1 哈尔滨工业大学光电子技术研究所 可调谐（气体）激光技术重点实验室，黑龙江 哈尔滨 150001
2 复杂系统控制与智能协同技术重点实验室，北京 100074
3 哈工大（北京）工业技术创新研究院有限公司，北京 101312
针对水下激光雷达探测得到的尾流回波信号由于非稳态造成特征提取困难、不易识别的问题，提出了基于PCA特征提取与弹性BP神经网络结合的水下气泡识别算法。首先对连续采集的回波信号进行切片预处理，然后采用PCA算法对拼接的高维样本进行主要特征提取，确定特征值个数，其次对弹性BP神经网络进行参数的选择，确定能实现最优分类的隐含层节点数、特征个数等，最后根据室内搭建的尾流探测模拟平台，实现对气泡群和干扰目标的识别。实验结果表明：在隐含节点为12，增量因子为1.15，减量因子为0.55时，选取两个特征值能对有气泡、无气泡及干扰物进行有效分类；识别率随着气泡群密度的增大提升13.4%，在低密度下的识别率随激光能量的增加平均提升6.3%，识别率随距离的增加先增大后减小，气泡群在2.2 m时的目标峰特征明显，平均识别率提升3.5%。通过与自适应附加动量BP对比，该方法在减少识别时间的同时准确率达到99.1%，证明该算法可有效运用于激光雷达舰船尾流气泡的识别。
激光雷达 气泡识别 PCA特征提取 弹性BP网络 lidar bubbles recognition PCA feature extraction elastic BP neural network 红外与激光工程
2021, 50(6): 20200352
1 齐鲁工业大学(山东省科学院) 山东省科学院海洋仪器仪表研究所, 山东 青岛 266061
2 山东省海洋环境监测技术重点实验室, 山东 青岛 266061
针对水中气泡与固体悬浮微粒不易区分的问题, 提出了一种基于Zernike矩与灰度计算的水下光学气泡图像识别方法。该方法主要分为图像划分、图像预处理和特征提取三个步骤。首先, 获取水下悬浮微粒的图像, 从中划分出单个气泡并选取部分样本; 为了更好地提取与表示气泡轮廓与灰度特征, 然后采用图像预处理方法增强气泡边缘特征, 选择并构建气泡特征库; 最后, 采用Zernike矩计算悬浮微粒特征的相似度, 区分圆形微粒与非圆形微粒, 之后计算微粒中心与灰度变化趋势, 辨别气泡与固体悬浮微粒。实验结果表明, 在测试数据集上的气泡识别准确率达到94%。该方法不仅能够辨别圆形与非圆形微粒, 而且能够融合灰度梯度计算方法以获取更好的结果。该方法从形状与灰度两个方面提取与辨别目标的特征信息, 提高了气泡识别精度, 具有较高的精确性与适用性。
水下光学成像 气泡识别 Zernike矩 梯度计算 underwater optical imaging bubble recognition Zernike moments gradient computation 红外与激光工程
2019, 48(3): 0326001
