双目视觉技术在水工建筑水下检测中的应用研究

姜春萌，吴翔，杨拴柱

摘要：大坝、水闸、泵站等水工建筑结构在施工时可能存在某些缺陷，特别随着水工建筑物的服役期限逐渐增长，由于水流侵蚀和冻融风化作用，其水下结构会出现裂缝、凹坑、侵蚀等缺陷，严重影响水工建筑的服役安全。文章提出基于双目视觉技术提高水工建筑水下检测任务完成质量。首先进行水下双目相机标定，然后采用改进人工鱼群算法应用于最大熵阈值法完成水下图像分割，图像分割结果突出检测目标特征，为水下检测工作提供了参考和依据。

关键词：双目视觉；水工建筑；水下检测

中图分类号：TP319        文献标识码：A

文章编号：1009-3044（2022）33-0007-03

针对水工建筑水下检测任务，可以安排潜水员通过目视、水下摄像等方式进行水下检测作业，但手工检测技术对潜水操作技能和潜水员的水下操作经验要求较高，并且测试结果不够准确、客观[1]。相比而言，通过搭载摄像设备的水下潜器来完成水工建筑水下检测任务，则能实现更高的工作效率和检测精度。

双目视觉测量方法凭借着效率高、精度适宜、系统结构简单、成本低等优点，已逐渐在非接触检测领域得到了广泛应用。同时，自主水下机器人由于大多通过锂电池提供动力，可实现一定负载下的连续巡航与较大范围自主作业。因此，以自主水下机器人为载体，采用双目视觉技术对水工建筑服役状态进行检测，为水工建筑水下检测作业提供了新的探索和实践途径。

1 水下相机标定

双目视觉是一种模拟人眼进行定位的技术，通过两个型号相近或相同的相机从不同角度对同一目标进行拍摄，基于视差原理，利用三角测量法对目标进行定位，从而恢复目标的三维几何信息[2]。实现上述目标的一个主要环节是相机标定，它是三维世界坐标转换到二维图像坐标投影参数求解的过程。具体而言，相机标定的目的是获得两个摄像机的空间位置关系，具体包括求解左右相机内参数矩阵、畸变系数矩阵、摄像头之间的平移矩阵和旋转矩阵。

首先，对左、右摄像头分别进行单目标定，获得左右相机内参数矩阵和畸变系数矩阵，包括焦距（[fx]，[fy]）、图像中心（[cx]，[cy]）、畸变系数（[k1]，[k2]，[p1]，[p2]，[k3]）以及两个摄像头分别相对标定物的旋转矩阵（[Rl]，[Rr]）和平移矩阵（[Tl]，[Tr]）。接下来，依照下列关系可以得到右摄像头向左摄像头的平移矩阵[T]和旋转矩阵[R]。

[Pl=RlPW+Tl]                                     （1）

[Pr=RrPW+Tr]                                      （2）

[Pr=RPl+T]                                       （3）

其中，[PW]是空间中的一点[P]在世界坐标系下的坐标，[Pl]和[Pr]是其在左右摄像机坐标系下的坐标。由此可得：

[R=RrRTl]                                  （4）

[T=Tr-RTl]                              （5）

标定过程中，保持处于平行轴的双目相机位置不动，通过变换标定板的位姿，左、右水下相机各采集16张标定图像。鉴于水下机器人执行水下检测任务时的主要目标是变形的开裂、隆起、渗漏等[3]，因此标定板布置在离相机15cm～20cm处，双目相机物理基线距离为80mm。为了获取图像的畸变信息，標定板处于图像的不同位置。水下场景相机内参数标定图像如下所示。

出于标定精度和操作便利性考量，本文选用Matlab软件完成双目相机的水下标定实验。标定完成后可以得到每组图片的重投影误差，由标定结果可知，均重投影误差为0.24pixels，如图3所示，同时得到相机相关参数数据，如图4所示。

2基于改进人工鱼群算法的最大熵水下图像分割

图像分割是目标识别预处理的关键步骤。特别在执行水下检测任务过程中，由于江河水质的复杂性，导致光线在水下的传播有折射、散射等现象的同时，浑浊的水质和湍流也是导致水下图像退化、模糊的因素，这会为水工建筑水下检测结果的识别带来困难。针对水下图像中部分目标区域与背景区域间对比度较低、目标分割结果与背景粘连或不完整等问题，采用改进人工鱼群算法对最大熵图像分割进行优化。

基本人工鱼群算法优化原理是：一片水域中，鱼生存数目最多的地方通常就是当前水域中营养物质最多的地方。人工鱼所在的空间即为待优化问题的解空间，人工鱼当前位置对应的食物浓度[X]即为一个潜在解，在其视野范围[Visual]内，对其他人工鱼个体状态[XV]进行感知。如果[XV]优于人工鱼当前位置状态[X]，那么该人工鱼就根据判定条件[Evaluate（）]执行觅食[Prey（）]、追尾[Follow（）]、聚群[Swarm（）]或随机[Move（）]行为向状态[XV]前进[Step]距离，到达状态[Xnext]。如果[XV]没能优于人工鱼当前位置状态[X]，那么该人工鱼继续在视野范围内进行搜索，以找到更优的状态。

a）觅食行为

假设人工鱼[i]在当前[t]时刻的状态为[Xi]，在视野范围内随机感知到状态[Xj=Xi+Visual⋅rand（）]，如果该视点所在位置的食物浓度[Yj]优于其当前所在位置的食物浓度[Yi]（即[Yj>Yi] ），人工鱼[i]朝[Xj]方向前进一步，得到下一时刻状态：

[Xt+1i=Xti+Xj-XtiXj-Xti⋅Step⋅rand（）]             （6）

否则，人工鱼[i]重新随机选择视点[Xj]，若尝试[try_number]次后仍不满足前进条件，那么人工鱼[i]随机移动一步。

[Xt+1i=Xti+Visual⋅rand（）]                   （7）

b）追尾行为

假设人工鱼[i]当前[t]时刻的状态为[Xi]，感知到当前邻域内[ns]个同伴中状态[Xj]具有最高食物浓度[Yj]且拥挤度[δc]适宜（即[Yj/ns>δc⋅Yi]），人工鱼[i]向[Xj]方向前进一步。否则，人工鱼[i]执行觅食行为。

[Xt+1i=Xti+Xj-XtiXj-Xti⋅Step⋅rand（）]            （8）

c）聚群行为

假设人工鱼[i]当前[t]时刻的状态为[Xi]，感知到当前邻域内同伴数目[ns]及中心位置状态[Xc]。如果同伴中心位置食物浓度较高且不太拥挤（即[Yc/ns>δc⋅Yi]），人工鱼[i]向同伴中心位置[Xc]方向前进一步。否则，人工鱼[i]执行觅食行为。

[Xt+1i=Xti+Xc-XtiXc-Xti⋅Step⋅rand（）]          （9）

d）隨机行为

假设人工鱼[i]当前[t]时刻的状态为[Xi]，如果未能在视野范围内感知到比当前更优状态，人工鱼[i]随机选择一个状态并向该方向前进一步。

人工鱼群算法对初值和参数选择要求不高，同时具备很强的全局搜索能力[4]，但算法收敛速度相对较慢。针对此问题，结合最大熵图像分割优化中的特点，引入自适应视野和步长，同时强化追尾行为和聚群行为，以提高人工鱼群算法的收敛速度和搜索精度。

在改进的算法中，每条人工鱼个体通过公告板信息计算出与当前最优个体的距离，并将该距离作为自身在下一次迭代时的视野范围[Visual]，同时根据预先设定的视步因子[aV∈[0，1]]计算下一次迭代时的步长[Step=aV⋅Visual]。

根据最大熵阀值法[5]图像分割原理，图像灰度级别[∈[0，l-1]]，[t]是图像分割阀值；[Pt=i=0tpi]，其中[pi]是灰度级别是[i]的概率，目标是选择最优的[t]使图像熵[H（t）=-i=0tpiPtlnpiPt-i=t+1l-1pi1-Ptlnpi1-Pt]最大。对于多阀值，则变为找到能使图像熵[H（t1，t2，...，tk）=-i=0t1piPt0lnpiPt0-i=t1+1t2piPt1lnpiPt1-...-i=til-1piPtklnpiPtk]最大的多阀值[tk]。

本文选择2阀值实现图像分割优化，设定人工鱼数量[total=20]，尝试次数[try_number=2]，视野范围[visual=8]，步长[step=8]，拥挤度因子[δ=0.7]，算法迭代次数为50。选取2组水下检测图片结果进行分割优化后的结果如下：

从基于改进人工鱼群参数优化算法的图像分割结果可以看出，虽然初始水下图像对比度较低模糊性较强，但图像分割效果较好，有效地保留了目标的形状信息，突出了检测目标的特征，为水工建筑水下缺陷的检测和识别提供了有力依据。

3结论

面向水工建筑水下部分的检测任务，本文采用双目视觉技术对目标进行图像采集，完成了水下相机标定，得到相机参数，然后采用改进人工鱼群算法实现对最大熵阀值法参数优化，完成水下图像分割，得到的结果有效突出了目标特征，验证了方法有效性，为实际水工建筑水下检测作业提供了参考。

参考文献：

[1] 谭界雄，田金章，王秘学.水下机器人技术现状及在水利行业的应用前景[J].中国水利，2018（12）：33-36.

[2] 董鹏，周烽，赵悰悰，等.基于双目视觉的水下海参尺寸自动测量方法[J].计算机工程与应用，2021，57（8）：271-278.

[3] 林泓，李灵汐.有缆遥控水下机器人在水利水电工程领域的应用现状与发展前景[J].新型工业化，2021，11（2）：198-200.

[4] 伍蓥芮，张志勇.基于改进粒子群人工鱼群算法的二维熵多阈值快速图像分割[J].现代计算机，2021（1）：56-61.

[5] 章毓晋.图像分割[M].北京：科学出版社，2001.

【通联编辑：唐一东】