申请/专利权人：大连海洋大学

申请日：2019-06-18

公开（公告）日：2023-05-23

公开（公告）号：CN110288623B

主分类号：G06T7/13

分类号：G06T7/13;G06T7/136;G06T7/155;G06T7/187;G06T7/62;G06T7/00;G06T9/00

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2019.10.29#实质审查的生效;2019.09.27#公开

摘要：本发明公开一种无人机海上网箱养殖巡检图像的数据压缩方法，依次按照如下步骤进行：无人机在海上养殖网箱现场并采集n个养殖现场图像；在图像处理卡中对获取的图像进行HED深度网络计算，获取图像的边缘梯度图像；对得到的边缘梯度图像进行OSTU二值化及反色处理；进行实时形态学开、闭处理并进行连通域目标识别；剔除位于完整网箱区域边缘外的不完整区域；将完整网箱区域小于t的图像剔除，获得多个目标网箱图像；对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。

主权项：1.一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：a.无人机在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；b.在无人机图像处理卡中对采集的每张图像进行HED深度网络计算，获取每张图像的边缘梯度图像；c.对得到的边缘梯度图像进行OSTU二值化及反色处理；d.进行实时形态学开、闭处理并进行连通域目标识别；e.剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；f.设置阈值t，，其中Ai为第i个图像完整网箱区域的面积，单位为像素个数，将Ai小于t的图像剔除，获得多个目标网箱图像；g.对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。

全文数据：无人机海上网箱养殖巡检图像的数据压缩方法技术领域本发明属于无人机巡检技术领域，尤其涉及一种无人机海上网箱养殖巡检图像的数据压缩方法。背景技术随着无人机技术的发展，使用无人机进行日常工程安全巡检也越来越受到人们的青睐。同样，无人机作为海上养殖的巡检装置不仅降低人工成本和操作风险，而且获取数据更加客观，可大幅度提高巡检结论的可靠性。采用无人机进行海上巡检时，主要依靠光学成像技术，即通过摄像头捕捉现场的运行情况（图像）。然而，无人机所采集到的现场网箱图像中充斥着大量的冗余信息，如海水、海面非养殖物体、不完整的养殖区域等，这些都严重影响后端处理的实时性；另外，海洋养殖网箱现场监测时，所采集的图像受海浪、天色等现场采集背景干扰较大，从而加大了准确提取信息的难度。目前为止还没有对完整网箱区域数据进行有效提取的方法，使得图像的大数据量成为无人机巡检实时数据处理的屏障。发明内容本发明是为了解决现有技术所存在的上述技术问题，提供一种无人机海上网箱养殖巡检图像的数据压缩方法。本发明的技术解决方案是：一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：a.无人机在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；b.在无人机图像处理卡中对采集的每张图像进行HED深度网络计算，获取每张图像的边缘梯度图像；c.对得到的边缘梯度图像进行OSTU二值化及反色处理；d.进行实时形态学开、闭处理并进行连通域目标识别；e.剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；f.设置阈值t，，其中Ai为第i个图像完整网箱区域的面积，单位为像素个数，将Ai小于t的图像剔除，获得多个目标网箱图像；g.对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。本发明以HED深度网络结合传统视觉处理技术，摒除背景对目标网箱（完整网箱区域）选择的干扰，通过提出了面积选择的自适应阈值，对完整网箱区域的自适应提取，可大幅降低无人机巡检时所产生的数据量且保留了原有目标分辨能力，有效提高海上网箱养殖信息实时处理能力，极大地促进了无人机和图像测量技术在海洋养殖网箱巡检中的应用。附图说明图1是本发明实施例所采集的原图。图2是本发明实施例图1所示原图的边缘梯度图像。图3是本发明实施例图1所示原图d步骤所获得的图像。图4是本发明实施例图1所示原图g步骤所获得的的图像。具体实施方式本发明的一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：a.无人机按照预先设定的GPS点位，在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；b.在图像处理卡（NVIDIAJetsonNano处理卡）中对获取的如图1所示图像进行HED深度网络计算（在巡检前HED深度网络已通过养殖现场的网箱图像样本进行训练），获取如图2所示的边缘梯度图像；c.对得到的边缘梯度图像进行OSTU二值化及反色处理；d.进行实时形态学开、闭处理并进行连通域目标识别，得到图3所示的图像；e.剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；f.设置阈值t，，其中Ai为第i个图像完整网箱区域的面积，单位为像素个数，将Ai小于t的图像剔除，获得多个目标网箱图像；g.对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据，结果如图4所示。经过对所采集的n个养殖现场图像处理，从图1~4可以看出，大幅降低无人机巡检时所产生的数据量且保留了原有目标分辨能力。

权利要求：1.一种无人机海上网箱养殖巡检图像的数据压缩方法，其特征在于依次按照如下步骤进行：a.无人机在海上养殖网箱现场进行固定路线巡检飞行并采集n个养殖现场图像；b.在无人机图像处理卡中对采集的每张图像进行HED深度网络计算，获取每张图像的边缘梯度图像；c.对得到的边缘梯度图像进行OSTU二值化及反色处理；d.进行实时形态学开、闭处理并进行连通域目标识别；e.剔除位于完整网箱区域边缘外的不完整区域，仅保留完整网箱区域；f.设置阈值t，，其中Ai为第i个图像完整网箱区域的面积，单位为像素个数，将Ai小于t的图像剔除，获得多个目标网箱图像；g.对得到的每个目标网箱图像计算完整网箱区域外接矩形，并设置该外接矩形内除完整网箱区域保留原图灰度外，其余部分均为零，所述矩形的数据块即压缩后的数据。

百度查询： 大连海洋大学 无人机海上网箱养殖巡检图像的数据压缩方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD