雙目視覺(jué)技術(shù)在水工建筑水下檢測(cè)中的應(yīng)用研究

摘要：大壩、水閘、泵站等水工建筑結(jié)構(gòu)在施工時(shí)可能存在某些缺陷，特別隨著水工建筑物的服役期限逐漸增長(zhǎng)，由于水流侵蝕和凍融風(fēng)化作用，其水下結(jié)構(gòu)會(huì)出現(xiàn)裂縫、凹坑、侵蝕等缺陷，嚴(yán)重影響水工建筑的服役安全。文章提出基于雙目視覺(jué)技術(shù)提高水工建筑水下檢測(cè)任務(wù)完成質(zhì)量。首先進(jìn)行水下雙目相機(jī)標(biāo)定，然后采用改進(jìn)人工魚(yú)群算法應(yīng)用于最大熵閾值法完成水下圖像分割，圖像分割結(jié)果突出檢測(cè)目標(biāo)特征，為水下檢測(cè)工作提供了參考和依據(jù)。

關(guān)鍵詞：雙目視覺(jué)；水工建筑；水下檢測(cè)

中圖分類(lèi)號(hào)：TP319" " " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）33-0007-03

針對(duì)水工建筑水下檢測(cè)任務(wù)，可以安排潛水員通過(guò)目視、水下攝像等方式進(jìn)行水下檢測(cè)作業(yè)，但手工檢測(cè)技術(shù)對(duì)潛水操作技能和潛水員的水下操作經(jīng)驗(yàn)要求較高，并且測(cè)試結(jié)果不夠準(zhǔn)確、客觀[1]。相比而言，通過(guò)搭載攝像設(shè)備的水下潛器來(lái)完成水工建筑水下檢測(cè)任務(wù)，則能實(shí)現(xiàn)更高的工作效率和檢測(cè)精度。

雙目視覺(jué)測(cè)量方法憑借著效率高、精度適宜、系統(tǒng)結(jié)構(gòu)簡(jiǎn)單、成本低等優(yōu)點(diǎn)，已逐漸在非接觸檢測(cè)領(lǐng)域得到了廣泛應(yīng)用。同時(shí)，自主水下機(jī)器人由于大多通過(guò)鋰電池提供動(dòng)力，可實(shí)現(xiàn)一定負(fù)載下的連續(xù)巡航與較大范圍自主作業(yè)。因此，以自主水下機(jī)器人為載體，采用雙目視覺(jué)技術(shù)對(duì)水工建筑服役狀態(tài)進(jìn)行檢測(cè)，為水工建筑水下檢測(cè)作業(yè)提供了新的探索和實(shí)踐途徑。

1 水下相機(jī)標(biāo)定

雙目視覺(jué)是一種模擬人眼進(jìn)行定位的技術(shù)，通過(guò)兩個(gè)型號(hào)相近或相同的相機(jī)從不同角度對(duì)同一目標(biāo)進(jìn)行拍攝，基于視差原理，利用三角測(cè)量法對(duì)目標(biāo)進(jìn)行定位，從而恢復(fù)目標(biāo)的三維幾何信息[2]。實(shí)現(xiàn)上述目標(biāo)的一個(gè)主要環(huán)節(jié)是相機(jī)標(biāo)定，它是三維世界坐標(biāo)轉(zhuǎn)換到二維圖像坐標(biāo)投影參數(shù)求解的過(guò)程。具體而言，相機(jī)標(biāo)定的目的是獲得兩個(gè)攝像機(jī)的空間位置關(guān)系，具體包括求解左右相機(jī)內(nèi)參數(shù)矩陣、畸變系數(shù)矩陣、攝像頭之間的平移矩陣和旋轉(zhuǎn)矩陣。

首先，對(duì)左、右攝像頭分別進(jìn)行單目標(biāo)定，獲得左右相機(jī)內(nèi)參數(shù)矩陣和畸變系數(shù)矩陣，包括焦距（[fx]，[fy]）、圖像中心（[cx]，[cy]）、畸變系數(shù)（[k1]，[k2]，[p1]，[p2]，[k3]）以及兩個(gè)攝像頭分別相對(duì)標(biāo)定物的旋轉(zhuǎn)矩陣（[Rl]，[Rr]）和平移矩陣（[Tl]，[Tr]）。接下來(lái)，依照下列關(guān)系可以得到右攝像頭向左攝像頭的平移矩陣[T]和旋轉(zhuǎn)矩陣[R]。

[Pl=RlPW+Tl]" " " " " " " " " " " " " " " " " " "（1）

[Pr=RrPW+Tr]" " " " " " " " " " " " " " " " " " " （2）

[Pr=RPl+T]" " " " " " " " " " " " " " " " " " " "（3）

其中，[PW]是空間中的一點(diǎn)[P]在世界坐標(biāo)系下的坐標(biāo)，[Pl]和[Pr]是其在左右攝像機(jī)坐標(biāo)系下的坐標(biāo)。由此可得：

[R=RrRTl]" " " " " " " " " " " nbsp; " " " " " （4）

[T=Tr-RTl]" " " " " " " " " " " " " " " （5）

標(biāo)定過(guò)程中，保持處于平行軸的雙目相機(jī)位置不動(dòng)，通過(guò)變換標(biāo)定板的位姿，左、右水下相機(jī)各采集16張標(biāo)定圖像。鑒于水下機(jī)器人執(zhí)行水下檢測(cè)任務(wù)時(shí)的主要目標(biāo)是變形的開(kāi)裂、隆起、滲漏等[3]，因此標(biāo)定板布置在離相機(jī)15cm～20cm處，雙目相機(jī)物理基線(xiàn)距離為80mm。為了獲取圖像的畸變信息，標(biāo)定板處于圖像的不同位置。水下場(chǎng)景相機(jī)內(nèi)參數(shù)標(biāo)定圖像如下所示。

出于標(biāo)定精度和操作便利性考量，本文選用Matlab軟件完成雙目相機(jī)的水下標(biāo)定實(shí)驗(yàn)。標(biāo)定完成后可以得到每組圖片的重投影誤差，由標(biāo)定結(jié)果可知，均重投影誤差為0.24pixels，如圖3所示，同時(shí)得到相機(jī)相關(guān)參數(shù)數(shù)據(jù)，如圖4所示。

2基于改進(jìn)人工魚(yú)群算法的最大熵水下圖像分割

圖像分割是目標(biāo)識(shí)別預(yù)處理的關(guān)鍵步驟。特別在執(zhí)行水下檢測(cè)任務(wù)過(guò)程中，由于江河水質(zhì)的復(fù)雜性，導(dǎo)致光線(xiàn)在水下的傳播有折射、散射等現(xiàn)象的同時(shí)，渾濁的水質(zhì)和湍流也是導(dǎo)致水下圖像退化、模糊的因素，這會(huì)為水工建筑水下檢測(cè)結(jié)果的識(shí)別帶來(lái)困難。針對(duì)水下圖像中部分目標(biāo)區(qū)域與背景區(qū)域間對(duì)比度較低、目標(biāo)分割結(jié)果與背景粘連或不完整等問(wèn)題，采用改進(jìn)人工魚(yú)群算法對(duì)最大熵圖像分割進(jìn)行優(yōu)化。

基本人工魚(yú)群算法優(yōu)化原理是：一片水域中，魚(yú)生存數(shù)目最多的地方通常就是當(dāng)前水域中營(yíng)養(yǎng)物質(zhì)最多的地方。人工魚(yú)所在的空間即為待優(yōu)化問(wèn)題的解空間，人工魚(yú)當(dāng)前位置對(duì)應(yīng)的食物濃度[X]即為一個(gè)潛在解，在其視野范圍[Visual]內(nèi)，對(duì)其他人工魚(yú)個(gè)體狀態(tài)[XV]進(jìn)行感知。如果[XV]優(yōu)于人工魚(yú)當(dāng)前位置狀態(tài)[X]，那么該人工魚(yú)就根據(jù)判定條件[Evaluate（）]執(zhí)行覓食[Prey（）]、追尾[Follow（）]、聚群[Swarm（）]或隨機(jī)[Move（）]行為向狀態(tài)[XV]前進(jìn)[Step]距離，到達(dá)狀態(tài)[Xnext]。如果[XV]沒(méi)能優(yōu)于人工魚(yú)當(dāng)前位置狀態(tài)[X]，那么該人工魚(yú)繼續(xù)在視野范圍內(nèi)進(jìn)行搜索，以找到更優(yōu)的狀態(tài)。

a）覓食行為

假設(shè)人工魚(yú)[i]在當(dāng)前[t]時(shí)刻的狀態(tài)為[Xi]，在視野范圍內(nèi)隨機(jī)感知到狀態(tài)[Xj=Xi+Visual?rand（）]，如果該視點(diǎn)所在位置的食物濃度[Yj]優(yōu)于其當(dāng)前所在位置的食物濃度[Yi]（即[Yjgt;Yi] ），人工魚(yú)[i]朝[Xj]方向前進(jìn)一步，得到下一時(shí)刻狀態(tài)：

[Xt+1i=Xti+Xj-XtiXj-Xti?Step?rand（）]" " " " " " "（6）

否則，人工魚(yú)[i]重新隨機(jī)選擇視點(diǎn)[Xj]，若嘗試[try_number]次后仍不滿(mǎn)足前進(jìn)條件，那么人工魚(yú)[i]隨機(jī)移動(dòng)一步。

[Xt+1i=Xti+Visual?rand（）]" " " " " " " " " "（7）

b）追尾行為

假設(shè)人工魚(yú)[i]當(dāng)前[t]時(shí)刻的狀態(tài)為[Xi]，感知到當(dāng)前鄰域內(nèi)[ns]個(gè)同伴中狀態(tài)[Xj]具有最高食物濃度[Yj]且擁擠度[δc]適宜（即[Yj/nsgt;δc?Yi]），人工魚(yú)[i]向[Xj]方向前進(jìn)一步。否則，人工魚(yú)[i]執(zhí)行覓食行為。

[Xt+1i=Xti+Xj-XtiXj-Xti?Step?rand（）]" " " " " " （8）

c）聚群行為

假設(shè)人工魚(yú)[i]當(dāng)前[t]時(shí)刻的狀態(tài)為[Xi]，感知到當(dāng)前鄰域內(nèi)同伴數(shù)目[ns]及中心位置狀態(tài)[Xc]。如果同伴中心位置食物濃度較高且不太擁擠（即[Yc/nsgt;δc?Yi]），人工魚(yú)[i]向同伴中心位置[Xc]方向前進(jìn)一步。否則，人工魚(yú)[i]執(zhí)行覓食行為。

[Xt+1i=Xti+Xc-XtiXc-Xti?Step?rand（）]" " " " " （9）

d）隨機(jī)行為

假設(shè)人工魚(yú)[i]當(dāng)前[t]時(shí)刻的狀態(tài)為[Xi]，如果未能在視野范圍內(nèi)感知到比當(dāng)前更優(yōu)狀態(tài)，人工魚(yú)[i]隨機(jī)選擇一個(gè)狀態(tài)并向該方向前進(jìn)一步。

人工魚(yú)群算法對(duì)初值和參數(shù)選擇要求不高，同時(shí)具備很強(qiáng)的全局搜索能力[4]，但算法收斂速度相對(duì)較慢。針對(duì)此問(wèn)題，結(jié)合最大熵圖像分割優(yōu)化中的特點(diǎn)，引入自適應(yīng)視野和步長(zhǎng)，同時(shí)強(qiáng)化追尾行為和聚群行為，以提高人工魚(yú)群算法的收斂速度和搜索精度。

在改進(jìn)的算法中，每條人工魚(yú)個(gè)體通過(guò)公告板信息計(jì)算出與當(dāng)前最優(yōu)個(gè)體的距離，并將該距離作為自身在下一次迭代時(shí)的視野范圍[Visual]，同時(shí)根據(jù)預(yù)先設(shè)定的視步因子[aV∈[0，1]]計(jì)算下一次迭代時(shí)的步長(zhǎng)[Step=aV?Visual]。

根據(jù)最大熵閥值法[5]圖像分割原理，圖像灰度級(jí)別[∈[0，l-1]]，[t]是圖像分割閥值；[Pt=i=0tpi]，其中[pi]是灰度級(jí)別是[i]的概率，目標(biāo)是選擇最優(yōu)的[t]使圖像熵[H（t）=-i=0tpiPtlnpiPt-i=t+1l-1pi1-Ptlnpi1-Pt]最大。對(duì)于多閥值，則變?yōu)檎业侥苁箞D像熵[H（t1，t2，...，tk）=-i=0t1piPt0lnpiPt0-i=t1+1t2piPt1lnpiPt1-...-i=til-1piPtklnpiPtk]最大的多閥值[tk]。

本文選擇2閥值實(shí)現(xiàn)圖像分割優(yōu)化，設(shè)定人工魚(yú)數(shù)量[total=20]，嘗試次數(shù)[try_number=2]，視野范圍[visual=8]，步長(zhǎng)[step=8]，擁擠度因子[δ=0.7]，算法迭代次數(shù)為50。選取2組水下檢測(cè)圖片結(jié)果進(jìn)行分割優(yōu)化后的結(jié)果如下：

從基于改進(jìn)人工魚(yú)群參數(shù)優(yōu)化算法的圖像分割結(jié)果可以看出，雖然初始水下圖像對(duì)比度較低模糊性較強(qiáng)，但圖像分割效果較好，有效地保留了目標(biāo)的形狀信息，突出了檢測(cè)目標(biāo)的特征，為水工建筑水下缺陷的檢測(cè)和識(shí)別提供了有力依據(jù)。

3結(jié)論

面向水工建筑水下部分的檢測(cè)任務(wù)，本文采用雙目視覺(jué)技術(shù)對(duì)目標(biāo)進(jìn)行圖像采集，完成了水下相機(jī)標(biāo)定，得到相機(jī)參數(shù)，然后采用改進(jìn)人工魚(yú)群算法實(shí)現(xiàn)對(duì)最大熵閥值法參數(shù)優(yōu)化，完成水下圖像分割，得到的結(jié)果有效突出了目標(biāo)特征，驗(yàn)證了方法有效性，為實(shí)際水工建筑水下檢測(cè)作業(yè)提供了參考。

參考文獻(xiàn)：

[1] 譚界雄，田金章，王秘學(xué).水下機(jī)器人技術(shù)現(xiàn)狀及在水利行業(yè)的應(yīng)用前景[J].中國(guó)水利，2018（12）：33-36.

[2] 董鵬，周烽，趙悰悰，等.基于雙目視覺(jué)的水下海參尺寸自動(dòng)測(cè)量方法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（8）：271-278.

[3] 林泓，李靈汐.有纜遙控水下機(jī)器人在水利水電工程領(lǐng)域的應(yīng)用現(xiàn)狀與發(fā)展前景[J].新型工業(yè)化，2021，11（2）：198-200.

[4] 伍鎣芮，張志勇.基于改進(jìn)粒子群人工魚(yú)群算法的二維熵多閾值快速圖像分割[J].現(xiàn)代計(jì)算機(jī)，2021（1）：56-61.

[5] 章毓晉.圖像分割[M].北京：科學(xué)出版社，2001.

【通聯(lián)編輯：唐一東】