嵌入式海底管線檢測系統(tǒng)設計與實現*

周文濤 馬國軍，2 丁 安 王 彪，2

（1.江蘇科技大學電子信息學院 鎮(zhèn)江 212003）（2.鎮(zhèn)江市智慧海洋信息感知與傳輸重點實驗室 鎮(zhèn)江 212003）

1 引言

由于電力、石油和天然氣等能源運輸的需求，近年來在海底建設了越來越多的水下基礎設施，如電纜和管道，以滿足輸送油氣和通信的需求。海底管線經過海水的長時間浸泡和腐蝕，或者受海底地殼運動的影響，極易發(fā)生破損或斷裂，從而造成巨大的經濟損失和環(huán)境污染。為了保持這些基礎設施的安全和可靠，必須對管線進行定期檢測和維護。

自主式水下機器人（Autonomous Underwater Vehicle，AUV）相較于遙控潛水器（Remotely Operated Vehicle，ROV）進行管線檢測具有低成本、靈活方便的特點，并逐步獲得應用［1～2］。在文獻［3］的管道檢測中，AUV通過相機獲取水下管道線圖像并進行小波圖像增強、基于熵的管道圖像分割，根據視覺反饋對腐蝕管道檢查和跟蹤，從而控制AUV的航向。文獻［4］研究單目視覺的水下管線檢測與跟蹤技術，但光學成像受海水渾濁度影響，探測距離有限。

由于聲納探測可以不受水體渾濁度的影響且探測距離遠，常作為AUV配置的設備進行海底管線探測。文獻［5～6］利用的合成孔徑聲納具有較高的分辨率但成本也較高。

文獻［7］根據合成孔徑聲納圖像中水下目標的特征，提出Radon變換和Grab Cut的管線提取算法。從聲納圖像中提取管線，需要先設定閾值將目標從背景中分離［8］，然后對分割出的目標Hough變換［9～10］提取直線。文獻［11］利用紋理信息，采用神經網絡和支持向量機進行邊緣分類的方法檢測線狀目標。

平均恒虛警率的方法最先用在雷達信號目標檢測中，文獻［12～13］引入該思想，自適應地產生分割閾值，對側掃聲納圖像目標分割，有效地完成管線檢測。

本文研究海底管線檢測聲納圖像的嵌入式軟硬件設計，利用側掃聲納得到海底聲圖，開發(fā)聲納圖像管線檢測新方法。

2 管線檢測嵌入式硬件設計

為了在海底檢查任務中以較低成本獲得較高質量的數據，AUV配置的常用傳感器有DVL（Doppler Velocity Logs）、GPS、視覺相機和側掃聲納，IMU（Inertial Measurement Unit）和壓力傳感器等［14～15］，以完成系統(tǒng)控制、信息感知和管線檢測等任務。

本文設計的海底管線聲納圖像嵌入式檢測系統(tǒng)包括核心CPU Samsung Cortex-A8 S5PV210芯片、存儲器、通信接口和LCD顯示接口等。S5PV210芯片具有低成本、低功耗和高性能的特點，是三星公司推出的一款適用于智能應用的多媒體設備處理器，主頻800MHz。本文采用的嵌入式系統(tǒng)配置512M DDR2內存，4G EMMC FLASH；LCD顯示采用7英寸高清液晶顯示電容觸摸屏，分辨率為1024*600。

嵌入式檢測系統(tǒng)整體硬件框圖如圖1所示，電源部分提供3.3V和5V電壓，通過GPS獲取AUV位置信息和DVL傳感器獲取AUV姿態(tài)，側掃聲納得到的海底聲學圖像通過LCD顯示。

圖1 管線檢測系統(tǒng)硬件結構

3 管線目標分割

3.1 聲納圖像預處理

聲納圖像中含有各種噪聲，從而造成圖像模糊。為去除噪聲和改善圖像質量，通過高斯濾波算法去除圖像中的噪聲，以提高管線目標分割的精度和準確率。

二維高斯濾波：

其中，x、y為圖像像素坐標，σ為高斯濾波器的標準差，該濾波器在各個方向上的平滑程度相同，可以用來去除噪聲，平滑圖像。

3.2 二維平均恒虛警率方法

根據聲納和管線目標位置的相對方向，聲亮區(qū)域會有較大的變化。同時，海洋環(huán)境中各種噪聲的存在，使得聲納圖像模糊不清，造成目標不清晰。當聲亮區(qū)域的某些像素點灰度值小于檢測閾值時，易造成目標的錯誤分割，從而目標在聲圖像中不可見。

本文借用雷達信號處理中的恒虛警率（Contant False Alarm Rate，CFAR）思想，研究聲納圖像管線檢測的二維平均恒虛警率方法。在目標檢測和圖像分割時無需圖像的先驗知識，而且具有較強的抗干擾能力，在對聲納回波功率進行采樣時，目標區(qū)域具有較強的回波，而背景或目標背后的陰影區(qū)域部分的回波則較弱。恒虛警率算法通過自適應的調整檢測閾值以保持恒虛警概率，該檢測閾值由測試單元周圍像素功率的平均值決定。

二維單元平均恒虛警率［13］（Cell Average-Constant False Alarm Rate，CA-CFAR）的滑動檢測窗口如圖2所示，設x i，j為測試單元像素，淺灰色為保護單元像素，參考單元像素為黑色。G為保護單元寬度，N為參考單元寬度，則滑動檢測窗口內像素總數為[2(N+G)+1]2；同理可得，保護單元內像素總數為(2G+1)2。

圖2 滑動檢測窗口

參考單元內像素灰度平均值R a，滑動檢測窗口內像素灰度累加值Sumw，保護單元內像素灰度累加值Sum g，則參考單元內像素灰度平均值為(Sumw-Sum g)/R c。

在高斯混響情況下，任意單元的概率密度函數（probablity density function，pdf）只與聲混響功率β2的平均值有關。設圖像中測試單元像素xi，j，其周圍有R c個參考單元y l，l=1，2，…R c，R c為參考單元的數目。假設y l獨立同分布，則參考單元混響功率的平均值為

其聯合概率密度函數為

聲學混響功率的最大似然估計通過計算β2的最大值得到

此時，為參考單元平均值，檢測閾值T?與參考單元均值成正比，其系數為α，則

在虛警概率條件下，混響功率變化時，檢測閾值也發(fā)生變化。虛警概率P fa和T?均為隨機變量。

令zl=αy l/R c則其概率密度函數為

的概率密度函數為

其數學期望為

式（8）表明，P fa只與R c有關，即與N和G有關，可得比例系數：

將式（9）代入式（5）即可求出閾值T?。

CA-CFAR算法的檢測閾值受P fa、N和G的影響。P fa的值決定了影響閾值大小的比例系數α，N和G的值決定參考單元和保護單元總數，并影響參考單元內灰度平均值的計算。

3.3二維CA-CFAR算法

二維CA-CFAR算法通過測試單元周圍的參考單元灰度平均值來確定檢測閾值。當檢測窗口移動時，參考單元的平均值也隨之改變，因而是一種自適應的閾值檢測算法。

3.3.1 區(qū)域像素快速求和

為得到參考單元內像素灰度平均值，需要首先計算參考單元內所有像素灰度值之和。

對每一個測試單元xi，j，閾值T需要計算其參考單元內所有像素之和，即

如果采用直接計算的方式，將耗費大量的時間，從而無法在嵌入式系統(tǒng)上實現。因此，本文利用積分圖像的數據結構快速計算區(qū)域內像素的累加和。

積分圖像為當前像素點P(i，j)左上角所有像素灰度值之和，用Integralf(i，j)表示，則

采用遞歸的方式計算積分圖像時，只需按式（12）對圖像進行一次掃描，直到圖像右下角時結束。

其中，s(i，j)表示當前位置像素P(i，j)行方向的累加和。

滑動檢測窗口W內所有像素之和可以利用積分圖像實現快速計算，

3.3.2 CA-CFAR算法實現

通過以上分析，利用積分圖像的二維CA-CFAR算法步驟如下：

Step1：初始化參數N，G，P fa；

Step2：利用積分圖像的數據結構，計算原圖像的Inte gralf(i，j)；

Step3：計算滑動檢測窗口內像素灰度累加值SumW，保護單元內像素灰度累加值SumG，則參考單元內像素灰度均值為(S umW-SumG)/R c和利用式（9）計算比例系數α；

Step4：根據式（5）計算檢測閾值T；

Step5：根據閾值T將圖像二值化，若f(i，j)≥T，則該點判斷為目標，否則，為背景。

3.4 管線邊緣提取及直線檢測

3.4.1 Canny邊緣檢測

邊緣是圖像中灰度變化最劇烈的地方，在聲納圖像中，管線邊緣檢測就是在去除圖像中不相干的細節(jié)的同時，保留目標的邊緣信息。常用的邊緣檢測算子有Canny、Sobel、Roberts和Prewitt等。

邊緣檢測要求盡可能地標記實際邊緣，不丟失重要的邊緣，出現虛假邊緣的概率最?。煌瑫r，檢測到的邊緣位置與實際位置一一對應，噪聲盡可能不產生邊緣。本文根據管線聲納圖像的特點，采用canny邊緣檢測算子。

Canny邊緣檢測包括圖像去噪、梯度計算、非極大值抑制和滯后閾值四個步驟。

1）圖像去噪

將圖像f(x，y)與高斯函數做卷積，以平滑圖像，去除圖像中的噪聲，防止噪聲引起的偽邊緣。

2）梯度計算

計算圖像梯度，得到可能的邊緣。圖像f(x，y)在x，y方向的梯度分別為f x和f y，則梯度模G m和梯度方向G a分別為

3）非極大值抑制

圖像邊緣存在于梯度模極大值處，非極大值抑制是將局部范圍梯度方向上灰度變化最大的保留下來，而局部極大值之外的所有梯度值抑制為0。

4）滯后閾值

為進一步去除由于噪聲引起的小梯度值即偽邊緣，利用高低雙閾值的方法，來保留真正的邊緣。

3.4.2 Hough變換檢測直線

Hough變換可以用來檢測直線或曲線，具有魯棒性，且對噪聲不敏感。直線檢測就是確定圖像中可能的直線上的所有像素。

采用Hough變換檢測直線時，利用極坐標的形式可以提升直線檢測的有效性。圖像中，參數化直線方程為

其中，（x，y）為直線上一點的直角坐標，θ為該點到原點的直線與x軸的夾角，ρ為該點到原點的距離，如圖3所示。該式將圖像空間中的每一個點（x，y）映射到參數空間中的一條曲線。在直角坐標系中，同一直線上的點相交于極坐標系中的同一點(ρ，θ)，該點可以通過投票機制來確定［10］。

圖3 極坐標圖

4 嵌入式界面設計

在嵌入式系統(tǒng)的界面中，圖像顯示分成兩個區(qū)域，分別顯示原始的聲納圖像和管線提取后的圖像；參數區(qū)域顯示檢測到的管線的參數指標，包括管線坐標和走向。在觸摸屏上點擊管線上的某一點，可以顯示該點位置的直角坐標(x，y)和極坐標(ρ，θ)以及管線的走向。功能選擇區(qū)域為用戶提供操作接口，包括打開、保存、管線檢測、幫助和退出等功能。

綜上所述，二維CA-CFAR海底聲納管線檢測流程如圖4所示。

圖4 二維CA-CFAR管線檢測流程

5 實驗結果

實驗中，所用計算機CPU為Intel Core i5 8300H，8G內存，采用C++編程語言。本嵌入式系統(tǒng)界面設計采用Qt4.5開源版，操作系統(tǒng)為Ubuntu 12.10。

二維CA-CFAR中，參數取值為N=5，G=3，P fa=0.32，檢測結果如圖5所示。

圖5 側掃聲納圖像管線檢測

其中，圖5（a）為側掃聲納獲取的海底管線圖像，（b）為采用CA-CFAR檢測管線后的結果，（c）為Canny邊緣檢測和Hough變換后的結果，（d）為對檢測出的管線進行擬合的結果。

所設計的具體界面如圖6所示。

圖6 顯示界面

6 結語

本文研究了側掃聲納海底圖像中管線的檢測方法，并設計嵌入式軟硬件系統(tǒng)。所設計的硬件部分包括電源、GPS和DVL傳感器、LCD顯示、通信接口及側掃聲納。對海底管線聲納圖像采用二維CA-CFAR算法，利用滑動檢測窗口自適應的調整檢測閾值，然后采用Canny邊緣檢測算子和Hough變換提取管線，并進行管線擬合。實驗結果表明，該嵌入式海底管線檢測系統(tǒng)能夠有效檢測出聲納圖像中的管線。