基于BP神經網絡的水下管道圖像識別與判斷技術研究

【摘要】本文主要深入探討了如何通過采用神經網絡進行數字圖像處理的技術對利用auv數字圖像技術拍攝的大量海底淺層紋理樣本進行數字圖像處理，獲得一個具有包括大量水下輸油管道、巖石、沙灘和海底紋理溝壑等圖像樣本紋理特征的海底紋理圖像樣本庫，并用bp神經網絡對這些圖像樣本紋理特征進行分析訓練，以獲得高質量的海底紋理神經網絡模型。利用該紋理神經網絡處理技術不僅可大大提高對水下輸油管道中的海底紋理圖像的樣本視覺判斷準確率以及處理工作效率，還可大幅增強現有auv圖像視覺處理系統的圖像工作處理性能。

【關鍵詞】神經網絡;圖像識別;水下管道

一、引言

自主式水下海洋機器人（autonomous under water sea vehicle，auv）主要是幫助人們進行探索海洋資源和進行其他海洋科學活動的重要輔助工具。由于auv具有獨特區位優勢，其在我國海底地下石油油氣管線安全巡檢工作中正發揮著越來越大的作用。auv在實際工作時需要實現管道軌跡追蹤和國際海洋巡航軌跡探測規劃，主要依靠電子聲學或鐳射光學等探測手段。

當管道企業進行auv水下管道作業時，在距離水下管道施工漏水目標較近時，auv的水下管道軌跡成像和實時漏水處理儀在監控系統中實時跟蹤漏水目標，生成較為清晰的水下管道漏水軌跡處理圖像，同時進行管道實時跟蹤數據分析存儲。這些水下管道軌跡圖像除了前期希望能實時跟蹤，同時能夠實現各種立體光學水下管道漏水軌跡實時成像以及導航，后期還希望通過實時跟蹤，幫助水下管道施工技術人員實時分析管道企業施工水下管道的管體漏水部件狀態，判斷企業水下管道的裸露管體表層受到腐蝕和管道漏水部件破壞嚴重度，給管道企業做好后續水下管道作業施工漏水管理工作提供重要技術參考和數據分析得科學依據。另一方面，由于水下生態環境較為復雜，auv水下生態環境攝影成像質量檢測處理系統進行拍攝所用的水下攝影機和底片常常多少都會同時包含了一些具有各種不同典型的低噪點和復雜性的背景物。因此，為了大大提高水下管道圖片同步成像和實時信息處理遠程監控信息系統的實時成像工作系統運行管理質量和信息處理工作效率，有必要對水下管道圖片實時圖像信息進行高效實時化和數字化并行成像追蹤處理，以準確獲取信息，實現auv對水下管道的高效實時成像處理追蹤和水下實時成像巡檢。

為了更好實現這一研究目的，本文首先深入研究了可以采用水下圖像分析信號分類處理的多種方法對水下分類圖像信號進行分類處理，通過利用計算機數字圖像處理，本文分析獲得了大量優質的可廣泛用于圖像分析的水下分類圖像;其次，本文研究利用分類神經網絡的多種相關識別方法，選取最高效得新型bp分類神經網絡，采用它對分析獲得的水下分類圖像信號進行不同分類信號識別。經過多種網絡分析訓練，獲得了一種具有較好圖像分類識別效果的新型bp分類神經網絡，可以對不同分類目標物的水下圖像信號進行不同分類信號識別。

二、水下圖像數字處理技術

要對水下圖像進行分析和識別，首先需要大量包含豐富信息的優質數字圖像，以便進一步的分析。本文將收集的水下圖像進行基于灰度變換、中值濾波、模糊增強和閾值化等數字處理技術的前期處理，以獲得可以更好為后期分類識別可用的訓練圖像數據。

三、基于BP神經網絡的水下圖像的分類和識別

3.1 BP神經網絡水下圖像識別的基本原理

要對水下圖像進行機器識別必須先對其圖像特征進行描述。根據目前相關技術研究成果文獻，本文通過選擇海底圖像中輸油目標物體的長徑百分比、伸縮線長度、圓形度、一階矩和不變矩4個主要特征參數可用來對水下輸油目標中最常見的輸油管道、分布在含有大量石塊的深海海底、海底沿岸沙灘、海底排水溝壑進行特征刻畫;通過研究這4類特征參數在不同圖像中的不同值，來確定水下樣片中的核心圖像為管道還是巖石、溝壑等物。Bp神經網絡——基于反饋反射神經網絡的新技術，也即后來的發射反饋型和反射耦合神經網絡，是當前流行的屬于技術改進型的基于反饋反射神經網絡。該基于反饋反射神經網絡的新技術已經可以以任意的連續處理狀態精度非常快速地逼近任意一個連續處理狀態下的函數。利用新的bp反饋神經網絡技術將可以很好地幫助實現狀態預測和函數分類等很多種常用功能。本文主要采用新型的bp模型神經網絡，以經過現代數字視頻技術和圖像處理后的水下不動圖像分析為主要研究檢測對象，以圖像長徑百分比、伸直線長度、圓形度、一階不動畸變矩為數值判定主要指標，對圖像進行了分類識別研究。從通過采用前文已經介紹過的方法分析采集并得到的水下數字圖像中，選擇出其中的10組照片作為mabp用于網絡現象研究的圖像樣本，通過matlab方法計算每張照片的圖像類型中的4個樣本特征參數，獲得每張圖像樣本類型與每個特征參數的相互關系。

3.2定義輸入和輸出樣本數據

（1）采用統計數據分析定義每個輸入進來數據點在本次樣本分析中的統計數據。大概方法簡單描述如下。從每組數據中將10組數據輸入后從數據中隨機順序依次選擇6組（單位數據輸入序號和單位數據量分別為：1、3、6、7、8、10）并以數據序號作為首次輸入的一組數據計算樣本，對每組數據經過數據歸一化以后再依次輸入一組數據到計算處理軟件matlab中做統計值計算。

（2）對信號輸出端的狀態信號進行自動編碼。輸出向量為四維函數向量，定義器中說明期望加入的輸出維向量。

（3）如何快速構建一個基于bpcp模型的神經網絡：由于本文所述需要構建的模型神經網絡的集成電路信號輸入和神經網絡信號輸出電路結構設計情況較為簡單，為了有效地簡化網絡結構，提高神經網絡進行運算時的運行處理速度，本文采用包含一個網絡隱含的底層網絡結構的bp神經網絡的構建模型。其中，網絡輸入單元為4種水下圖像的特征參數，輸出單元為4種海底圖像形貌。根據隱含網絡層分為4-x-4結構層的形式，由網絡經驗計算公式我們可以知道在隱含網絡層每個節點群的數量大小為3～13之間的均方差值，計算每個均方差值點所對應的均方表征值和神經網絡系統性能的均方誤差值（mse），可以知道每當網絡隱含第一層網絡層每個節點群的數為4時，得到的均方mse值最小為26，因此，網絡的隱含層每個節點群的節點數選為4。本文所用的bp神經網絡主要傳遞函數分別為"logsig"和"purelin"函數。

（4）對bp神經網絡的功能訓練。在matlab中本文應用模擬輸入和實際輸出兩個樣本誤差向量對每個網格模型進行誤差訓練，定義每個期望值的誤差范圍為1e-6。訓練執行過程中，bp神經網絡經過13次迭代替換之后已經達到了令人滿意的精度期望值和減小誤差的極限。

（5）利用 BP 神經網絡進行水下圖像的分類判斷。下面我們利用所有的10個測試樣本對本次訓練中輸出的各種神經網絡測試數據進行一次測試數據檢驗。在matlab中我們輸入了在前面幾個步驟歸一化后的所有樣本數據，獲得網絡的輸出數據，經過整理，分類判斷結果準確度較高。從測試結果可看到，經過訓練后的 BP 神經網絡可以很好地對各個樣本的狀態進行判斷分類，且判斷的結果具有很高精度。另一方面，10組樣本中只有2組樣本的診斷出現了較小偏差。為了提高網絡診斷精度，可以在訓練樣本中加入錯誤測試樣本，重新對bp神經網絡進行訓練。

四、結束語

視覺探測系統是 AUV 的重要系統，影響著其海底管道巡檢的工作效率，而水下圖像的分類識別技術又是視覺探測系統的核心。本文主要利用了計算機數字圖像技術對海底圖像原片進行處理，提取其特征后，利用 BP 神經網絡進行訓練，獲得成熟的bp神經網絡模型以用于圖像的分類。最后得到的目標圖像可用于 AUV 的光學軌跡導航等。本文的研究思路對相關 AUV 水下管道目標識別與跟蹤等研究領域有一定借鑒意義。

參考文獻：

朱磊， 李建英， 韓琦. 基于圖像的水下管道檢測裝置及其檢測方法：， CN108051444A[P]. 2018.

唐旭東. 智能水下機器人水下管道檢測與跟蹤技術研究[D]. 哈爾濱工程大學.

作者簡介：

胡蘇（1981.07-），女，漢，湖北武漢人，廣東財經大學信息學院講師，廣東廣州，510320，研究方向：機器學習，大數據分析，排水管網

基金項目：廣東省住房和城鄉建設廳2020年科技計劃項目：排水設施功能診斷與風險預警系統的研發（編號：2020-K4-505796）