Resumen

Debido a la importancia de la exploración submarina en el desarrollo y la utilización de los recursos de las profundidades marinas, la operación autónoma submarina es cada vez más importante para evitar el peligroso entorno de alta presión de las profundidades marinas. Para la operación autónoma submarina, la visión por ordenador inteligente es la tecnología más importante. En un entorno submarino, la iluminación débil y la mejora de la imagen de baja calidad, como procedimiento de preprocesamiento, son necesarios para la visión submarina. En este trabajo, se aplica una combinación del método max-RGB y el método de sombras de gris para lograr la mejora de la visión subacuática, y luego se propone un método CNN (Convolutional Neutral Network) para resolver el problema de iluminación débil para imágenes subacuáticas con el fin de entrenar la relación de mapeo para obtener el mapa de iluminación. Tras el procesamiento de la imagen, se propone un método de CNN profunda para realizar la detección y clasificación subacuática, de acuerdo con las características de la visión subacuática, se aplican dos esquemas mejorados para modificar la estructura de la CNN profunda. En el primer esquema, se utiliza un núcleo de convolución de 1∗1 en el mapa de características de 26∗26 y, a continuación, se añade una capa de muestreo descendente para redimensionar la salida hasta que sea igual a 13∗13. En el segundo esquema, se añade en primer lugar una capa de reducción de muestreo y, a continuación, se inserta la capa de convolución en la red; el resultado se combina con la última salida para lograr la detección. En comparación con la RCNN rápida, la RCNN más rápida y la YOLO V3 original, se comprueba que el esquema 2 es mejor para detectar objetos submarinos. La velocidad de detección es de unos 50 FPS (Frames per Second), y la mAP (mean Average Precision) es de alrededor del 90%. El programa se aplica en un robot submarino; los resultados de detección en tiempo real muestran que la detección y la clasificación son lo suficientemente precisas y rápidas como para ayudar al robot a realizar operaciones de trabajo submarino.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:funcionamiento autónomo submarino, visión submarina, capa de muestreo descendente, red convolucional neutra, método deep cnn, estructura deep cnn, visión por ordenador inteligente, original yolo v3, mejora de la calidad de la imagen, resultados de detección de tiempo
• Keywords:underwater autonomous operation, underwater vision, downsampling layer, convolutional neutral network, deep cnn method, deep cnn structure, intelligent computer vision, original yolo v3, quality image enhancement, time detection results