，可以将深海网箱网衣区域从图像中准确识别出来，并进一步进行分析、定位和控制等操作。
[0009]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述步骤S5中，对网箱网衣边缘信息进行线段化处理，进一步包括以下步骤：S51，采用Canny算法实现图像的边缘检测，将网箱网衣边缘提取出来；S52，使用特征点匹配、拟合或跟踪的方法对边缘检测图像进行边缘连接，形成形状连续、封闭的边缘；
S53，采用霍夫变换或极大值抑制法对边缘进行线段检测，过滤掉噪声和不相关的直线；S54，使用直线拟合算法将曲线形边缘拟合成直线或折线段；S55，将线段化处理后的结果转化为数据和图像。
[0010]上述的一种基于图像处理算法的深海网箱网衣检测方法，所述步骤S6中，对网箱网衣线段化信息进行分析处理，进一步包括以下步骤：S61，采用图像分割技术将网箱网衣的具体结构从图像中分离出来；S62，使用SIFT算法、SURF算法或ORB算法提取每个具体结构的代表性特征；S63，采用监督学习方法训练一个分类模型，将缺陷视为一个分类问题，以区分出网箱网衣的正常部分和缺陷部分；S64，综合考虑缺陷的尺寸、形状和纹理因素，使用形态学运算和纹理特征分析方法对缺陷进行检测和定位；S65，分析网箱网衣缺陷的类型、数量和位置。
[0011]本专利技术的有益效果是，本专利技术提出一种基于图像处理算法的深海网箱网衣检测方法，将图像处理算法应用于深海网箱网衣质量检测中，其实现原理基于深度学习算法，通过对网箱网衣图像进行采集和处理，优化图像特征，进而通过机器学习算法进行训练和识别，可以对网箱网衣进行精准的缺陷检测，如破洞、断线、附着物等等，从而保证网箱网衣的质量和养殖效益。本专利技术通过对网箱网衣图像的采集、分析、特征提取等过程，实现对网箱网衣的准确检测和分析，为深海养殖行业安全生产及提高生产效率提供了有力的技术支持。
附图说明
[0012]下面结合附图和实施例对本专利技术进一步说明。
[0013]图1为本专利技术流程图；图2为本专利技术中对彩色图像进行预处理的流程图；图3为本专利技术中对图像中的网箱网衣目标进行目标检测的流程图；图4为本专利技术中提取网箱网衣的边缘信息的流程图；图5为本专利技术中对网箱网衣边缘信息进行线段化处理的流程图；图6为本专利技术中对网箱网衣线段化信息进行分析处理的流程图；图7为本专利技术中网箱网衣缺陷检测结果可视化的流程图。
具体实施方式
[0014]为使本领域技术人员更好的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像处理算法的深海网箱网衣检测方法，其特征在于，包括以下步骤：S1，获取传感器采集到的深海网箱网衣的彩色图像；S2，对S1所得的彩色图像进行预处理；S3，对S2所得图像中的网箱网衣目标进行目标检测；S4，提取网箱网衣的边缘信息；S5，对网箱网衣边缘信息进行线段化处理；S6，对网箱网衣线段化信息进行分析处理；S7，网箱网衣缺陷检测结果可视化；所述步骤S7中，网箱网衣缺陷检测结果可视化，进一步包括以下步骤：S71，采用Python的OpenCV库将分析结果与原始图像进行叠加和融合，生成可视化的图像或视频；S72，根据缺陷类型和位置，选用矩形框、多边形填充、文字标注或颜色映射对缺陷区域进行标注，提高可视化效果；S73，使用图形界面或动态交互方式，将图像或视频显示在屏幕或设备上，或通过网络或存储介质进行远程访问和共享；S74，将可视化结果和缺陷信息保存为标准图片格式和标准视频格式。2.根据权利要求1所述的一种基于图像处理算法的深海网箱网衣检测方法，其特征在于，所述步骤S2中，对彩色图像进行预处理，进一步包括以下步骤：S21，采用中值滤波或均值滤波去除彩色图像中的噪声信息；S22，使用卷积或加权平均的方法将彩色图像转化为灰度图像；S23，采用直方图均衡化方法提高深海环境中图像的对比度；S24，使用拉普拉斯增强方法对图像进行亮度补偿或颜色平衡；S25，通过调整图像角度方法校正网箱网衣位置。3.根据权利要求1所述的一种基于图像处理算法的深海网箱网衣检测方法，其特征在于，所述步骤S3中，对图像中的网箱网衣目标进行目标检测，进一步包括以下步骤：S31，通过SIFT算法、SURF算法或ORB算法提取图像中的关键特征；S32，采用图像区域分割和选择性搜索方法生成包含检测目标的候选区域；S33，使用卷积神经网络算法对候选区域进行分类和定位，以判断是否包含检测目标，并给出检测目标的边框坐标；S34，采用非极大值抑制算法过滤重叠的检测框，以及去除置信度较低的检测框；S35，在图像中绘制边框和标签，并显示检测目标的置信度。4.根据权利要求1所述的一种基于图像处理算法的深海网箱网衣检测方法，其特征在于，所述步骤S4中，提取网箱网衣的边缘信息，进一步包括以下步骤：S41，采用高斯滤波去除图像中的噪声信号；S42，使用Sobel算子和梯度阈值确定图像的边缘位置；S43，采用非最大抑制算法细化图像边缘位置，保留梯度最大的像素，过滤掉不相邻或低于梯度阈值的像素；S44，对边缘像素进行高阈值...

【专利技术属性】
技术研发人员：张永波，李振，张丛，马哲，常琳，王言哲，王继业，
申请(专利权)人：山东省海洋科学研究院青岛国家海洋科学研究中心，
类型：发明
国别省市：