基于BP神经网络的水下管道图像识别与判断技术研究

【摘要】本文主要深入探讨了如何通过采用神经网络进行数字图像处理的技术对利用auv数字图像技术拍摄的大量海底浅层纹理样本进行数字图像处理，获得一个具有包括大量水下输油管道、岩石、沙滩和海底纹理沟壑等图像样本纹理特征的海底纹理图像样本库，并用bp神经网络对这些图像样本纹理特征进行分析训练，以获得高质量的海底纹理神经网络模型。利用该纹理神经网络处理技术不仅可大大提高对水下输油管道中的海底纹理图像的样本视觉判断准确率以及处理工作效率，还可大幅增强现有auv图像视觉处理系统的图像工作处理性能。

【关键词】神经网络;图像识别;水下管道

一、引言

自主式水下海洋机器人（autonomous under water sea vehicle，auv）主要是帮助人们进行探索海洋资源和进行其他海洋科学活动的重要辅助工具。由于auv具有独特区位优势，其在我国海底地下石油油气管线安全巡检工作中正发挥着越来越大的作用。auv在实际工作时需要实现管道轨迹追踪和国际海洋巡航轨迹探测规划，主要依靠电子声学或镭射光学等探测手段。

当管道企业进行auv水下管道作業时，在距离水下管道施工漏水目标较近时，auv的水下管道轨迹成像和实时漏水处理仪在监控系统中实时跟踪漏水目标，生成较为清晰的水下管道漏水轨迹处理图像，同时进行管道实时跟踪数据分析存储。这些水下管道轨迹图像除了前期希望能实时跟踪，同时能够实现各种立体光学水下管道漏水轨迹实时成像以及导航，后期还希望通过实时跟踪，帮助水下管道施工技术人员实时分析管道企业施工水下管道的管体漏水部件状态，判断企业水下管道的裸露管体表层受到腐蚀和管道漏水部件破坏严重度，给管道企业做好后续水下管道作业施工漏水管理工作提供重要技术参考和数据分析得科学依据。另一方面，由于水下生态环境较为复杂，auv水下生态环境摄影成像质量检测处理系统进行拍摄所用的水下摄影机和底片常常多少都会同时包含了一些具有各种不同典型的低噪点和复杂性的背景物。因此，为了大大提高水下管道图片同步成像和实时信息处理远程监控信息系统的实时成像工作系统运行管理质量和信息处理工作效率，有必要对水下管道图片实时图像信息进行高效实时化和数字化并行成像追踪处理，以准确获取信息，实现auv对水下管道的高效实时成像处理追踪和水下实时成像巡检。

为了更好实现这一研究目的，本文首先深入研究了可以采用水下图像分析信号分类处理的多种方法对水下分类图像信号进行分类处理，通过利用计算机数字图像处理，本文分析获得了大量优质的可广泛用于图像分析的水下分类图像;其次，本文研究利用分类神经网络的多种相关识别方法，选取最高效得新型bp分类神经网络，采用它对分析获得的水下分类图像信号进行不同分类信号识别。经过多种网络分析训练，获得了一种具有较好图像分类识别效果的新型bp分类神经网络，可以对不同分类目标物的水下图像信号进行不同分类信号识别。

二、水下图像数字处理技术

要对水下图像进行分析和识别，首先需要大量包含丰富信息的优质数字图像，以便进一步的分析。本文将收集的水下图像进行基于灰度变换、中值滤波、模糊增强和阈值化等数字处理技术的前期处理，以获得可以更好为后期分类识别可用的训练图像数据。

三、基于BP神经网络的水下图像的分类和识别

3.1 BP神经网络水下图像识别的基本原理

要对水下图像进行机器识别必须先对其图像特征进行描述。根据目前相关技术研究成果文献，本文通过选择海底图像中输油目标物体的长径百分比、伸缩线长度、圆形度、一阶矩和不变矩4个主要特征参数可用来对水下输油目标中最常见的输油管道、分布在含有大量石块的深海海底、海底沿岸沙滩、海底排水沟壑进行特征刻画;通过研究这4类特征参数在不同图像中的不同值，来确定水下样片中的核心图像为管道还是岩石、沟壑等物。Bp神经网络——基于反馈反射神经网络的新技术，也即后来的发射反馈型和反射耦合神经网络，是当前流行的属于技术改进型的基于反馈反射神经网络。该基于反馈反射神经网络的新技术已经可以以任意的连续处理状态精度非常快速地逼近任意一个连续处理状态下的函数。利用新的bp反馈神经网络技术将可以很好地帮助实现状态预测和函数分类等很多种常用功能。本文主要采用新型的bp模型神经网络，以经过现代数字视频技术和图像处理后的水下不动图像分析为主要研究检测对象，以图像长径百分比、伸直线长度、圆形度、一阶不动畸变矩为数值判定主要指标，对图像进行了分类识别研究。从通过采用前文已经介绍过的方法分析采集并得到的水下数字图像中，选择出其中的10组照片作为mabp用于网络现象研究的图像样本，通过matlab方法计算每张照片的图像类型中的4个样本特征参数，获得每张图像样本类型与每个特征参数的相互关系。

3.2定义输入和输出样本数据

（1）采用统计数据分析定义每个输入进来数据点在本次样本分析中的统计数据。大概方法简单描述如下。从每组数据中将10组数据输入后从数据中随机顺序依次选择6组（单位数据输入序号和单位数据量分别为：1、3、6、7、8、10）并以数据序号作为首次输入的一组数据计算样本，对每组数据经过数据归一化以后再依次输入一组数据到计算处理软件matlab中做统计值计算。

（2）对信号输出端的状态信号进行自动编码。输出向量为四维函数向量，定义器中说明期望加入的输出维向量。

（3）如何快速构建一个基于bpcp模型的神经网络：由于本文所述需要构建的模型神经网络的集成电路信号输入和神经网络信号输出电路结构设计情况较为简单，为了有效地简化网络结构，提高神经网络进行运算时的运行处理速度，本文采用包含一个网络隐含的底层网络结构的bp神经网络的构建模型。其中，网络输入单元为4种水下图像的特征参数，输出单元为4种海底图像形貌。根据隐含网络层分为4-x-4结构层的形式，由网络经验计算公式我们可以知道在隐含网络层每个节点群的数量大小为3～13之间的均方差值，计算每个均方差值点所对应的均方表征值和神经网络系统性能的均方误差值（mse），可以知道每当网络隐含第一层网络层每个节点群的数为4时，得到的均方mse值最小为26，因此，网络的隐含层每个节点群的节点数选为4。本文所用的bp神经网络主要传递函数分别为"logsig"和"purelin"函数。

（4）对bp神经网络的功能训练。在matlab中本文应用模拟输入和实际输出两个样本误差向量对每个网格模型进行误差训练，定义每个期望值的误差范围为1e-6。训练执行过程中，bp神经网络经过13次迭代替换之后已经达到了令人满意的精度期望值和减小误差的极限。

（5）利用 BP 神经网络进行水下图像的分类判断。下面我们利用所有的10个测试样本对本次训练中输出的各种神经网络测试数据进行一次测试数据检验。在matlab中我们输入了在前面几个步骤归一化后的所有样本数据，获得网络的输出数据，经过整理，分类判断结果准确度较高。从测试结果可看到，经过训练后的 BP 神经网络可以很好地对各个样本的状态进行判断分类，且判断的结果具有很高精度。另一方面，10组样本中只有2组样本的诊断出现了较小偏差。为了提高网络诊断精度，可以在训练样本中加入错误测试样本，重新对bp神经网络进行训练。

四、结束语

视觉探测系统是 AUV 的重要系统，影响着其海底管道巡检的工作效率，而水下图像的分类识别技术又是视觉探测系统的核心。本文主要利用了计算机数字图像技术对海底图像原片进行处理，提取其特征后，利用 BP 神经网络进行训练，获得成熟的bp神经网络模型以用于图像的分类。最后得到的目标图像可用于 AUV 的光学轨迹导航等。本文的研究思路对相关 AUV 水下管道目标识别与跟踪等研究领域有一定借鉴意义。

参考文献：

朱磊， 李建英， 韩琦. 基于图像的水下管道检测装置及其检测方法：， CN108051444A[P]. 2018.

唐旭东. 智能水下机器人水下管道检测与跟踪技术研究[D]. 哈尔滨工程大学.

作者简介：

胡苏（1981.07-），女，汉，湖北武汉人，广东财经大学信息学院讲师，广东广州，510320，研究方向：机器学习，大数据分析，排水管网

基金项目：广东省住房和城乡建设厅2020年科技计划项目：排水设施功能诊断与风险预警系统的研发（编号：2020-K4-505796）