Metrika

  • citati u SCIndeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[]
  • posete u poslednjih 30 dana:11
  • preuzimanja u poslednjih 30 dana:10

Sadržaj

članak: 1 od 9  
Back povratak na rezultate
2022, vol. 63, br. 1, str. 5-14
Detektovanje podvodnih metalnih objekata pomoću veštačke inteligencije i zaštita od korozije predmeta od mekog čelika korišćenih u podvodnoj studiji - studija slučaja - Deo A - detektovanje podvodnih metalnih objekata pomoću veštačke inteligencije
aAMET University, Department of EEE, Chennai, India
bSt. Antony's College of Arts and Sciences for Women Thamaraipady, Department of Chemistry, Tamil Nadu, India
cSt. Antony's College of Arts and Sciences for Women Thamaraipady, Department of Chemistry, Tamil Nadu, India + Pondicherry University, Puducherry, India
dUniverzitet u Beogradu, Poljoprivredni fakultet
ePondicherry University, Puducherry, India

e-adresardorothyraj.dgl@gmail.com
Ključne reči: ulazni podaci o slici; Konvoluciona neuronska mreža (C ); klasterisanje sa srednjim vrednostima; Studija polarizacije TURBID skupa podataka; Spektar impedanse naizmenične struje; morska voda
Sažetak
Zbog važnosti odvodnog istraživanja u razvoju i korišćenju dubokomorskih resursa, odvodni autonomni rad je sve važniji kako bi se izbeglo opasno dubokomorsko okruženje od visokim pritiskom. Za podvodni autonomni rad, inteligentni računarski vid je najvažnija tehnologija. U podvodnom okruženju, slabo osvetljenje i nekvalitetno poboljšanje slike, kao postupak prethodne obrade, neophodni su za podvodni vid. U ovom radu predstavljeno je otkrivanje podvodnih metalnih objekata zasnovanog na veštačkoj inteligenciji pomoću ulaznih podataka o slici koristeći nekoliko koraka a poboljšanje performansi modela. U ovom eksperimentu koristi se TURBID skup podataka od 100 slika za proveru performansi. Takođe, upoređuje se rezultat performansi prema datim ulaznim slikama na različitim nivoima validacije. U prvom slučaju, ulazna slika se prethodno obrađuje i te slike se daju u KFCM-segmentaciji. Segmentirane slike se daju DVT ekstrakciji da izdvoje karakteristike iz tih slika. I na kraju, Convolution Neural Netvork (CNN) se koristi za klasifikaciiju slika radi otkrivanja objekata. Takođe, ovaj predloženi model dostigao je tačnost klasifikacije od 98,83%. Ova metoda je veoma pogodna za robotsko otkrivanje objekata u morskim dubinama. Metalni delovi mašina brodova ili aviona mogu potonuti u morsku vodu.Mogu doći do korozije u kontaktu sa morskom vodom koja sadrži 3,5% natrijum hlorida. Ovo je najčešće odgovorno za korozivnu prirodu morske vode. Roboti napravljeni od materijala kao što je meki čelik, takođe, mogu pretrpeti koroziju kada dođu u kontakt sa morskom vodom, dok je u toku pretraga. Ako se nanese premaz boje, on će kontrolisati koroziju ovih predloženih materijala. Zbog toga se ovaj posao preduzima. Meki čelik premazan je azijskom zaštitnom crvenom bojom. Otpornost na koroziju blagog 3,5% rastvora natrijum hlorida meri se pre nanošenja i nakon nanošenja elektrohemijskim studijama, kao što su polarizacione studije i spektri impedanse naizmenične struje. Efikasnost sprečavanja korozije koju crvena boja nudi mekom čeliku u 3,5% natrijum hloridu je 99,98%.
Reference
Baker, S.R.K. (1981) Optical properties of the clearest natural waters (200-800 nm). Applied Optics, 20: 177-184
Ballard, R., Stager, L., Master, D., Yoerger, D., Mindell, D., Whitcomb, L., Singh, H., Piechota, D. (2002) Iron Age Shipwrecks in Deep Water off Ashkelon, Israel. American Journal of Archaeology, 106: 151-168
Basha, D., Khalandar, D., Venkateswarlu, T. (2019) Linear Regression Supporting Vector Machine and Hybrid LOG Filter-Based Image Restoration. Journal of Intelligent Systems, 29(1): 1480-1495
Brown, B.E., Dunne, R.P., Goodson, M.S., Douglas, A.E. (2000) Marine ecology: Bleaching patterns in reef corals. Nature, 404: 142-146
Bruno, F., Bianco, G., Muzzupappa, M., Barone, S., Razionale, A.V. (2011) Experimentation of structured light and stereo vision for underwater 3D reconstruction. ISPRS Journal of Photogrammetry and Remote Sensing, 66: 508-518
Caffaz, A., Caiti, A., Casalino, G., Turetta, A. (2010) The Hybrid Glider/AUV Folaga. IEEE Robotics & Automation Magazine, 17: 31-44
Chang, P.C., Flitton, J., Hopcraft, K., Jakeman, E., Jordan, D., Walker, J. (2003) Improving visibility depth in passive underwater imaging by use of polarization. Applied Optics, 42(15): 2794-2794
Cho, H., Gu, J., Joe, H., Asada, A., Yu, S. (2015) Acoustic beam profile-based rapid underwater object detection for an imaging sonar. Journal of Marine Science and Technology, 20: 180-197
Corchs, S.R.S. (2010) Underwater Image Processing: State of the Art of Restoration and Image Enhancement Methods. EURASIP Journal on Advances in Signal Processing, 10: 746-752
Foresti, G.L., Gentili, S. (2000) A vision based system for object detection in underwater images. International Journal of Pattern Recognition and Artificial Intelligence, 14: 167-188
Gostnell, C., Yoos, J. (2005) Efficacy of an interferometric sonar for hydrographic surveying: Do interferometers warrant an in-depth examination. Hydrogr. J, 118: 17-22
Holjevac, I. (2003) A vision of tourism and the hotel industry in the 21st century. International Journal of Hospitality Management, 22: 129-134
Johnson-Roberson, M., Pizarro, O., Williams, S., Mahon, I. (2010) Generation and visualization of large-scale three-dimensional reconstructions from underwater robotic surveys. Journal of Field Robotics, 27: 21-51
Krizhevsky, A., Sutskever, I., Hinton, G.E. (2017) ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6): 84-90
Li, L., Eustice, R.M., Johnson-Roberson, M. (2015) High-level visual features for underwater place recognition. u: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA), Seattle, WA
Liu, W., Xu, Z., Yang, L. (2015) SIMO detection schemes for underwater optical wireless communication under turbulence. Photonics Research, 3, 48-53
Masmitja, I., Gomariz, S., Del, R.J., Kieft, B., O'Reilly, T. (2016) Range-only underwater target localization: Path characterization. u: OCEANS 2016 MTS/IEEE Monterey, Monterey, 1-7
Negahdaripour, S., Madjidi, H. (2003) Stereovision imaging on submersible platforms for 3-D mapping of benthic habitats and sea-floor structures. IEEE Journal of Oceanic Engineering, 28: 625-650
Ortiz, A., Simó, M., Oliver, G. (2002) A vision system for an underwater cable tracker. Machine Vision and Applications, 13: 129-140
Peng, Y.S.F. (2009) Laser underwater target detection based on Gabor transform. u: 4th International Conference on Computer Science & Education, Nanning, China: IEEE, 95-97
Perez, J., Attanasio, A.C., Nechyporenko, N., Sanz, P.J. (2017) A Deep Learning Approach for Underwater Image Enhancement. u: International Work-Conference on the Interplay Between Natural and Artificial Computation, Cham: Springer International Publishing, 183-192
Piper, D., Cochonat, P., Morrison, M. (1999) The sequence of events around the epicentre of the 1929 Grand Banks earthquake: initiation of debris flows and turbidity current inferred from sidescan sonar. Sedimentology, 46, 79-97
Spampinato, C., Chen-Burger, Y., Nadarajan, G., Fisher, R. (2008) Detecting, tracking and counting fish in low quality unconstrained underwater videos. VISAPP, 514-519
Xue, X., Pan, D., Zhang, X., Luo, B., Chen, J., Guo, H. (2015) Faraday anomalous dispersion optical filter at ^133Cs weak 459 nm transition. Photonics Research, 3, 275-278
Zhang, X., Weijun, P., Wu, Z., Chen, J., Mao, Y., Wu, R. (2020) Robust Image Segmentation Using Fuzzy C-Means Clustering With Spatial Information Based on Total Generalized Variation. IEEE Access, 8: 95681-95697
Zhu, Y., Chang, L., Dai, J., Zheng, H., Zheng, B. (2016) Automatic object detection and segmentation from underwater images via saliency-based region merging. u: Proceedings of the OCEANS, Shanghai, China, 10-13 April 2016, Shanghai, China
 

O članku

jezik rada: engleski
vrsta rada: naučni članak
DOI: 10.5937/zasmat2201005R
primljen: 30.07.2021.
revidiran: 20.08.2021.
prihvaćen: 25.08.2021.
objavljen u SCIndeksu: 10.03.2022.
Creative Commons License 4.0

Povezani članci

Nema povezanih članaka