圖像處理技術在船舶管系建造監管中的應用

馮書麗

(河南工業職業技術學院, 南陽 473000)

0 前 言

在船舶建造過程中，船舶管系的設計和建造占據著重要地位。隨著船舶的噸位越來越大，結構也越來越復雜，安裝在船舶上的管系類型多種多樣，安裝也比較困難，因而在管系的安裝過程中如果出現問題將會給船舶建造帶來極大的安全隱患。傳統的管系建造監管是通過對管系的建造流程以及人員進行監管，在建造流程中對使用的相關材料、焊接情況、涂層情況等進行人工檢查，對人員的監管主要是通過定期對人員進行培訓，并對相關工作人員進行專業知識考核。在建造流程中，人工檢查的效率很低，特別是對管系焊接的檢查很依賴于人工經驗，對涂層的檢驗是使用相關的檢測儀器來獲取涂層的厚度等參數，因而這種監管方式比較費時費力。

圖像處理技術利用圖像增強、圖像處理算法等對船舶管系建造過程中管系焊接、涂層等進行檢查，使用圖像處理技術進行管系建造監管的優勢在于能夠大幅度提升檢測效率，同時有利于實現船舶管系建造的信息化系統集成，改變原有人工監管的弊病。國內外有很多學者研究了圖像處理技術在建造監管中的應用。陳鑫[1]提出使用激光視覺傳感技術將圖像處理技術應用于自動焊接，研究結果表明，通過對圖像的去噪和增強，圖像處理技術可以大幅度提升焊接的精度。左浩[2]提出使用圖像處理算法來對焊縫的完整程度進行識別，建立常規焊接圖像質量特征庫，使用支持向量機的方法結合特征庫進行訓練可以完成對焊縫中存在的裂紋和漏洞等進行識別。趙輝[3]針對迷彩涂層質量檢測的問題，提出使用機器視覺對相關問題進行檢測。

本文在國內外研究的基礎上，將圖像處理技術應用于船舶管系建造的監管過程，通過對管系建造過程中的管道種類、焊接質量等進行檢測，達到對船舶管系建造監管的目的。

1 圖像預處理技術

1.1 圖像去噪

圖像去噪技術是常見的圖像處理方法，目前常用的圖像去噪方法包括高斯濾波以及中值濾波。在船舶管系建造過程中，獲取的圖像經常會存在高斯噪聲，因而在對圖像處理前需要使用中值濾波去除圖像中存在的噪聲[4-5]。

對目前已經采集的船舶管系照片處理時發現：使用當前圖像采集系統獲取船舶管系的圖片，這些圖片的噪聲主要包括2 種，一種是幅值隨機分布的噪聲，另外一種則是幅值相同，但是出現在圖片中的位置是隨機的。圖像的中值濾波方法通過提取圖像的灰度值，并且將圖像分為若干個區域，根據鄰域內的像素值來確定中心的像素值，因而可以有效消除噪聲。中值濾波使用奇數個點的窗口，并將2 個元素灰度值的平均值作為中心點的亮度，一般中值濾波會采用多種窗口濾波，本文使用3×3、5×5 以及7×7 窗口，并使用船舶管系的噪聲圖片進行實驗對比，圖1 所示?？梢钥闯?，3×3 中值濾波效果最好。

圖1 不同窗口中值濾波效果比較Fig. 1 Comparison of filtering effect of different windows median

1.2 圖像增強及邊緣提取

船舶管系在建造過程中，使用CCD 或者其他圖像成像設備采集的圖像很有可能受到光線的影響導致成像效果不佳，因而在使用圖像處理技術應用于船舶管系建造監管時需要對圖像進行增強，盡量消除環境因素對采集圖像質量的影響。因而圖像增強的最終目標是為了提取目標圖像中的有效信息，包括輪廓以及一些重要邊緣信息等[6]。

直方圖均衡是目前最為常用的一種圖像增強方法，其基本思想是先獲取原圖像的灰度分布，然后將原始圖像的直方圖均勻分布，降低圖像不同像素之間的亮度差，提升圖像整體的對比度。圖2 為直方圖均衡前后的對比效果，可以發現在均衡前，一些像素點的亮度非常集中，而在均衡后這些像素點的范圍得到了有效擴展。

圖2 直方圖均衡效果對比Fig. 2 Histogram balancing effect comparison

圖像的輪廓提取在對船舶管系建造監管中完成管系整體的監控，在完成圖像的增強后即可使用邊緣檢測和特征提取算法完成船舶管系的邊緣檢測。使用Sobel 邊緣檢測算子確定管道的邊緣，圖3 為圖像邊緣檢測的原理示意圖。圖像函數f(x,y)對橫坐標x和縱坐標y求偏導數，分別為：

圖3 邊緣檢測原理示意圖Fig. 3 Schematic diagram of edge detection principle

則梯度值可以表示為：

當σ≥ 設定閾值時，則該點為圖像的邊緣點。

圖4 為船舶管系邊緣提取結果。可以看出，通過邊緣檢測能夠得到所有管道的輪廓，包括一些管道上的指向箭頭等標志，這些都將大大降低對管系建造監管中的工作量，極大提升監管效率。

圖4 船舶管系邊緣提取Fig. 4 Ship piping edge extraction

2 圖像處理在管系建造監管中的應用

2.1 船舶管系的識別

在船舶管系建造過程中，船舶不同管系的顏色均不相同，可以通過對船舶管系顏色的識別來對建造過程中管道的排布進行監管，表1 為常見管系的顏色。

表1 船舶不同管系的顏色Tab. 1 The colors of the ship's different piping systems

所有管道的顏色都是由R，G，B 三種顏色不同層度的疊加來實現，因而對船舶管系顏色的識別可以幫助監管人員通過和建造圖紙對比發現存在的問題，由于每一種顏色對應的管道類型是確定的，因而可以通過圖像識別的方法快速地確定船舶管系建造是否符合圖紙的建造要求[7]。在實際應用中，由于管道縱橫交錯，因而管道顏色的鑒別需要結合輪廓檢測實現，檢測出每一種顏色管道的具體走向，可以更加清晰確定當前船舶管系的建造和設計圖紙之間的差別。

2.2 管系焊接質量檢測

船舶很多管系在連接處需要進行焊接作業，而焊接質量受到焊接技術、焊接工藝選擇、焊接材料的質量、機器設備的狀態以及環境因素等影響。

為了使用圖像處理技術對焊接質量進行合理評價，需要使用SVM 向量機技術結合圖像處理技術。SVM向量機技術可以根據歷史圖像數據來學習合格焊縫要求，對那些焊接不合格的焊縫進行判定，如焊接的邊緣不是直線，或者焊縫處焊接不均勻等。支持向量機技術可以通過有限的樣本學習實現對線性問題以及非線性問題的判定。

將焊縫分為以下幾種類型：合格焊縫（A1），焊縫現狀缺陷（A2），焊縫裂紋（A3），焊縫未焊滿（A4），焊縫表面氣孔（A5）。使用支持向量機技術對焊縫質量進行判定的主要流程如下：

1）建立管系焊接圖像訓練庫，初始化所有的特征值。圖庫需要從不同船舶上的若干管道焊接處拍照，同時在建立焊縫圖片庫時需要根據4 種不同的焊縫類型采集同樣數量的圖片，共計1 000 張。將1 000 張圖片中的500 張作為訓練集，另外500 張作為測試集，測試集和訓練集均包含每種焊縫類型圖片100 張。

2）將所有測試集圖片和訓練集圖片歸一化處理，形成統一大小的焊縫圖片庫，圖片大小為400×400。

3）選擇核函數。在支持向量機中需要選擇合適的核函數，目前常用的核函數包括多項式核函數、高斯核函數以及 Sigmord 核函數。本文選擇高斯核函數作為建立的船舶管道焊縫質量分類的核函數，采用的高斯核函數具體定義如下：

其中，δ2為方差。

4）完成樣本的訓練并建立訓練分類模型。

5）對建立的訓練分類模型的參數進行優化，參數的選擇可以根據10 次訓練結果的分類正確率來判定，選取這10 次訓練結果中正確率最高的5 次，并將這5 次訓練中所使用的參數求平均值。

6）將經過參數優化后的分類模型作為測試分類模型，對500 幅焊縫圖片進行測試，得到所有的圖片分類結果，并將結果和實際結果進行對比分析。

通過以上流程即可實現圖像處理技術和支持向量機技術的有效結合，在訓練完成后即可實現對船舶管系焊縫的識別和判定，具體流程如圖5 所示。

圖5 基于SVM 和圖像處理的焊縫分類判定流程圖Fig. 5 Weld classification decision flow chart based on SVM and image processing

3 結 預

船舶管系建造是一項系統性工程，管系的安裝以及焊接過程中會受到材料質量、工人技能、焊接工藝等多方面的影響。傳統船舶管系建造監管依靠人力效率很低，本文在對圖像處理技術應用船舶管系建造監管。

1）對圖像預處理技術進行研究，包括圖像去噪、圖像增強以及邊緣提取等。對不同窗口的中值濾波效果進行比較，并對比直方圖均衡前后效果，在此基礎上提取船舶管系的邊緣特征。

2）研究圖像處理技術在船舶管系識別中的應用，通過對船舶管系顏色和輪廓的識別，可以確定船舶管系的建造和設計圖紙之間的差別。

3）研究船舶管系焊接質量的影響因素，提出了基于支持向量機和圖像處理技術的焊縫分類判定流程。通過少量樣本的訓練可以完成對船舶管系焊縫焊接質量的基本判定，大幅度提升船舶管系建造監管效率。