CN109658386A - 一种声纳图像管线检测系统及方法 - Google Patents

一种声纳图像管线检测系统及方法 Download PDF

Info

Publication number
CN109658386A
CN109658386A CN201811416981.2A CN201811416981A CN109658386A CN 109658386 A CN109658386 A CN 109658386A CN 201811416981 A CN201811416981 A CN 201811416981A CN 109658386 A CN109658386 A CN 109658386A
Authority
CN
China
Prior art keywords
pipeline
control panel
value
underwater robot
sonar image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811416981.2A
Other languages
English (en)
Other versions
CN109658386B (zh
Inventor
马国军
丁安
周大年
郑威
朱琎
李效龙
曾庆军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN201811416981.2A priority Critical patent/CN109658386B/zh
Publication of CN109658386A publication Critical patent/CN109658386A/zh
Application granted granted Critical
Publication of CN109658386B publication Critical patent/CN109658386B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种声纳图像管线检测系统及方法。所述声纳图像管线检测系统包括水上计算机和自主式水下机器人。自主式水下机器人搭载系统包括：侧扫声纳、PC104控制板、全球定位系统、声速仪、惯性导航系统、STM32控制板、直流舵机、直流电机、直流电源。所述声纳图像管线检测方法流程包括：高斯滤波、恒虚警率算法、形态学处理、去除虚警噪声、Hough变换、曲线拟合。本发明可根据声纳图像背景噪声调整阈值，使虚警概率保持不变，具有较高的鲁棒性。此外，发明可根据Hough变换检测出线段的方向信息，自主调整拟合方法，同时适用于直行与弯曲管线，并计算出管线的位置和走向，可用于水下导航。

Description

一种声纳图像管线检测系统及方法
技术领域
本发明涉及一种声纳图像管线检测系统及方法，属于检测技术领域。
背景技术
自1945年人类在墨西哥湾下埋设了第一条海底管道后，海底管线成了能源运输和信息通信的重要通道。据相关资料显示，我国在海底埋设了数千公里的管线以满足输油输气和通信的需求。海底管线长时间浸泡于腐蚀性强的海水中，且受海底地壳运动的影响，极易发生破损断裂。世界上已发生多起海底管线事故，造成巨大的经济损失和环境污染，定期检测和维护管线成为一项重要的任务。
管线检测常用的传感器有光学摄像机和声学声纳。光学摄像机受海水浑浊度影响较大，且需要配备高亮光源，同时不容易获取距离信息。声纳探测距离远，不受海水浑浊度影响，且能实时获取距离信息。但是声速受海水影响，在计算距离时采用理论声速会造成误差。
唐旭东研究了单目视觉的水下管线检测与跟踪技术，但光学成像受海水浑浊度影响，探测距离有限。Fernandes研究了自主式水下机器人管线检测技术，需要根据公司数据库识别管道及其位置，不能在未知管线位置的前提下检测管线。刘立昕将光学成像和声纳成像相结合，采用改进的Hough变换，提高了检测的准确性和实时性，但受水质影响的情况仍然存在。
现有的滤波算法和阈值检测可以在一定程度上提高管线检测的准确性。但是，在滤除噪声的同时很可能破坏管线结构。声纳图像管线边缘模糊粗糙，而且存在管线弯曲的情况，常规的直线检测算法很难直接解决管线的定位问题。
发明内容
本发明的目的是为了克服现有技术中声纳定位有误差、低信噪比下不能检测管线、不能检测弯曲管线等问题，实现自主式水下机器人检测声纳图像管线位置和走向信息，提供一种声纳图像管线检测系统及方法。
为达到上述目的，本发明通过以下技术方案予以实现：
一种声纳图像管线检测系统，包括水面上的计算机3和水面下的自主式水下机器人(Autonomous Underwater Vehicle，AUV)1；所述自主式水下机器人1是可位移的潜艇式水下机器人。所述计算机3与自主式水下机器人1通过无线通信互相通信；
所述自主式水下机器人1搭载：侧扫声纳2、PC104控制板4、惯性导航系统5、全球定位系统6、声速仪7、STM32控制板8、直流舵机9、直流电机10、直流电源11；所述侧扫声纳2与PC104控制板4相连，侧扫声纳2获取海底声纳图像并将声纳图像传至PC104控制板4；所述全球定位系统6与PC104控制板4相连，将自主式水下机器人1位置信息传至PC104控制板4；所述惯性导航系统5与PC104控制板4相连，将自主式水下机器人1的位姿和导航信息传至PC104控制板4；所述声速仪7与PC104控制板4相连，将声速信息传至PC104控制板4；所述PC104控制板4通过无线通信将声纳图像、全球定位系统位置信息、自主式水下机器人1的位姿和导航信息、声速传输给水面上的计算机3；所述STM32控制板8与PC104控制板4相连，根据计算机3反馈信息控制自主式水下机器人1运行；所述直流电源11与PC104控制板4和STM32控制板8相连，为自主式水下机器人1搭载仪器供电；所述直流舵机9与STM32控制板8相连，控制自主式水下机器人1设备运行方向；所述直流电机10与STM32控制板8相连，驱动螺旋桨。
一种声纳图像管线检测方法，包括如下步骤：
(1)采用高斯滤波去除原图部分噪声得到去噪图；
(2)对去噪图采用恒虚警率(Constant FalseAlarm Rate,CFAR)算法得到包含着目标和虚警的二值图；
(1)对二值图形态学处理得到图像中连通区域的结构；
(2)排除二值图中离心率低的虚警噪声得到只包含管线像素的二值图；
(5)对二值图做Hough变换，检测管线边缘的直线线段得到管线边缘的线段；
(6)用检测出的直线线段端点作为特征点，曲线拟合得到管线位置和走向信息；
其中所述步骤(1)～(4)得到管线目标的二值图；步骤(5)～(6)得到管线的位置走向信息。
进一步的，上述所述声纳图像管线检测方法，其中步骤(1)所述高斯滤波可以抑制噪声、平滑图像，图像像素与周围像素的联系随着距离增大而减小，高斯滤波的模板系数距离模板中心越远越小，其服从二维高斯函数，使结果减少边界模糊；
二维高斯函数如式：
其中σ为标准差。
进一步的，上述所述声纳图像管线检测方法，其中步骤(2)中恒虚警率算法是一种自适应阈值检测算法。恒虚警率算法包括：(1)平均恒虚警率(Cell Average–ConstantFalse Alarm Rate,CA-CFAR)算法。(2)二维平均恒虚警率算法(Accumulated CellAverage–Constant FalseAlarm Rate in2-D，ACA-CFAR2D)等。
本方法采用的是改进的ACA-CFAR2D算法。常规的检测结构是一个((R+P)*2+1)2的正方形结构。P为保护单元长度，R为参考单元长度，保护单元紧贴测试单元，参考单元位于保护单元的外围。
由于上下左右的像素都会对阈值产生影响，所以其适用于点目标。
管线是典型的线目标，沿着前进方向的目标灰度值较高，两边的背景灰度值较低。如果使用正方形检测结构，目标灰度值将会过多的参与计算，使阈值过高影响结果。为了检测结果的准确性，突出线目标，需要采用改进的ACA-CFAR2D算法，将原((R+P)*2+1)2的正方形检测结构，改为长((R+P)*2+1)宽(P*2+1)的长方形结构。
进一步的，上述步骤(2)中改进的ACA-CFAR2D算法步骤如下：
(2.1)计算声纳图像的灰度值累加矩阵Ga；
(2.2)计算参考单元的灰度累加值；
(2.3)计算每个像素的检测阈值；
(2.4)利用检测阈值进行判别，若大于阈值，则保留灰度值，这部分像素称为保留像素，反之，则像素灰度值归零；
(2.5)计算保留像素灰度值的平均值；
(2.6)比较保留像素灰度值与灰度值平均值，大于平均值则认定为目标，反之为背景。
步骤(2.1)中累加矩阵Ga
计算方式如下：
图像大小为h*w，则每个像素xi，j对应的累加矩阵为Gai，j，(i＝1……h，j＝1……w)，计算公式为：
步骤(2.2)中参考单元的灰度累加值计算公式如下：
其中保护距离dp＝P，测试距离为dr＝R+P。
因为它只需要四次内存访问，所以它检测速度更快。
上式中的四个参数表示窗口在累积矩阵上滑动的顶点。是右下角，表示累计总数。是左下角，它指的是从累计总数中减去位置的累积列。对应于右上角，指的是累积位置上的累积行也要从累计总数中减去。最后，是左上角，必须加到累加的总数中，因为第二个和第三个项减去了两次，必须加一次。
步骤(2.3)中计算检测阈值(T)的公式如下：
T＝α*参考单元灰度值平均值
乘法器系数(α)由虚警概率常数(Pfa)和参考单元个数Rc来确定，其计算公式推导如下：
在高斯混响的情况下，任意单元的概率密度函数(pdf)只与声混响功率(β2)的平均值有关。设图像中任意像素xi,j为测试单元，其周围有Rc个参考单元yl，l＝(1，2，......，Rc)。测试单元xi,j周围像素的灰度值可以估计混响功率的平均值，如下式：
则其联合概率密度函数(pdf)为：
代入公式：
上式计算出了的似然函数，记为Λ。声学混响功率的最大似然估计可以通过计算下式关于(β2)的最大值得到。
将上式对β2求微分，并将其等于0得到：
由此可得为参考单元平均值，所以阈值
定义zl＝(α/Rc)yl,如此可得并代入上式求出的zl的概率密度函数。
可以求出的概率密度函数。
恒虚警率常数Pfa可以由阈值估计出，计算公式如下：
计算后得到结果：
由上式可得：
进一步的，上述所述步骤(3)形态学处理是通过在图像上应用结构元素来产生输出图像。腐蚀和膨胀是形态学处理的两个基础操作。
设A、B为Z中的集合，则B对A的腐蚀可定义为：
B对A膨胀可定义为：
膨胀会扩大图像的组成部分，腐蚀会缩小图像中的组成部分。使用先腐蚀后膨胀的开运算可以平滑目标的轮廓。
进一步的，上述所述步骤(4)利用了管线目标离心率高的特点，去除图像中离心率低的噪声。
进一步的，上述所述步骤(1)～(4)可以得到管线目标的二值图。
进一步的，上述所述步骤(5)首先使用Canny边缘检测算法检测出管线目标的边缘，再使用Hough变换检测出管线边缘的直线。
进一步的，上述所述声纳图像管线检测方法，其中步骤(6)具体步骤如下：
(6.1)将Hough变换检测出的线段端点作为特征点；
(6.2)统计Hough变换检测出的线段与x轴的夹角θ，计算θ的方差；
(6.3)设置阈值Tmin，若θ的方差低于阈值，认定目标为直管线，则对管线图像整体直线拟合。若θ的方差高于阈值，认定目标为弯曲管线，则对管线根据图像尺寸分段处理；
(6.4)若管线分段，分别计算分段内线段θ的方差，若θ的方差大于阈值Tmin，做2次方曲线拟合，若θ的方差小于阈值Tmin，做直线拟合。
上述步骤(6.3)直线拟合步骤如下：
设有S个特征点(xi，yi)，拟合出的直线为F＝ax2+b-y＝0。求如下方程的最小值：
F(a,b)＝∑(axi+b-yi)2
对其求偏导可得：
化简得：
a*∑xi+b*S＝∑yi
曲线拟合则设曲线F＝ax2+b-y＝0，计算步骤同上。
本发明相比传统管线检测方法有如下有益效果：
(1)本发明使用声速仪与声纳相结合的方法，管线定位更加准确；
(2)本发明既可检测直管线，也可检测弯曲管线；
(3)本发明可根据背景噪声强度的变化改变阈值；
(4)本发明可在声纳图像管线边缘粗糙的情况下检测出管线位置和走向。
附图说明
图1是声纳图像管线检测系统示意图；
图2是声纳图像管线检测方法流程图；
图3是改进的ACA-CFAR 2D检测结构示意图；
图4是改进的ACA-CFAR 2D算法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明：
参考图1为声纳图像管线检测系统示意图。管线检测系统包括：水上部分计算机3和水下部分自主式水下机器人1搭载。自主式水下机器人是一种可位移的潜艇式水下机器人。自主式水下机器人1搭载包括：侧扫声纳2、PC104控制板4、惯性导航系统5、全球定位导航系统6、声速仪7、STM32控制板8、直流舵机9、直流电机10、直流电源11。
PC104控制板4通过无线通信与计算机相互通信。惯性导航系统5和侧扫声纳2与PC104控制板4相连，接收水面控制命令并将声纳图像和位置信息上传水面上计算机3。STM32控制板8与PC104控制板4相连，接收水面上计算机3控制命令。直流舵机9、直流电机10与STM32控制板8相连，控制自主式水下机器人1的运行。直流电源11与PC104控制板4和STM32控制板8相连，为24V锂电池直流电源，为水下部分系统供电。
具体实施方式为：
a.将自主式水下机器人1放入水中，由全球定位导航系统6获取自主式水下机器人1下水位置，然后下潜。
b.自主式水下机器人1沿一定方向前进，由侧扫声纳获取自主式水下机器人1两侧水底声纳图像。由惯性导航系统5获取位姿、相对母船或岸边的相对位置。由声速仪7获取声速信息。
c.侧扫声纳2与PC104控制板4相连，将声纳图像数据传送至PC104控制板4。惯性导航系统5与PC104控制板4相连，将位姿和相对位置数据传送至PC104控制板4。
d.岸上或母船上计算机3接收由PC104控制板4通过无线通信发送的声纳图像和自主式水下机器人1位姿与位置信息。
e.岸上或母船上的计算机3采用如下步骤检测管线。
1)采用高斯滤波去除原图部分噪声得到去噪图；
高斯滤波窗口服从二维高斯函数，如式：
其中σ为标准差。
2)对去噪图采用检测窗口为长((R+P)*2+1)宽(P*2+1)的长方形结构的改进的ACA-CFAR2D算法
改进的ACA-CFAR 2D算法步骤如下：
(2.1)计算声纳图像的灰度值累加矩阵Ga；
(2.2)计算参考单元的灰度累加值。
步骤一，计算检测窗口内总灰度值Da，计算公式为：
步骤二，计算保护单元内灰度累加值，计算公式为：
步骤三，将检测窗口内总灰度值减去保护单元内灰度累加值，得到参考单元灰度值。
(2.3)计算每个像素的检测阈值；检测阈值(T)的公式如下：
T＝α·参考单元灰度值平均值
乘法器系数(α)由虚警概率常数(Pfa)和参考单元个数Rc来确定，其计算公式如下：
(2.4)利用检测阈值进行判别，若大于阈值，则保留灰度值，这部分像素称为保留像素，反之，则像素灰度值归零；
(2.5)计算保留像素灰度值的平均值；
(2.6)比较保留像素灰度值与灰度值平均值，大于平均值则认定为目标，反之为背景。
3)对二值图形态学处理得到图像中连通区域的结构；
4)排除二值图中离心率低的虚警噪声得到只包含管线像素的二值图；
5)对二值图做Hough变换，检测管线边缘的直线线段得到管线边缘的线段；
6)用检测出的直线线段端点作为特征点，曲线拟合得到管线位置和走向信息；
若检测出管线，则通过管线位置与走向信息计算出管线相对于自主式水下机器人1的位置和管线相对于自主式水下机器人1航向的夹角。通过声速仪7与声纳数据计算出管线距离信息。
a.岸上或母船上的计算机3将管线相对于自主式水下机器人1的位置和管线相对于自主式水下机器人1航向的夹角通过无线通信反馈给PC104控制板4。
b.PC104控制板4将信息传输至STM32控制板8。
c.STM32控制板8控制直流舵机9改变自主式水下机器人1前进方向，控制直流电机10接近管线。
参考图2为本发明管线检测方法的流程图。本发明的步骤如下：
1)采用高斯滤波去除原图部分噪声得到去噪图；
2)对去噪图采用改进的ACA-CFAR2D算法得到包含着目标和虚警的二值图；
3)对二值图形态学处理得到图像中连通区域的结构；
4)排除二值图中离心率低的虚警噪声得到只包含管线像素的二值图；
5)对二值图做Hough变换，检测管线边缘的直线线段得到管线边缘的线段；
6)用检测出的直线线段端点作为特征点，曲线拟合得到管线位置和走向信息；
步骤1～4得到管线目标的二值图，步骤5～6得到管线的位置走向信息。
本发明一种管线检测方法，参考图3为改进的ACA-CFAR 2D检测结构示意图；参考图4为改进的ACA-CFAR 2D流程图。
本发明采用参考图3改进的检测结构，判别当前测试像素是背景还是目标。图中加斜线的单元为参考单元，浅灰色为保护单元，中间xi,j为测试单元。这是一种长方形的检测结构，位于测试单元周围的参考单元的值决定了阈值。声纳图像中目标边缘也会有回波信号，这造成了声纳图像目标边缘粗糙，保护单元的作用是隔绝这些信号。
参考图3中R＝2，P＝1，保护距离dp＝P，测试距离为dr＝R+P。保护单元总数可以用公式(1)来计算：
(1)
Pc＝(2*dp+l)2-1
参考单元总数为:
(2)
Rc＝(2*dr+1)*(2*dp+1)-1-Pc
参考图4为改进的ACA-CFAR2D流程图。改进的ACA-CFAR2D算法步骤如下：
1)计算灰度值累加矩阵Ga
设图像大小为h*w，则每个像素xi,j对应的累加矩阵为Gai，j，(i＝1……h，j＝1……w)，计算公式为：
2)计算参考单元的灰度累加值。
步骤一，计算检测窗口内总灰度值Da，计算公式为：
步骤二，计算保护单元内灰度累加值，计算公式为：
步骤三，将检测窗口内总灰度值减去保护单元内灰度累加值，得到参考单元灰度值。
3)计算每个像素的检测阈值T，计算公式为：
(12)
T＝α*参考单元灰度值平均值
乘法器系数(α)由虚警概率常数(Pfa)和参考单元个数Rc来确定，其计算公式如下：
4)利用检测阈值进行判别，判别为目标，则保留灰度值，判别为背景则去除；
5)计算保留像素灰度值的平均值；
6)比较保留像素灰度值与灰度值平均值，大于平均值则认定为目标，反之为背景。
(3)形态学处理得到图像中的连通区域的结构。
采用先腐蚀后膨胀的形态学处理可以光滑管线边缘，并滤除部分噪声。
(4)排除离心率低的噪声。利用管线目标离心率高的特点，去除图像中离心率低的噪声。
(5)对步骤(1)到(4)处理后得到的二值图像做Hough变换检测管线边缘的直线线段。
首先使用Canny边缘检测算法检测出管线目标的边缘，再使用Hough变换检测出管线边缘的直线。
(6)用检测出的直线线段端点作为特征点，直线拟合得到管线位置和走向。
具体步骤如下：
1)将Hough变换检测出的线段端点作为特征点；
2)统计Hough变换检测出的线段与x轴的夹角θ，计算θ的方差；
3)设置阈值Tmin，若θ的方差低于阈值，认定目标为直管线，则对管线图像整体直线拟合。若θ的方差高于阈值，认定目标为弯曲管线，则对管线根据图像尺寸分段处理；
4)若管线分段，分别计算分段内线段θ的方差，若θ的方差大于阈值Tmin，做2次方曲线拟合，若θ的方差小于阈值Tmin，做直线拟合。
直线拟合步骤如下：
设有S个特征点(xi，yi)，拟合出的直线为F＝ax2+b-y＝0。求如下方程的最小值：
(14)
f(a，b)＝∑(ax，+b-yi)2
对其求偏导可得：
化简得：
(18)
a*∑xi+b*S＝∑yi
曲线拟合则设曲线F＝ax2+b-y＝0，计算步骤同上。
以上实施案例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种声纳图像管线检测系统，其特征在于，包括水面上的计算机和水面下的自主式水下机器人组成；所述自主式水下机器人是一种可位移的潜艇式水下机器人；所述计算机与自主式水下机器人通过无线通信相连；所述自主式水下机器人搭载：侧扫声纳、PC104控制板、全球定位系统、声速仪、惯性导航系统、STM32控制板、直流舵机、直流电机、直流电源；所述侧扫声纳与PC104控制板相连，侧扫声纳获取海底声纳图像并将声纳图像传至PC104控制板；所述全球定位系统与PC104控制板相连，将自主式水下机器人位置信息传至PC104控制板；所述声速仪与PC104控制板相连，将声速信息传至PC104控制板；所述惯性导航系统与PC104控制板相连，将自主式水下机器人位姿和导航信息传至PC104控制板；所述PC104控制板通过无线通信将声纳图像、全球定位系统位置信息、自主式水下机器人位姿和导航信息、声速传输给水面上计算机；所述STM32控制板与PC104控制板相连，根据计算机反馈信息控制自主式水下机器人运行；所述直流电源与PC104控制板和STM32控制板相连，为自主式水下机器人搭载仪器供电；所述直流舵机与STM32相连，控制自主式水下机器人运行方向；所述直流电机与STM32相连，驱动螺旋桨。
2.一种声纳图像管线检测方法，其特征在于，包括以下步骤：
(1)采用高斯滤波去除原图部分噪声得到去噪图；
(2)对去噪图采用恒虚警率算法得到包含着目标和虚警的二值图；
(3)对二值图形态学处理得到图像中连通区域的结构；
(4)排除二值图中离心率低的虚警噪声得到只包含管线像素的二值图；
(5)对二值图做Hough变换，检测管线边缘的直线线段得到管线边缘的线段；
(6)用检测出的直线线段端点作为特征点，曲线拟合得到管线位置和走向信息；
其中所述步骤(1)-(4)得到管线目标的二值图，步骤(5)-(6)得到管线的位置走向信息。
3.如权利要求2所述的声纳图像管线检测方法，其特征在于：步骤(1)的高斯滤波窗口服从二维高斯函数，如式：
其中σ为标准差。
4.如权利要求2所述的声纳图像管线检测方法，其特征在于：步骤(2)所述恒虚警率算法对去噪图采用检测窗口为长方形结构，长方形结构的长为(R+P)*2+1，宽为P*2+1；P为保护单元长度，R为参考单元长度；
恒虚警率算法步骤如下：
(4.1)计算声纳图像的灰度值累加矩阵Ga；
(4.2)计算参考单元的灰度累加值：
步骤一，计算检测窗口内总灰度值Da，计算公式为：
步骤二，计算保护单元内灰度累加值，计算公式为：
步骤三，将检测窗口内总灰度值减去保护单元内灰度累加值，得到参考单元灰度值；
(4.3)计算每个像素的检测阈值；
检测阈值T的公式如下：
T＝α*参考单元灰度值平均值
乘法器系数α由虚警概率常数Pfa和参考单元个数Rc来确定，其计算公式如下：
(4.4)利用检测阈值进行判别，若大于阈值，则保留灰度值，这部分像素称为保留像素，反之，则像素灰度值归零；
(4.5)计算保留像素灰度值的平均值；
(4.6)比较保留像素灰度值与灰度值平均值，大于平均值则认定为目标，反之为背景。
5.如权利要求2所述的声纳图像管线检测方法，其特征在于：步骤(6)所述曲线拟合的方法，具体包括以下步骤：
(1)将Hough变换检测出的线段端点作为特征点；
(2)统计Hough变换检测出的线段与x轴的夹角θ，计算θ的方差；
(3)设置阈值Tmin，若θ的方差低于阈值，认定目标为直管线，则对管线图像整体直线拟合；若θ的方差高于阈值，认定目标为弯曲管线，则对管线根据图像尺寸分段处理；
(4)若管线分段，分别计算分段内线段θ的方差，若θ的方差大于阈值Tmin，做2次方曲线拟合，若θ的方差小于阈值Tmin，做直线拟合。
CN201811416981.2A 2018-11-26 2018-11-26 一种声纳图像管线检测系统及方法 Active CN109658386B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811416981.2A CN109658386B (zh) 2018-11-26 2018-11-26 一种声纳图像管线检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811416981.2A CN109658386B (zh) 2018-11-26 2018-11-26 一种声纳图像管线检测系统及方法

Publications (2)

Publication Number Publication Date
CN109658386A true CN109658386A (zh) 2019-04-19
CN109658386B CN109658386B (zh) 2023-07-25

Family

ID=66112346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811416981.2A Active CN109658386B (zh) 2018-11-26 2018-11-26 一种声纳图像管线检测系统及方法

Country Status (1)

Country Link
CN (1) CN109658386B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1484193A (zh) * 2003-07-03 2004-03-24 上海交通大学 低信噪比红外图像序列中点目标的多帧模糊检测方法
CN101832470A (zh) * 2010-05-19 2010-09-15 中国船舶重工集团公司第七〇二研究所 基于光视觉的水下管线巡检方法及巡检装置
CN103033817A (zh) * 2012-11-25 2013-04-10 中国船舶重工集团公司第七一○研究所 大型auv避碰用障碍物自主识别系统
CN103903237A (zh) * 2014-03-21 2014-07-02 上海大学 一种前扫声纳图像序列拼接方法
CN105205484A (zh) * 2014-11-26 2015-12-30 中国人民解放军第二炮兵工程大学 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法
CN105787886A (zh) * 2014-12-22 2016-07-20 中国科学院沈阳自动化研究所 一种基于多波束图像声纳的实时图像处理方法
CN107167810A (zh) * 2017-05-02 2017-09-15 河海大学常州校区 一种侧扫声纳成像的水下目标快速提取方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1484193A (zh) * 2003-07-03 2004-03-24 上海交通大学 低信噪比红外图像序列中点目标的多帧模糊检测方法
CN101832470A (zh) * 2010-05-19 2010-09-15 中国船舶重工集团公司第七〇二研究所 基于光视觉的水下管线巡检方法及巡检装置
CN103033817A (zh) * 2012-11-25 2013-04-10 中国船舶重工集团公司第七一○研究所 大型auv避碰用障碍物自主识别系统
CN103903237A (zh) * 2014-03-21 2014-07-02 上海大学 一种前扫声纳图像序列拼接方法
CN105205484A (zh) * 2014-11-26 2015-12-30 中国人民解放军第二炮兵工程大学 基于曲波变换与维纳滤波的合成孔径雷达目标检测方法
CN105787886A (zh) * 2014-12-22 2016-07-20 中国科学院沈阳自动化研究所 一种基于多波束图像声纳的实时图像处理方法
CN105354541A (zh) * 2015-10-23 2016-02-24 西安电子科技大学 基于视觉注意模型和恒虚警率的sar图像目标检测方法
CN107167810A (zh) * 2017-05-02 2017-09-15 河海大学常州校区 一种侧扫声纳成像的水下目标快速提取方法

Also Published As

Publication number Publication date
CN109658386B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
Zhang et al. Subsea pipeline leak inspection by autonomous underwater vehicle
KR102339465B1 (ko) 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템
CN114782905B (zh) 一种基于视频监控的船舶吃水深度检测方法
Kim et al. Artificial intelligence vision-based monitoring system for ship berthing
Zhou et al. Mapping the underside of an iceberg with a modified underwater glider
Naus et al. Precision in determining ship position using the method of comparing an omnidirectional map to a visual shoreline image
CN113985419A (zh) 水面机器人协同障碍物检测及避障方法及系统
CN105787886A (zh) 一种基于多波束图像声纳的实时图像处理方法
CN111723632B (zh) 一种基于孪生网络的船舶跟踪方法及系统
CN105225229A (zh) 基于视频信号的鱼类过坝运动轨迹定位装置与方法
Yu et al. Navigation of autonomous underwater vehicles based on artificial underwater landmarks
Gladstone et al. Distance estimation for marine vehicles using a monocular video camera
CN116087982A (zh) 一种融合视觉和雷达系统的海上落水人员识别及定位方法
Chavez et al. Adaptive navigation scheme for optimal deep-sea localization using multimodal perception cues
CN114061565A (zh) 一种无人船舶slam及其应用方法
Villar et al. Pipeline detection system from acoustic images utilizing CA-CFAR
CN109658386A (zh) 一种声纳图像管线检测系统及方法
CN110908404A (zh) 一种基于数据驱动的auv智能观测运动方法
Breivik et al. Robust pipeline localization for an autonomous underwater vehicle using stereo vision and echo sounder data
CN110456357A (zh) 一种导航定位方法、装置、设备及介质
KR102269385B1 (ko) 선박 운항 지원 시스템 및 이를 포함하는 선박
Fan et al. Optical flow based speed estimation in AUV target tracking
Muhovic et al. Depth fingerprinting for obstacle tracking using 3D point cloud
Li et al. Research on underwater navigation algorithm based on SIFT matching algorithm
Jung et al. Development of retro-reflective marker and recognition algorithm for underwater environment

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant