0 引　言

船舶耐腐蚀材料大多数为金属材料，该类材料主要用在船舶内部管道、驱动轴以及螺旋桨等位置，其受到海水长时间浸泡以及海水内盐分侵蚀，金属类耐腐蚀材料表面容易出现腐蚀点^[1,2]，当腐蚀点不断扩大后影响船舶耐腐蚀材料受力性能，容易出现断裂情况。为保障船舶航行安全以及方便船舶耐腐蚀材料保养维护，对船舶耐腐蚀材料表面缺陷进行识别意义较大。目前也有很多学者研究船舶耐腐蚀材料表面缺陷识别方法，如刘佳琪等^[3]提出的激光热成像金属表面缺陷识别方法，该方法通过采集船舶耐腐蚀材料表面激光热成像图像，然后使用差动法对船舶耐腐蚀材料表面激光热成像图像内缺陷进行深度量化，实现其缺陷识别。但该方法受采集的船舶腐蚀材料表面激光热成像内干扰噪声影响，其缺陷识别效果不佳。王禄祥等^[4]提出红外图像缺陷检测方法，该方法采集船舶腐蚀材料红外图像后，利用直觉模糊C均值聚类方法实现船舶腐蚀材料表面缺陷检测。但该方法在应用过程中受直觉模糊C均值聚类方法参数选择主观性影响，导致其识别船舶腐蚀材料表面缺陷精度不足。红外图像是利用红外热像仪采集的目标反射或者自身发射红外线形成的图像，该图像可获取目标红外辐射差异，用于目标识别、缺陷检测、故障检测等，目前在多个领域应用较为广泛^[5]。本文以红外图像为基础，研究基于红外图像的耐腐蚀船舶材料表面缺陷识别方法，为耐腐蚀船舶材料应用以及维护提供参考。

1 耐腐蚀船舶材料表面缺陷识别 1.1 耐腐蚀船舶材料红外图像采集

利用超声红外图像检测装置采集耐腐蚀船舶材料表面红外图像，设计超声红外图像检测装置结构如图1所示。超声红外图像检测装置由超声枪、红外热像仪以及预紧单元组成，利用电源为超声枪和红外热像仪提供稳定电压供应，超声枪将高频直流脉冲转换为高频振动脉冲发射到耐腐蚀船舶材料表面，利用红外摄像仪擦剂耐腐蚀船舶材料表面红外图像，为后续耐腐蚀船舶材料缺陷识别提供图像数据。

1.2 双边滤波器与自适应边缘补偿的红外图像增强方法

由于采集耐腐蚀船舶材料红外图像环境以及超声红外图像检测装置自身性能制约影响，采集到的耐腐蚀船舶材料红外图像内含有干扰噪声，导致其分辨率和对比度均较低，图像内缺陷纹理信息较为模糊^[6]，影响耐腐蚀船舶材料缺陷识别精度，为此需对采集到的耐腐蚀船舶材料红外图像进行去噪和边缘补偿处理，提升耐腐蚀船舶材料红外图像的分辨率和对比度。先使用双边滤波器对耐腐蚀船舶材料红外图像进行去噪处理，令Q(x,y)表示耐腐蚀船舶材料红外图像，该图像滤波去噪表达式如下：

$ {Q_{out}}(x,y) = \frac{{\displaystyle\sum\limits_{(i,j) \in {M_{x,y}}} {{w_s}(i,j){w_r}(i,j)Q(x,y)} }}{{\displaystyle\sum\limits_{(i,j) \in {M_{x,y}}} {{w_s}(i,j){w_r}(i,j)} }} 。$

(1)

式中： $ {Q_{out}}(x,y) $ 表示滤波去噪后的耐腐蚀船舶材料红外图像，其中 $ x $ 、 $ y $ 表示像素点坐标； $ i $ 、 $ j $ 均表示像素点； $ {M_{x,y}} $ 表示耐腐蚀船舶材料红外图像像素点集合； $ {w_s}(i,j) $ 、 $ {w_r}(i,j) $ 分别表示空间邻近度因子和空间灰度相似度因子。

利用式(1)对耐腐蚀船舶材料红外图像进行滤波处理后，去除图像内部含有的干扰噪声后，使用自适应边缘补偿方法对耐腐蚀船舶材料红外图像进行边缘增强处理。 $ \Delta Q(x,y) $ 表示去除滤波后耐腐蚀船舶材料红外图像与原始图像之间的偏差，其计算式如下：

$ \Delta Q(x,y) = Q(x,y) - {Q_{out}}(x,y) 。$

(2)

式(2)结果描述了耐腐蚀船舶材料红外图像经过滤波后的差异，当双边滤波窗口在耐腐蚀船舶材料红外图像边缘位置时，其空间灰度相似度因子数值越小，反之则空间灰度相似度因子数值较大。因此可通过调整耐腐蚀船舶材料红外图像空间灰度相似度因子之和的方式描述耐腐蚀船舶材料红外图像边缘，则耐腐蚀船舶材料红外图像空间灰度相似度因子之和表达式如下：

$ {w_{sum}}(x,y) = \sum\limits_{(i,j) \in {M_{x,y}}} {w(i,j)}。$

(3)

式中： $ {w_{sum}}(x,y) $ 表示耐腐蚀船舶材料红外图像空间灰度相似度因子之和；w(i, j)表示空间灰度相似度因子系数。

以式(3)结果为基础，计算腐蚀船舶材料红外图像边缘补偿因子，其表达式如下：

$ C(x,y) = \frac{{{h_i} \times {h_j} - {w_{sum}}(x,y)}}{{\varepsilon \times {h_i} \times {h_j}}}。$

(4)

式中：C(x, y)表示腐蚀船舶材料红外图像边缘补偿因子； $ {h_i} $ 、 $ {h_j} $ 分别表示边缘增强窗口行数和列数； $ \varepsilon $ 表示补偿调节因子。

利用式(4)结果对耐腐蚀船舶材料红外图像进行补偿，则补偿后的耐腐蚀船舶材料红外图像表达式如下：

$ R(x,y) = - \Delta Q(x,y) \times C(x,y)。$

(5)

式中，R(x, y)表示边缘补偿后的耐腐蚀船舶材料红外图像。

由式(5)可知，利用该式对耐腐蚀船舶材料红外图像进行边缘补偿时，边缘增强区域的补偿量数值越高，而边缘较为平坦区域补偿量数值越小，当耐腐蚀船舶材料红外图像存在过度平滑或者过度锐化现象时，会导致该图像边缘增强过冲或者灰度翻转现象，为避免这一现象，可按照耐腐蚀船舶材料红外图像边缘特性对其进行自适应边缘补偿。利用式(5)结果对滤波处理后的图像进行修正处理，则得到自适应补偿后的耐腐蚀船舶材料红外图像表达式如下：

$ {Q_{cm}}(x.y) = {Q_{out}}(x,y) + R(x,y) 。$

(6)

式中， $ {Q_{cm}}(x.y) $ 表示修正后的耐腐蚀船舶材料红外图像。

经过上述步骤，实现耐腐蚀船舶材料红外图像噪声去除和边缘增强，使耐腐蚀船舶材料红外图像呈现的缺陷更加清晰。

1.3 基于小波变换的耐腐蚀船舶材料表面缺陷识别

以去噪和边缘增强处理后的耐腐蚀船舶材料红外图像作为输入，使用小波变换实现耐腐蚀船舶材料表面缺陷识别。小波变换可聚焦信号任意细节，在缺陷识别、故障诊断领域应用较为广泛。利用小波变换方式识别耐腐蚀船舶材料表面缺陷。Y(x, y)表示耐腐蚀船舶材料表面缺陷红外图像信号函数，该红外图像的平滑函数由O(x, y)表示，计算函数O(x, y)每个方向的偏导数，即

$ \left\{ \begin{gathered} {\theta ^1}(x,y) = \frac{{\partial {O^1}(x,y)}}{{\partial x}}，\\ {\theta ^2}(x,y) = \frac{{\partial {O^2}(x,y)}}{{\partial x}}。\\ \end{gathered} \right. $

(7)

式中： $ {\theta ^1}(x,y) $ 、 $ {\theta ^2}(x,y) $ 分别表示平滑函数的2个方向的偏导数； $ {O^1}(x,y) $ 、 $ {O^2}(x,y) $ 分别表示平滑函数的2个方向； $ \partial $ 表示偏导数函数。

将 $ {\theta ^1}(x,y) $ 和 $ {\theta ^2}(x,y) $ 分别看作二维小波函数，以其为基础对耐腐蚀船舶材料表面缺陷红外图像进行小波变换，其表达式如下：

$ \left\{ \begin{gathered} {\zeta ^1}(x,y) = Y(x,y){\theta ^1}(x,y)，\\ {\zeta ^2}(x,y) = Y(x,y){\theta ^2}(x,y) 。\\ \end{gathered} \right. $

(8)

式中， $ {\zeta ^1}(x,y) $ 、 $ {\zeta ^2}(x,y) $ 分别表示耐腐蚀船舶材料表面缺陷红外图像平滑函数2个方向小波变换结果。

在小波变换分量与梯度分量为正相关关系时，耐腐蚀船舶材料表面缺陷红外图像在任意尺度上的，小波变换梯度矢量和幅角表达式如下：

$ M(x,y) = \sqrt {{{\left| {{\zeta ^1}(x,y)} \right|}^2} + {{\left| {{\zeta ^2}(x,y)} \right|}^2}}，$

(9)

$ N(x,y) = \tan \left[ {{\zeta ^1}(x,y)} \right] + \tan \left[ {{\zeta ^2}(x,y)} \right]。$

(10)

式中：M(x, y)表示耐腐蚀船舶材料表面缺陷红外图像在任意尺度上小波变换梯度矢量；N(x, y)表示幅角。

由式(10)可知，当耐腐蚀船舶材料表面缺陷红外图像在任意尺度上小波变换梯度矢量达到极大值时，该梯度矢量对应的位置为红外图像突变位置，此时可利用该位置处的幅角获得耐腐蚀船舶材料表面缺陷边缘集合点，得到耐腐蚀船舶材料表面缺陷位置，实现耐腐蚀船舶材料表面缺陷识别。

2 实验结果与分析

以某货运船作为实验对象，该船为中型集装箱船，全长280 m，宽度为39 m，动力可达到4.3×10⁴ kW，标准载货量为5446 t。超声红外图像检测装置的超声枪型号为HI-TOO，红外热像仪型号为FLIR-E76，利用超声红外图像检测装置采集该船舶耐腐蚀性材料红外图像，并以该红外图像为基础，对其缺陷进行识别。

以一幅耐腐蚀船舶材料表面缺陷红外图像作为实验对象，使用本文方法对其进行降噪处理，处理结果如图2所示。分析可知，利用本文方法对耐腐蚀船舶材料表面缺陷红外图像进行去噪处理后，其红外图像内分布的噪声点均被去除，说明本文方法具备较好的耐腐蚀船舶材料表面缺陷红外图像去噪能力。

以螺旋桨耐腐蚀船舶材料表面缺陷红外图像作为实验对象，使用本文方法对其进行增强处理，测试结果如图3所示。分析可知，原始的耐腐蚀船舶材料表面红外图像的螺旋桨边缘不够清晰，而利用本方法对其进行增强处理后，螺旋桨边缘较为清晰，右上方不够明显的焊接点经过增强处理后在视觉上较为明显，说明本文方法可有效对耐腐蚀船舶材料表面红外图像进行增强处理。

进一步验证本文方法对耐腐蚀船舶材料表面缺陷红外图像增强效果，以某幅耐腐蚀船舶材料表面缺陷红外图像作为实验对象，利用本文方法对其进行边缘增强处理，并以直方图形式呈现该图像边缘增强处理前后灰度值，测试结果如图4所示。分析可知，应用本文方法对耐腐蚀船舶材料表面红外图像进行增强后，在相同像素点情况下，像素点灰度值得到有效提升，进一步验证了本文方法对耐腐蚀船舶材料表面红外图像增强效果。

验证本文方法识别耐腐蚀船舶材料表面缺陷能力，分别以一幅存在较大缺陷的耐腐蚀船舶材料表面红外图像和存在微小耐腐蚀船舶材料表面红外图像作为实验对象，使用本文方法时缺陷进行识别，识别结果如图5所示。分析可知，存在微小缺陷的耐腐蚀船舶材料表面红外图像内共存在2处微小缺陷，本文方法均可有效识别，而存在较大缺陷的耐腐蚀船舶材料表面红外图像内共有3处腐蚀点，本文方法也可有效识别。上述结果说明：本文方法可有效识别耐腐蚀船舶材料表面缺陷，不受缺陷大小影响，识别结果较为精准，具备较好应用效果。

3 结　语

本文研究基于红外图像的耐腐蚀船舶材料表面缺陷识别方法，通过采集耐腐蚀船舶材料表面红外图像，经过对该红外图像进行预处理后，使用小波变换方法实现耐腐蚀船舶材料表面缺陷识别。经过实验验证，本文方法在红外图像增强和缺陷识别方面均具备较好的应用效果。