Visual Inertial Ego Motion Estimation In Aquacultural Net Pens
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3067711Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Denne masteroppgaven utforsker muligheten for å automatisere regelmessige inspeksjoner av nett i den voksende havbruksnæringen. Remote Operated Vehicles (ROVer) brukes ofte til disse inspeksjonene, men den manuelle oppgaven kan være repetitiv og tidkrevende for operatører. Studiet hadde som mål å utvikle en metode for å anslå ROV-ens ego-bevegelse ved hjelp av en kombinasjon av visuelle og inertiale sensorer. Denne informasjonen vil deretter, senere, bli integrert med en ROV, bevegelseskontroller og inspeksjonsprogramvare for å fullstendig automatisere inspeksjonsprosessen. En visuell odometri-pipeline ble utviklet som brukte en funksjonsekstraktor til å identifisere kanter i nettstrukturen og en optisk strøm-basert funksjonssporing. Pipelinen ble kombinert med en akselerometer og en gyroskop ved hjelp av en feil-tilstand Kalman-filter for å anslå ROV-ens posisjon mens den beveger seg langs nettveggene. Systemet ble testet på virkelige videosekvenser og lab-innsamlet materiale for å bestemme dets robusthet. Innledende testing av systemet indikerer lovende resultater, da det nøyaktig anslår ROV-ens trajektor. Videre testing i varierende forhold er imidlertid nødvendig for å vurdere systemets robusthet fullstendig. Studiet representerer et viktig skritt mot å forbedre effektiviteten, nøyaktigheten og sikkerheten ved nettinspeksjoner i havbruksnæringen. This master's thesis explores the potential for automating regular net inspections in the growing aquaculture fish farming industry. Remotely Operated Vehicles (ROVs) are frequently used for these inspections, but the manual nature of the task can be repetitive and time-consuming for operators. The study aimed to develop a method for estimating the ego-motion of the ROV using a combination of visual and inertial sensors. This information would then, at a later time, be integrated with an ROV, motion controller, and inspection software to automate the inspection process fully.A visual odometry pipeline was developed that utilized a feature extractor to identify the edges in the net structure and an optical flow-based feature tracker. The pipeline was combined with an accelerometer and a gyroscope using an error-state Kalman filter to estimate the ROV's location as it moves along the net walls. The system was tested on real-world video footage and lab-collected material to determine its robustness.Initial testing of the system indicates promising results, as it accurately estimates the ROV's trajectory. However, further testing in varying conditions is needed to assess the system's robustness fully. This study represents an important step towards improving the efficiency, accuracy, and safety of net inspections in the aquaculture industry.