呂 悅，張永忠

(北京城市學(xué)院，北京 順義區(qū) 101399)

1 引言

如今，語(yǔ)義分割是數(shù)字圖像識(shí)別的關(guān)鍵技術(shù)之一。作為數(shù)字圖像識(shí)別的中心問(wèn)題，對(duì)于在不同場(chǎng)景中識(shí)別不同的事物更加重要，因?yàn)樵诂F(xiàn)實(shí)生活中，越來(lái)越多人們無(wú)法探索到的地方需要用到電子設(shè)備，在應(yīng)用場(chǎng)景圖像中識(shí)別或推理出相關(guān)的語(yǔ)義。例如VR視覺，汽車的自動(dòng)駕駛功能，人與機(jī)器的交互等。

船舶水尺已經(jīng)在各種大型輪船上存在，并且也是重要的安全指標(biāo)，如果能夠精確地獲取吃水?dāng)?shù)據(jù)、能夠及時(shí)的檢測(cè)船舶的安全狀態(tài)以及調(diào)整船舶，就可以有效的提高安全性，并且減少人力資源的消耗，同時(shí)，在各種散裝貨物的重量測(cè)量中，通過(guò)船舶水尺進(jìn)行測(cè)量的數(shù)不勝數(shù)。因?yàn)橥ㄟ^(guò)船舶水尺計(jì)重的方法擁有著便捷與效率高的的特點(diǎn)，使用此方法可以簡(jiǎn)單并快速的知道船舶裝載貨物的噸數(shù)。可見船舶水尺測(cè)量貨物重量的方法已經(jīng)是散裝貨物計(jì)重的常用方法，并且通過(guò)計(jì)算結(jié)果可以衍生出對(duì)商品進(jìn)行售賣的結(jié)算、船只的載重、貨物運(yùn)費(fèi)計(jì)算的依據(jù).

目前如果要檢測(cè)船舶吃水線，主要依靠的是有經(jīng)驗(yàn)的船員、商檢人員等擁有相關(guān)專業(yè)經(jīng)驗(yàn)的人員通過(guò)目測(cè)進(jìn)行獲取數(shù)值。并且為了獲得較為準(zhǔn)確的數(shù)值，觀察人員需要通過(guò)多次的查看通過(guò)取平均值才能獲得較為準(zhǔn)確的數(shù)值。這種通過(guò)人的雙目測(cè)量獲得船舶吃水線數(shù)值的方式常常帶有較大的主觀性與局限性。其次由于現(xiàn)實(shí)狀況的限制，例如由于觀測(cè)角度或者惡劣天氣的問(wèn)題，導(dǎo)致水尺讀數(shù)讀取較為困難，往往會(huì)存在較大誤差，導(dǎo)致觀測(cè)精度往往沒(méi)有那么精確，如果利用機(jī)器去檢測(cè)可以節(jié)省大量的人力資源并增加一定安全性。

為替代人工，實(shí)現(xiàn)自動(dòng)檢測(cè)，本文研究了基于圖像語(yǔ)義分割的船舶水線檢測(cè)方法，采用python作為仿真環(huán)境，利用圖像處理技術(shù)對(duì)船舶水尺處水位線的識(shí)別工作，能夠克服由于人工目測(cè)出現(xiàn)的問(wèn)題，能夠有效地檢測(cè)出水尺處水線的位置，并對(duì)之后的數(shù)據(jù)處理提供了可能，降低了系統(tǒng)的復(fù)雜性，并提高了水尺檢測(cè)的安全性和準(zhǔn)確率。

為了提高檢測(cè)的準(zhǔn)確率，本文提出了在原有的方法上進(jìn)行改進(jìn)，相對(duì)于對(duì)于傳統(tǒng)方法減小了對(duì)船體縫合線的錯(cuò)誤識(shí)別，將部分劃痕識(shí)別為水線的錯(cuò)誤率減小，或者是將部分船體錯(cuò)誤識(shí)別為水面的情況進(jìn)行解決。實(shí)驗(yàn)結(jié)果證明，該方法在不耗費(fèi)大量的前提數(shù)據(jù)上進(jìn)行有效的識(shí)別，并保持一定的正確率。

2 總體結(jié)構(gòu)設(shè)計(jì)

2.1 開發(fā)環(huán)境

系統(tǒng)軟件運(yùn)行在Windows平臺(tái)上，Windows操作系統(tǒng)能夠使系統(tǒng)的運(yùn)轉(zhuǎn)更明了，同時(shí)能夠使操作簡(jiǎn)單。系統(tǒng)程序使用編程語(yǔ)言python來(lái)進(jìn)行能夠更加清楚地觀察水線檢測(cè)的過(guò)程與結(jié)果。

2.2 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

船舶水線檢測(cè)系統(tǒng)組成如圖1所示。包含圖像預(yù)處理，水線檢測(cè)，為了方便水尺計(jì)算建立水線軸三部分。水線檢測(cè)包括對(duì)水體和船體提的分割以及優(yōu)化。水線建軸包括對(duì)水線的提取以及建立坐標(biāo)軸。

圖1 總體結(jié)構(gòu)設(shè)計(jì)圖

3 圖像預(yù)處理

為了更簡(jiǎn)便的識(shí)別，將水尺圖像由三通道彩色圖像通過(guò)python腳本轉(zhuǎn)換為灰度圖像，灰度圖像相較于彩色圖像，在進(jìn)行邊緣檢測(cè)時(shí)較為方便，速度會(huì)更快，計(jì)算量會(huì)更少，然后對(duì)圖像進(jìn)行二值化處理，因?yàn)橹恍枰R(shí)別水體與船體，所以圖像上像素點(diǎn)的灰度值范圍變?yōu)?與255之間，將分割后的圖片轉(zhuǎn)換成用灰度值組成的矩陣。所識(shí)別的灰度值等于或者大于自行指定數(shù)值的像素識(shí)別為水體，識(shí)別灰度值小于自行指定數(shù)值則識(shí)別為背景[7]，如圖2。

圖2 圖像灰度化

4 船與水面的分割

本文采用Deeplab模型架構(gòu)，Deeplab是一種卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)。deeplab相對(duì)于FCN來(lái)說(shuō)，雖然依舊采用了FCN網(wǎng)絡(luò)獲取分?jǐn)?shù)圖，但是對(duì)VGG網(wǎng)絡(luò)進(jìn)行了一些修改。在得到分?jǐn)?shù)圖的方法上，deeplab要比FCN方法的效果好了一些。Deeplab網(wǎng)絡(luò)將VGG網(wǎng)絡(luò)中池化層中第四層與第五層的步長(zhǎng)由2改為了1，并且增加了一個(gè)填充的步驟。這樣的改動(dòng)，使得VGG網(wǎng)絡(luò)總步長(zhǎng)由原來(lái)的32變成8，所以在輸入圖像后得到的分?jǐn)?shù)圖的效果要比FCN網(wǎng)絡(luò)的效果好了很多[2]。

通過(guò)實(shí)驗(yàn)后發(fā)現(xiàn)，Deeplab模型實(shí)驗(yàn)效果優(yōu)于U-net模型的實(shí)驗(yàn)效果，Deeplab能夠?qū)⑺媾c船體清楚地識(shí)別并分割出來(lái)，而U-net只能夠?qū)D像大概的分割出來(lái)，Deeplab分割效果更好能夠清楚的識(shí)別出水體，提取的邊緣更加連續(xù)與平滑，如圖3所示，但是在訓(xùn)練過(guò)程中所需要的時(shí)間更長(zhǎng)； U-net訓(xùn)練速度很快，但是識(shí)別效果并不好，如圖4所示。

圖3 Deeplab分割效果

圖4 U-net分割效果

5 圖像語(yǔ)義分割優(yōu)化

在進(jìn)行水體分割后，會(huì)有一些錯(cuò)誤分割對(duì)之后的識(shí)別有一定的影響，添加識(shí)別約束來(lái)進(jìn)行水線提取的準(zhǔn)確率。

圖像中出了水體和船體，在識(shí)別中可能會(huì)將部分船體或者是部分背景識(shí)別為水體，為了消除這些減小這些錯(cuò)誤是被識(shí)別，在檢測(cè)中加入圖像識(shí)別約束，因?yàn)樗w應(yīng)為圖像中除背景外最大的一塊面積，將分割后所有識(shí)別為水體的區(qū)域進(jìn)行面積計(jì)算，并將其進(jìn)行比較，保留面積最大的區(qū)域作為水體區(qū)域，并將其輸出。

圖5 單連通域約束

6 基于邊緣檢測(cè)的水線提取

由于船舶水線經(jīng)常是曲折線條偶爾會(huì)有直線線條，本文通過(guò)邊緣檢測(cè)進(jìn)行水線的提取，利用像素灰度的突然變化來(lái)尋找圖像的邊緣，當(dāng)獲取分割出的水面區(qū)域后，對(duì)水面區(qū)域進(jìn)行邊緣檢測(cè) 保留水面區(qū)域的邊緣，上邊緣即為水線。本文采用Canny算子進(jìn)行水線提取

6.1 Canny檢測(cè)

1)圖像灰度處理

對(duì)分割后的圖像進(jìn)行灰度處理，將RGB格式的彩圖的3個(gè)通道進(jìn)行加權(quán)平均，方法為

Gray=(R+G+B)/3

(1)

在進(jìn)行識(shí)別時(shí)能夠有效的減少識(shí)別時(shí)間，并便于后續(xù)優(yōu)化的添加。

2)噪聲影響處理

處理時(shí)噪聲會(huì)對(duì)邊緣檢測(cè)效果產(chǎn)生誤差，所以為了減少誤差，減少噪聲數(shù)量，實(shí)現(xiàn)較為光滑的圖像，使用高斯濾波器與圖像進(jìn)行卷積。

離散的高斯卷積核H： (2k+1)×(2k+1)維，元素計(jì)算方法

(2)

高斯卷積核大小對(duì)最終的識(shí)別結(jié)果會(huì)產(chǎn)生不同程度的影響。如果卷積核尺寸選擇的略大，檢測(cè)時(shí)對(duì)噪聲的敏感度也會(huì)比較小，但是對(duì)于邊緣檢測(cè)出現(xiàn)的誤差率也會(huì)略微增大。所以要尋找一個(gè)較為適合的大小。

3)像素點(diǎn)的梯度強(qiáng)度與方向計(jì)算

圖像的邊緣有指向各個(gè)方向的的，所以Canny算子沿X軸和Y軸以及對(duì)角線四個(gè)方向進(jìn)行梯度的計(jì)算，本文使用Sobel算子進(jìn)行梯度的計(jì)算，因?yàn)橄鄬?duì)于Prewitt算子等其它幾種邊緣檢測(cè)算子，Sobel算子檢測(cè)出來(lái)的邊緣亮度較為鮮艷，線條更加清楚，更加易于觀看。

4)非極大值抑制

水線檢測(cè)只能存在一個(gè)精確的顯示，所以要進(jìn)行非極大值抑制，將除局部區(qū)域最大值外的梯度值抑制，將水線圖像中的每一個(gè)像素梯度值與正負(fù)梯度方向上的像素進(jìn)行比較，如果所選取的像素梯度值比其兩個(gè)方向上的像素大，則保留此像素：反之則將像素值抑制[6]。

5)雙閾值檢測(cè)

在對(duì)圖像進(jìn)行抑制之后，識(shí)別出的邊緣能夠更加接近真實(shí)的水線。然而，水線周邊還存在著部分由于噪聲引起的錯(cuò)誤邊緣，雙閾值檢測(cè)就是為了消除這些錯(cuò)誤識(shí)別，若是水線周邊存在低于低閾值的像素就進(jìn)行舍棄或刪除，保留高于高閾值的像素。是水線更加的精確。

Canny算子檢測(cè)結(jié)果如圖6。

圖6 Canny算子檢測(cè)結(jié)果

由檢測(cè)結(jié)果可知，Canny算子檢測(cè)性較高，相對(duì)于傳統(tǒng)的Sobel檢測(cè)算子，更不容易受到噪聲的影響，能夠識(shí)別到較為不明顯的邊緣，在進(jìn)行檢測(cè)時(shí)若是強(qiáng)弱邊緣相連接時(shí)，能夠?qū)⑷踹吘夛@示出來(lái)。并且對(duì)圖像的細(xì)節(jié)也能很好的檢測(cè)，對(duì)于水面沒(méi)有波浪，并且水線呈現(xiàn)一條線時(shí)，位于X軸方向識(shí)別的水線效果更加準(zhǔn)確。在需要高精度的識(shí)別時(shí)使用會(huì)有較好的效果。

6.2 建立水線軸

由于圖像中除水線外還會(huì)有類似船體分割線或劃痕之類并不需要的線，這些干擾線都會(huì)使檢測(cè)出現(xiàn)偽邊緣，并為了對(duì)后續(xù)的吃水值的計(jì)算的準(zhǔn)確性，所以需要對(duì)圖像進(jìn)行添加約束的直線檢測(cè)。當(dāng)水線檢測(cè)之后，按照實(shí)際情況進(jìn)行約束的添加：

1)一般靠岸船舶水線起伏不會(huì)非常大，通常在正負(fù)20°，若邊緣檢測(cè)出超過(guò)設(shè)定數(shù)值，會(huì)刪除此次霍夫直線檢測(cè)結(jié)果。

2)水線通常為圖像中延水平方向上最長(zhǎng)的，將檢測(cè)出的水線進(jìn)行比較進(jìn)行只保留最長(zhǎng)的一根線。

3)有的水線在中間部分起伏比較大時(shí)，可能會(huì)檢測(cè)出中斷斷續(xù)續(xù)的水線，這時(shí)將這些片段的的水線進(jìn)行連接，作出一條擬水線。

通過(guò)霍夫直線檢測(cè)后，保留直線作為坐標(biāo)系的X軸，如圖7所示。

圖7 水線建軸

7 實(shí)驗(yàn)分析

為了驗(yàn)證本文的有效性，進(jìn)行相應(yīng)的實(shí)驗(yàn)。隨機(jī)選擇船體水尺處的圖像輸入到訓(xùn)練后的模型中進(jìn)行檢測(cè)，識(shí)別后輸出圖像如圖8所示。

圖8 實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果來(lái)看，訓(xùn)練后的模型能夠有效的識(shí)別出水線的位置并將其進(jìn)行單獨(dú)的顯示，并且能夠排除在13M字符處出現(xiàn)的船體縫合線的干擾，擁有一定的準(zhǔn)確率。

分別采用傳統(tǒng)檢測(cè)方法與本文方法進(jìn)行船舶的水線檢測(cè)。

表1 不同方法的檢測(cè)結(jié)果

隨機(jī)選擇船體水尺處的圖像輸入到訓(xùn)練好的模型中進(jìn)行檢測(cè)，從實(shí)驗(yàn)結(jié)果來(lái)看，訓(xùn)練后的模型能夠有效的識(shí)別出水線的位置并將其進(jìn)行單獨(dú)的顯示，并且能夠排出一定的干擾項(xiàng)，從而較少識(shí)別錯(cuò)誤的發(fā)生。相較于傳統(tǒng)的水線檢測(cè)，本文水線檢測(cè)準(zhǔn)確率要優(yōu)于傳統(tǒng)的檢測(cè)。說(shuō)明本文系統(tǒng)可以更加準(zhǔn)確地檢測(cè)出水線。

8 結(jié)論

本文實(shí)現(xiàn)了一種通過(guò)圖像視覺獲取船舶水線的方法，應(yīng)用計(jì)算機(jī)代替人工對(duì)水線的識(shí)別，為后續(xù)的吃水值計(jì)算提供了可能性，并且相較于人工水線識(shí)別，計(jì)算機(jī)是被降低了人工檢測(cè)時(shí)的誤差，增加了安全性與準(zhǔn)確性，實(shí)驗(yàn)結(jié)果表明，使用圖像識(shí)別技術(shù)能夠識(shí)別出水線位置，并有一定的準(zhǔn)確率，能夠滿足實(shí)際應(yīng)用需求。實(shí)驗(yàn)的不足之處在于：雖然在小規(guī)模的測(cè)試集上驗(yàn)證了該方法的有效性，但缺乏大規(guī)模的實(shí)驗(yàn)驗(yàn)證，水線提取的精度有待進(jìn)一步提高。