王坤1，房玉吉，劉華龍1，劉帥，余淞洋

(1.海裝沈陽局駐大連地區(qū)第一軍事代表室，遼寧 大連 116001；2.中國艦船研究設計中心，武漢 430064)

外板破損、通海管路破裂等因素會導致艙內浸水，要確定進水量的大小，預測浸水的發(fā)展趨勢及破口的大小，確定損害管制措施，都需要能對浸水量進行快速準確的識別。目前，艙底自動測水方法主要是浮子式，壓力式，超聲式和雷達式水位測量[1]，以及傳統圖像識別法。這些方法存在環(huán)境適應性較差、自動化程度不高，前期投入較高，后期維護工作量大等問題。為此，提出一種基于YOLO-v5[2]和ResNet[3-4]算法的艙底水液位識別算法。

1 液位檢測系統設計

1.1 流程設計

為了實現對船艙內水位高度的判斷，考慮通過對水箱液位檢測進行模擬，在水箱高度已知的條件下，需要識別出液位與箱身在圖像中高度之比即可推出液位實際高度。

工具采用QT和Opencv。圖像的處理算法包含了對獲取的圖像的預先處理、對圖像的顏色進行閾值分割[5]、通過改進的Canny進行圖像的邊緣檢測、對獲取的圖像與預先的模板進行匹配，并提出通過窗口來搜索的對峰值進行檢測的算法，分別將采集圖像、液位界面提取、數字識別、攝像頭自定位集合在一起，從而使液位圖像數字化。流程見圖1。

1.2 設備選擇

整個檢測系統由照明光源、光學攝像頭、計算機處理與分析系統組成，見圖2。

其中，采用由發(fā)光二極管(光源發(fā)射二極管，led)組成的圓形光源頂部照射的形式，保證光源的可靠性；利用明場照明漫反射形式的正向照明，防止形成鏡面反射，控制視場中產生陰影而對檢測結果產生干擾。為了提高系統的分辨率和集成性，攝像機鏡頭選用高分辨率(1 080×1 920)的互補金屬氧化物半導體圖像傳感器。攝像機與計算機之間的信息傳輸采用現場總線的形式，保證了視頻傳輸的快速性。

1.3 模型算法

艙底水液位對象檢測算法采用YOLO-v5算法模型。此版本的YOLOv5每個圖像的推理時間最快0.007 s，即每秒140幀(FPS)，但YOLOv5的權重文件大小只有YOLOv4的1/9。延遲是在V100 GPU上對5 000個COCO-val2017中的數據進行測試的結果，包含數據預處理、模型推理、后處理以及NMS。平均NMS時間為1.6 ms/image。

在艙底的水液位檢測中，選用resnet 34層網絡結構。網絡中每個殘差塊采用跳層鏈接，解決了層次增加、學習退化和深度梯度擴散等問題。

2 算法訓練

2.1 圖像采集

采用圖像作為ccd相機拍攝在有光源的環(huán)境中，圖像尺寸為1 920×1 080 ，色彩信息為bgr存儲。由于拍攝視野較大，目標對象在采集過程中只占一定的區(qū)域，為了降低需要處理的數據，在不失去主要信息的情況下，對源圖像進行roi選擇。經觀察，主要部分在圖像的上部，選取主要部分進行處理，見圖3，提高了圖像處理效率。

圖3 采集源圖像與ROI后圖像

2.2 圖像預處理

通過高分辨率工業(yè)ccd相機收集液位信息，在拍攝時可能會由于場景照明不均勻，ccd相機內部的光學成像畸變，周圍環(huán)境溫度，濕度等因素影響，在獲取液位圖像信息時，通常會夾雜著噪聲，因此需要進行一系列圖像預處理，去除噪聲和背景，從而增強與刻度和數字字符相對應的信息[5]。通常，預處理的步驟有灰度圖像，數學形態(tài)處理，二值化，數據平滑，復原，增強，等等。

2.2.1 去噪

探測系統中成像ccd相機所獲取的液位圖像受到多種形式噪聲的影響，此時需要使用圖像濾波來處理圖像。圖像濾波能夠在保持圖像細節(jié)的紋理特征的前提下削減圖像噪聲。圖像過濾可以強化或改變圖像。通過濾波，可以加強某些有用的特征，或者去除圖像中的一些不相關部分，濾波是鄰域操作算子，它利用對像素周圍的像素值和濾波算子進行卷積的計算，以確定該像素最終的輸出值。

本文設計的雙邊濾波法是一種非線性濾波方法，同時考慮了像素的相似度和圖像空間的鄰近性，屬于一種折中的計算方法。將空域信息及灰度相似度統籌考慮，折中處理，在保證邊緣信息的同時再次去噪聲，具有簡單，局部，非迭代的性質[6]。

常用雙邊均值噪聲濾波，高斯濾波和衰減噪聲等處理同時對高頻圖像的邊緣紋理信息節(jié)點進行模糊，雙邊均值濾波器很好地充分考慮了這個復雜點，很好地準確保存了高頻圖像紋理模糊信息[9]。

之后采用中值濾波器進行進一步的去噪預處理，可有效地消除圖像中的椒鹽噪聲，有利于邊緣保留尖銳度。

關于灰度化的顏色處理，主要采用液位加權值的平均值對一個液位中的圖像顏色進行一次灰度化顏色處理，實現方法過程概要如下：根據亮度rgb和亮度yuv兩個顏色分量空間之間的亮度變化，建立圖像亮度y與分量r、g、b顏色分量之間的亮度對應變化關系，利用它的亮度對應來描述液位圖像的顏色性質。

輸入的圖像是bgr彩色圖像，不方便處理，需要將其轉換為灰色圖像，對每個像素點的轉換公式如下為：

Gray=R*0.299+G*0.587+B*0.114(1)

圖像預處理后的圖像見圖4。

圖4 預處理后的灰度圖

2.3 直方圖均衡化

為了增強對比度，使灰度圖中液體與液位上部瓶身灰度區(qū)分更加明顯，采用直方圖均衡化操作。

首先對灰度圖所有像素進行掃描，計算出圖像的歸一化直方圖H。

(2)

式中，n是圖像的總數，k是圖像的第k個灰度級別(k=0,1,2,…,255)；nk是該灰度級的個數。

再計算直方圖積分。

(3)

最后進行圖像轉換。

dst(x,y)=H′(src(x,y))

(4)

變換后的結果見圖5。

圖5 直方圖均衡化圖

2.4 二值化圖像分割

圖像分割可以將目標圖像劃分成感興趣的區(qū)域和余下的區(qū)域，然后將感興趣的區(qū)域提取，進一步分析。本文以常見最大型間誤差(otsu)、最小型誤差(最大型誤差)、局部型自適應閾值(局部型)分割方法為主。

2.4.1 最大類間誤差法

根據灰度值的不同，對感興趣的目標和對不感興趣的背景進行區(qū)分。如果目標和背景的類之間的差距越大，說明兩者的區(qū)別越小，當類之間的方差越大時，錯誤的分類可能性越小。因此，用每個灰度值作為閾值來計算不同的分割類之間的方差，相應的閾值為閾值。

2.4.2 最大熵方法

這種最大閾量數值分割選擇的基本原理也就是，對閾值分割之后的一個有效感興趣的該目標信息類和不感興趣的目標背景信息類之間的總值和熵值分別進行最大的閾值分割，從而可以使其當中所含的背景信息數量最大化。

2.4.3 自適應閾值化

本文設計的是基于局部自適應的二值分割法，與全局閾值分割不同，它通過像素窗函數中的像素值來確定該像素位置的二值分割閾值，是一個局部分割法。因此，每個像素位置的二值化閾值并非定值，而是動態(tài)變化的，它依賴于鄰域像素分布，這是選擇的這種方法的優(yōu)點所在。顯然，在圖像中明亮度更高的像素區(qū)間中，局部自適應產生的閾值也較大，在圖像中，明亮度更低的像素區(qū)間中，局部自適應產生的閾值將適當地縮小。利用此方法，圖像中亮度不同，細節(jié)紋理，對比度不同的局部圖像區(qū)域將會有相應的局部二值化閾值。

常用的局部自適應閾值分割方式有如下兩種：一種是將該點的局部窗口函數的平均值設為該點二值化的閾值。還有一種是對計算該取值點的一個局部窗口化學函數的值進行高斯加權，作為計算該取值點的二次取值點在化學函閾下的值。

本文所設計的局部自適應閾值分割是用鄰域塊的高斯加權計算的二值閾值，其方法是鄰域塊的高斯加權。結果見圖6。

圖6 閾值分割圖

2.5 濾波和形態(tài)學操作

閾值分割后液體和瓶蓋能大致凸顯出來，但液位上方仍有很多干擾，因此需要再經過濾波和形態(tài)學操作。

濾波依然采用中值濾波，鄰域尺寸選擇7像素點，效果見圖7。

圖7 中值濾波圖

這樣的液位上方的干擾就完全消失了，而液體和瓶蓋的白色部分中也存在著黑洞，有些在黑色部分中也有微型的白塊。為了確保后輪廓識別的唯一性，需要將圖像進行形態(tài)操作，將圖像劃分為幾個獨立的完整區(qū)域。

對濾波后的圖像進行先用3×3的核腐蝕，再使用15×15的內核膨脹3次，操作后得到的圖像見圖8。

圖8 形態(tài)學操作后圖像

2.6 輪廓檢索與矩形逼近

在已經得到的二值圖像中，液體區(qū)域對應下方白色區(qū)域，瓶蓋(即瓶身頂部)對于上方小塊白色區(qū)域，背景對應像素為黑色，現在對輪廓進行檢索。

輪廓檢索選擇多邊形近似的方法,對于一條閉合邊界,當多邊形的邊數目等于邊界上的點數時,這種近似會變得很精確,此時每對相鄰點定義了多邊形的一條邊。尋找到的輪廓用綠色線標出。

輪廓尋找后，為了方便計算像素距離，需要對輪廓繪制邊界框。矩形邊界框的提取基于Douglas-Peucker算法，原理見圖9。

圖9 Douglas-Peucker算法原理

1)將連續(xù)曲線的中段首尾為起點利用a,b之間的一條直線線將ab連接起來，這條線是一條連續(xù)曲線的正弦；

2)得到曲線上離該直線段距離最大的點C，計算其與AB的距離d；

3)對該原點距離和直線預先確定的原點threshold的直線大小距離進行直線比較，如果沒有大于零的threshold，則將該距離直線大小作為近似處理曲線，對該段直線進行近似處理；

4)若距離超過閾值，則用 c 將曲線劃分為ac和bc兩段，并分別處理兩段取弦，分別處理為13；

5)在所有的分割曲線點都處理好后，依次將各個被分割出的點所需要形成的兩條折線連接起來，即可形成作為近似點的曲線。

3 結果計算及分析

最終檢測出一條水平線，整體圖像矩形框出了箱頭，下面框出箱底，輸出為一個Rect變量和一個綠色線高度，這是Opencv中一種數據類型，包含成員變量(x,y)(矩形左上角頂點)、width(矩形寬度)、height(矩形高度)。最終結果通過以下式子計算：

(5)

Hw=Rect[2].height

(6)

Hb=Rect[2].y+Rect[2].height-Rect[1].y

(7)

式中量與符號說明見表1。

表1 變量對應關系

計算時需要先輸入瓶身的實際高度，這個可以預先通過標準直尺測量，這里輸入20。

采用的設備及試驗結果見表2。

表2 試驗設備及結果

經實驗室測量，測量系統具有良好的精確度，能夠保持原儀表的精確度等級。

4 結論

將YOLO-v5和ResNet算法應用于艙底水液位識別，試驗驗證表明，該模型算法識別結果相對誤差僅為3.27%。模型算法具有自學習能力，隨著學習訓練樣本的不斷增加，識別準確率也將不斷提高，將來有望取代浮子、壓力式、超聲波和雷達自動水位式等傳統的監(jiān)測方法。