王曉 宋燕
摘要:目前針對超高速碎片云的研究大多是采用SPH數(shù)字模擬方法,用離散點表示碎片云,但這種方法難以對單個碎片進行識別。少數(shù)研究通過閃光X成像技術(shù)獲得了撞擊過程中的碎片云序列,對碎片云進行了動態(tài)圖像診斷和定性分析。但是X 射線照片分辨率較低,對比度較低,無法對碎片云進行定量分析獲取其精確參數(shù)。采用超高速序列激光陰影成像設備獲得2組對比度較高,分辨率達500萬像素的碎片云圖像,并通過多種圖像分割方法將碎片云與背景分離同時將粘連的碎片分割開,然后在ROI區(qū)域(region of interest, ROI)內(nèi)采用基于Hu不變矩的輪廓識別方法對相鄰幀的碎片進行識別,從而對碎片云進行了定量分析,獲得了碎片的軸向運動速度,并得到了碎片運動軌跡。實驗結(jié)果表明基于簡單線性迭代聚類(simple linear iterative clustering, slic)超像素分割算法適用于碎片云圖像的分割且分割后的碎片識別度較高;碎片的軸向速度從碎片云的后端到前端逐漸增大,且位于前端的碎片速度最大;碎片云對后板中心附近區(qū)域造成的損傷嚴重。該方法為碎片云圖像的研究奠定了基礎(chǔ),對超高速碎片云的特性研究具有重要意義。
關(guān)鍵詞: 超高速; 碎片云; 圖像分割
【Abstract】 Majority of researches on hypervelocity debris cloud are digital simulations based on Smoothed Particle Hydrodynamics (SPH) method. Debris cloud is simulated by some discrete particles. But it is difficult to identify each debris individually. Some of results make a diagnosis of dynamic images of debris cloud and conduct qualitative analysis by using X-ray image of debris cloud. However, it is impossible to acquire the precise parameters of debris cloud. In this paper, two sets of debris cloud images with high resolution and high contrast are obtained by employing the Hypervelocity sequence Laser Shadowgraph Imager. To get obvious contour characteristics of debris cloud image and separate the debris from the background as well as the adhering debris, multiple image segmentation algorithms are applied. Then an image feature recognition algorithm based on Hu moment invariants in the region of interest location(ROI) is conducted and the qualitative analysis of dynamic debris is achieved. Finally, the axial velocity of debris is calculated and the trajectory of debris is simulated. It is demonstrated that the recognition rate of debris is the highest by combining with the simple linear iterative clustering super-pixel segmentation algorithm and the velocity of debris from the rear of debris cloud to the front side of debris cloud is increasing. The velocity of debris in the front side is the most fast one. According to the trajectory of debris, the area around the center of the rear wall suffers a severe damage. In conclusion, this method is of great significance to study on the characteristics of hypervelocity debris cloud.
【Key words】 ?hypervelocity; debris cloud; image segmentation
0 引 言
隨著人類對太空探索腳步的加快,空間碎片環(huán)境近年來急劇惡化,各國對航天器特別是載人航天器和空間實驗室碎片防護結(jié)構(gòu)設計[1-2],以及空間碎片云的研究愈加重視。由于超高速碰撞發(fā)生在空間,要真實地獲取碎片云參數(shù)極其困難,因此地面模擬試驗便成為獲取碎片云參數(shù)的主要途徑,即應用二級輕氣炮加載技術(shù)進行彈丸超高速正撞擊薄板實驗研究。
目前主要的超高速碎片研究大多都是傳統(tǒng)的物理方法,其中應用最為廣泛的是SPH方法[3-5],采用規(guī)則的粒子來模擬碎片云的形成過程,而實際工程中超高速碰撞涉及大形變其運動是不規(guī)則的,因此模擬數(shù)值與實驗中的真實數(shù)據(jù)有一定差距,同時SPH方法的求解計算量巨大,不僅耗費資源嚴重還十分耗時。然而大部分碎片云圖像研究是利用閃光 X 射線照相設備獲取碎片云圖像,對碎片云的形狀變化進行了定性分析,借助不同時刻拍攝的 X 射線照片對碎片云上某一點的速度進行測量,通過同一點在不同時刻所處位置的間距與拍攝時間之差的比值來獲得該點的速度[6]。由于X 射線照片分辨率較低,對比度較低,且碎片云的運動是不規(guī)則的。故碎片云、背景以及噪聲難以區(qū)分,難以獲取碎片云的精確參數(shù)。此外,Watson等人[7]提出了一種測量碎片速度和尺寸的方法,針對碎片云視頻幀序列建立二維空間和時間的三維坐標系,將同一條直線上的點視為同一碎片,并采用了隨機一致算法進行了數(shù)據(jù)的篩選,由此得到碎片的運動軌跡和速度,這樣匹配得到的碎片具有一定的隨機性,未結(jié)合碎片的特征進行識別,誤差較大。
隨著人工智能的興起,圖像處理和模式識別已經(jīng)應用在很多領(lǐng)域并取得了不錯的成果,如醫(yī)學圖像分析、光學文字識別以及目標追蹤等。本文基于均值漂移、邊緣檢測、超像素分割、k-means聚類分割、水平集分割方法和基于矩的特征匹配方法對碎片云的特性展開研究。采用中國空氣動力研究與發(fā)展中心的超高速序列激光陰影成像設備獲得了2組對比度較高,分辨率達五百萬像素的碎片云圖像,首先利用均值漂移濾波對原始的碎片云圖像進行了平滑處理,去除了噪聲等干擾信息;然后通過多種圖像分割方法將碎片云和背景分離并將粘連的碎片分割開,得到輪廓清晰特征明顯的碎片云圖像;接著在ROI區(qū)域內(nèi)采用基于Hu不變矩的匹配算法對每個碎片輪廓特征進行識別,最后對碎片質(zhì)心移動的位置進行定量分析得到碎片的軸向速度,同時得到了碎片的運動軌跡。實驗結(jié)果顯示基于簡單線性迭代聚類超像素分割算法的適合于碎片云圖像的分割,不僅能將前端大部分粘連重疊的碎片輪廓提取出來還能保留細小碎片的輪廓特征,同時碎片識別數(shù)量較高;多組實驗對比發(fā)現(xiàn)碎片的軸向速度越靠近碎片云的前端,速度越大;大部分碎片最后撞擊的位置集中在后板的中心位置附近,并對后板中心附近區(qū)域造成嚴重損傷。
1 實驗及相關(guān)數(shù)據(jù)
本文采用二級輕氣炮發(fā)射球形彈丸進行超高速撞擊試驗,獲得了2組碎片云圖像,每組各八幀圖像,圖像分辨率為2 400×2 400,彈丸材料為2017-T4鋁合金,靶板材料采用6061-T6 單層鋁合金板。2組實驗數(shù)據(jù)見表1。
4 實驗結(jié)果與分析
碎片成功匹配數(shù)量見表3。由表3可知slic分割算法得到的圖像進行輪廓特征匹配后成功識別的碎片的數(shù)量最多。[JP2]分割得到的圖像在基于hu矩的輪廓特征中識別效果優(yōu)于其他三種分割方法,尤其是對于位于碎片云前端的碎片識別率更高,因此4種分割算法中,slic算法更適用于碎片云圖像的分割。
對基于slic超像素算法分割的結(jié)果進行匹配得到的碎片的軸向速度進行了求解,求解結(jié)果見表4,表5,每個碎片有屬于自己的編號和對應速度。
碎片云軸向最大速度即前端速度是評價航天器內(nèi)部儀器設備毀傷程度的重要因素,儀器設備的外殼能否被擊穿以及擊穿面積大小都與碎片云的前端速度密切相關(guān)。結(jié)合表4、圖8以及表5和圖9分析得知,位于碎片云前端的碎片軸向速度較快,位于碎片云后端的碎片速度較慢,從碎片云后端到碎片云前端碎片速度逐漸增大。分析圖8和圖9可知,位于碎片云后端的框內(nèi)的碎片速度大多小于1 km/s,位于碎片云中部的框內(nèi)的碎片速度大多介于1 km/s與2 km/s之間,位于碎片云前端的框內(nèi)碎片速度約為2 km/s。觀察表4知道,碎片編號為31、41、42的碎片的速度約為2 km/s且碎片的位置也靠近碎片云的前端。在表5中,碎片編號為22、51、64、77的碎片速度約為2.2 km/s且碎片的位置也靠近碎片云的前端。同時,由于實驗1中彈丸的直徑小于實驗2中彈丸的直徑,故撞擊形成的碎片也相對較少,從而實驗2匹配得到的碎片數(shù)量多于實驗1匹配的碎片數(shù)量。
根據(jù)匹配得到的連續(xù)幀的碎片質(zhì)心坐標,在二維空間XY坐標下獲得了碎片的運動軌跡,如圖10所示。大部分碎片最后撞擊的位置集中在后板的中心位置附近如圖中黑色圓點所示,因此后板中心附近為損傷最為嚴重的區(qū)域。
5 結(jié)束語
本文利用圖像處理的方法對碎片云的特性進行了深入研究。通過對實驗獲得的連續(xù)幀碎片云圖像進行圖像處理,對碎片云的特性進行了定量分析,采用4種不同的分割算法對碎片云圖像進行分割,對比了4種分割算法的有效性,同時在相鄰幀碎片云圖像中對同一碎片進行識別匹配,進而得到了碎片的運動軌跡。通過分析可以得出以下結(jié)論:
(1)基于簡單線性迭代聚類超像素分割算法得到的碎片云圖像分割效果更好,不僅能將粘連的碎片分割開而且能保留許多細小的碎片,還能更好地處理碎片云前端的碎片從而得到位于碎片云前端的碎片軸向速度、即碎片云最大軸向速度,同時在進行碎片匹配時,正確匹配的碎片數(shù)量更多。
(2)位于碎片云后端的碎片軸向速度較慢,位于碎片云前端的碎片軸向速度較快,從碎片云后端到碎片云前端碎片速度逐漸增大。
(3)根據(jù)碎片運動軌跡可知大部分碎片最后集中在后板中心附近的位置,并對后板造成嚴重損傷。
實驗結(jié)果表明運用圖像處理的方法對碎片云圖像進行研究,可實現(xiàn)對碎片云中單個碎片的識別,從而獲得單個碎片的深度信息如軸向速度,運動軌跡。在碎片云的膨脹過程中,由于部分碎片會發(fā)生翻轉(zhuǎn),拍攝獲得的碎片云圖像中同一碎片形態(tài)會有所差異,對于這部分碎片的識別仍有一定難度,對于碎片云特性的研究仍然需要進一步的探索。在接下來的研究中,主要從碎片圖像的獲取方法和圖像處理算法兩個方面進行改進。為了提高碎片識別的精度,需要從不同角度獲得更多高質(zhì)量碎片云圖像,進而提取碎片云的更多信息。另一方面,結(jié)合獲得的碎片特征信息采用更可靠的匹配算法對碎片進行識別,從而對碎片云的特性進行進一步的研究。
參考文獻
[1] LIOU J C, JOHNSON N L. Planetary science: Risks in space from orbiting debris[J]. Science, 2006, 311(5759):340.
[2]BERNHARD R P , CHRISTIANSEN E L , KESSLER D E . Orbital debris as detected on exposed spacecraft[J]. International Journal of Impact Engineering, 1997, 20(1-5):111.
[3]CARRASCO C, MELCHOR-LUCERO O, OSEGUEDA R, et al. Damage-potential comparison of spherical and cylindrical projectiles impacting on a system of bumper plates[J]. International Journal of Impact Engineering, 2006, 33(1): 143.
[4]HERNANDEZ V S, MURR L E, ANCHONDO I A. Experimental observations and computer simulations for metallic projectile fragmentation and impact crater development in thick metal targets[J]. International Journal of Impact Engineering, 2006, 32(12): 1981.
[5]王小峰,陶鋼,聞鵬,等. SPH方法在超高速撞擊問題中的應用研究[J]. 兵器裝備工程學報,2019,40(9):7.
[6] 遲潤強. ?彈丸超高速撞擊薄板碎片云建模研究[D]. 哈爾濱:哈爾濱工業(yè)大學,2010.
[7]WATSON E, GULDE M, HIERMAIER S. Fragment tracking in hypervelocity impact experiments[J]. Procedia engineering, 2017, 204: 170.
[8]JARABO-AMORES P, ROSA-ZURERA M, DE L M D, et al. Spatial-range mean-shift filtering and segmentation applied to SAR Images[J]. IEEE Transactions on Instrumentation and Measurement, 2011, 60(2):584.
[9]LIU Wei, DUAN Yubo, SHAO Keyong, et al. Image smoothing based on the mean shift algorithm[C]// IEEE International Conference on Control & Automation. Guangzhou:IEEE, 2007:1.
[10]CANNY J. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1986,8 (6):679.
[11]RONG W, LI Z, ZHANG W, et al. An improved Canny edge detection algorithm[C]//2014 IEEE International Conference on Mechatronics and Automation. Tianjin,China:IEEE, 2014: 577.
[12]ACHANTA R, SHAJI A, SMITH K, et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274.
[13]REN Yuheng, REID I. gSLIC: A real-time implementation of SLIC superpixel segmentation[R]. UK:University of Oxford,2011.
[14]SINGH M, PATEL P, KHOSLA D, et al. Segmentation of functional MRI by K-means clustering[J]. IEEE Transactions on Nuclear Science, 1996, 43(3): 2030.
[15]OSHER S, FEDKIW R, PIECHOR K. Level set methods and dynamic implicit surfaces[M].New York: Springer-Verlag, 2002.
[16]LI C M, XU C Y, GUI C F, et al. Distance regularized level set evolution and its application to image segmentation[J]. IEEE Transactions on Image Processing, 2010, 19(12): 3243.
[17]SALARNA G I, ABBOTT A L. Moment invariants and quantization effects[C]//1998 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No. 98CB36231).Santa Barbara,CA, USA: IEEE, 1998: 157.
[18]TEH C H, CHIN R T. On image analysis by the methods of moments[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence, 1988,10(4): 556.