Su Altı Görüntülerinden Nesne Tespiti

Abstract

Yeryüzünün büyük bir kısmı sularla kaplıdır. Bu suların büyük bir çoğunluğunu da okyanuslar oluşturmaktadır. Bu kadar çok alanın sularla kaplı olmasına rağmen sualtı görüntüleme ilgili yapılan araştırmalar, yer üstü araştırmaları kadar çok değildir. Su altı araştırmaları ile ilgilenen araştırmacıların yeterli düzeyde görüntüleme yapabilmeleri için kullanmış oldukları görüntüleme cihazları son derece özel ve maliyetli cihazlardır. Bu cihazlarında özellikle maliyetli olması sualtı görüntülemesi ile ilgilinen araştırmacılar için önemli bir engel oluşturmaktadır. Bu nedenle yapılan çalışmada bu durum göz önüne alınarak düşük kapasiteye sahip donanım ve ekipmanlar kullanılarak elde edilen sualtı görüntüleri üzerinden nesne tespit edilmesi amaçlanmıştır. Bu amaç doğrultusunda AQUALOC veri setinde ki düşük çözünürlüklü sualtı görüntüleri ve görüntü işleme algoritmaları kullanılarak, görüntüden nesne tespit işlemi gerçekleştirilmiştir. Çalışma sonunda su altı görüntüleri üzerinden nesne tespiti yapabilecek masaüstü bir yazılım geliştirilmiş olup, tespit ettiği nesnelerin görüntüleri de çalışmada sunulmuştur. Geliştirilen yazılımda minimum hata değerleri olarak MSE, RMSE, MAE ve MAPE hata fonksiyonları için sırasıyla 0.08, 0.09, 0.28 ve %16 olarak elde edilmiştir Çalışmanın gerçek zamanlı alınabilecek görüntüler üzerinde de uygulanabilir nitelikte olması sualtı araştırmaları ile ilgilenen araştırmacılar içinde oldukça önem arz etmektedir. Bununla birlikte çalışma deniz tabanından geçirilen petrol boru hattı gibi enerji hatları ile diğer iletişim hatlarının güvenliklerini sağlamak amacıyla kullanılan insansız sualtı araçlarında da kullanılabilecektir. Çalışma bu yönü ile de önümüzdeki dönemlerde de geliştirilebilecek bir yapıya sahiptir.

Keywords

• Görüntü İşleme
• Nesne tespiti
• Sualtı görüntüleme

Object Detection from Underwater Images

Abstract

A large part of the earth is covered with water. Oceans constitute the majority of these waters. Despite the fact that so many areas are covered with water, research on underwater imaging is not as much as aboveground research. Imaging devices used by researchers interested in underwater research to make adequate imaging are extremely special and costly devices. The high cost of these devices poses an important obstacle for researchers interested in underwater imaging. For this reason, taking this situation into consideration, the study aimed to detect objects through underwater images obtained by using low-capacity hardware and equipment. For this purpose, using the low-resolution underwater images and image processing algorithms in the AQUALOC data set, the object detection process from the image was performed. At the end of the study, a desktop software that can detect objects through underwater images was developed, and the images of the detected objects were also presented in the study. In the developed software, the minimum error values were obtained as 0.08, 0.09, 0.28 and 16% for MSE, RMSE, MAE and MAPE error functions, respectively. The applicability of the study to real-time images is very important for researchers interested in underwater research. It can also be used in unmanned underwater vehicles used to secure other communication lines such as power lines and oil pipelines that cross the seabed. With this aspect, the study has a structure that can be developed in the future.

Keywords

• Image Processing
• Object Detection
• Underwater viewing

References

1. Au, W. W. L. (1993). The sonar of dolphins. Springer Science & Business Media.
2. Çelebi, A. T., & Ertürk, S. (2012). Visual enhancement of underwater images using Empirical Mode Decomposition. Expert Systems with Applications, 39(1), 800–805. https://doi.org/10.1016/j.eswa.2011.07.077
3. Chen, Z., Zhang, Z., Dai, F., Bu, Y., & Wang, H. (2017). Monocular vision-based underwater object detection. Sensors (Switzerland), 17(8). https://doi.org/10.3390/s17081784
4. Ferrera, M., Creuze, V., Moras, J., & Trouvé-Peloux, P. (2019). AQUALOC: An underwater dataset for visual–inertial–pressure localization. The International Journal of Robotics Research, 38(14), 1549–1559. https://doi.org/10.1177/0278364919883346
5. Han, F., Yao, J., Zhu, H., & Wang, C. (2020). Marine Organism Detection and Classification from Underwater Vision Based on the Deep CNN Method. Mathematical Problems in Engineering, 2020. https://doi.org/10.1155/2020/3937580
6. Karimanzira, D., Renkewitz, H., Shea, D., & Albiez, J. (2020). Object detection in sonar images. Electronics (Switzerland), 9(7), 1–16. https://doi.org/10.3390/ELECTRONICS9071180
7. Leblebicioğlu, M. K., Akar, G., Halıcı, U., Kartal, K. S., Saç, H., & Shabanı, R. (2015). İnsansız sualtı araçları için yol planlama ve sualtı optik görüntülerin akustik görüntüleme desteği ile iyileştirilmesi.
8. Mukundan, R., & Ramakrishnan, K. R. (1998). Moment functions in image analysis: theory and applications. World Scientific.

9. Nur, S., Hamal, G., & Ulvi, A. (2020). Türkiye Fotogrametri Dergisi Su A ltı Fotogrametri Yöntem i v e Kullanım Alanı Üzerine Bir Literatür Araştırması A Literature Study on Underwater Photogrammetry Method and Usage Area. 2(2), 60–71.
10. Nyrkov, A. P., Zhilenkov, A. A., Korotkov, V. V, Sokolov, S. S., & Chernyi, S. G. (2017). Development of underwater robotics. Journal of Physics: Conference Series, 803, 12108. https://doi.org/10.1088/1742-6596/803/1/012108
11. Solak, S., & Altınışık, U. (2018). Görüntü İşleme Teknikleri ve Kümeleme Yöntemleri Kullanılarak Fındık Meyvesinin Tespit ve Sınıflandırılması. SAÜ Fen Bilimleri Enstitüsü Dergisi, February, 1–1. https://doi.org/10.16984/saufenbilder.303850
12. Stanford Artificial Intelligence Laboratory et al. (2020). Bag Files. http://wiki.ros.org/Bags
13. Suzuki, S., & be, K. (1985). Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing, 30(1), 32–46. https://doi.org/https://doi.org/10.1016/0734-189X(85)90016-7
14. Taşyapı Çelebi, A. (2012). Sualtı görüntülerinde iyileştirme ve hedef tespiti. Doktora Tezi, Kocaeli Universitesi, Fen Bilimleri Enstitusu, Kocaeli.
15. Van Den Boomgaard, R., & Van Balen, R. (1992). Methods for fast morphological image transforms using bitmapped binary images. CVGIP: Graphical Models and Image Processing, 54(3), 252–258. https://doi.org/https://doi.org/10.1016/1049-9652(92)90055-3
16. Williams, D. P., & Groen, J. (2011). A fast physics-based, environmentally adaptive underwater object detection algorithm. OCEANS 2011 IEEE - Spain. https://doi.org/10.1109/Oceans-Spain.2011.6003424
17. Zhu, Y., Chang, L., Dai, J., Zheng, H., & Zheng, B. (2016). Automatic object detection and segmentation from underwater images via saliency-based region merging. OCEANS 2016-Shanghai, 1–4.