海底管道的自主探测与识别技术研究

摘要

本课题来源于“某型AUV”项目。该AUV能够以定期巡航的方式作业，具有自动寻找和跟踪海底管道，观察海底管道并监视海底管道的运行状态、对将要出现的故障早期预警。海底管道自主检测与识别技术对水下机器人检测和跟踪海底管道具有很重要意义。海底管道自主检测与识别系统包括：图像采集、图像预处理、图像分割、特征提取和图像识别五个部分。 首先，本文针对水下图像特点，分别对基于边缘和基于区域的图像分割方法做出了一定的研究。本文在对海底管道图像进行滤波之后采用了一种快速、抗噪性强的边缘检测算法，通过与其它边缘检测算法对比，该算法提高了检测速度和效果。在对基于区域的图像分割方法研究方面，把二维直方图和粒子群优化算法有机的结合起来，提出了一种新的分割算法。通过对水下图像的分割表明：新算法能对图像进行较准确的分割，并能以较少的计算代价得到最优阈值。 最后本文尝试建立海底管道识别系统。在特征进行提取方面，本文首先计算出海底管道图像的六个不变矩特征值。经过实验验证，该特征值聚类效果较好。最后把这六个不变矩特征值作为输入在BP网络分类器上进行验证。实验证明：该分类器都可以有效地将不同的模式区分开来。 综上所述，论文分别针对图像分割、图像识别进行了一定的研究，并将其应用到海底管道图像上，对于海底管道自主检测与识别的深入研究具有一定的借鉴意义。

目录

文摘

英文文摘

声明

第1章绪论

1.1引言

1.2水下机器人海底管道检测发展现状和研究动态

1.3本课题的研究背景和意义

1.4论文的主要工作

第2章海底管道(模拟)图像的采集

2.1引言

2.2水下摄像机

2.3图像采集卡及配套的软件

2.3.1图像采集卡及其的视频接口

2.3.2配套的软件

2.4水槽试验

2.4.1试验目的

2.4.2试验条件和设备

2.4.3试验步骤及试验记录

2.4.4试验结果

2.5本章小结

第3章海底管道图像边缘检测

3.1引言

3.2水下图像特点

3.3图像预处理

3.4图像边缘检测

3.5海底管道图像边缘检测结果及分析

3.6本章小结

第4章海底管道基于区域的图像分割

4.1引言

4.2阈值分割的原理和分类

4.3熵在图像分割中的应用

4.3.1熵的概念

4.3.2最大熵原理

4.3.3基于熵的阈值分割

4.4基于粒子群优化(PSO)阈值分割算法

4.4.1粒子群优化(PSO)原理

4.4.2基于粒子群优化(PSO)二维最大熵阈值分割算法

4.5水下图像的分割结果及分析

4.5.1海底管道图像分割结果及分析

4.5.2其它水下图像分割结果及分析

4.6本章小结

第5章基于人工神经网络的海底管道的识别

5.1引言

5.2海底管道图像的不变矩特征

5.3海底管道图像特征提取和区分结果与分析

5.3.1四类目标的特征的提取和区分

5.3.2粗细管道的特征的提取和区分

5.4人工神经网络

5.5基于人工神经网络的海底管道的识别系统

5.6本章小结

结论

参考文献

攻读硕士学位期间发表的论文和取得的科研成果

致谢

附录