井架是海洋钻井平台的重要设备，井架吊装是继平台“总装搭载”后又一个具有里程碑意义的建造环节，其吊装的安全性一直为业界所关注^[1]。陆上井架吊装不同^[2-3]，海洋平台的井架吊装往往在码头采用浮吊进行，场地、设备和风浪环境对于井架吊装、定位和安装的影响非常大。为了保证井架吊装的安全性，除了需要对起吊设备的提升能力、作业时段的潮汐和气象情况等做前期的准备并制定相应的吊装方案，同时需要对现场吊装过程井架的实时运动进行监测。以往主要通过现场目测并结合经验对井架吊装运动状态进行评估，存在较大的安全隐患，需要研究一种更高效的测量方法^[4]。

图像识别指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术^[5-6]。识别过程包括图像预处理、图像分割、特征提取和判断匹配^[7-9]。随着计算机技术与信息技术的发展，图像识别技术得到了迅速的发展^[10]。基于图像识别的测量方法通过对图像的匹配定位计算特征区域和参考图像特征中心点位置偏离的像素差，进而获得目标的位移量，具有非接触、全场测量和高精度的特点，适用于结构变形和动态目标运动的非接触测量，已在在机械加工、土木工程、航空航天和交通运输等领域获得了广泛的应用^[11-16]。

根据海洋钻井平台大型井架吊装的特点，本文将开展基于图像识别技术的井架吊装运动非接触测量方法研究，确定合理的图像匹配算法和位移换算关系，以实现井架吊装过程运动位移的实时监测，为井架吊装安全性评估和现场决策提供参考。

1 基于图像识别技术的井架吊装运动测量方法

基于图像识别技术的井架吊装运动测量方法以图像灰度信息为基础，采用模板匹配方法，以归一化相关系数为相似性度量指标对井架吊装实时图像进行匹配定位。在此基础上，根据实时图像中特征区域与参考图像中相应特征中心点位置偏离的像素差值换算，得到两者的表征长度，从而确定井架的运动轨迹，实现井架吊装运动的实时测量。

该方法包括颜色特征提取、模板匹配定位和表征长度换算等关键技术，其实现流程如图 1所示。

1.1 颜色特征提取

摄像设备获得的图像通常是24位真彩色图像，采用RGB颜色模型。RGB模型是基于笛卡尔坐标系统，3个轴分别为红(R)、绿(G)、蓝(B)三原色，如图 2所示。从黑到白的主对角线上，各原色的强度相等，产生由暗到明的白色，即不同的灰度值。

RGB空间对光源亮度的依赖是很强的，当亮度变化时同一种颜色的RGB将有可能有很大的区别。为了提高图层的识别精度，首先对RGB空间进行归一化处理以增强光照变化下匹配的鲁棒性，即

$ \left\{ \begin{align} &r=R/\left( R+G+B \right) \\ &g=G/\left( R+G+B \right) \\ &b=B/\left( R+G+B \right) \\ \end{align} \right. $

(1)

由于r+g+b=1，蓝色分量可通过b=1-(r+g)确定，因此以r为横坐标、g为纵坐标重构颜色平面，开展颜色信息的提取。由于受光照的影响，即使是纯色的模板，也将发生一定的色值变化，但这些变化主要在其本色周围波动，其颜色信息反映到r-g平面中将会是一块小的色值变化域。要想提取该模板的图像，只需在图像中提取r和g值落入r-g平面相应区域的图像块。颜色信息的提取步骤如下：

1) 获得模板在不同光照下的RGB信息并归一化，统计得到r和g的最大值和最小值，即r_max、r_min、g_max和g_min，进而得到四个点A(r_min，g_min)、B(r_max，g_min)、C(r_max，g_max)和D(r_min，g_max)。

2) 同样，将测试图像的RGB空间进行归一化处理，并引入四条抛物线(抛物线t、抛物线b、抛物线l和抛物线r)分别来确定模板颜色信息在r-g平面的上边界、下边界、左边界和右边界，如图 3所示。其中，抛物线t过C和D点，抛物线b过A和B点，抛物线l过A和D点，抛物线r过B和C点。一般将四条抛物线采用如下表达：

抛物线t：g=α₁r²+β₁r+c₁

抛物线b：g=α₂r²+β₂r+c₂

抛物线l：r=α₃g²+β₃g+c₃

抛物线r：r=α₄g²+β₄g+c₄

则，提取的模板在r-g平面颜色区域为

$ \begin{align} &g\le {{\alpha }_{1}}{{r}^{2}}+{{\beta }_{1}}r+{{c}_{1}} \\ &g\ge {{\alpha }_{2}}{{r}^{2}}+{{\beta }_{2}}r+{{c}_{2}} \\ &r\ge {{\alpha }_{3}}{{g}^{2}}+{{\beta }_{3}}g+{{c}_{3}} \\ &r\le {{\alpha }_{4}}{{g}^{2}}+{{\beta }_{4}}g+{{c}_{4}} \\ \end{align} $

3) 为了确定这些抛物线，还至少需要第3个点。通过第3个点的变化来调整抛物线的位置从而使得确定的区域与实际区域的吻合程度达到可以接受的范围，以达到完整地保存目标图像的同时尽量消除背景噪声。

1.2 模板匹配定位

图像匹配算法主要分为两类^[5]：一类基于特征匹配的方法，还有一类基于模板匹配的方法。特征匹配主要通过在参考图像中提取点、线或区域等显著特征作为匹配基元进行匹配，包括边缘匹配和几何匹配，此类方法匹配速度较快，但精度不一定高。模板匹配是指用一个较小的图像(即模板)与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，匹配率高。为了提高运算和储存效率，在实际使用中一般将彩色图像转换成灰色图像进行模板匹配，因此模板匹配也叫灰度匹配。

模板匹配常用的相似性度量指标是模板与源图像对应区域的误差平方和。设f(x, y)为M行N列的源图像，t(j, k)为J行K列的模板图像，且满足J≤M和K≤N，则误差平方和测度定义为

$ \begin{matrix} D\left( x, y \right)=\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[f\left( x+j, y+k \right)-t\left( j, k \right) \right]}^{2}}}}= \\ \text{DS}\left( x, y \right)+\text{DT}\left( x, y \right)-\text{DST}\left( x, y \right) \\ \end{matrix} $

(2)

其中

$ \begin{matrix} \text{DS}\left( x, y \right)=\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[f\left( x+j, y+k \right) \right]}^{2}}}} \\ \text{DT}\left( x, y \right)=\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[t\left( j, k \right) \right]}^{2}}}} \\ \text{DST}\left( x, y \right)=2\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{}}\left[f\left( x+j, y+k \right)t\left( j, k \right) \right]} \\ \end{matrix} $

式中：DS(x, y)为源图像中与模板对应区域的能量，随像素位置(x, y)的变化，DS(x, y)变化缓慢；DT(x, y)为模板的能量，与源图像无关；DST(x, y)为模板与源图像对应区域的相关系数，当模板与源图像ROI相匹配时达到峰值。

实际操作中，如忽略DS(x, y)的变化，仅根据DST(x, y)值进行匹配可能导致匹配失真或无法匹配。为了避免出现该问题，一般采用归一化相关系数作为相似性度量指标，即

$ \begin{align} &R\left( x, y \right)=\frac{D\left( x, y \right)}{\sqrt{\text{DS}\left( x, y \right)}\sqrt{\text{DT}\left( x, y \right)}}= \\ &\frac{\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[f\left( x+j, y+k \right)-t\left( j, k \right) \right]}^{2}}}}}{\sqrt{\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[f\left( x+j, y+k \right) \right]}^{2}}}}}\sqrt{\sum\limits_{j=0}^{J-1}{\sum\limits_{k=0}^{K-1}{{{\left[t\left( j, k \right) \right]}^{2}}}}}} \\ \end{align} $

(3)

1.3 位移量计算

利用模板匹配定位能够很容易的计算出每帧实时图像中特征区域与参考图像中相应特征中心点位置偏离的像素差值。一旦获得了像素距离与特征长度的比尺，就可以确定根据像素差值确定特征区域的位移量^[12]。

设特征区域的特征长度为L，其像素距离为P，任一时刻的实时图像中特征区域与参考图像中相应特征中心点位置偏离的像素差值为ΔP_i，则此时特征区域的实际位移量D_i为

$ {{D}_{i}}=\Delta {{P}_{i}}\frac{L}{P} $

(4)

式中：L/P为像素与特征长度的比尺，即标定值。

2 方法验证与误差分析

为了验证上述方法的可行性与准确性，采用可变焦摄像机、视频监控软件和服务器等设备组成了图像采集系统，并开发了相应的图像处理和位移计算程序，完成井架吊装运动测量系统的搭建，在此基础上开展了试验验证。

试验主要测试两块木板的水平位移量，如图 4(a)所示。在两块木板上设置不同大小的3个矩形，定义图中上方较小的矩形为特征区域1(位于后侧较大的木板上)，图中下方左侧的矩形为特征区域2，右侧是特征区域3，2和3位于前侧较小的木板上。记录三个矩形的特征长度和几何型心，包括2和3型心间的实际距离。试验在自然光情况下进行，且试验背景也较井架吊装的海天背景更为复杂。

颜色特征提取和匹配定位。图 4(b)为分割后的二值图像，可以发现虽然提取的特征区域边缘有一定的退化，但整体效果是可以的。造成图像退化的原因除了具体的图像处理算法的原因外，还可能是成像系统和光线的原因造成图像失真以及镜头聚焦不准产生的散焦模糊等。

标定值的确定。根据特征区域2、特征区域3的像素长度以及两者型心的像素长度以及它们的特征长度，确定相应的比尺，分别为0.927 2、0.925 6和0.926 2 cm/pixel。实际处理中，采用三者的加权平均，即比尺取0.926 3 cm/pixel。

位移确定与误差分析。含较小矩形的后侧木板不动，移动前侧木板带动特征区域2和3一起移动。以初始位置为基准，木板先向右移动16 cm，再向左移动14 cm，基于图像识别处的木板移动轨迹如图 5所示。

实际位移量与测量值的比较见表 1，可以发现测量误差分别为0.72%和3.39%，导致了误差的原因如前所述，主要由于在视频拍摄中存在干扰以及对图像进行处理时噪声等。由于测量误差均小于5%，因此该测量方法是满足工程使用要求的。

3 井架吊装运动测量 3.1 井架基本信息与吊装方案

目标平台为我国自主设计建造的第六代深水半潜式钻井平台——“海洋石油981”，其井架高约89 m，总重量751.4 t，平面尺寸15.85 m×14 m。吊装作业在上海外高桥船厂五号码头进行，起吊设备为“振浮七号”浮吊船，其最大起吊重量4 000 t，井架吊装的总体示意图如图 6所示。

考虑到井架的自重以及平台甲板平面的高度，为了保证吊装安全性，将井架自下而上分为三段依次吊装，且要求吊装过程井架的摆动幅度不大于5°。图 7为三个井架分段的结构示意图，其中，根部分段高约22 m，自重198.6 t；中间分段高约38.4 m，自重385 t；顶部分段高约28.6 m，自重167.8 t。

3.2 相机与标识物布置

为了获得吊装过程中井架两个水平方向的运动状态，因此现场交错布置了两套摄像设备，以实时拍摄井架的运动画面。如图 8(a)所示，一套摄像设备拍摄井架南北向的运动画面，另一套摄像设备拍摄井架东西向的运动画面。

由于图像处理中采用模板的颜色特征为目标进行模板匹配，结合海天背景和井架的形状颜色特点，在井架分段的根部设置与其背景颜色相差较大的标识物。在不影响定位安装的前提下，标识物的尺寸尽量大，以保证图像识别中更容易地提取该颜色特征并实现特征区域的匹配分割。图 8(b)为井架分段根部设置的纯绿色(G)标识物。

3.3 井架吊装测试结果

完成标识物布置和摄像机位架设后，对三个井架分段的吊装开展了运动测量。由于三个分段中中间分段的高度最大，因此在吊装过程中的运动位移相对较大。中间分段两个水平方向的实时运动轨迹如图 9和10所示，可以发现：1)数据存在一定的噪声干扰，但井架的整体运动轨迹符合真实井架的运动；2)在50~100 s，井架东西向有显著位移，这是蜘蛛人根据吊装要求在牵引井架导致的，南北向也有类似的操作。

为了保证井架吊装的安全性，实际吊装过程中要求井架的水平摆动幅值不大于1 m。从图 9和10的井架实时运动轨迹可以发现，去除人为的牵引位移，井架东西方向、南北方向及合成摆动幅值均小于1 m，满足吊装安全性要求。

经各方充分地协调和配合，“海洋石油981”平台钻井井架已于2010年8月26日顺利完成吊装。

4 结论

1) 基于图像识别技术的运动测量方法的测量精度满足工程使用要求，测量误差小于5%；

2) 相对于传统的现场目测，基于图像识别技术的井架吊装运动测量方法可以实时定量地给出吊装过程中井架的运动状态，有效地保证了井架吊装的安全性。

3) 本文提出的测量方法也适用于船舶与海洋工程领域其他大型分段及设备的吊装运动测量，对于海上吊装运动测量具有借鉴意义。