基于視覺顯著性的船舶結(jié)構(gòu)缺陷檢測研究

陳樹越，沈新霞，陸貴榮

(常州大學(xué) 信息科學(xué)與工程學(xué)院，江蘇 常州 213164)

0 引 言

受海洋環(huán)境影響，船舶結(jié)構(gòu)易出現(xiàn)裂縫、涂層破裂和腐蝕等缺陷性損傷，影響運輸效率，因此提高船舶缺陷檢測性能具有重要意義。目前，船舶結(jié)構(gòu)缺陷檢測主要依賴人工，而人工檢測易受外界環(huán)境干擾。為模擬人的視覺特點，學(xué)者們提出了視覺顯著性算法，利用視覺注意機制提取圖像中最容易引起注意的部分，在工業(yè)檢測領(lǐng)域廣泛應(yīng)用。

針對船舶結(jié)構(gòu)的缺陷檢測問題，李瑛[1]利用最小二乘支持向量機逐級分類的方式對船體表面缺陷進(jìn)行檢測，檢測效率較高；Oullette等[2]提出使用遺傳算法進(jìn)化方法訓(xùn)練權(quán)重和模擬卷積神經(jīng)網(wǎng)絡(luò)對裂縫進(jìn)行檢測，實驗表明檢測精確率有所提升，但需要進(jìn)一步優(yōu)化濾波器的大小和數(shù)量以及下采樣的數(shù)量，減少計算時間，提升穩(wěn)定性；Eich等[3]通過對機器人設(shè)定外部定位系統(tǒng)及管理系統(tǒng)，可檢測出船舶結(jié)構(gòu)缺陷，但需借助機器人和微型飛行器，成本較高；Bonnín-Pascual等[4–5]提出船舶結(jié)構(gòu)裂縫和腐蝕的檢測算法，檢測效率與采集圖像的距離有關(guān)，并且需要根據(jù)缺陷圖像特征調(diào)整參數(shù)，適應(yīng)性較差。

本文提出采用自適應(yīng)全變分模型替代FT算法中高斯濾波器來弱化背景特征表達(dá)，并引入H分量來增強船舶缺陷特征的顯著度，獲取區(qū)域顯著圖；通過SMD算法捕捉船舶圖像的結(jié)構(gòu)信息以提取船舶缺陷區(qū)域，獲得結(jié)構(gòu)顯著圖；使用自適應(yīng)融合算法將兩類顯著圖融合，生成綜合顯著圖。

1 船舶結(jié)構(gòu)缺陷檢測算法

船舶結(jié)構(gòu)缺陷圖像檢測的對象主要包括裂縫、涂層破裂和腐蝕等缺陷，基于視覺顯著性的船舶結(jié)構(gòu)缺陷檢測算法流程框圖如圖1所示。

圖1 船舶結(jié)構(gòu)缺陷檢測算法流程框圖Fig. 1 Ship structure defect detection algorithm flow chart

1.1 基于改進(jìn)型FT算法的區(qū)域顯著性算法

頻率調(diào)諧（FT）算法[6]基本思路為：采用經(jīng)人工經(jīng)驗選取的高斯濾波器對圖像濾波；將濾波后的圖像從RGB空間轉(zhuǎn)到Lab空間；計算圖像u在像素點（i，j）處的顯著值。計算式為：

式中：uμ為各特征分量算術(shù)平均值矩陣；uωhc（i，j）為高斯濾波后的圖像；||·||為二范數(shù)。

FT算法理論簡單，檢測效果良好，將其應(yīng)用于船舶結(jié)構(gòu)缺陷檢測中，存在2點不足之處：根據(jù)人工經(jīng)驗選取的高斯濾波器的模板尺度較單一；FT算法要求缺陷與背景區(qū)域存在一定的對比性。針對不足之處，對FT算法進(jìn)行改進(jìn)如下：

1）對于高斯濾波器模板尺寸選取問題，提出采用自適應(yīng)全變分模型[7]替代高斯濾波器。該模型根據(jù)圖像邊緣或紋理信息豐富的區(qū)域的梯度值高于平坦區(qū)域的特性，對圖像分塊處理，將船舶結(jié)構(gòu)缺陷圖像劃分為邊緣區(qū)域和平坦區(qū)域，并自適應(yīng)選擇去噪模型。對于邊緣區(qū)域，使用邊緣性較強的L1范數(shù)的各向異性的全變分模型，反之，使用L2范數(shù)的各向同性的全變分模型。該模型的增廣拉格朗日函數(shù)為：

式中：wij為輔助變量；β為懲罰項系數(shù)；Diju∈R2為圖像中像素（i，j）在水平和垂直方向的一階有限差分；u為原圖像；f為觀測圖像；λ為正則化參數(shù)。

求解模型的最優(yōu)解與求解增廣拉格朗日函數(shù)的最小化問題是等價的。采用交替迭代法求解LA（wij，u，λ）函數(shù)的最小化問題，即求解w子問題和u子問題。設(shè)定u為定值，從式（2）的前兩項分離出wij，即w子問題，通過緊縮算子（shrinkage）快速求解最優(yōu)值。計算式為：

從式（2）的后兩項分離出u，即u子問題。通過緊縮算子法求得，將其應(yīng)用到式（4）中，計算u子問題。依次循環(huán)直至達(dá)到收斂條件（最大迭代次數(shù)、誤差），獲取自適應(yīng)全變分模型的最優(yōu)狀態(tài)，得到濾波后的圖像。計算式為：

式中：KTK表示塊循環(huán)。

2）針對FT算法對亮度低及背景顏色差異較小的缺陷區(qū)域不敏感的問題，將HSI顏色空間中H分量融入船舶結(jié)構(gòu)缺陷特征表達(dá)，增強圖像局部顏色的對比度，便于捕獲船舶結(jié)構(gòu)缺陷區(qū)域與背景之間的細(xì)微差異。融合式為：

式中：H（i，j）為該像素點的均衡化色調(diào)；S0（i，j）為該像素點的頻率調(diào)諧顯著值；S1（i，j）表示每一個像素點（i，j）的區(qū)域顯著值。

1.2 結(jié)構(gòu)顯著性算法

通過結(jié)構(gòu)化矩陣分解（SMD）算法[8]將圖像的特征矩陣N分解為低秩矩陣L和稀疏矩陣M，獲取船舶缺陷圖像結(jié)構(gòu)信息。使用矩陣L表示缺陷圖像背景部分，并采用核范數(shù)作為凸松弛的方法對矩陣L進(jìn)行低秩正則化處理，獲得內(nèi)部結(jié)構(gòu)。反之，用矩陣M表示船舶缺陷圖像中缺陷區(qū)域，生成矩陣M的過程即提取船舶結(jié)構(gòu)缺陷區(qū)域的過程。利用樹型結(jié)構(gòu)稀疏誘導(dǎo)范數(shù)來模擬圖像塊之間的空間鄰接性和特征相似性，從而通過結(jié)構(gòu)稀疏正則化算法將缺陷區(qū)域完整地分離出來。計算方法如下：

式中：N為特征矩陣；L為低秩矩陣；M為稀疏矩陣；ψ（L）表示低秩約束；Ω（M）表示結(jié)構(gòu)化稀疏約束；Θ（L，M）是拉普拉斯正則化項；α和μ是權(quán)衡參數(shù)；為樹結(jié)點權(quán)重。

同時，為擴大低秩矩陣L和稀疏矩陣M的子空間的距離，增強背景和缺陷區(qū)域的差異性，使用拉普拉斯正則化算法對特征矩陣N處理：

式中：Mi為M的第i列；ni，j為親和度矩陣的第（i，j）項。

對于式（8）計算得到的結(jié)構(gòu)化稀疏矩陣M，根據(jù)式（10）計算顯著值，生成結(jié)構(gòu)顯著圖S2如下式：

式中：Pi為第i個圖像塊。

1.3 自適應(yīng)融合算法

將2種算法融合可更好地發(fā)揮每種算法的特性，完整地提取船舶缺陷區(qū)域，獲得更好的檢測結(jié)果。因此，根據(jù)區(qū)域顯著圖和結(jié)構(gòu)顯著圖之間的相關(guān)性，采用自適應(yīng)權(quán)值融合算法獲取綜合顯著圖S3，計算式為：

式中：S1（i，j），S2（i，j）和 S3（i，j）分別為船舶缺陷圖像中某一像素點的區(qū)域顯著值，結(jié)構(gòu)顯著值和綜合顯著值；ω1為融合權(quán)值。

2 實驗結(jié)果與分析

實驗數(shù)據(jù)為Balearic Islands大學(xué)[5]提供的船舶結(jié)構(gòu)缺陷圖像數(shù)據(jù)集，從中選取200幅圖像作為實驗樣本。為全面評價本文算法（Ours），在相同實驗條件下，將本文算法與Itti[9]，LC[10]，SR[11]，F(xiàn)T[6]和SMD[8]五種視覺顯著算法進(jìn)行比較。

2.1 船舶結(jié)構(gòu)缺陷檢測對比實驗

對船舶表面兩處涂層破裂的檢測效果如圖2所示，圖2（a）為船艙拐角處的裂縫原圖像，非缺陷區(qū)域置于圖像前方，并含有淺白色管道、部分區(qū)域光線較強的墻壁以及顯著度較高的孔洞，易對檢測結(jié)果造成干擾。從圖2（b）~圖2（f）可以看出，Itti算法和SMD算法能夠?qū)⒘芽p分離出來，但缺乏完整性；SR算法檢測失??；LC和FT算法能夠保留完整的裂縫輪廓，且顯著圖清晰，但將管道和孔洞也標(biāo)為缺陷區(qū)域；本文算法能夠檢測并準(zhǔn)確標(biāo)注裂縫區(qū)域，更接近于圖2（h）所示的缺陷真實情況，但受到孔洞部分的干擾，造成底部孔洞邊緣區(qū)域的誤檢。

圖2 不同顯著性算法檢測結(jié)果對比Fig. 2 Comparison of test results of different saliency algorithms

2.2 算法檢測性能評價

為對檢測算法性能進(jìn)行評估，采用精確率-召回率（P-R）和F值作為評價指標(biāo)。P-R值和F值越大，表示算法性能越好，表達(dá)式為：式中：TP為正確檢測樣本數(shù)；FP為誤檢樣本數(shù)；FN代表漏檢樣本數(shù)；根據(jù)應(yīng)用F-measure的文獻(xiàn)[7]建議，設(shè)置β2=0.3。

對200幅實驗圖像計算6種檢測算法的平均精確率、平均召回率以及F值，結(jié)果如表1所示?？芍?，本文算法的檢測平均精確率和平均召回率以及F值分別達(dá)到86.48%，75.05%和0.84，均高于5種對比算法。造成這種現(xiàn)象的主要是在檢測船舶結(jié)構(gòu)缺陷時，Itti算法和SR算法將缺陷區(qū)域的信息也去除了，最終生成的顯著圖無法包含完整的船舶缺陷區(qū)域信息，導(dǎo)致檢測結(jié)果較差；LC算法則將背景信息提取為缺陷區(qū)域，召回率達(dá)到66.72%，精確率和F值較低；FT算法和SMD算法的檢測精確率較高，但均低于本文算法，分別低了13.83%和10.91%，2種算法的召回率和F值較低，算法的整體檢測性能較弱。

表1 使用不同算法進(jìn)行缺陷檢測的結(jié)果比較Tab. 1 Comparison of results using different algorithms for defect detection

3 結(jié) 語

為解決當(dāng)前船舶缺陷檢測算法存在的問題，提出了多特征融合的船舶缺陷檢測算法。實驗結(jié)果表明，本文算法可較好描述船舶缺陷區(qū)域形狀和邊界，從而構(gòu)建較為有效的視覺顯著圖，凸顯缺陷區(qū)域。相比于其他顯著性算法，所提算法更適用于對船舶結(jié)構(gòu)缺陷的檢測，具有較好的檢測性能。今后將進(jìn)一步優(yōu)化算法，增強缺陷區(qū)域的顯著度，提高檢測精確率。