王曉 宋燕
摘要:目前針對(duì)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(diǎn)表示碎片云,但這種方法難以對(duì)單個(gè)碎片進(jìn)行識(shí)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(duì)碎片云進(jìn)行了動(dòng)態(tài)圖像診斷和定性分析。但是X 射線照片分辨率較低,對(duì)比度較低,無法對(duì)碎片云進(jìn)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(shè)備獲得2組對(duì)比度較高,分辨率達(dá)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(shí)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(shí)別方法對(duì)相鄰幀的碎片進(jìn)行識(shí)別,從而對(duì)碎片云進(jìn)行了定量分析,獲得了碎片的軸向運(yùn)動(dòng)速度,并得到了碎片運(yùn)動(dòng)軌跡。實(shí)驗(yàn)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(shí)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(duì)后板中心附近區(qū)域造成的損傷嚴(yán)重。該方法為碎片云圖像的研究奠定了基礎(chǔ),對(duì)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(duì)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(duì)航天器特別是載人航天器和空間實(shí)驗(yàn)室碎片防護(hù)結(jié)構(gòu)設(shè)計(jì)[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(shí)地獲取碎片云參數(shù)極其困難,因此地面模擬試驗(yàn)便成為獲取碎片云參數(shù)的主要途徑,即應(yīng)用二級(jí)輕氣炮加載技術(shù)進(jìn)行彈丸超高速正撞擊薄板實(shí)驗(yàn)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(yīng)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(shí)際工程中超高速碰撞涉及大形變其運(yùn)動(dòng)是不規(guī)則的,因此模擬數(shù)值與實(shí)驗(yàn)中的真實(shí)數(shù)據(jù)有一定差距,同時(shí)SPH方法的求解計(jì)算量巨大,不僅耗費(fèi)資源嚴(yán)重還十分耗時(shí)。然而大部分碎片云圖像研究是利用閃光 X 射線照相設(shè)備獲取碎片云圖像,對(duì)碎片云的形狀變化進(jìn)行了定性分析,借助不同時(shí)刻拍攝的 X 射線照片對(duì)碎片云上某一點(diǎn)的速度進(jìn)行測(cè)量,通過同一點(diǎn)在不同時(shí)刻所處位置的間距與拍攝時(shí)間之差的比值來獲得該點(diǎn)的速度[6]。由于X 射線照片分辨率較低,對(duì)比度較低,且碎片云的運(yùn)動(dòng)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(cè)量碎片速度和尺寸的方法,針對(duì)碎片云視頻幀序列建立二維空間和時(shí)間的三維坐標(biāo)系,將同一條直線上的點(diǎn)視為同一碎片,并采用了隨機(jī)一致算法進(jìn)行了數(shù)據(jù)的篩選,由此得到碎片的運(yùn)動(dòng)軌跡和速度,這樣匹配得到的碎片具有一定的隨機(jī)性,未結(jié)合碎片的特征進(jìn)行識(shí)別,誤差較大。
隨著人工智能的興起,圖像處理和模式識(shí)別已經(jīng)應(yīng)用在很多領(lǐng)域并取得了不錯(cuò)的成果,如醫(yī)學(xué)圖像分析、光學(xué)文字識(shí)別以及目標(biāo)追蹤等。本文基于均值漂移、邊緣檢測(cè)、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(duì)碎片云的特性展開研究。采用中國空氣動(dòng)力研究與發(fā)展中心的超高速序列激光陰影成像設(shè)備獲得了2組對(duì)比度較高,分辨率達(dá)五百萬像素的碎片云圖像,首先利用均值漂移濾波對(duì)原始的碎片云圖像進(jìn)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(duì)每個(gè)碎片輪廓特征進(jìn)行識(shí)別,最后對(duì)碎片質(zhì)心移動(dòng)的位置進(jìn)行定量分析得到碎片的軸向速度,同時(shí)得到了碎片的運(yùn)動(dòng)軌跡。實(shí)驗(yàn)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(xì)小碎片的輪廓特征,同時(shí)碎片識(shí)別數(shù)量較高;多組實(shí)驗(yàn)對(duì)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(duì)后板中心附近區(qū)域造成嚴(yán)重?fù)p傷。
1 實(shí)驗(yàn)及相關(guān)數(shù)據(jù)
本文采用二級(jí)輕氣炮發(fā)射球形彈丸進(jìn)行超高速撞擊試驗(yàn),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(shí)驗(yàn)數(shù)據(jù)見表1。
4 實(shí)驗(yàn)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(jìn)行輪廓特征匹配后成功識(shí)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(shí)別效果優(yōu)于其他三種分割方法,尤其是對(duì)于位于碎片云前端的碎片識(shí)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(duì)基于slic超像素算法分割的結(jié)果進(jìn)行匹配得到的碎片的軸向速度進(jìn)行了求解,求解結(jié)果見表4,表5,每個(gè)碎片有屬于自己的編號(hào)和對(duì)應(yīng)速度。
碎片云軸向最大速度即前端速度是評(píng)價(jià)航天器內(nèi)部儀器設(shè)備毀傷程度的重要因素,儀器設(shè)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(hào)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(hào)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(shí),由于實(shí)驗(yàn)1中彈丸的直徑小于實(shí)驗(yàn)2中彈丸的直徑,故撞擊形成的碎片也相對(duì)較少,從而實(shí)驗(yàn)2匹配得到的碎片數(shù)量多于實(shí)驗(yàn)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(biāo),在二維空間XY坐標(biāo)下獲得了碎片的運(yùn)動(dòng)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(diǎn)所示,因此后板中心附近為損傷最為嚴(yán)重的區(qū)域。
5 結(jié)束語
本文利用圖像處理的方法對(duì)碎片云的特性進(jìn)行了深入研究。通過對(duì)實(shí)驗(yàn)獲得的連續(xù)幀碎片云圖像進(jìn)行圖像處理,對(duì)碎片云的特性進(jìn)行了定量分析,采用4種不同的分割算法對(duì)碎片云圖像進(jìn)行分割,對(duì)比了4種分割算法的有效性,同時(shí)在相鄰幀碎片云圖像中對(duì)同一碎片進(jìn)行識(shí)別匹配,進(jìn)而得到了碎片的運(yùn)動(dòng)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(xì)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(shí)在進(jìn)行碎片匹配時(shí),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(yùn)動(dòng)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(duì)后板造成嚴(yán)重?fù)p傷。
實(shí)驗(yàn)結(jié)果表明運(yùn)用圖像處理的方法對(duì)碎片云圖像進(jìn)行研究,可實(shí)現(xiàn)對(duì)碎片云中單個(gè)碎片的識(shí)別,從而獲得單個(gè)碎片的深度信息如軸向速度,運(yùn)動(dòng)軌跡。在碎片云的膨脹過程中,由于部分碎片會(huì)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(huì)有所差異,對(duì)于這部分碎片的識(shí)別仍有一定難度,對(duì)于碎片云特性的研究仍然需要進(jìn)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(gè)方面進(jìn)行改進(jìn)。為了提高碎片識(shí)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(jìn)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(duì)碎片進(jìn)行識(shí)別,從而對(duì)碎片云的特性進(jìn)行進(jìn)一步的研究。
參考文獻(xiàn)
[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(yīng)用研究[J]. 兵器裝備工程學(xué)報(bào),2019,40(9):7.
[6] 遲潤強(qiáng). ?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(xué),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.