Automatisk deteksjon av menneskeskapte objekter med optisk kamera fra autonome undervannsfarkoster

Bakgrunn og motivasjon Autonome undervannsfarkoster (AUV-er) er ubemannede farkoster som uten kontinuerlig, menneskelig fjernstyring utfører oppdrag under vann. Det er ønskelig å gjøre dem adaptive, slik at de har evne til å tilpasse sine handlinger underveis i et tokt ut fra egne vurderinger. Slike beslutninger tas på grunnlag av innsamlet sensorinformasjon. Sensordata som brukes i denne oppgaven er optiske bilder av havbunnen. Motivasjonen er at farkosten skal kunne endre sin oppførsel basert på innholdet i bildene, for eksempel dersom det tas bilde av en bestemt type objekter. Mer konkret er det ønskelig å skille menneskeskapte objekter fra naturlige objekter og formasjoner på havbunnen. Deteksjon av objekter i undervannsbilder er også interessant i forbindelse med filtrering av innsamlet datamateriale i etterkant av et tokt. Å automatisk kunne skille ut bilder av potensiell interesse vil kunne gi store tids- og kostnadsbesparelser sammenlignet med manuell inspeksjon. Metode I denne masteroppgaven presenteres en algoritme for automatisk deteksjon av menneskeskapte objekter i optiske undervannsbilder. «Menneskeskapt» defineres som et objekt der konturene eller andre deler av objektet inneholder rette linjer. Videre kreves det at minst to linjer er enten parallelle eller står normalt på hverandre. Preprosessering består av geometrisk korreksjon og utjevning av belysning med ho- momorf filtrering. Deretter benyttes fasekongruens til segmentering av kanter og linjer. Til deteksjon av segmenterte linjer brukes radontransform. Videre benyttes en egenut- viklet fremgangsmåte for gruppering av detekterte kanter til sammensatte deteksjoner: to og to linjesegmenter sammenlignes for å lokalisere parallelle eller ortogonale kanter. Slike hjørner og paralleller er grunnkomponenter i objektdeteksjonen, og omtales som «primitiver». Dersom to eller flere primitiver deler en kant, vil disse slås sammen til en større gruppe som representerer én deteksjon. Det utvikles et mål på tiltro til at en de- teksjon svarer til et menneskeskapt objekt, som øker for hvert nye primitiv som knyttes til en deteksjon. Resultater og konklusjon Ved testing av algoritmen på et større testsett oppnås en TPR (True Positive Rate) på 0.75 som beste resultat. For denne verdien er laveste mulige FPR (False Positive Rate) 0.75. FPR kan reduseres betraktelig ved å stille strengere krav til deteksjonskvalitet (tiltro), men dette går relativt mye på bekostning av antall korrekte deteksjoner. FPR er regnet som antall feildeteksjoner per bilde