余永华，张佳明，胡 磊
(武汉理工大学 船海与能源动力工程学院，湖北 武汉 430063)
船舶机舱油水等液体的泄漏监测，是轮机人员日常巡检工作的内容之一，随着智能化和无人化发展，需要对舱室环境进行自动监测。近年来，机器视觉技术不断成熟，已广泛应用于各类智能巡检机器人，但尚未应用于船舶机舱。相对于人工巡检，机器视觉技术具有非接触性无损检测、快速实时、在线监测等优点。
船舶舱室照度低，获得的图像往往存在对比度低、细节模糊、清晰度不够等特点，使得对油水泄漏的检测难度大大提升。所以对低照度情况下的舱室液体泄漏图像进行增强显得十分重要，是舱室液体泄漏监测的关键。
近些年来，国内外许多学者对低照度下的图像增强方法进行大量的研究和改进。其中，Jobson D J[1]等人提出了多尺度Retinex(MSR)算法，突出了光线弱区域的细节问题，但在动态压缩方面还存在明显不足。Parthasarathy S[2]等人又提出了带色彩恢复的多尺度Retinex(MSRCR)算法，可以很好地对图像的颜色进行修复，但在较亮的区域处理效果欠佳，在过渡区容易出现光晕现象。虽然这些方法在处理低光照强度下的图像时取得了一定的效果，但是都有一定的局限性。
随着机器视觉技术的快速发展，其在油液检测中也有着大量的应用。如刘畅[3]等人开发了一套基于机器视觉的液压阀泄漏量的自动检测系统，实现了泄漏量的测量，达到了较高精度的检测；
武建华[4]等人提出了一种基于机器视觉的漏油检测方法在变电站中的应用，实现了油液渗漏的识别定位，提升了计算效率。机器视觉在检测油液泄漏中有一定的优势，但弱光条件和不同光照可能会降低识别率。
针对以上问题，本文提出一种基于机器视觉的船舶舱室液体泄漏监测的方法。首先，将采用改进的多尺度Retinex算法对低照度下船舶舱室液体泄漏的图像进行增强，处理后的图像特征明显，边缘信息保留完整；
然后对增强后的液体泄漏图像进行灰度、纹理和形状等特征的提取，通过机器学习[5]对液体泄漏进行识别，解决了低照度下舱室液体泄漏识别精度低的难题。
图像增强方法流程如图1所示。其步骤如下：①将图像的RGB空间转换为HSV色彩空间；
②采用改进的双边滤波函数代替多尺度Retinex算法中的高斯滤波函数作为中心环绕函数，对HSV空间中的亮度分量V进行增强，并对反射分量进行非线性函数校正；
③根据增强后的亮度分量V对饱和度分量S进行校正；
④使用色彩恢复函数恢复图像色彩；
⑤最后将HSV图像转换至RGB图像，得到增强后的船舶舱室图像。
图1 图像增强方法流程
1.1 光照入射与反射分量估计
1 )多尺度Retinex理论。根据多尺度Retinex理论，图像I(x,y)由2部分组成，一部分为光照分量L(x,y)，而另一部分为物体的反射分量R(x,y)。其数学表达式为：
I(x,y)=L(x,y)R(x,y) ，
(1)
两边取对数得：
lnI(x,y)=InL(x,y)+lnR(x,y)。
(2)
在传统的多尺度Retinex算法中，一般采用高斯低通滤波器作为中心环绕函数来估计光照入射分量，则入射分量L(x,y)可以表示为高斯低通滤波器F(x,y)与输入图像I(x,y)的卷积：
L(x,y)=F(x,y)*I(x,y) ，
(3)
(4)
式中，λ为归一化因子；
e为自然常数；
δ为F(x,y)的尺度因子；
(x,y)为当前像素点坐标。
单尺度Retinex虽然能够对图像的增强起到一定的作用，但是它具有局限性。因为尺度因子的不确定性，处理后的图像边缘模糊，而且图像颜色存在失真，所以发展了多尺度Retinex算法，其主要是对多尺度因子进行加权平均后线性叠加：
(5)
式中，i为第i个中心环绕函数;n为中心环绕函数的数量，一般为高中低3个尺度;Wi为与之相对应的权重系数，权重系数之和为1。
2)改进多尺度Retinex理论。首先，对入射分量进行估计。针对多尺度Retinex算法在图像增强时出现的上述局限性，很多学者对中心环绕函数进行了改进[5-6]，用双边滤波代替了原来的高斯滤波，其表达式如下：
(6)
式中，IV(x，y，m，n)为双边滤波函数；
(m,n)为图像中心坐标；
I(m,n)为图像中心点的灰度值；
δd为空域上的标准差；
δr为值域上的标准差。
然而，双边滤波对像素差值很小的平坦区产生的平滑效果较差，并且在像素相近的地方，对光的入射分量的计算也会产生一定的偏差。因此，对双边滤波的中心环绕函数进行改进，引入修正函数来判断像素点与中心点灰度值的差值，不仅可以对像素和图像中心点灰度差值很小的地方进行平滑处理，并且保留了双边滤波原有的特性，即：
IV′(x,y,m,n)=
(7)
(8)
式中，θ为修正函数；
r为滤波半径；
IV′(x,y,m,n)为改进的双边滤波函数。
为了验证改进双边滤波的优越性，对比了高斯滤波器、传统双边滤波器和改进双边滤波器的图像增强效果，得到V的入射分量对比图如图2所示(高斯滤波器中δ=50；
传统双边滤波器的滤波半径r=10，δd=50,δr=0.1；
改进双边滤波器的滤波半径r=10,δd=50,δr=0.1)。从图2可以看出，改进双边滤波器对图像的边缘增强效果更明显，很好地保留了图像的边缘特性和细节，可以对入射分量进行更准确的估计。
图2 V的入射分量对比图
反射分量包含很多的图像细节，入射分量增强后，也需要对反射分量校正，否则输出的图像会整体偏暗、对比度偏低，校正公式如下：
(9)
(10)
式中，R′(x,y)为改进校正后的反射分量；
RN(x,y)为归一化后的反射分量；
Rmax(x,y)和Rmin(x,y)分别为未校正反射分量的最大值和最小值；
v为校正常数。
1.2 对饱和度S校正和色彩恢复
V与S存在比例关系，V的增强会使S发生变化，因此需要对S分量进行校正。校正方法为：
IV(x,y)]μ(x,y)，
(11)
μ(x,y)=
(12)
通过改进的双边滤波函数对V分量增强和对S分量校正后，引入改进的颜色恢复函数C(x,y)，达到原图像增强效果。其计算表达式为：
IC(x,y)=C(x,y)I(x,y),
(13)
(14)
式中，IC(x,y)为增强后图像函数；
a是增益常数；
b是受控制的非线性强度；
K为单颜色通道；
IK(x,y)为单颜色通道图像；
IH(x,y)为H分量未增强时的色调值。
2.1 泄漏液体图像的预处理
对泄漏液体图像进行预处理是图像处理的重要环节，其主要目的是方便形状和纹理特征参数的提取，经过预处理后会提高图像质量，特征更明显。
首先对图像进行差分处理，把当前采集图像与无泄漏的图像作差，得到油水的疑似泄漏区域。其数学表达式为：
D(x,y)=|A(x,y)-f(x,y)|，
(15)
式中，A(x,y)为当前采集图像；
f(x,y)为无泄漏图像。
然后采用自适应阈值分割法进行二值化：
(16)
式中,D(x,y)表示输出图像的第x行、第y列的像素；
B(x,y)表示输入图像的第x行、第y列的像素；
Tthresh表示设定的阈值。
差分处理后，再通过2次的膨胀、腐蚀的图像形态学处理，进一步降低了图像内部的噪声，使泄漏区轮廓封闭，达到了增强提取特征参数的效果。若当前图像为漏油图，最终得到图像泄漏识别预处理效果图如图3所示。
图3 图像泄漏识别预处理效果图
从图3可知，经过图像预处理后，泄漏区域既去除了背景，又保留了泄漏的特征，特征参数提取时去除了其他干扰因素，大大提高识别准确率。
2.2 泄漏液体图像的特征参数提取
目前，图像的特征参数主要有形状特征、纹理特征、灰度特征等，每个特征中又包含很多对应的参数。根据液体泄漏识别的特征要求，选取了13个特征参数，如表1所示。
表1 特征参数
3.1 试验与图像采集
为了验证低照度舱室液体泄漏图像增强的有效性，在船舶机舱实验室模拟了低照度环境下舱室液体泄漏至滑铁板的情况。通过机器视觉系统采集了不同光照条件下的船舶机舱液体泄漏的图像。
3.2 低照度下的不同增强算法的对比
为了可以直接反映图像增强后的效果，选取船舶舱室低照度下的漏油漏水图像，然后把改进Retinex图像增强方法与MSR和MSRCR算法进行对比。不同方法下的图像增强比较如图4所示。
图4 不同方法下的图像增强比较
从处理结果来看，MSR细节部分保存较好，但图像颜色失真较为严重，亮度和对比度有所下降，视觉效果较差；
MSRCR算法结果有了一定的提升，但与原始图像的颜色存在较大的差异；
而改进Retinex的图像增强方法能够使图像保留着一定的对比度，而且对于细节的处理有着明显的效果，图像颜色的失真相比于其他几种算法更为保真，接近原生颜色，边缘效果得到明显提升，人眼的视觉效果更好。
为了更好地验证改进Retinex的图像增强方法的优越性，也需要进一步验证，信息熵IE表示图像的信息，信息熵越大则表示图像包含物体的信息和内容越多，采用信息熵指标对增强的图像进行评价。信息熵的计算公式为：
(17)
式中，P(ci)为第i个像素点的概率。
不同算法应用于低照度船舶机舱液体泄漏图像增强效果客观评价如表2所示。
表2 不同算法应用于低照度船舶机舱液体泄漏图像增强效果客观评价
由表2可知，在船舶舱室不同低照度和不同泄漏环境等情况下，本文提出的改进Retinex的图像增强方法，处理后的图像相比于其它算法，其信息熵最高，对比度较高，而且图像细节保持完整，有助于对泄漏液体参数提取，保证了识别精度。
3.3 机器学习算法在液体泄漏识别的应用
以有无液体泄漏来作为故障的判断依据，选取在低照度环境下5种类型来作为数据集，分别为无泄漏、异物抹布、异物扳手、漏油和漏油漏水且有扳手。把无泄漏、异物抹布、异物扳手定义为标签0，表示无泄漏；
漏油和漏油漏水且有扳手定义为标签1，表示发生了泄漏。利用机器视觉系统采集到的样本数量为200张，通过特征参数提取后，随机选取全部样本的80%为训练集，其余20%为测试集。分别采用支持向量机SVM、KNN、随机森林、决策树进行训练状态评估，将图像增强前、后的训练结果进行对比，得到不同算法检测结果对比如表3所示。由表3可知，增强前的最高识别精度为91%，而增强后的识别精度更好，最高达到了95%，在低照度下的液体泄漏检测中有着足够的优势。
表3 不同算法检测结果对比 %
1)采用改进Retinex的图像增强方法，使边缘模糊和细节忽略等问题得到了很好的改善，保持了图像的颜色和对比度，避免了图像失真。
2)将增强后的泄漏液体的图像进行特征参数提取，通过机器学习对其故障进行检测，增强后的图像识别泄漏的精度得到了明显提升，在使用KNN 检测时可达到95%。
3)本文提出的方法，可用于低照度下的船舶舱室液体泄漏检测，为船舶无人巡检机器人的液体泄漏监测和安全运行奠定了良好的基础。
猜你喜欢 舱室图像增强照度 舱门振动对舱室噪声特性影响研究装备环境工程(2022年9期)2022-10-13通过图像增强与改进Faster-RCNN网络的重叠鱼群尾数检测农业工程学报(2022年13期)2022-10-09特别策划《载人潜水器密闭舱室工业设计研究综述》包装工程(2022年12期)2022-07-04基于UG 二次开发的邮轮舱室防火区域三维辅助划分方法船舶(2022年3期)2022-07-02一种基于轻量级深度网络的无参考光学遥感图像增强算法航天返回与遥感(2022年2期)2022-05-12地铁车辆照度试验方法和均匀性分析科学与生活(2021年14期)2021-09-10基于非下采样剪切波变换与引导滤波结合的遥感图像增强计算机应用(2016年10期)2017-05-12基于双树四元数小波变换的图像降噪增强中华建设科技(2016年11期)2017-01-06