嵌入式海底管线检测系统设计与实现*

周文涛 马国军，2 丁 安 王 彪，2

（1.江苏科技大学电子信息学院 镇江 212003）（2.镇江市智慧海洋信息感知与传输重点实验室 镇江 212003）

1 引言

由于电力、石油和天然气等能源运输的需求，近年来在海底建设了越来越多的水下基础设施，如电缆和管道，以满足输送油气和通信的需求。海底管线经过海水的长时间浸泡和腐蚀，或者受海底地壳运动的影响，极易发生破损或断裂，从而造成巨大的经济损失和环境污染。为了保持这些基础设施的安全和可靠，必须对管线进行定期检测和维护。

自主式水下机器人（Autonomous Underwater Vehicle，AUV）相较于遥控潜水器（Remotely Operated Vehicle，ROV）进行管线检测具有低成本、灵活方便的特点，并逐步获得应用［1～2］。在文献［3］的管道检测中，AUV通过相机获取水下管道线图像并进行小波图像增强、基于熵的管道图像分割，根据视觉反馈对腐蚀管道检查和跟踪，从而控制AUV的航向。文献［4］研究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。

由于声纳探测可以不受水体浑浊度的影响且探测距离远，常作为AUV配置的设备进行海底管线探测。文献［5～6］利用的合成孔径声纳具有较高的分辨率但成本也较高。

文献［7］根据合成孔径声纳图像中水下目标的特征，提出Radon变换和Grab Cut的管线提取算法。从声纳图像中提取管线，需要先设定阈值将目标从背景中分离［8］，然后对分割出的目标Hough变换［9～10］提取直线。文献［11］利用纹理信息，采用神经网络和支持向量机进行边缘分类的方法检测线状目标。

平均恒虚警率的方法最先用在雷达信号目标检测中，文献［12～13］引入该思想，自适应地产生分割阈值，对侧扫声纳图像目标分割，有效地完成管线检测。

本文研究海底管线检测声纳图像的嵌入式软硬件设计，利用侧扫声纳得到海底声图，开发声纳图像管线检测新方法。

2 管线检测嵌入式硬件设计

为了在海底检查任务中以较低成本获得较高质量的数据，AUV配置的常用传感器有DVL（Doppler Velocity Logs）、GPS、视觉相机和侧扫声纳，IMU（Inertial Measurement Unit）和压力传感器等［14～15］，以完成系统控制、信息感知和管线检测等任务。

本文设计的海底管线声纳图像嵌入式检测系统包括核心CPU Samsung Cortex-A8 S5PV210芯片、存储器、通信接口和LCD显示接口等。S5PV210芯片具有低成本、低功耗和高性能的特点，是三星公司推出的一款适用于智能应用的多媒体设备处理器，主频800MHz。本文采用的嵌入式系统配置512M DDR2内存，4G EMMC FLASH；LCD显示采用7英寸高清液晶显示电容触摸屏，分辨率为1024*600。

嵌入式检测系统整体硬件框图如图1所示，电源部分提供3.3V和5V电压，通过GPS获取AUV位置信息和DVL传感器获取AUV姿态，侧扫声纳得到的海底声学图像通过LCD显示。

图1 管线检测系统硬件结构

3 管线目标分割

3.1 声纳图像预处理

声纳图像中含有各种噪声，从而造成图像模糊。为去除噪声和改善图像质量，通过高斯滤波算法去除图像中的噪声，以提高管线目标分割的精度和准确率。

二维高斯滤波：

其中，x、y为图像像素坐标，σ为高斯滤波器的标准差，该滤波器在各个方向上的平滑程度相同，可以用来去除噪声，平滑图像。

3.2 二维平均恒虚警率方法

根据声纳和管线目标位置的相对方向，声亮区域会有较大的变化。同时，海洋环境中各种噪声的存在，使得声纳图像模糊不清，造成目标不清晰。当声亮区域的某些像素点灰度值小于检测阈值时，易造成目标的错误分割，从而目标在声图像中不可见。

本文借用雷达信号处理中的恒虚警率（Contant False Alarm Rate，CFAR）思想，研究声纳图像管线检测的二维平均恒虚警率方法。在目标检测和图像分割时无需图像的先验知识，而且具有较强的抗干扰能力，在对声纳回波功率进行采样时，目标区域具有较强的回波，而背景或目标背后的阴影区域部分的回波则较弱。恒虚警率算法通过自适应的调整检测阈值以保持恒虚警概率，该检测阈值由测试单元周围像素功率的平均值决定。

二维单元平均恒虚警率［13］（Cell Average-Constant False Alarm Rate，CA-CFAR）的滑动检测窗口如图2所示，设x i，j为测试单元像素，浅灰色为保护单元像素，参考单元像素为黑色。G为保护单元宽度，N为参考单元宽度，则滑动检测窗口内像素总数为[2(N+G)+1]2；同理可得，保护单元内像素总数为(2G+1)2。

图2 滑动检测窗口

参考单元内像素灰度平均值R a，滑动检测窗口内像素灰度累加值Sumw，保护单元内像素灰度累加值Sum g，则参考单元内像素灰度平均值为(Sumw-Sum g)/R c。

在高斯混响情况下，任意单元的概率密度函数（probablity density function，pdf）只与声混响功率β2的平均值有关。设图像中测试单元像素xi，j，其周围有R c个参考单元y l，l=1，2，…R c，R c为参考单元的数目。假设y l独立同分布，则参考单元混响功率的平均值为

其联合概率密度函数为

声学混响功率的最大似然估计通过计算β2的最大值得到

此时，为参考单元平均值，检测阈值T̂与参考单元均值成正比，其系数为α，则

在虚警概率条件下，混响功率变化时，检测阈值也发生变化。虚警概率P fa和T̂均为随机变量。

令zl=αy l/R c则其概率密度函数为

的概率密度函数为

其数学期望为

式（8）表明，P fa只与R c有关，即与N和G有关，可得比例系数：

将式（9）代入式（5）即可求出阈值T̂。

CA-CFAR算法的检测阈值受P fa、N和G的影响。P fa的值决定了影响阈值大小的比例系数α，N和G的值决定参考单元和保护单元总数，并影响参考单元内灰度平均值的计算。

3.3二维CA-CFAR算法

二维CA-CFAR算法通过测试单元周围的参考单元灰度平均值来确定检测阈值。当检测窗口移动时，参考单元的平均值也随之改变，因而是一种自适应的阈值检测算法。

3.3.1 区域像素快速求和

为得到参考单元内像素灰度平均值，需要首先计算参考单元内所有像素灰度值之和。

对每一个测试单元xi，j，阈值T需要计算其参考单元内所有像素之和，即

如果采用直接计算的方式，将耗费大量的时间，从而无法在嵌入式系统上实现。因此，本文利用积分图像的数据结构快速计算区域内像素的累加和。

积分图像为当前像素点P(i，j)左上角所有像素灰度值之和，用Integralf(i，j)表示，则

采用递归的方式计算积分图像时，只需按式（12）对图像进行一次扫描，直到图像右下角时结束。

其中，s(i，j)表示当前位置像素P(i，j)行方向的累加和。

滑动检测窗口W内所有像素之和可以利用积分图像实现快速计算，

3.3.2 CA-CFAR算法实现

通过以上分析，利用积分图像的二维CA-CFAR算法步骤如下：

Step1：初始化参数N，G，P fa；

Step2：利用积分图像的数据结构，计算原图像的Inte gralf(i，j)；

Step3：计算滑动检测窗口内像素灰度累加值SumW，保护单元内像素灰度累加值SumG，则参考单元内像素灰度均值为(S umW-SumG)/R c和利用式（9）计算比例系数α；

Step4：根据式（5）计算检测阈值T；

Step5：根据阈值T将图像二值化，若f(i，j)≥T，则该点判断为目标，否则，为背景。

3.4 管线边缘提取及直线检测

3.4.1 Canny边缘检测

边缘是图像中灰度变化最剧烈的地方，在声纳图像中，管线边缘检测就是在去除图像中不相干的细节的同时，保留目标的边缘信息。常用的边缘检测算子有Canny、Sobel、Roberts和Prewitt等。

边缘检测要求尽可能地标记实际边缘，不丢失重要的边缘，出现虚假边缘的概率最小；同时，检测到的边缘位置与实际位置一一对应，噪声尽可能不产生边缘。本文根据管线声纳图像的特点，采用canny边缘检测算子。

Canny边缘检测包括图像去噪、梯度计算、非极大值抑制和滞后阈值四个步骤。

1）图像去噪

将图像f(x，y)与高斯函数做卷积，以平滑图像，去除图像中的噪声，防止噪声引起的伪边缘。

2）梯度计算

计算图像梯度，得到可能的边缘。图像f(x，y)在x，y方向的梯度分别为f x和f y，则梯度模G m和梯度方向G a分别为

3）非极大值抑制

图像边缘存在于梯度模极大值处，非极大值抑制是将局部范围梯度方向上灰度变化最大的保留下来，而局部极大值之外的所有梯度值抑制为0。

4）滞后阈值

为进一步去除由于噪声引起的小梯度值即伪边缘，利用高低双阈值的方法，来保留真正的边缘。

3.4.2 Hough变换检测直线

Hough变换可以用来检测直线或曲线，具有鲁棒性，且对噪声不敏感。直线检测就是确定图像中可能的直线上的所有像素。

采用Hough变换检测直线时，利用极坐标的形式可以提升直线检测的有效性。图像中，参数化直线方程为

其中，（x，y）为直线上一点的直角坐标，θ为该点到原点的直线与x轴的夹角，ρ为该点到原点的距离，如图3所示。该式将图像空间中的每一个点（x，y）映射到参数空间中的一条曲线。在直角坐标系中，同一直线上的点相交于极坐标系中的同一点(ρ，θ)，该点可以通过投票机制来确定［10］。

图3 极坐标图

4 嵌入式界面设计

在嵌入式系统的界面中，图像显示分成两个区域，分别显示原始的声纳图像和管线提取后的图像；参数区域显示检测到的管线的参数指标，包括管线坐标和走向。在触摸屏上点击管线上的某一点，可以显示该点位置的直角坐标(x，y)和极坐标(ρ，θ)以及管线的走向。功能选择区域为用户提供操作接口，包括打开、保存、管线检测、帮助和退出等功能。

综上所述，二维CA-CFAR海底声纳管线检测流程如图4所示。

图4 二维CA-CFAR管线检测流程

5 实验结果

实验中，所用计算机CPU为Intel Core i5 8300H，8G内存，采用C++编程语言。本嵌入式系统界面设计采用Qt4.5开源版，操作系统为Ubuntu 12.10。

二维CA-CFAR中，参数取值为N=5，G=3，P fa=0.32，检测结果如图5所示。

图5 侧扫声纳图像管线检测

其中，图5（a）为侧扫声纳获取的海底管线图像，（b）为采用CA-CFAR检测管线后的结果，（c）为Canny边缘检测和Hough变换后的结果，（d）为对检测出的管线进行拟合的结果。

所设计的具体界面如图6所示。

图6 显示界面

6 结语

本文研究了侧扫声纳海底图像中管线的检测方法，并设计嵌入式软硬件系统。所设计的硬件部分包括电源、GPS和DVL传感器、LCD显示、通信接口及侧扫声纳。对海底管线声纳图像采用二维CA-CFAR算法，利用滑动检测窗口自适应的调整检测阈值，然后采用Canny边缘检测算子和Hough变换提取管线，并进行管线拟合。实验结果表明，该嵌入式海底管线检测系统能够有效检测出声纳图像中的管线。