沈 蔚，廖德亮，盧泉水 ，楊智松，崔曉冬，林 軍

(1 上海海洋大學(xué)海洋科學(xué)學(xué)院，上海 201306；2 上海河口海洋測(cè)繪工程技術(shù)研究中心，上海 201306；3 上海海洋大學(xué)海洋生態(tài)與環(huán)境學(xué)院，上海，201306；4 上海海洋大學(xué)海洋牧場(chǎng)工程技術(shù)研究中心，上海，201306 )

近年來(lái)，世界各國(guó)保護(hù)和改善海洋生態(tài)環(huán)境的意識(shí)不斷提高，以投放人工魚(yú)礁為主要工作的海洋牧場(chǎng)建設(shè)，已被證實(shí)是一種對(duì)近海海洋生物棲息地和漁場(chǎng)進(jìn)行修復(fù)的可靠手段，并得到大規(guī)模的開(kāi)展[1-2]。投放人工魚(yú)礁作為中國(guó)海洋牧場(chǎng)建設(shè)的一個(gè)重要環(huán)節(jié)，其投放效果很大程度上決定了海洋牧場(chǎng)建設(shè)的成敗，對(duì)其進(jìn)行有效的評(píng)估已逐步成為海洋牧場(chǎng)建設(shè)基本要求之一。利用聲學(xué)探測(cè)手段如側(cè)掃聲吶、多波束測(cè)深、識(shí)別聲吶等手段，相較于傳統(tǒng)的潛水?dāng)z像和人工探摸，可更加高效和準(zhǔn)確地評(píng)價(jià)人工魚(yú)礁的投放效果[3-6]。

實(shí)際工作中，利用側(cè)掃聲吶探測(cè)獲得的人工魚(yú)礁二維圖像變形較大，且無(wú)法獲得魚(yú)礁的高度和內(nèi)部結(jié)構(gòu)等三維信息，對(duì)大量單體魚(yú)礁堆砌而成的礁群三維信息更是難以獲取[7]。因此，利用聲吶三維數(shù)據(jù)進(jìn)行水下魚(yú)礁等目標(biāo)的識(shí)別提取，已成為研究熱點(diǎn)。Sung等[7]提出了一種基于聲吶水下點(diǎn)云的目標(biāo)分類方法，通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)重建物體的三維形狀。 Kim等[8]提出了一種多向掃描策略來(lái)改善水下點(diǎn)云和重建結(jié)果，還利用了實(shí)時(shí)三維重建的多邊形近似方法來(lái)處理三維點(diǎn)云數(shù)據(jù)。Spears等[9]利用了聲吶采集了極地冰下的多波束點(diǎn)云數(shù)據(jù)并進(jìn)行了地形重建。Menna等[10]利用聯(lián)合測(cè)量的方式來(lái)獲取水上水下物體的三維點(diǎn)云并進(jìn)行了建模，實(shí)現(xiàn)了激光點(diǎn)云和聲吶點(diǎn)云的高效組合。趙剛等[11]使用曲率壓縮和Delaunay三角網(wǎng)方法對(duì)水下拋石護(hù)岸工程進(jìn)行了三維水下地形重建。上海海洋大學(xué)首次將C3D側(cè)掃聲吶系統(tǒng)應(yīng)用于人工魚(yú)礁探測(cè)，并進(jìn)行了人工魚(yú)礁自動(dòng)識(shí)別方法的研究，取得了較好的成效[12]。馮東恒等[13]提出了一種顧及水下地形特點(diǎn)的多波束點(diǎn)云去噪算法，實(shí)現(xiàn)了水下地形和非地形點(diǎn)的有效分離。劉哲等[14]采用多波束點(diǎn)云對(duì)海底管道進(jìn)行了定位檢測(cè)和三維點(diǎn)云重建。

針對(duì)多波束聲吶采集的人工魚(yú)礁三維點(diǎn)云數(shù)據(jù)，在多步預(yù)處理后，采用隨機(jī)抽樣一致算法(random sample consensus，RANSAC)實(shí)現(xiàn)海底平面擬合，通過(guò)分離人工魚(yú)礁和海底平面來(lái)實(shí)現(xiàn)人工魚(yú)礁的識(shí)別與提取，從而為下一步的人工魚(yú)礁投放效果的量化評(píng)估提供三維數(shù)據(jù)。

1 多波束點(diǎn)云數(shù)據(jù)

1.1 點(diǎn)云數(shù)據(jù)的獲取

試驗(yàn)區(qū)多波束點(diǎn)云如圖1所示。

圖1 試驗(yàn)區(qū)多波束點(diǎn)云圖(局部)

多波束聲吶由其換能器陣向水下發(fā)射整體呈扇形的窄波束，基于每個(gè)波束的角度和斜距計(jì)算波束腳點(diǎn)的三維坐標(biāo)，隨著船只的移動(dòng)獲得條帶狀的三維點(diǎn)云數(shù)據(jù)[15]。多波束聲吶，每秒可發(fā)射30～50次，每次發(fā)射能采集數(shù)百到上千個(gè)波束腳印的坐標(biāo)，可快速和準(zhǔn)確地繪制海底地形地貌圖。每條多波束數(shù)據(jù)經(jīng)過(guò)吃水、潮位、聲速改正和姿態(tài)校正等一系處理之后，通常導(dǎo)出為條帶狀的三維點(diǎn)云。每個(gè)條帶的點(diǎn)云數(shù)據(jù)，經(jīng)鑲嵌拼接后成為一個(gè)密集的面狀點(diǎn)云，可直觀地表達(dá)海底的三維地形。

1.2 點(diǎn)云數(shù)據(jù)預(yù)處理

多波束聲吶采集的數(shù)據(jù)由于風(fēng)浪和洋流的影響難免出現(xiàn)大量的噪聲[16-18]，這也是多波束點(diǎn)云區(qū)別于陸地激光點(diǎn)云的一個(gè)重要特點(diǎn)。因此，對(duì)原始點(diǎn)云數(shù)據(jù)需進(jìn)行濾波處理，盡量剔除各類噪聲數(shù)據(jù)，保留水下地形和目標(biāo)數(shù)據(jù)，點(diǎn)云濾波流程如圖2所示。

圖2 高質(zhì)量多波束點(diǎn)云獲取流程圖

為了提人工高魚(yú)礁識(shí)別的成功率，首先要對(duì)多波束點(diǎn)云進(jìn)行分割，依據(jù)地形特征變化的幅度，將岸邊不平坦的非魚(yú)礁區(qū)分割裁剪掉。

點(diǎn)云濾波可分為人工交互濾波和自動(dòng)濾波兩類。多波束聲吶采集的點(diǎn)云，每分鐘可多達(dá)百萬(wàn)個(gè)，數(shù)據(jù)量極其龐大，傳統(tǒng)的人工交互濾波，工作效率非常低，急需利用自動(dòng)濾波軟件算法開(kāi)展濾波工作。多波束點(diǎn)云中噪聲點(diǎn)通常與地形點(diǎn)之間的距離較大，而水下地形點(diǎn)和魚(yú)礁點(diǎn)云較為集中臨近[19-20]。因此，通過(guò)設(shè)置相應(yīng)的近鄰點(diǎn)距離和數(shù)量閾值，可以實(shí)現(xiàn)多波束點(diǎn)云噪聲的自動(dòng)剔除[21-22]。半徑濾波算法，通過(guò)設(shè)定半徑閾值r來(lái)劃分圓，并設(shè)定圓內(nèi)的點(diǎn)數(shù)量閾值n，再計(jì)算該半徑r內(nèi)的臨近點(diǎn)數(shù)量N，由此可判斷：

(1)

式中：noise為噪聲點(diǎn)，non-noise為非噪聲點(diǎn)。即當(dāng)在半徑為r的圓中臨近點(diǎn)數(shù)量N小于等于設(shè)定閾值時(shí)，認(rèn)為其是噪聲點(diǎn)，否則為非噪聲點(diǎn)。

2 Ransac算法構(gòu)建

2.1 Ransac算法原理

Ransac算法(Random Sample Consensus,Ransac)可以從包括異常值在內(nèi)的一組數(shù)據(jù)中估計(jì)出最優(yōu)的數(shù)學(xué)模型，因此被廣泛用于直線擬合和平面擬合[23-24]。 Ransac 算法假設(shè)數(shù)據(jù)包含正確和異常數(shù)據(jù)(或稱噪聲)。正確數(shù)據(jù)記錄為內(nèi)點(diǎn)(inliers)，異常數(shù)據(jù)記錄為外點(diǎn)(outliers)。該算法的中心思想是隨機(jī)性和假設(shè)性。隨機(jī)性是根據(jù)正確數(shù)據(jù)出現(xiàn)的概率隨機(jī)選擇抽樣數(shù)據(jù)，根據(jù)大數(shù)定律，隨機(jī)性模擬可以近似獲得正確的結(jié)果。假設(shè)性是假設(shè)所有選擇的樣本數(shù)據(jù)都是正確的，通過(guò)使用正確數(shù)據(jù)中滿足問(wèn)題的模型，計(jì)算其他點(diǎn)，然后比較結(jié)果，重復(fù)迭代，直至獲得最佳的模型。

2.2 基于RANSAC算法的海底面擬合

人工魚(yú)礁的選址非常重要，魚(yú)礁投放的海底要求寬闊平坦，起伏小，以硬質(zhì)海底為好[25-29]。數(shù)量龐大且集中的非噪聲海底點(diǎn)云，適合利用Ransac算法擬合為一個(gè)近似平面。

人工魚(yú)礁提取算法流程如圖3所示。

圖3 人工魚(yú)礁提取算法流程圖

海底面點(diǎn)云擬合的基本流程如下：

(1)首先從給定的點(diǎn)云數(shù)據(jù)中隨機(jī)抽取三個(gè)點(diǎn)，從而生成一個(gè)平面方程Ax+By+Cz+D=0，其中A、B、C、D為模型參數(shù)。

(2)將該初步擬合方程作用于所有數(shù)據(jù)，計(jì)算各點(diǎn)到平面之間的距離Di,隨后設(shè)置閾值D，如果Di≤D,則記為內(nèi)點(diǎn)(inliers)，否則記為外點(diǎn)(outliers)，并設(shè)置內(nèi)點(diǎn)率為P，記錄內(nèi)點(diǎn)個(gè)數(shù)pinliers和外點(diǎn)個(gè)數(shù)poutliers。

(3)以上整個(gè)過(guò)程每迭代一次，就有兩個(gè)結(jié)果：內(nèi)點(diǎn)數(shù)量少于原有模型，舍棄；內(nèi)點(diǎn)數(shù)量大于現(xiàn)有模型，新模型被選用。

(4)重復(fù)上述操作，獲得內(nèi)點(diǎn)數(shù)目最多的模型，以確定最優(yōu)的A、B、C、D參數(shù)，從而找到最優(yōu)的擬合平面。

獲得最優(yōu)地形平面后，內(nèi)點(diǎn)集即為海底地形點(diǎn)，外點(diǎn)集即為人工魚(yú)礁點(diǎn)，整個(gè)算法流程如圖3所示。

2.3 算法參數(shù)分析

算法中含有3個(gè)閾值參數(shù)距離閾值D、迭代次數(shù)N、內(nèi)點(diǎn)率P，參數(shù)設(shè)置如下：

(1)距離閾值D，該參數(shù)主要依據(jù)實(shí)際測(cè)量過(guò)程中的經(jīng)驗(yàn)進(jìn)行選擇，本次試驗(yàn)距離閾值設(shè)置為0.5 m?；谙率脚袛嗍欠駷閮?nèi)點(diǎn)：

(2)

(2)迭代次數(shù)N，隨機(jī)選取K(K≥3)個(gè)點(diǎn)，這K個(gè)點(diǎn)都是內(nèi)點(diǎn)的概率為PK(P為內(nèi)點(diǎn)所占的概率)，那么這K個(gè)點(diǎn)中至少有一個(gè)為外點(diǎn)的概率為1-PK，N次迭代，每次迭代的都存在外點(diǎn)的概率為(1-PK)N，則至少有一次選擇到內(nèi)點(diǎn)的概率為1-(1-PK)N，此概率通常要大于或者等于q(q為隨機(jī)選取非噪聲點(diǎn)的概率，通常為99%)，由此可得：

1-(1-PK)N≥q

(3)

1-q≥(1-PK)N

(4)

兩邊取對(duì)數(shù)得：

ln (1-q)≥N·ln (1-PK)

兩邊同時(shí)除以ln (1-PK)得：

得到迭代次數(shù)N。

(3)內(nèi)點(diǎn)率P，內(nèi)點(diǎn)個(gè)數(shù)占總點(diǎn)數(shù)的比例即為內(nèi)點(diǎn)率，可由如下公式計(jì)算：

(5)

反之設(shè)外點(diǎn)率為PO，由上式可得：

PO=1-P

(6)

式中：inliers為內(nèi)點(diǎn)，outliers為外點(diǎn)，Di表示各點(diǎn)到平面之間的距離,m；D為距離閾值；N為迭代次數(shù),次；P為內(nèi)點(diǎn)率,%；q為隨機(jī)選取非噪聲點(diǎn)的概率(≥99%)；K表示隨機(jī)選取的點(diǎn)數(shù)；pinliers和poutliers分別表示內(nèi)點(diǎn)個(gè)數(shù)(個(gè))和外點(diǎn)個(gè)數(shù)(個(gè))；PO為外點(diǎn)率,%。

3 人工魚(yú)礁提取實(shí)例

3.1 試驗(yàn)數(shù)據(jù)獲取

人工魚(yú)礁群三維結(jié)構(gòu)如圖4所示。

本試驗(yàn)區(qū)為浙江嵊泗馬鞍列島附近某人工魚(yú)礁區(qū)，2017年共計(jì)投放11座礁群。其中主體為8座礁群，每個(gè)由25個(gè)雙層十字形魚(yú)礁組成(規(guī)格如圖4a)，另有3座沿岸礁群，每個(gè)由25個(gè)單層十字魚(yú)礁組成(規(guī)格如圖4b)。

2021年7月開(kāi)展了魚(yú)礁區(qū)現(xiàn)場(chǎng)測(cè)量，采用挪威出品的Norbit WBMS多波束系統(tǒng)，對(duì)礁區(qū)進(jìn)行了全覆蓋測(cè)量，所測(cè)20個(gè)條帶數(shù)據(jù)之間有一定重疊，銜接完整。通過(guò)加拿大出品的CARIS處理分析軟件，對(duì)試驗(yàn)區(qū)多波束原始數(shù)據(jù)進(jìn)行了一系列處理，生成海底三維點(diǎn)云。

研究區(qū)三維海底地形(框內(nèi)為人工魚(yú)礁群)如圖5所示，其中投放的人工魚(yú)礁群清晰可見(jiàn)。

圖5 研究區(qū)三維海底地形(框內(nèi)為人工魚(yú)礁群)

如圖5所示，本試驗(yàn)多波束采集原始水深點(diǎn)共計(jì)302 216個(gè)，平均水深約17.3 m。原始點(diǎn)云數(shù)據(jù)中噪聲較多，主要集中在測(cè)量條帶的邊緣和岸邊地形劇烈變化的岸邊。本試驗(yàn)，首先將靠近岸邊地形起伏劇烈的區(qū)域與平坦的魚(yú)礁區(qū)進(jìn)行分割，以便下一步魚(yú)礁提取工作。

3.2 提取人工魚(yú)礁

3.2.1 整體魚(yú)礁提取

基于RANSAC算法對(duì)海底面的擬合，得到了最優(yōu)內(nèi)點(diǎn)集構(gòu)成的海底面，同時(shí)得到的外點(diǎn)集即為人工魚(yú)礁點(diǎn)云，進(jìn)而實(shí)現(xiàn)了人工魚(yú)礁的提取，人工魚(yú)礁提取效果如圖6所示。

圖6 人工魚(yú)礁提取效果圖

圖1為試驗(yàn)區(qū)海底局部三維點(diǎn)云，圖7為其人工魚(yú)礁與海底面分離后，保留的人工魚(yú)礁點(diǎn)云。試驗(yàn)結(jié)果表明，分離效果良好，但仍存在少量未分離的海底點(diǎn)。

圖7 點(diǎn)云分離效果圖

3.2.2 單體魚(yú)礁提取

人工魚(yú)礁內(nèi)部結(jié)構(gòu)復(fù)雜，礁體空隙多，單體魚(yú)礁的三維形態(tài)特征是判斷魚(yú)礁投放效果的重要指標(biāo)之一。本試驗(yàn)提取的人工魚(yú)礁點(diǎn)云，如圖8所示，效果良好，可以用于單體魚(yú)礁的評(píng)估。

圖8a中綠色點(diǎn)云為魚(yú)礁點(diǎn)云，藍(lán)色部分為海底點(diǎn)云，分離后的單體人工魚(yú)礁點(diǎn)云如圖8b。經(jīng)測(cè)量，本方法提取的單體、雙體十字形魚(yú)礁尺寸與實(shí)際尺寸一致，形狀輪廓與真實(shí)魚(yú)礁重合度較高，如圖8c所示，可較好地表達(dá)魚(yú)礁的三維形態(tài)和內(nèi)部結(jié)構(gòu)，這是當(dāng)前其他探測(cè)手段難以實(shí)現(xiàn)的。本方法對(duì)于其他形狀的人工魚(yú)礁，如回字形、方形、三角形魚(yú)礁，只需設(shè)置適合的距離閾值即可實(shí)現(xiàn)其自動(dòng)提取，適用性很高。

圖8 單體魚(yú)礁點(diǎn)云分離效果圖

3.3 提取精度分析

本研究以專家目視解譯識(shí)別到的魚(yú)礁為參考值，與Ransac算法自動(dòng)提取到的人工魚(yú)礁結(jié)果進(jìn)行比對(duì)，開(kāi)展試驗(yàn)精度評(píng)價(jià)工作。采用目標(biāo)識(shí)別的正確度和完整度指標(biāo)[30-31]，對(duì)魚(yú)礁提取的結(jié)果進(jìn)行定量評(píng)價(jià)，設(shè)TP為正確檢測(cè)的樣本魚(yú)礁數(shù)量，F(xiàn)N表示未識(shí)別的魚(yú)礁，F(xiàn)P為誤檢的魚(yú)礁數(shù)量，AC為人工魚(yú)礁識(shí)別的正確度，IN為人工魚(yú)礁識(shí)別的完整度，公式如下。

(7)

(8)

試驗(yàn)數(shù)據(jù)中，目視解譯人工魚(yú)礁數(shù)量為98個(gè)，自動(dòng)識(shí)別的TP為91個(gè)、FP為5個(gè)、FN為9個(gè)，計(jì)算得到AC為94.79%，IN為91%。

試驗(yàn)結(jié)果表明，總體識(shí)別效果良好，點(diǎn)云形態(tài)完整，但仍存在幾個(gè)問(wèn)題：提取的魚(yú)礁之中仍有少量海底點(diǎn)，并未完全分離；兩個(gè)單體魚(yú)礁距離太近被識(shí)別為一個(gè)魚(yú)礁；將其他目標(biāo)識(shí)別為人工魚(yú)礁。

4 總結(jié)與展望

本研究設(shè)計(jì)的Ransac算法擬合海底面來(lái)分離人工魚(yú)礁與海底，經(jīng)試驗(yàn)證明，方法操作簡(jiǎn)便，可靠性較高，可以高效高精度地自動(dòng)識(shí)別和提取人工魚(yú)礁。本方法對(duì)于整體和單體人工魚(yú)礁都具有較好的識(shí)別效果，魚(yú)礁識(shí)別正確率較高，魚(yú)礁提取的三維形態(tài)較為完整，研究方法和成果可以用于魚(yú)礁的量化評(píng)估，具備大規(guī)模推廣應(yīng)用的能力。目前方法仍存在不足，存在多個(gè)臨近魚(yú)礁群被識(shí)別為一個(gè)魚(yú)礁，以及魚(yú)礁點(diǎn)云包含少量海底點(diǎn)的問(wèn)題，后續(xù)研究中，將進(jìn)一步改進(jìn)算法，不斷提高魚(yú)礁識(shí)別準(zhǔn)確度。人工魚(yú)礁探測(cè)與評(píng)估，正從人工探摸手段逐步過(guò)渡到聲學(xué)探測(cè)手段為主，目前廣泛采用的二維聲吶圖像識(shí)別的方法，僅能提取魚(yú)礁的位置和范圍，而三維聲吶點(diǎn)云的識(shí)別方法可以準(zhǔn)確地提取魚(yú)礁的位置、形狀、高度、空方等信息，更加全面準(zhǔn)確，有望成為未來(lái)魚(yú)礁檢測(cè)評(píng)估的標(biāo)準(zhǔn)手段。

□