2. 中海石油深海开发有限公司 深水工程建设中心,广东 深圳 518000;
3. 天津大学 机械工程学院,天津 300000
2. Deep Water Engineering Construction Center, CNOOC Deep Development Co., Ltd., Shenzhen 518000, China;
3. College of Mechanical Engineering, Tianjin University, Tianjin 300000, China
利用多波束测深系统(multibeam echosounder,MBES)进行水体成像是针对水中游离气体的一种有效、敏感的探测方法[1-2]。由于气泡具有较强的声散射特性,采用适当频率的声探测设备进行水体成像,可获得在含有“耀斑”(flares)的水声图像,有利于系统对气体的泄漏预警与自动检测。相对于单波束水体成像系统,MBES系统主要的优点是其水体成像的探测覆盖角度大,但受到多波束旁瓣效应的影响,其水体成像的质量有一定程度的降低[3],同时成为了研究关注的重要问题。近年来,国外使用多波束水体成像技术已经开展了目标检测、目标识别等领域的研究[4-7],国内自主研发的MBES系统已基本成熟,但相关的研究成果仍然较少。
针对海底泄漏气体检测问题,在过去的十年里,多波束水体成像数据已被广泛使用,然而气泡释放的源位置一直通过人工的方式来进行标注。2012年德国学者J.Schneider von Deimling[1]从粒子成像测速(particle imaging velocimetry,PIV)技术中得到启示,提出一种互相关方法,以此来建立气泡在时间和空间上的漂移模型,并给出了明确的气泡检测结果和速度。2016年,Peter Urban[8]教授使用Kongsberg EM302声呐对北海的浅水甲烷渗漏位置进行探测,对采集到的含有气体的水体成像数据进行分析,提出了一种可重复、高效的算法,能够有效对气体进行识别,并对气泡泄漏位置进行定位。此外,一些学者利用相关声探测设备开展了气体泄漏检测研究。2011年Paul White[9]教授给出一种利用水听器阵列可长期远程监测和量化的泄漏检测声学系统,其主要通过分析气泡频谱来评估气体的泄漏量。2016年Jeonghwe Gu[10]教授提出了一种使用高频前视成像声呐的自动检测和识别的方法。在文中提出一种基于水体成像数据的海底管道气体泄漏检测算法,通过水池实验数据验证,证明该算法可以有效提取出泄漏气体的疑似区域。文中研究海底泄漏气体的检测问题,主要关注泄漏气体的快速稳定检测方法,最终目标要求检测系统可集成于水下机器人,并具有实时检测泄漏气体的能力。
1 多波束水体数据分析 1.1 数据获取多波束水体成像技术是利用多波束声呐向海底发射一组扇形排布的声波束,其数据来自各波束回波强度对时间序列的观测量,每条波束数据中点的个数与采样频率有关。通过接收不同波束的回波数据,可得到多波束声呐探测范围内扇形区域的反射声波强度,如图1所示。
Download:
|
|
多波束水体成像数据来自于由哈尔滨工程大学海底目标特性探测研究团队自主研制的多波束测深声呐,水体数据包括255个波束,每个波束宽度为0.5°,含有1 500个连续时间序列的采样点。图2给出了实验中获得的水体成像数据图。
Download:
|
|
在图2中,多波束水体成像数据按照波束和距离排列,以矩形图像显示。其水平方向为横轴,表示声呐设备的探测角度,分别对应255个波束方向;垂直方向为纵轴,表示距声呐设备的距离或声波时延的量化时刻,长度为1 500,对应该波束方向上共有1 500个采样点。在图2中标记出了实验模拟泄漏气体的位置和实验用水池的底部和池壁位置;同时,标注了旁瓣干扰的位置,其干扰对后续的自动检测处理具有较大影响。
2 基于多波束水体成像的泄漏气体检测流程设计为实现泄漏气体的自动检测与相关渗漏的调查,常规的水声图像目标检测方法主要采用图像预处理、图像分割、目标提取的步骤来完成。本文针对多波束水体成像容易受到旁瓣效应影响,干扰目标成像的问题,设计并优化泄漏气体检测的流程。
结合多波束水体成像的特点,泄漏气体自动检测和系统模块集成需求,本文给出一种基于旁瓣抑制与底部检测的泄漏气体检测方法。为减少由强反射强度的波束方向对图像造成的干扰[3],利用背景估计理论和统计学方法,设计了一种旁瓣抑制算法。同时为了更准确地得到疑似泄露区域,设计了一种底部检测的算法,用以去除水池底部区域。泄露气体检测算法的处理流程如图3所示。
Download:
|
|
声呐图像受噪声影响严重,目标相对于背景的对比度低,目标边界容易产生模糊。在水下复杂环境中,多波束的干扰噪声主要来自于反向回波信号在声呐接收基阵处产生的串扰和海底混响等[10]。针对声呐图像的自动检测任务,需对数据进行滤波处理,文中主要讨论效果较明显的邻域平均滤波、中值滤波以及小波去噪等滤波去噪算法[11]。图4是对声呐图像采用不同去噪算法的效果对比图。
Download:
|
|
3种去噪算法的处理时间如表1所示。
从图4可以看到,不同去噪算法得到的去噪结果并没有很明显的区别;通过表1可以看出,从运行时间上可以看到,邻域平均算法的处理时间最短。因此,本文采用邻域平均法进行滤波处理。
3.2 目标分割为将目标从背景中区别出来,需要使用图像分割算法。声呐图像分割就是根据图像的一些特征将声呐图像划分为有意义的一些连通区域,常用的特征包括声呐图像灰度、边缘、纹理等。文中针对声呐图像的特点,考虑跟个的稳定性,选用了基于图像灰度特征的分割方法,对比主要包括Otsu阈值分割、迭代法阈值分割以及最大熵阈值分割。以3.1节采用邻域平均去噪算法后的图像为输入图像,分别对比3种分割方法的效果,如图5所示。
Download:
|
|
表1、2的算法是在MATLAB环境下实现的,处理器信息为Inter Core i7-6700HQ。CPU主频为2.6 GHz。
单纯从图5的分割结果来看,最大熵的分割性能最好,其次是迭代分割算法,但迭代分割的结果仍存在较多的非目标区域。对比迭代法和最大熵算法的运行时间,可看出迭代法和最大熵算法的时间相差不大,所以选择性能更好的最大熵分割算法。
4 气体泄漏检测的改进方法 4.1 旁瓣抑制针对旁瓣干扰问题,本文引入基于背景估计和统计学的旁瓣抑制方法,其流程如下:
1)对于一幅声呐幅值图像
${X_{{\rm{norm}}}} = \frac{{{{X}} - {X_{{\rm{min}}}}}}{{{X_{{\rm{max}}}} - {X_{{\rm{min}}}}}}$ | (1) |
由幅度归一化概率分布得到最大分布点lm和最大拐点lv;
2)定义Xv是每个采样时刻的最大值点,并把大于lv的点定义为Xs;
3)通过Xs得到的目标位置,通过最大旁瓣峰ls和最大的分布点lm计算校正因子d。
4.2 底部检测算法为提高泄漏气体检测的稳定性和可靠性,文中引入了底部检测来约束目标检测的准确性。常规底部检测根据回波信号的估计方式主要分为到达时间(time of arrival,TOA)估计、波达方向(direction of arrival,DOA)估计以及DOA和TOA的联合估计[12]。这里主要采用TOA估计法中的幅度检测法:回波过门限法、幅度极大值法。
1)回波过门限法
首先设定回波的阈值门限,这里采用经验值取T=32;之后遍历由每个波束得到的时间序列,其首个达到此阈值的时刻即被称为底部回波到达时间。
2)幅度极大值法
根据波束角度来粗略估计其底部回波的到达时间。对于多波束测深声呐,利用幅度检测方法的时候,它对处于垂直角度的波束的底部检测效果更好,对于其他具有较高入射角的波束,其精度要较差,得到的底部区域较宽。对处于垂直角度的波束(中间波束),首先找到最大值所对应的时刻作为回波到达时间,之后在此时刻设定一个时间搜索窗口,通过取窗口内的极大值,作为相邻波束的回波到达时间。
4.3 改进算法的处理结果 4.3.1 底部检测处理结果对得到的原始数据去除野点之后,这里使用幅度极大值方法对水体成像进行底部检测处理,选择的窗的大小为100个像素;图6记录了每一个波束的底部回波位置;横轴的范围是0~255,代表波束个数,纵轴表示底部所在的采样点号。
Download:
|
|
对原始图像进行邻域平均处理,选择模板大小为5像素×5像素;之后采用旁瓣抑制算法对图像进行处理,所得结果如图7所示。
Download:
|
|
图7给出了原始水体成像和旁瓣抑制处理的对比结果。图中,原始水体成像数据中旁瓣部分得到了较明显的抑制,这样对于后续的图像分割处理可以得到较少的干扰。
4.3.3 疑似目标区域的获取通过底部检测的结果(图6)进行约束,首先,从处理数据中去掉水体成像底部区域的干扰;之后采用形态学方法,选择线型结构元素,进行多次腐蚀膨胀处理,去除图像中残留的小斑点噪点,并连通断开的区域;最后,通过连通区域标记算法,得到最大的连通区域,如图8所示。其所标记的区域为模拟海底气体泄漏的目标区域。
Download:
|
|
1)本文利用多波束测深声纳海底管线进行水体成像,设计了一种有效的图像域气体泄漏检测方法;
2)在对水体成像数据进行处理的过程中,运用底部检测算法去除部分干扰区域,以提高疑似区域获取的准确度,通过分析水体成像的数据结构实现了一种旁瓣抑制算法;
3)实验结果表明该方法可以准确提取出水体成像数据中的气体疑似区域,针对海底区域的管线泄漏具有较好探测预警能力。
由于气体泄漏是一个动态的过程,后续研究将对泄露气体区域进行特征提取,分析与跟踪泄漏区域的上升形态。
[1] | VON DEIMLING J S, PAPENBERG C. Technical note: detection of gas bubble leakage via correlation of water column multibeam images[J]. Ocean science, 2012, 8(2): 175-181. DOI:10.5194/os-8-175-2012 (0) |
[2] | 阳凡林, 韩李涛, 王瑞福, 等. 多波束声纳水柱影像探测中底层水域目标的研究进展[J]. 山东科技大学学报, 2013, 32(6): 75-83. (0) |
[3] | LI Haisen, GAO Jue, DU Weidong, et al. Object representation for multi-beam sonar image using local higher-order statistics[J]. EURASIP journal on advances in signal processing, 2017(7): 1-12. DOI:10.1186/s13634-016-0439-7 (0) |
[4] | COLBO K, ROSS T, BROWN C, et al. A review of oceanographic applications of water column data from multibeam echosounders[J]. Estuarine, coastal and shelf science, 2014, 145: 41-56. DOI:10.1016/j.ecss.2014.04.002 (0) |
[5] | 刘芝波. 基于多波束水柱影像的沉船最浅点探测[D]. 青岛: 山东科技大学, 2015: 35-45. (0) |
[6] | 刘胜旋, 关永贤, 宋永志. 多波束水体影像的归位算法研究与实现[J]. 海洋测绘, 2016, 36(1): 43-47. DOI:10.3969/j.issn.1671-3044.2016.01.010 (0) |
[7] | 蒲定, 张万远, 郭骏, 等. 水中气体目标的多波束声呐成像与检测算法[J]. 应用科技, 2017, 44(5): 12-16. (0) |
[8] | URBAN P, KÖSER K, GREINERT J. Processing of multibeam water column image data for automated bubble/seep detection and repeated mapping[J]. Limnology and oceanography: methods, 2017, 15(1): 1-21. DOI:10.1002/lom3.10138 (0) |
[9] | LEIGHTON T G, WHITE P R. Quantification of undersea gas leaks from carbon capture and storage facilities, from pipelines and from methane seeps, by their acoustic emissions[J]. Proceedings of the royal society A: mathematical, physical and engineering sciences, 2012, 468(2138): 485-510. DOI:10.1098/rspa.2011.0221 (0) |
[10] | GU J, PYO J, JOE H. A method for automatic detection of underwater objects using forward-looking imaging sonar[C]//Proceedings of OCEANS 2015. Washington, USA, 2015. (0) |
[11] | 李俊山, 李旭辉. 数字图像处理[M]. 北京: 清华大学出版社, 2007: 214-223. (0) |
[12] | 姜莹. 多波束测深系统高分辨力底检测: 算法研究与系统实现[D]. 杭州: 浙江大学, 2011: 40-41. (0) |