Development of a machine vision based stabilization and positioning system for AUVs

Abstract

Denne masteroppgaven fokuserer på utviklingen av en robust algoritme for deteksjon og sporing av not ved hjelp av et autonomt undervannsfartøy (AUV). Algoritmen har som mål å overkomme begrensningene til eksisterende metoder og takle utfordringene som oppstår i undervannsmiljøer. Spesifikke mål inkluderer å lage virtuelle not som treningsdata, pålitelig deteksjon av not, estimering av notes posisjon, deteksjon av knutepunkter og sporing av bevegelse for knutepunktene. Omfattende eksperimenter med undervannsbilder fra fiskeoppdrettsanlegg brukes for å evaluere algoritmens effektivitet. Resultatene av denne forskningen har betydelige implikasjoner for undervannsrobotikk, spesielt innen fiskeoppdrett, ved å forbedre AUVs evne til å detektere og spore not.

This master thesis focuses on the development of a robust algorithm for fishnet detection and tracking using an Autonomous Underwater Vehicle (AUV). The algorithm aims to overcome the limitations of existing approaches and address the challenges posed by underwater environments. The specific objectives include the creation of virtual fishnets as training data, robust fishnet detection, estimation of fishnet pose, junction point detection, and motion tracking of junction points. Comprehensive experiments using real-world underwater data from fish farming sites are conducted to evaluate the algorithm’s effectiveness. The outcomes of this research have significant implications for underwater robotics, particularly in fish farming operations, by enhancing AUV capabilities in fishnet detection and tracking.