麻蔚然，龍哲誠

（1. 舟山中遠海運重工有限公司，浙江舟山 316131；2. 武漢理工大學，武漢 430063）

0 引言

根據信德海事2022 年關于船舶機艙火災事故頻發(fā)的相關報道，報道中指出2017～2021 年與船舶火災和爆炸有關船殼險索賠審查表明，近60%的此類火災起源于機艙。最常見的是燃油噴濺到沒有保護的高溫表面導致火災發(fā)生。所以高溫管路是否得到可靠安裝以及完好的隔熱包扎對于防范船舶火災的發(fā)生有著至關重要的作用。

常見的外部環(huán)境檢測技術是人工巡視檢測，該技術成本低，主要通過船員的經驗來進行判斷，所以存在效率低，速度慢以及準確率低等問題。張瑞強[1]等人采用基于紅外熱成像檢測技術的變電設備異常發(fā)熱故障檢測方法，并與基于LSTM的設備故障在線檢測方法和基于DWT-PNN 的柔性直流輸電系統(tǒng)故障檢測方法進行對比實驗測試，通過加入噪聲對比，驗證紅外熱成像方法的故障定位精度好。Dangdang Dai[2]等人利用直方圖均衡對紅外圖像進行改進以及wiener 自適應濾波算法，然后通過使用改進的Surendra 算法進行快速泄漏區(qū)域的定位。Ling Zhao[3]等人一種基于紅外圖像序列的泄漏診斷和定位方法，通過設計了一種基于分層投票的管道過濾器，解決了泄漏點誤報概率高、對邊緣信息產生負面影響等問題。

在對船舶管路系統(tǒng)進行紅外熱圖像采集的過程中，難免會因為船體環(huán)境以及大氣溫差導致產生噪聲，以至于在分析船舶管路熱像圖的時候產生誤差和誤判，所以需要對得到的管路系統(tǒng)紅外熱像圖進行降噪預處理[4]。在做圖像降噪的預處理過程中，常用的算法包括均值濾波、高斯加權均值濾波、中值濾波運算[5]。

基于以上分析，本文提出了基于紅外熱成像檢測技術的船舶管路高溫泄漏檢測及自動識別方法。通過紅外熱成像儀掃描管路，得到管路的紅外熱圖像；再采用中值濾波法對帶有噪聲的紅外熱像圖去噪；隨后對圖像進行灰度處理，采用分水嶺算法對紅外熱像圖進行圖像分割，將分割好的圖像與設備紅外熱像圖進行識別配準，最后通過多組試驗驗證了該算法對紅外熱像圖高溫區(qū)域識別配準的檢測效果。

1 船舶熱源管路分析

本文以建造的154 K穿梭油輪為例分析該船上的主要熱源管路系統(tǒng)的情況。船舶管路系統(tǒng)多且復雜，對所有管路進行紅外線熱成像掃描檢查和監(jiān)控成本高昂也沒有必要性，所以應對可能存在高溫泄露可能性的管路進行分析后再做針對性實施。分析結果表面以下管路存在燃油噴濺后存在引發(fā)火災危害的管路：

主機排煙管，該船采用STX 制造的MAN B&W 6S70ME-C 8.2主機，在MCR工況下透平后排煙溫度為250℃。

發(fā)電機排煙管，該船采用STX 制造的（7）9L32/40型發(fā)電機，在MCR工況下透平后排煙溫度為330±20℃ 。

鍋爐排煙管，該船采用ALFA LAVAL制造的Aalborg OL燃油鍋爐，在鍋爐清潔情況下的排煙溫度為344℃。

焚燒爐排煙管，該船采用南京綠洲制造的GS500CS型焚燒爐，排煙最大溫度375℃，正常工作溫度250-340℃。

應急發(fā)電機排煙管，該船采用STX制造的KTA38DMGE1 型應急發(fā)電機，排煙最大溫度475℃。

以上管路與普通船舶相比較來說是大同小異。對于其他船舶，還需注意蒸汽、熱油等管路的設計溫度。

2 紅外熱成像檢測技術原理及方法

2.1 紅外熱成像檢測技術

紅外熱成像就是利用探測器探測目標物體熱輻射，環(huán)境熱輻射，然后通過一系列的電子元件轉換成電信號，進而輸出紅外圖像。當物體自身的溫度與環(huán)境溫度存在溫差，則會產生的溫度分布信息， 進而生成紅外熱像圖。 根據Stefan-Boltzmann law[6]，黑體的表面單位面積輻射出的總功率J與黑體本身的熱力學溫度T的四次方成正比，即：

其中J為輻射度；?為黑體的輻射系數(shù)；T為絕對溫度，比例系數(shù)σ稱為斯蒂芬-玻爾茲曼常數(shù)，該常數(shù)的值為

σ=(2π5k4)/15c2h3=5.6704×10-8Js-1m2K-4

如圖1 所示，該圖是紅外熱成像檢測原理框圖。

圖1 紅外熱成像檢測原理框圖

2.2 管路紅外熱成像高溫檢測自動識別流程

傳統(tǒng)的高溫區(qū)域識別方法是通過對獲取的紅外熱像圖目測方法來實現(xiàn)的，這可能導致較高的誤檢測率。隨著數(shù)字圖像處理技術的發(fā)展，通過自動識別方式來定位高溫區(qū)域能更可靠的進行判定。具體流程如圖2 所示，包括以下6 個步驟：

圖2 紅外熱圖像高溫檢測自動識別流程

1）采集紅外熱像圖數(shù)據。

2）讀取原始圖像數(shù)據，提取圖像。

3）對每個灰度圖像進行圖像預處理，包括灰度處理、圖像去噪等。

4）利用算法對序列圖像的高溫區(qū)域進行分割。

5）邊緣檢測到步驟（4）的結果，提取邊緣的輪廓并將其顯示在原始圖像中。

6）將測試結果與實際高溫區(qū)域進行比較。

2.3 管路紅外熱成像圖預處理

中值濾波算法是一種非線性濾波方法，通過快速排序來實現(xiàn)。它能夠有效降低圖像中的隨機噪聲，并保持圖像邊緣的清晰度。設濾波為X*Y，在對圖像進行灰度處理后，其中每個像素點后有一個灰度值，其最大值、最小值以及中值為Smax、Smin、Smed。中值濾波算法首先對模板內像素值f(i，j)排序所有圖像像素進行大小排列，像素集合中任意選取一個元素，并將其與其他元素進行以較，將所有比這個元素小的元素都排在這之前，將所有比這個元素大的元素放在它后，得到兩個部分，若Smed> Smin且Smed>Smax，則比較f(i，j)，若f(i，j)> Smin且f(i，j)< Smax輸出f(i，j)，否則輸出Smed，若Smed> Smin且Smed

圖3 中值濾波流程圖

2.4 管路紅外熱成像圖像分割算法

2.4.1 基于分水嶺（watershed）算法的高溫區(qū)域自動識別

分水嶺算法是一種圖像分割方法，將圖像類比為分水嶺表面。高灰度值的區(qū)域類似山峰，低灰度值的區(qū)域類似山谷，通過分析灰度值分布進行區(qū)域劃分來實現(xiàn)圖像分割。原理如圖4 所示。

圖4 分水嶺算法原理

該算法是模擬洪水泛濫的一個遞歸過程：

式子中，公式(2)是初始條件，用于確定圖像中的灰度值最小的像素點，公式(3)是遞歸過程，其中hmin和hmax分別表示灰度值范圍的最小最大值，h標識當前的灰度值范圍。公式(4)中，Xh+1表示灰度值為h+1 上的像素點集合。minh+1表示此點屬于新形成的盆地的最小值點，Xh∩Xh+1表示在灰度值為h和h+1 的兩個范圍中共同存在的像素點集合。Cxh表示像素點所屬的盆地。通過這個運算過程，將圖像中的所有像素點都分配到不同的盆地中，如果某個像素點同時屬于兩個以上的盆地，則被視為分水嶺點。

2.4.2 基于模糊C 均值算法的高溫區(qū)域自動識別

模糊C 均值（Fuzzy C-Means，F(xiàn)CM）算法是一種聚類算法，優(yōu)點在于對于模糊數(shù)據具有較好的適應性，能夠處理數(shù)據點屬于多個類別的情況。根據獲得的圖像灰度數(shù)據集，通過像素灰度值與聚類中心像素灰度建立目標函數(shù)J，設置最小變化閾值ε及最大迭代次數(shù)M=10，當J的減小幅度小于ε或者算法迭代次數(shù)大于M時便終止算法，得到最優(yōu)聚類中心ci。首先，隨機初始化每個像素點對于每個聚類的隸屬度，確定聚類數(shù)量和隸屬度矩陣uij，在循環(huán)中，需計算每個聚類的中心，然后計算每個像素點到聚類中心的距離，根據距離計算每個像素點對于每個聚類的隸屬度，并更新隸屬度矩陣uij。根據隸屬度矩陣uij輸出聚類結果，即：將數(shù)據點分配到隸屬度最高的聚類中心所對應的類別，得到最終的聚類結果。最后對圖像進行聚類分割，得到分割后的圖像[7]。目標函數(shù)如下:

式中：m為類屬度模糊因子，取m=3，xj為像素灰度值，ci為聚類中心灰度值，uij為第j個樣本屬于第i個聚類中心的隸屬度，對目標函數(shù)使用拉格朗日乘子法即可得到隸屬度uij和聚類中心ci的表達式如下：

設置最大迭代次數(shù)max_iter = 10計算隸屬度矩陣和聚類中心，得到滿足條件的聚類中心，在對圖像進行分割時，采用兩個for循環(huán)函數(shù)，對灰度圖像中每個像素點進行分析，設定圖像領域為3*3，得到分割后的圖像。

3 實驗與分析

圖5 為實船掃描的1 號發(fā)電機排煙管管路紅外熱成像原圖，高溫泄露區(qū)域標識不明顯，外界干擾因素未融合考慮等缺陷，所以需要對圖形進行進一步處理來更準確和直觀的判定存在高溫泄露的分布情況。

圖5 管路熱成像原圖

圖6 降噪對比圖

3.1 管路紅外熱成像圖像灰度處理與降噪

圖a 和圖b 為在管路熱成像原圖基礎上引入一個方差為0.04 的高斯噪聲以及噪聲密度為0.2的椒鹽噪聲時的降噪對比圖，由圖像結果可以看出，加入噪聲之后圖像變得不平滑，新增了許多黑點和白點，而在分別進行均值濾波，高斯加權均值濾波和中值濾波后，圖像變得平滑，但同時清晰度也降低了，但是可以清晰地看出中值濾波算法的降噪效果最好。

3.2 管路紅外熱成像圖像分割及自動配準

本次研究采用兩種圖像分割的方法對圖像進行處理。首先對采取1 號發(fā)電機排煙管管路紅外線熱成像進行灰度處理和二值化處理得到二值化圖像，進而采用模糊C 分割算法（圖7a）與分水嶺算法（圖7b）對圖片進行分割。分別對兩種算法分割出的圖像進行高溫區(qū)域識別并對該圖像進行高溫區(qū)域跟蹤及識別。如圖8 和圖9 所示。

圖7 高溫區(qū)域圖像分割圖

圖8 模糊C 均值分割圖像高溫區(qū)域識別配準

從圖中可以清晰看出，兩種分割算法均能準確識別高溫區(qū)域，為驗證研究提出算法的準確性，可進行量化對比分析。

3.3 管路紅外熱成像結果分析

對船舶管路采集到的三組數(shù)據進行對比分析，如表1所示。試驗結果中，第一組與第二組為A發(fā)電機與C1發(fā)電機管路的紅外熱像圖，第三組為1號發(fā)電機排煙管管路紅外熱像圖。通過分析發(fā)現(xiàn)兩種算法均可檢測出管路高溫區(qū)域。根據實際情況對比分析表明，采用模糊C均值算法分割識別配準的溫度場分布范圍較廣，會對部分非超高溫區(qū)域也進行標識，易導致誤報警。采用分水嶺算法分割識別配準的溫度場分布范圍較為集中，主要針對于管路高溫區(qū)域進行標識，準確率較高，可用于管路的高溫檢測及定期檢修。

表1 三組船舶管路不同算法的紅外熱像圖

4 結論

本文基于紅外熱成像技術對船舶高溫管路進行研究，提出了基于分水嶺算法的紅外熱像圖高溫區(qū)域的識別，對比分析了模糊C 均值算法，并將分割圖像與紅外熱像圖進行自動配準，能夠較為精確地判斷管路的高溫區(qū)域，結果表明：分水嶺算法能夠提升高溫區(qū)域識別的準確率，該模型可在船舶管路異常發(fā)熱故障檢測方法中發(fā)揮著重要作用，對船舶建造過程及后期船舶運營中及時發(fā)現(xiàn)、處理和預防火災事故的發(fā)生亦能起到預警作用，也為船舶電氣裝置、電纜接線柱等可能產生高溫的地方采用熱成像技術進行檢測提供參考。