(47-5) 10 * << * >> * Русский * English * Содержание * Все выпуски

Оценка эффективности подводных систем наблюдения
В.Я. Колючкин 1, Н.М. Костылёв 1, Ю.С. Гулина 1,2

1 МГТУ им. Н.Э. Баумана, 105005, Россия, г. Москва, ул. 2-я Бауманская, д. 5;
2 Физический институт им П.Н. Лебедева РАН, 119991, Россия, г. Москва, пр. Ленинский, д. 53

 PDF, 1346 kB

DOI: 10.18287/2412-6179-CO-1262

Страницы: 761-769.

Аннотация:
В статье изложена методика оценки эффективности систем наблюдения, предназначенных для подводных робототехнических комплексов с телеметрическим принципом управления. В методике, основанной на системном подходе, используются математические модели водной среды, в которой распространяется оптический сигнал, системы регистрации изображений подводных объектов, а также математическая модель зрительной системы человека, выполняющего функции оператора при наблюдении изображений. В качестве показателя эффективности системы наблюдения при таком подходе используются вероятности обнаружения и распознавания изображений подводных объектов при заданной дальности регистрации. Разработанная авторами математическая модель водной среды позволяет количественно оценить влияние помехи обратного рассеяния, возникающей при подсветке подводных объектов, на эффективность системы наблюдения. Приведённые в статье результаты численных экспериментов иллюстрируют возможность использования предложенной методики при оптимизации параметров системы регистрации изображений подводных объектов для достижения требуемых значений вероятностей обнаружения или распознавания на заданных дальностях.

Ключевые слова:
подводные системы наблюдения, помеха обратного рассеяния, математическая модель, гидрооптические характеристики, зрительная система человека, вероятность обнаружения/распознавания.

Цитирование:
Колючкин, В.Я. Оценка эффективности подводных систем наблюдения / В.Я. Колючкин, Н.М. Костылёв, Ю.С. Гулина // Компьютерная оптика. – 2023. – Т. 47, № 5. – С. 761-769. – DOI: 10.18287/2412-6179-CO-1262.

Citation:
Kolyuchkin VY, Kostylev MA, Gulina YS. Performance evaluation of underwater vision systems. Computer Optics 2023; 47(5): 761-769. DOI: 10.18287/2412-6179-CO-1262.

References:
  1. Petillot YR, Antonelli G, Casalino G, Ferreira F. Underwater robots: From remotely operated vehicles to intervention-autonomous underwater vehicles. IEEE Robot Autom Mag 2019; 26(2): 94-101. DOI: 10.1109/MRA.2019.2908063.
  2. Ortiz A, Simó M, Oliver G. A vision system for an underwater cable tracker. Mach Vis Appl 2002; 13: 129-140. DOI: 10.1007/s001380100065.
  3. Zhang H, Zhang S, Wang Ya, Liu Yu, Yang Ya, Zhou T, Bian H. Subsea pipeline leak inspection by autonomous underwater vehicle. Appl Ocean Res 2021; 107: 102321. DOI: 10.1016/j.apor.2020.102321.
  4. Dumke I, Nornes SM, Purser A, Marcon Y, Ludvigsen M, Ellefmo SL, Johnsen G, Søreide F. First hyperspectral imaging survey of the deep seafloor: High-resolution mapping of manganese nodules. Remote Sens Environ 2018; 209: 19-30. DOI: 10.1016/j.rse.2018.02.024.
  5. Wu TC, Chi YC, Wang HY, et al. Blue laser diode enables underwater communication at 12.4 Gbps. Sci Rep 2017; 7: 40480. DOI: 10.1038/srep40480.
  6. Reynolds RA, Stramski D, Neukermans G. Optical backscattering by particles in Arctic seawater and relationships to particle mass concentration, size distribution, and bulk composition. Limnol Oceanogr 2016; 61: 1869-1890. DOI: 10.1002/lno.10341.
  7. Loisel H, Stramski D, Dessailly D, Jamet C, Li L, Reynolds RA. An inverse model for estimating the optical absorption and backscattering coefficients of seawater from remote-sensing reflectance over a broad range of oceanic and coastal marine environments. J Geophys Res Oceans 2018; 123: 2141-2171. DOI: 10.1002/2017JC013632.
  8. Mosyagin GM, Koluchkin VY. The theory of optical-electronic systems [In Russian]. Moscow: Publishing House of the Bauman Moscow State Technical University; 2020.
  9. McGlamery BL. A computer model for underwater camera systems. Proc SPIE 1980; 208: 221-231. DOI: 10.1117/12.958279.
  10. Jaffe JS. Computer modeling and the design of optimal underwater imaging systems. IEEE J Ocean Eng 1990; 15(2): 101-111.
  11. Shifrin KS. Introduction to ocean optics [In Russian]. Leningrad: “Gidrometeoizdat” Publisher; 1983.
  12. Levin IM. Promising lines of studying the ocean by optical remote sensing metods [In Russian]. Fundamental and Applied Hydrophysics 2008; 1: 14-47.
  13. Kozintcev VI, Orlov VM, Belov ML. Optical electronic systems for ecological monitoring of the nature environment [In Russian]. Moscow: Publishing House of the Bauman Moscow State Technical University; 2002.
  14. Karasik VE, Orlov VM. Location laser vision systems [In Russian]. Moscow: Publishing House of the Bauman Moscow State Technical University; 2013.
  15. Kostylev NM, Kolyuchkin VYa, Stepanov RO. A mathematical model of laser radiation propagation in seawater. Optics Spectrosc 2019; 127: 612-617. DOI: 10.1134/S0030400X1910014X.
  16. Lisenko AA, Shamanaev VS. Statistical estimates of the effect of the sea water scattering phase function on the characteristics of airborne hydrooptical lidar signals. Russian Physics Journal 2021; 64(2): 1373-1380. DOI: 10.1007/s11182-021-02463-7.
  17. Goodman JW. Introduction to Fourier optics. McGraw-Hill; 1996.
  18. Rizzini DL, Kallasi F, Aleotti J, Oleari J, Caselli S. Integration of a stereo vision system into an autonomous underwater vehicle for pipe manipulation tasks. Comput Electr Eng 2017; 58: 560-571. DOI: 10.1016/j.compeleceng.2016.08.023.
  19. Gulina YS, Koliuchkin VYa, Trofimov NE. Mathematical model of human visual system. Optical Memory & Neural Networks (Information Optics) 2018; 27(4): 219-234. DOI: 10.3103/S1060992X1804001X.
  20. Gulina YS, Kolyuchkin VYa. Experimental investigations of a Optics Spectrosc 2019; 127: 675-683. DOI: DOI:10.1134/S0030400X19100114.
  21. Gulina YS, Kolyuchkin VYa. Method for calculating detection probability of objects images by a human. Optical Memory and Neural Networks 2020; 29(3): 209-219. DOI: 10.3103/S1060992X2003011X.
  22. Gulina YS, Kolyuchkin VYa. Method for calculating recognition probability of objects images by a human. Optical Memory and Neural Networks 2021; 30(2): 172-179. DOI: 10.3103/S1060992X21020090.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20