(1.廣州航海學院 海運學院，廣州 510725；2.廣州海事局 VTS中心，廣州 510700)

目前引航梯的安全檢測主要依賴于人工檢測，用肉眼觀察其外觀是否完好，腳踩試探其結構強度是否滿足標準。引航梯損壞事故頻發(fā)，導致引航員受到人身傷害。如何通過簡單的方法來檢測引航梯的結構強度和裂縫信息，對提升引航員安全、預防引航事故具有重要意義[1]?；诖?，提出一種基于圖像處理的引航梯安全檢測方法，結合采集的引航梯圖像信息，對船舶縫隙特征進行提取，選擇Adaboost方法對提取到Haar特征進行訓練及融合，精準地識別引航梯的裂縫，完成引航梯安全狀態(tài)檢測。

1 基于圖像處理的檢測方法及步驟

1.1 檢測系統(tǒng)組成

引航梯安全檢測硬件設備包括圖像采集單元、數(shù)據(jù)傳輸單元、以及計算機終端。其中，圖像采集單元包括CCD攝像機和圖像采集卡；數(shù)據(jù)傳輸單元用于CCD攝像機和計算機終端之間的數(shù)據(jù)傳輸；計算機終端內(nèi)配置有引航梯裂縫檢測單元，用于對采集圖像的引航梯缺陷檢測，其中裂縫檢測單元包括圖像預處理模塊、裂縫缺陷檢測模塊以及裂縫缺陷識別模塊。

1.2 實施步驟

檢測步驟見圖1。

圖1 引航梯圖像檢測步驟

步驟1。采集引航梯裂縫圖像，并將采集到的裂縫圖像數(shù)字化存入計算機內(nèi)。

步驟2。對被檢測的引航梯圖像進行預處理，獲取二值圖像。利用中值濾波方法對采集的圖像進行去噪處理，消除背景邊緣，同時，利用OTSU方法對去噪的圖片進行二值化處理。

1)中值濾波去噪。通過手持照相機采集的圖像有一定的噪聲，采用中值濾波方法對采集的圖像進行去噪處理。其基本理論是對引航梯圖像內(nèi)的像素值進行排序，取其中值代替相應的像素值。濾波窗口采用3×3大小，以實際實施過程對中值濾波進行說明。使用3×3窗口對圖像進行卷積處理，在卷積過程中，每一個窗口所得值呈3×3矩陣形式，共9個像素值，存儲值pixel[2]數(shù)組中。對pixel數(shù)組進行排序處理，取排序后序列中第5個像素值，即pixel(4)作為替代為模板所處位置像素值。當模板遍歷整幅圖像后，即完成了中值濾波去噪過程[3]。

2)OTSU二值化。在獲得去噪圖像之后，利用OTSU方法對圖像進行二值化處理。OTSU方法的基本理論是尋找到分類閾值，實現(xiàn)圖像中背景和前景的類間方差達到最大，其具體實施方式如下。

假設T為二值化分類閾值，N為引航梯圖像像素總數(shù)。圖像整體平均灰度值與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為前景點與像素點的比值；u0為其平均灰度值；w1為背景點與像素點的比值；u1為其平均灰度。

由式(1)、式(2)可得：

(3)

對T進行遍歷取值，一直到所取T值后所得的g值，即類間差最大，則該閾值T即為所求閾值。

步驟3。二值圖像Haar特征提取。針對引航梯裂縫二值圖像特征，構建10種Haar特征模板，包括邊緣特征模板、線性特征模板以及對角特征模板，通過積分圖方法，對引航梯裂縫二值圖像Haar特征進行提取，其結構見圖2。

圖2 Haar結構示意

取4×4大小Haar特征模板[4]，其中白色區(qū)域大小4×2，黑色區(qū)域大小4×2。在實際圖像中覆蓋該模板，則Haar特征值為黑色區(qū)域像素值之和減去白色區(qū)域像素值之和，可表達為

v=Sum(黑)-Sum(白)

(4)

步驟4。Adaboost分類器檢測。通過已知引航梯裂縫缺項樣本對Adaboost分類器進行構建，所得強分類器給出離散結果；將步驟3中獲得的Haar特征作為強分類器輸入輸入至Adaboost分類器，根據(jù)所得結果對引航梯裂縫進行檢測。

首先，選取若干張(本實施例取100張)引航梯裂縫缺陷圖像，提取裂紋缺陷若干個(本實施例取141個)，鏈狀氣孔若干個(本實施例取76個)，氣孔缺陷若干個(本實施例取61個)，夾雜缺陷若干個(本實施例取37個)，未融合缺陷若干個(本實施例取19個)，以上缺陷特征圖像作為樣本集；其次，將每一個訓練樣本歸一化至N×N(本實施例取24×24)大小，并通過圖像預處理的方式消除其噪聲及明暗度的影響；然后，初始化Adaboost權值，以100輪為訓練終止輪次，在迭代計算中，以最小誤差率為目標，調(diào)整正負引航梯裂縫樣本權重，獲取最終強分類器；最后，將Haar特征計算結果作為強分類器輸入，由輸出結果判斷區(qū)域是否為船舶引航梯裂縫。

其中，關于分類器的訓練及分類器的檢測，分別結合實例進行如下說明。

1)分類器訓練。分類器訓練過程見圖3。

圖3 Adaboost訓練過程

在圖像所得Haar特征中，每一個haar特征可視為一個弱分類器，定義如下。

(5)

式中：h(x)為簡單分類器的值，其中1表示為引航梯裂縫，0表示非引航梯裂縫；θ為分類閥值；p取值為-1或+1；x為一個待檢子窗口；f(x)為特征值計算函數(shù)[9]。

將引航梯裂縫缺陷圖像樣本193個作為訓練集，標記為正樣本；取無引航梯裂縫缺陷樣本200個作為負樣本。分別標記檢測值：yi∈Y={-1,+1}。其中，-1和1分別表示負樣本和正樣本。初始化權值。

(6)

取訓練輪次100輪，將弱學習算法在權值Dt下訓練，得到弱分類器：ht:X→[-1,+1]。錯誤率按照下式計算。

(7)

根據(jù)上述錯誤率更新權值，獲得強分類器H(x)。

(8)

(9)

對強分類器進行權值歸一化

(10)

H(x)是由訓練所得的多個弱分類器合并而成，其可以給出2個離散的結果，即0和1。0表示檢測到縫隙，1表示為非縫隙。

2)引航梯裂縫缺陷檢測。對于待檢測圖像，通過積分圖方法建立不同尺度下Haar特征模板值，將模板值輸入至強分類器H(x)，強分類器給出離散的結果。結合實例說明如下，積分圖計算方式見圖4。

圖4 積分圖計算方式示意

圖4中，點1的積分特征值為

(11)

則陰影區(qū)域D的區(qū)域像素點之和為

Sd=ii4+ii1-ii2-ii3

(12)

遍歷圖像后，通過積分圖計算不同尺度下的圖像Haar特征值，將該特征值輸入分類器，根據(jù)分類器輸出結果對引航梯裂縫進行檢測[3-6]。

通過已知引航梯裂縫缺項樣本對Adaboost分類器進行構建，所得強分類器給出離散結果；將步驟3中獲得的Haar特征作為強分類器輸入輸入至Adaboost分類器，根據(jù)所得結果對引航梯裂縫進行檢測[7-8]。

2 實船案例分析

2.1 引航梯圖像采集

以長江引航中心2018年6月31日所引航船舶NO.2 ASIAN PIONEER的引航梯為例。對其進行圖像采集，利用OK_VGA41A圖像采集卡，最大傳輸速度達480 MByte/s。CCD相機采用DO3THINK的YS510相機，該攝像機感光尺寸為2/3，分辨率為1 360×1 024，像素數(shù)量為1.4 MP，其像素規(guī)格滿足系統(tǒng)所需要求?？偩€采用采用PCI Express X4總線作為數(shù)據(jù)存取通道[15-16]。現(xiàn)場采集的引航梯圖像見圖5。

圖5 NO.2 ASIAN PIONEER輪的引航梯

2.2 圖像處理與裂紋分析

為了提升圖像處理的精度，以圖5中所標注區(qū)域為例，按照圖1的引航梯圖像檢測實施步驟進行處理，NO.2 ASIAN PIONEER的引航梯裂紋結果見圖6。

圖6 引航梯所檢測到的裂紋信息

2.3 結果驗證

通過所提出的基于圖像的引航梯裂縫檢測方法，實現(xiàn)引航梯中微小裂縫的檢測和識別，結果表明NO.2 ASIAN PIONEER引航梯存在一些裂紋，除了圖6中第一排左1、第二排左1和左2裂紋較深以外，其他裂紋的深度和寬度較小。另外，第一排左1、第二排左1和左2裂紋為制造引航梯是有一木板縮水而導致的正常裂縫，與實際檢測結果一致。

3 結論

1)針對人工檢測引航梯安全耗時、費力等特點，基于圖像處理的引航梯安全監(jiān)測方法，利用Adaboost及Haar特征對船舶引航梯的微小裂縫進行檢測。經(jīng)過實船案例分析，基于圖像處理的檢測結果與實際結果相吻合，驗證了此方法的可行性。

2)在圖像處理過程中，針對引航梯的圖像特征，構建相應的點、線等Haar特征模板，對船舶引航梯的縫隙特征進行提取，并引入積分圖加快了檢測速度，實際結果顯示，檢測精度和速度得到進一步提升。