余永華，張佳明，胡 磊

(武漢理工大學(xué) 船海與能源動(dòng)力工程學(xué)院，湖北 武漢 430063)

船舶機(jī)艙油水等液體的泄漏監(jiān)測(cè)，是輪機(jī)人員日常巡檢工作的內(nèi)容之一，隨著智能化和無人化發(fā)展，需要對(duì)艙室環(huán)境進(jìn)行自動(dòng)監(jiān)測(cè)。近年來，機(jī)器視覺技術(shù)不斷成熟，已廣泛應(yīng)用于各類智能巡檢機(jī)器人，但尚未應(yīng)用于船舶機(jī)艙。相對(duì)于人工巡檢，機(jī)器視覺技術(shù)具有非接觸性無損檢測(cè)、快速實(shí)時(shí)、在線監(jiān)測(cè)等優(yōu)點(diǎn)。

船舶艙室照度低，獲得的圖像往往存在對(duì)比度低、細(xì)節(jié)模糊、清晰度不夠等特點(diǎn)，使得對(duì)油水泄漏的檢測(cè)難度大大提升。所以對(duì)低照度情況下的艙室液體泄漏圖像進(jìn)行增強(qiáng)顯得十分重要，是艙室液體泄漏監(jiān)測(cè)的關(guān)鍵。

近些年來，國(guó)內(nèi)外許多學(xué)者對(duì)低照度下的圖像增強(qiáng)方法進(jìn)行大量的研究和改進(jìn)。其中，Jobson D J[1]等人提出了多尺度Retinex(MSR)算法，突出了光線弱區(qū)域的細(xì)節(jié)問題，但在動(dòng)態(tài)壓縮方面還存在明顯不足。Parthasarathy S[2]等人又提出了帶色彩恢復(fù)的多尺度Retinex(MSRCR)算法，可以很好地對(duì)圖像的顏色進(jìn)行修復(fù)，但在較亮的區(qū)域處理效果欠佳，在過渡區(qū)容易出現(xiàn)光暈現(xiàn)象。雖然這些方法在處理低光照強(qiáng)度下的圖像時(shí)取得了一定的效果，但是都有一定的局限性。

隨著機(jī)器視覺技術(shù)的快速發(fā)展，其在油液檢測(cè)中也有著大量的應(yīng)用。如劉暢[3]等人開發(fā)了一套基于機(jī)器視覺的液壓閥泄漏量的自動(dòng)檢測(cè)系統(tǒng)，實(shí)現(xiàn)了泄漏量的測(cè)量，達(dá)到了較高精度的檢測(cè)；武建華[4]等人提出了一種基于機(jī)器視覺的漏油檢測(cè)方法在變電站中的應(yīng)用，實(shí)現(xiàn)了油液滲漏的識(shí)別定位，提升了計(jì)算效率。機(jī)器視覺在檢測(cè)油液泄漏中有一定的優(yōu)勢(shì)，但弱光條件和不同光照可能會(huì)降低識(shí)別率。

針對(duì)以上問題，本文提出一種基于機(jī)器視覺的船舶艙室液體泄漏監(jiān)測(cè)的方法。首先，將采用改進(jìn)的多尺度Retinex算法對(duì)低照度下船舶艙室液體泄漏的圖像進(jìn)行增強(qiáng)，處理后的圖像特征明顯，邊緣信息保留完整；然后對(duì)增強(qiáng)后的液體泄漏圖像進(jìn)行灰度、紋理和形狀等特征的提取，通過機(jī)器學(xué)習(xí)[5]對(duì)液體泄漏進(jìn)行識(shí)別，解決了低照度下艙室液體泄漏識(shí)別精度低的難題。

1 改進(jìn)Retinex算法的圖像增強(qiáng)

圖像增強(qiáng)方法流程如圖1所示。其步驟如下：①將圖像的RGB空間轉(zhuǎn)換為HSV色彩空間；②采用改進(jìn)的雙邊濾波函數(shù)代替多尺度Retinex算法中的高斯濾波函數(shù)作為中心環(huán)繞函數(shù)，對(duì)HSV空間中的亮度分量V進(jìn)行增強(qiáng)，并對(duì)反射分量進(jìn)行非線性函數(shù)校正；③根據(jù)增強(qiáng)后的亮度分量V對(duì)飽和度分量S進(jìn)行校正；④使用色彩恢復(fù)函數(shù)恢復(fù)圖像色彩；⑤最后將HSV圖像轉(zhuǎn)換至RGB圖像，得到增強(qiáng)后的船舶艙室圖像。

圖1 圖像增強(qiáng)方法流程

1.1 光照入射與反射分量估計(jì)

1 )多尺度Retinex理論。根據(jù)多尺度Retinex理論，圖像I(x,y)由2部分組成，一部分為光照分量L(x,y)，而另一部分為物體的反射分量R(x,y)。其數(shù)學(xué)表達(dá)式為：

I(x,y)=L(x,y)R(x,y) ，

(1)

兩邊取對(duì)數(shù)得：

lnI(x,y)=InL(x,y)+lnR(x,y)。

(2)

在傳統(tǒng)的多尺度Retinex算法中，一般采用高斯低通濾波器作為中心環(huán)繞函數(shù)來估計(jì)光照入射分量，則入射分量L(x,y)可以表示為高斯低通濾波器F(x,y)與輸入圖像I(x,y)的卷積：

L(x,y)=F(x,y)*I(x,y) ，

(3)

(4)

式中，λ為歸一化因子；e為自然常數(shù)；δ為F(x,y)的尺度因子；(x,y)為當(dāng)前像素點(diǎn)坐標(biāo)。

單尺度Retinex雖然能夠?qū)D像的增強(qiáng)起到一定的作用，但是它具有局限性。因?yàn)槌叨纫蜃拥牟淮_定性，處理后的圖像邊緣模糊，而且圖像顏色存在失真，所以發(fā)展了多尺度Retinex算法，其主要是對(duì)多尺度因子進(jìn)行加權(quán)平均后線性疊加：

(5)

式中，i為第i個(gè)中心環(huán)繞函數(shù);n為中心環(huán)繞函數(shù)的數(shù)量，一般為高中低3個(gè)尺度;Wi為與之相對(duì)應(yīng)的權(quán)重系數(shù)，權(quán)重系數(shù)之和為1。

2)改進(jìn)多尺度Retinex理論。首先，對(duì)入射分量進(jìn)行估計(jì)。針對(duì)多尺度Retinex算法在圖像增強(qiáng)時(shí)出現(xiàn)的上述局限性，很多學(xué)者對(duì)中心環(huán)繞函數(shù)進(jìn)行了改進(jìn)[5-6]，用雙邊濾波代替了原來的高斯濾波，其表達(dá)式如下：

(6)

式中，IV(x，y，m，n)為雙邊濾波函數(shù)；(m,n)為圖像中心坐標(biāo)；I(m,n)為圖像中心點(diǎn)的灰度值；δd為空域上的標(biāo)準(zhǔn)差；δr為值域上的標(biāo)準(zhǔn)差。

然而，雙邊濾波對(duì)像素差值很小的平坦區(qū)產(chǎn)生的平滑效果較差，并且在像素相近的地方，對(duì)光的入射分量的計(jì)算也會(huì)產(chǎn)生一定的偏差。因此，對(duì)雙邊濾波的中心環(huán)繞函數(shù)進(jìn)行改進(jìn)，引入修正函數(shù)來判斷像素點(diǎn)與中心點(diǎn)灰度值的差值，不僅可以對(duì)像素和圖像中心點(diǎn)灰度差值很小的地方進(jìn)行平滑處理，并且保留了雙邊濾波原有的特性，即：

IV′(x,y,m,n)=

(7)

(8)

式中，θ為修正函數(shù)；r為濾波半徑；IV′(x,y,m,n)為改進(jìn)的雙邊濾波函數(shù)。

為了驗(yàn)證改進(jìn)雙邊濾波的優(yōu)越性，對(duì)比了高斯濾波器、傳統(tǒng)雙邊濾波器和改進(jìn)雙邊濾波器的圖像增強(qiáng)效果，得到V的入射分量對(duì)比圖如圖2所示(高斯濾波器中δ=50；傳統(tǒng)雙邊濾波器的濾波半徑r=10，δd=50,δr=0.1；改進(jìn)雙邊濾波器的濾波半徑r=10,δd=50,δr=0.1)。從圖2可以看出，改進(jìn)雙邊濾波器對(duì)圖像的邊緣增強(qiáng)效果更明顯，很好地保留了圖像的邊緣特性和細(xì)節(jié)，可以對(duì)入射分量進(jìn)行更準(zhǔn)確的估計(jì)。

圖2 V的入射分量對(duì)比圖

反射分量包含很多的圖像細(xì)節(jié)，入射分量增強(qiáng)后，也需要對(duì)反射分量校正，否則輸出的圖像會(huì)整體偏暗、對(duì)比度偏低，校正公式如下：

(9)

(10)

式中，R′(x,y)為改進(jìn)校正后的反射分量；RN(x,y)為歸一化后的反射分量；Rmax(x,y)和Rmin(x,y)分別為未校正反射分量的最大值和最小值；v為校正常數(shù)。

1.2 對(duì)飽和度S校正和色彩恢復(fù)

V與S存在比例關(guān)系，V的增強(qiáng)會(huì)使S發(fā)生變化，因此需要對(duì)S分量進(jìn)行校正。校正方法為：

IV(x,y)]μ(x,y)，

(11)

μ(x,y)=

(12)

通過改進(jìn)的雙邊濾波函數(shù)對(duì)V分量增強(qiáng)和對(duì)S分量校正后，引入改進(jìn)的顏色恢復(fù)函數(shù)C(x,y)，達(dá)到原圖像增強(qiáng)效果。其計(jì)算表達(dá)式為：

IC(x,y)=C(x,y)I(x,y),

(13)

(14)

式中，IC(x,y)為增強(qiáng)后圖像函數(shù)；a是增益常數(shù)；b是受控制的非線性強(qiáng)度；K為單顏色通道；IK(x,y)為單顏色通道圖像；IH(x,y)為H分量未增強(qiáng)時(shí)的色調(diào)值。

2 泄漏液體的特征提取

2.1 泄漏液體圖像的預(yù)處理

對(duì)泄漏液體圖像進(jìn)行預(yù)處理是圖像處理的重要環(huán)節(jié)，其主要目的是方便形狀和紋理特征參數(shù)的提取，經(jīng)過預(yù)處理后會(huì)提高圖像質(zhì)量，特征更明顯。

首先對(duì)圖像進(jìn)行差分處理，把當(dāng)前采集圖像與無泄漏的圖像作差，得到油水的疑似泄漏區(qū)域。其數(shù)學(xué)表達(dá)式為：

D(x,y)=|A(x,y)-f(x,y)|，

(15)

式中，A(x,y)為當(dāng)前采集圖像；f(x,y)為無泄漏圖像。

然后采用自適應(yīng)閾值分割法進(jìn)行二值化：

(16)

式中,D(x,y)表示輸出圖像的第x行、第y列的像素；B(x,y)表示輸入圖像的第x行、第y列的像素；Tthresh表示設(shè)定的閾值。

差分處理后，再通過2次的膨脹、腐蝕的圖像形態(tài)學(xué)處理，進(jìn)一步降低了圖像內(nèi)部的噪聲，使泄漏區(qū)輪廓封閉，達(dá)到了增強(qiáng)提取特征參數(shù)的效果。若當(dāng)前圖像為漏油圖，最終得到圖像泄漏識(shí)別預(yù)處理效果圖如圖3所示。

圖3 圖像泄漏識(shí)別預(yù)處理效果圖

從圖3可知，經(jīng)過圖像預(yù)處理后，泄漏區(qū)域既去除了背景，又保留了泄漏的特征，特征參數(shù)提取時(shí)去除了其他干擾因素，大大提高識(shí)別準(zhǔn)確率。

2.2 泄漏液體圖像的特征參數(shù)提取

目前，圖像的特征參數(shù)主要有形狀特征、紋理特征、灰度特征等，每個(gè)特征中又包含很多對(duì)應(yīng)的參數(shù)。根據(jù)液體泄漏識(shí)別的特征要求，選取了13個(gè)特征參數(shù)，如表1所示。

表1 特征參數(shù)

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)與圖像采集

為了驗(yàn)證低照度艙室液體泄漏圖像增強(qiáng)的有效性，在船舶機(jī)艙實(shí)驗(yàn)室模擬了低照度環(huán)境下艙室液體泄漏至滑鐵板的情況。通過機(jī)器視覺系統(tǒng)采集了不同光照條件下的船舶機(jī)艙液體泄漏的圖像。

3.2 低照度下的不同增強(qiáng)算法的對(duì)比

為了可以直接反映圖像增強(qiáng)后的效果，選取船舶艙室低照度下的漏油漏水圖像，然后把改進(jìn)Retinex圖像增強(qiáng)方法與MSR和MSRCR算法進(jìn)行對(duì)比。不同方法下的圖像增強(qiáng)比較如圖4所示。

圖4 不同方法下的圖像增強(qiáng)比較

從處理結(jié)果來看，MSR細(xì)節(jié)部分保存較好，但圖像顏色失真較為嚴(yán)重，亮度和對(duì)比度有所下降，視覺效果較差；MSRCR算法結(jié)果有了一定的提升，但與原始圖像的顏色存在較大的差異；而改進(jìn)Retinex的圖像增強(qiáng)方法能夠使圖像保留著一定的對(duì)比度，而且對(duì)于細(xì)節(jié)的處理有著明顯的效果，圖像顏色的失真相比于其他幾種算法更為保真，接近原生顏色，邊緣效果得到明顯提升，人眼的視覺效果更好。

為了更好地驗(yàn)證改進(jìn)Retinex的圖像增強(qiáng)方法的優(yōu)越性，也需要進(jìn)一步驗(yàn)證，信息熵IE表示圖像的信息，信息熵越大則表示圖像包含物體的信息和內(nèi)容越多，采用信息熵指標(biāo)對(duì)增強(qiáng)的圖像進(jìn)行評(píng)價(jià)。信息熵的計(jì)算公式為：

(17)

式中，P(ci)為第i個(gè)像素點(diǎn)的概率。

不同算法應(yīng)用于低照度船舶機(jī)艙液體泄漏圖像增強(qiáng)效果客觀評(píng)價(jià)如表2所示。

表2 不同算法應(yīng)用于低照度船舶機(jī)艙液體泄漏圖像增強(qiáng)效果客觀評(píng)價(jià)

由表2可知，在船舶艙室不同低照度和不同泄漏環(huán)境等情況下，本文提出的改進(jìn)Retinex的圖像增強(qiáng)方法，處理后的圖像相比于其它算法，其信息熵最高，對(duì)比度較高，而且圖像細(xì)節(jié)保持完整，有助于對(duì)泄漏液體參數(shù)提取，保證了識(shí)別精度。

3.3 機(jī)器學(xué)習(xí)算法在液體泄漏識(shí)別的應(yīng)用

以有無液體泄漏來作為故障的判斷依據(jù)，選取在低照度環(huán)境下5種類型來作為數(shù)據(jù)集，分別為無泄漏、異物抹布、異物扳手、漏油和漏油漏水且有扳手。把無泄漏、異物抹布、異物扳手定義為標(biāo)簽0，表示無泄漏；漏油和漏油漏水且有扳手定義為標(biāo)簽1，表示發(fā)生了泄漏。利用機(jī)器視覺系統(tǒng)采集到的樣本數(shù)量為200張，通過特征參數(shù)提取后，隨機(jī)選取全部樣本的80%為訓(xùn)練集，其余20%為測(cè)試集。分別采用支持向量機(jī)SVM、KNN、隨機(jī)森林、決策樹進(jìn)行訓(xùn)練狀態(tài)評(píng)估，將圖像增強(qiáng)前、后的訓(xùn)練結(jié)果進(jìn)行對(duì)比，得到不同算法檢測(cè)結(jié)果對(duì)比如表3所示。由表3可知，增強(qiáng)前的最高識(shí)別精度為91%，而增強(qiáng)后的識(shí)別精度更好，最高達(dá)到了95%，在低照度下的液體泄漏檢測(cè)中有著足夠的優(yōu)勢(shì)。

表3 不同算法檢測(cè)結(jié)果對(duì)比 %

4 結(jié)束語(yǔ)

1)采用改進(jìn)Retinex的圖像增強(qiáng)方法，使邊緣模糊和細(xì)節(jié)忽略等問題得到了很好的改善，保持了圖像的顏色和對(duì)比度，避免了圖像失真。

2)將增強(qiáng)后的泄漏液體的圖像進(jìn)行特征參數(shù)提取，通過機(jī)器學(xué)習(xí)對(duì)其故障進(jìn)行檢測(cè)，增強(qiáng)后的圖像識(shí)別泄漏的精度得到了明顯提升，在使用KNN 檢測(cè)時(shí)可達(dá)到95%。

3)本文提出的方法，可用于低照度下的船舶艙室液體泄漏檢測(cè)，為船舶無人巡檢機(jī)器人的液體泄漏監(jiān)測(cè)和安全運(yùn)行奠定了良好的基礎(chǔ)。