基于图像的船舶水尺机器人智能测量研究开题报告

1. 研究目的与意义（文献综述）

21世纪是信息的时代，图像和视觉作为人类感知世界的基础，是人类获取信息、表达信息和传递信息的重要手段。随着大规模集成技术的发展，计算机内存的体积不断缩小，速度不断提高，机器视觉和图像处理技术也趋于成熟。人们利用计算机将图像进行分析处理，提取有用的信息提供给机器人，然后由机器人来完成一系列的任务。我们在生活中随处可见车辆收费系统，它可以完成对车牌的自动识别，并根据停车时长收取相应的费用。这就是机器视觉和图像处理技术的实际应用。图像分割是图像处理中的关键技术之一，它将图像中有意义的特征部分提取出来，是进一步识别、分析和理解的基础。 本课题尝试在智能测量方向研究船舶水尺机器人。通过图像处理技术实现水尺区域分割和液面区域分割，利用深度学习神经网络实现对水尺刻度的数字识别和水位判断，为机器视觉和图像处理技术提供更好的优化思路。

一、机器视觉的国内外发展现状 机器视觉是建立在计算机视觉理论基础上，偏重于计算机视觉技术工程化的一门科学。计算机视觉和机器视觉在很多时候是不加以区分的，但两者有一定的区别。具体来说，计算机视觉是为机器视觉提供图像和景物分析的理论及算法基础，机器视觉为计算机视觉的实现提供传感器模型、系统构造和实现手段。 早在1965年，麻省理工学院的Roberts在他的论文中论述了以计算机理论为基础实现从拍摄物体的二维图像得到物体三维形状信息具备可能性，从此开辟了以解析物体三维场景为目的的机器视觉理论与实践研究。自20世纪70年代中开始，Marr领衔的研究学者们创立了系统化的计算机视觉理论，该理论奠定了机器视觉理论部分的研究，该理论的核心内容即是以二维图像为基础恢复出物体三维几何形状。自从20世纪80年代以来，机器视觉的研究一直属于现代高科技研究中一块非常活跃的研究领域，并且逐渐从实验室研究转向实际的应用。到90年代，计算机视觉在工业环境中得到广泛应用，同时，基于多视几何的视觉理论也得到迅速发展。 目前，在欧美、日本等发达国家机器视觉技术发展较快，相应的应用也较为成熟。在国外，机器视觉技术已经可以清楚分为三个部分：底层开发部分、二次开发部分、最终使用部分。第一部分是指开发通用机器视觉系统，如西门子、欧姆龙等公司，这些公司投入了大量的人力和物力研究并开发了机器视觉的硬件产品和软件产品。第二部分是专门使用通用机器视觉系统，为最终需求搞二次开发，开发各种专用的系统，一般的通用机器系统公司也会有解决方案提供给客户。第三部分的用户是真正将机器视觉系统应用到各个领域的人，他们使用已经开发成型的机器视觉系统，并且负责对系统进行测试评估。 本世纪初，机器视觉的概念被引入到中国自动化用户面前，但在很长一段时间内，机器视觉技术还处于推广普及期，和国外的技术相比，国内的差距还是比较大的，这种差距主要表现为软硬件的组态集成开发能力弱，这就必然导致开发成本高、效率低下。不过虽然国内存在各种问题，但是在视觉软件、相机和光源等机器视觉产品的研发方面还是取得了一些成果。国内的一些相关大专院校、研究所和企业进行了积极的探索和大胆的尝试，并逐步开始了工业现场的应用。当前主要集中在半导体和电子电器领域，相对来说侧重点过于狭窄，在人工智能、自动驾驶、机器人等新技术和新领域快速崛起的情况下，应用领域无法拓宽是导致产品功能、实用性得不到提升的重要原因。而且，当前国内人才紧缺，主要依赖国外引进，自身专业储备不足，给我国机器视觉发展带了巨大的困难。未来，机器视觉会不断发展，将不断涌现出新技术，可谓动力十足。

二、图像处理技术的国内外发展现状 图像处理，用计算机对图像进行分析，以达到所需结果的技术。图像处理一般指数字图像处理，即将图像信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。首次获得实际成功应用的是美国喷气推进实验室，他们对航天探测器在1964年发回的几千张使用了几何校正、去噪等图像处理方法，由计算机成功绘制出月球表面地图，获得了巨大成功。1972年英国EMI公司工程师发明了CT，其使用了图像重建的方法得到了人体部位的断层图像。70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像向更高、更深层次发展。 自20世纪60年代第三代数字计算机问世以后，数字图像处理技术出现了空前的发展，目前主要有以下几个研究方向：1.在提高精度的同时加快处理速度2.加强软件研究，开发新的方法3.加强边缘学科的研究4.加强理论研究5.时刻注意图像处理领域的标准化问题。 目前，图像处理技术的常用方法主要有：图像变换、图像编码压缩、图像增强和复原、图像分割、图像描述、图像识别等。而随着社会的不断发展，图像处理的应用领域也随之不断扩大，如卫星图像处理、医学图像处理、面孔识别、汽车障碍识别等。 图像处理技术在今后的应用将越来越广泛，地位越来越重要，在未来现代化建设中将要发挥无比的重要作用。三、图像处理方法 经典的图像处理方法包括去噪、闭运算、缘检测算子、腐蚀膨胀等。图像去噪是指减少数字图像中噪声的过程。噪声是图像干扰的重要原因，一幅图像在实际应用中可能存在各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。噪声可分为三种形式，分别为加性噪声、乘性噪声和量化噪声。在图像处理过程中，一般使用滤波器来去除存在的噪声，比如均值滤波器、中值滤波器、维纳滤波器等。 闭运算，在数学形态学中，被定义为先膨胀后腐蚀。在图像处理中，闭运算通过填充图像的凹角来滤波图像，也能够填平小孔，弥合小裂缝而总的位置和形状不变。 缘检测算子，是指用来检测图像边缘的一种算法。在数字图像中，边缘是指图像局部变化最显著的部分，边缘主要存在于目标与目标，目标与背景之间，是图像局部特性的不连续性，如灰度的突变、纹理结构的图标、颜色的图标等。常见的边缘检测算子有Roberts、Sobel、Prewitt等。 图像的腐蚀和膨胀是两种基本的形态学运算，主要用来寻找图像中的极大区域和极小区域。其中，膨胀类似于‘领域扩张’，将图像的高亮区域或白色部分进行扩张，其运行结果比原图的高亮区域大。腐蚀类似于‘领域被蚕食’将图像中的高亮区域或白色部分进行缩减细化，其运行结果图比原图的高亮区域更小。四、深度神经网络神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。VAE(Variational Auto Encoder),变分自编码器，是一种生成模型，其基本思路为：把一堆真实样本通过编码器网络变换成一个理想的数据分布，然后这个数据分布再传递给一个解码器网络，得到一堆生成样本，生成样本与真实样本足够接近的话，就训练出一个自编码器模型。GAN,生成对抗神经网络，其主要灵感来源于博弈论中零和博弈的思想，应用到深度学习神经网络上来说，就是通过生成网络G和判别网络D不断博弈，进而使G学习到数据的分布。

2. 研究的基本内容与方案

一、 基本内容及目标本课题尝试在图像处理和机器视觉的背景下实现水尺机器人的智能测量研究。

通过图像处理技术将图像中的水尺刻度分割并识别出来，然后使用边缘检测方法将船体的吃水线提取出来，最后利用深度学习神经网络估计出船体的吃水深度，完成水尺的智能测量，为机器视觉和图像处理技术提供更好的优化思路。

课题具体内容为：1. 了解当前机器人视觉和图像处理技术和发展趋势，船舶水尺测量的基本流程和规范；2. 学习经典图像处理方法实现水尺区域分割和液面区域分割；3. 学习深度神经网络方法以实现水尺刻度的数字识别和水位高度推断，并在服务端基于python代码完成功能。

3. 研究计划与安排

第 1-2 周 确定选题，英文文献翻译第 3-4 周 查阅文献，撰写开题报告第 5-10 周 设计与实现第 11-12 周 撰写毕业论文第 13-14周 修改、装订毕业论文第 15 周 毕业论文答辩

4. 参考文献（12篇以上）

[1] Automatic draft reading based on image processing[J] . Takahiro Tsujii,Hiromi Yoshida,Youji Iiguni. Optical Engineering . 2016 (10)[2] Improving Hilditch thinning algorithms for text image[J].Jia Yu,Yaqin Li. 10.1109/EEEE.2009.44[3] Optical recognition of motor vehicle license plates[J]. Deb, K. , Khan, M.I. , Alam, M.R. , Kang-Hyun Jo. Strategic Technology,2011,6.[4] Research on License Plate Character Recognition Technology.Liyuan Zhang,Ruxia Hong,ICCIA,2019[5] Research and Implementation of License Plate Character Recognition Technology Based on Neural Network. Chong Xu , Xin Liu , Wei Wang , Yong Shi , Ning Tao.SNCE,2018.[6]深度学习[M].人民邮电出版社，阿斯顿·张，李沐，2019.6[7] 基于机器视觉与深度学习的船舶水尺智能识别技术研究与应用[D].朱学海，检验检疫学刊，2019，02.[8] 基于图像处理的船舶水尺刻度识别[D].冉鑫，彭将辉.上海海事大学学报.2012,06[9] 图像处理技术在船舶水尺刻度线检测中的应用[D].刘晓杰,张旻,罗印升,薛波.舰船科学技术.2017,08.[10] 一种基于图像处理的船舶水尺标志识别方法[D].沈益骏,黄昱洪,何吉飞.上海海事大学学报.2018,06[11] 一种基于模板匹配的汽车牌照识别方法[D].路小波,凌小静,黄卫.交通与计算机2004,06[12] 基于深度学习的目标检测研究[D]. 朱润生.北京交通大学 2018.[13] 基于视频的船舶吃水线检测方法的研究[D]. 郭方.大连海事大学 2010[14] 船舶水尺吃水值检测方法研究[D]. 郭秀艳.大连海事大学 2014[15] 图象处理技术在船舶吃水自动检测系统中的应用[D]. 周广程.南京理工大学 2006