船舶引航梯安全检测方法

2019-07-03

船海工程 2019年3期

(1.广州航海学院海运学院，广州 510725；2.广州海事局 VTS中心，广州 510700)

目前引航梯的安全检测主要依赖于人工检测，用肉眼观察其外观是否完好，脚踩试探其结构强度是否满足标准。引航梯损坏事故频发，导致引航员受到人身伤害。如何通过简单的方法来检测引航梯的结构强度和裂缝信息，对提升引航员安全、预防引航事故具有重要意义[1]。基于此，提出一种基于图像处理的引航梯安全检测方法，结合采集的引航梯图像信息，对船舶缝隙特征进行提取，选择Adaboost方法对提取到Haar特征进行训练及融合，精准地识别引航梯的裂缝，完成引航梯安全状态检测。

1 基于图像处理的检测方法及步骤

1.1 检测系统组成

引航梯安全检测硬件设备包括图像采集单元、数据传输单元、以及计算机终端。其中，图像采集单元包括CCD摄像机和图像采集卡；数据传输单元用于CCD摄像机和计算机终端之间的数据传输；计算机终端内配置有引航梯裂缝检测单元，用于对采集图像的引航梯缺陷检测，其中裂缝检测单元包括图像预处理模块、裂缝缺陷检测模块以及裂缝缺陷识别模块。

1.2 实施步骤

检测步骤见图1。

图1 引航梯图像检测步骤

步骤1。采集引航梯裂缝图像，并将采集到的裂缝图像数字化存入计算机内。

步骤2。对被检测的引航梯图像进行预处理，获取二值图像。利用中值滤波方法对采集的图像进行去噪处理，消除背景边缘，同时，利用OTSU方法对去噪的图片进行二值化处理。

1)中值滤波去噪。通过手持照相机采集的图像有一定的噪声，采用中值滤波方法对采集的图像进行去噪处理。其基本理论是对引航梯图像内的像素值进行排序，取其中值代替相应的像素值。滤波窗口采用3×3大小，以实际实施过程对中值滤波进行说明。使用3×3窗口对图像进行卷积处理，在卷积过程中，每一个窗口所得值呈3×3矩阵形式，共9个像素值，存储值pixel[2]数组中。对pixel数组进行排序处理，取排序后序列中第5个像素值，即pixel(4)作为替代为模板所处位置像素值。当模板遍历整幅图像后，即完成了中值滤波去噪过程[3]。

2)OTSU二值化。在获得去噪图像之后，利用OTSU方法对图像进行二值化处理。OTSU方法的基本理论是寻找到分类阈值，实现图像中背景和前景的类间方差达到最大，其具体实施方式如下。

假设T为二值化分类阈值，N为引航梯图像像素总数。图像整体平均灰度值与前景和背景像素的方差和可由式(1)、式(2)表示。

u=w0×u0+w1×u1

(1)

g=w0×(u0-u)2+w1×(u1-u)2

(2)

式中：w0为前景点与像素点的比值；u0为其平均灰度值；w1为背景点与像素点的比值；u1为其平均灰度。

由式(1)、式(2)可得：

(3)

对T进行遍历取值，一直到所取T值后所得的g值，即类间差最大，则该阈值T即为所求阈值。

步骤3。二值图像Haar特征提取。针对引航梯裂缝二值图像特征，构建10种Haar特征模板，包括边缘特征模板、线性特征模板以及对角特征模板，通过积分图方法，对引航梯裂缝二值图像Haar特征进行提取，其结构见图2。

图2 Haar结构示意

取4×4大小Haar特征模板[4]，其中白色区域大小4×2，黑色区域大小4×2。在实际图像中覆盖该模板，则Haar特征值为黑色区域像素值之和减去白色区域像素值之和，可表达为

v=Sum(黑)-Sum(白)

(4)

步骤4。Adaboost分类器检测。通过已知引航梯裂缝缺项样本对Adaboost分类器进行构建，所得强分类器给出离散结果；将步骤3中获得的Haar特征作为强分类器输入输入至Adaboost分类器，根据所得结果对引航梯裂缝进行检测。

首先，选取若干张(本实施例取100张)引航梯裂缝缺陷图像，提取裂纹缺陷若干个(本实施例取141个)，链状气孔若干个(本实施例取76个)，气孔缺陷若干个(本实施例取61个)，夹杂缺陷若干个(本实施例取37个)，未融合缺陷若干个(本实施例取19个)，以上缺陷特征图像作为样本集；其次，将每一个训练样本归一化至N×N(本实施例取24×24)大小，并通过图像预处理的方式消除其噪声及明暗度的影响；然后，初始化Adaboost权值，以100轮为训练终止轮次，在迭代计算中，以最小误差率为目标，调整正负引航梯裂缝样本权重，获取最终强分类器；最后，将Haar特征计算结果作为强分类器输入，由输出结果判断区域是否为船舶引航梯裂缝。

其中，关于分类器的训练及分类器的检测，分别结合实例进行如下说明。

1)分类器训练。分类器训练过程见图3。

图3 Adaboost训练过程

在图像所得Haar特征中，每一个haar特征可视为一个弱分类器，定义如下。

(5)

式中：h(x)为简单分类器的值，其中1表示为引航梯裂缝，0表示非引航梯裂缝；θ为分类阀值；p取值为-1或+1；x为一个待检子窗口；f(x)为特征值计算函数[9]。

将引航梯裂缝缺陷图像样本193个作为训练集，标记为正样本；取无引航梯裂缝缺陷样本200个作为负样本。分别标记检测值：yi∈Y={-1,+1}。其中，-1和1分别表示负样本和正样本。初始化权值。

(6)

取训练轮次100轮，将弱学习算法在权值Dt下训练，得到弱分类器：ht:X→[-1,+1]。错误率按照下式计算。

(7)

根据上述错误率更新权值，获得强分类器H(x)。

(8)

(9)

对强分类器进行权值归一化

(10)

H(x)是由训练所得的多个弱分类器合并而成，其可以给出2个离散的结果，即0和1。0表示检测到缝隙，1表示为非缝隙。

2)引航梯裂缝缺陷检测。对于待检测图像，通过积分图方法建立不同尺度下Haar特征模板值，将模板值输入至强分类器H(x)，强分类器给出离散的结果。结合实例说明如下，积分图计算方式见图4。

图4 积分图计算方式示意

图4中，点1的积分特征值为

(11)

则阴影区域D的区域像素点之和为

Sd=ii4+ii1-ii2-ii3

(12)

遍历图像后，通过积分图计算不同尺度下的图像Haar特征值，将该特征值输入分类器，根据分类器输出结果对引航梯裂缝进行检测[3-6]。

通过已知引航梯裂缝缺项样本对Adaboost分类器进行构建，所得强分类器给出离散结果；将步骤3中获得的Haar特征作为强分类器输入输入至Adaboost分类器，根据所得结果对引航梯裂缝进行检测[7-8]。

2 实船案例分析

2.1 引航梯图像采集

以长江引航中心2018年6月31日所引航船舶NO.2 ASIAN PIONEER的引航梯为例。对其进行图像采集，利用OK_VGA41A图像采集卡，最大传输速度达480 MByte/s。CCD相机采用DO3THINK的YS510相机，该摄像机感光尺寸为2/3，分辨率为1 360×1 024，像素数量为1.4 MP，其像素规格满足系统所需要求。总线采用采用PCI Express X4总线作为数据存取通道[15-16]。现场采集的引航梯图像见图5。

图5 NO.2 ASIAN PIONEER轮的引航梯

2.2 图像处理与裂纹分析

为了提升图像处理的精度，以图5中所标注区域为例，按照图1的引航梯图像检测实施步骤进行处理，NO.2 ASIAN PIONEER的引航梯裂纹结果见图6。

图6 引航梯所检测到的裂纹信息

2.3 结果验证

通过所提出的基于图像的引航梯裂缝检测方法，实现引航梯中微小裂缝的检测和识别，结果表明NO.2 ASIAN PIONEER引航梯存在一些裂纹，除了图6中第一排左1、第二排左1和左2裂纹较深以外，其他裂纹的深度和宽度较小。另外，第一排左1、第二排左1和左2裂纹为制造引航梯是有一木板缩水而导致的正常裂缝，与实际检测结果一致。