基于成像声纳的水下管线跟踪方法

葛利亚，曾俊宝

（1.中国科学院沈阳自动化研究所 机器人学国家重点实验室，沈阳 110016；2.中国科学院大学，北京 100049）

0 引言

海洋不仅蕴藏着丰富的矿产资源，也是交通运输的重要通道，各国常建造一些水下管线来满足通信与能源传输的要求，包括输油管道、光电缆等。据大量相关资料显示，我国自在海洋开采石油、天然气以来，已经铺设了几千公里长的输油、输气管道。水下管线长期在海底受海水腐蚀、材料质量和地壳变动等的影响，世界上已发生多起管道破损、石油外泄和电缆中断等事故，造成了严重的环境污染和巨大的经济损失。因此，从经济和环保方面来说，对水下管线进行检查具有重要意义。

目前来看，对水下管线进行管外检查的手段主要包括潜水员、遥控水下机器人（Remotely Operated Vehicle, ROV）和自主水下机器人（Autonomous Underwater Vehicle, AUV）三种方式。其中，依靠潜水员检查只能针对浅水区域；深水区域可利用ROV进行检查，但是ROV需要母船的支持，且受到脐带电缆的限制，作业范围有限；而AUV具有无人无缆、自带能源、对母船依赖性小等特点，因此AUV被认为是在深水区进行管线检查的最佳设备。

文献[1]通过在实验室条件下进行试验性研究，解决了在人工半自动引导下，AUV利用磁探测器对悬吊于水下的长直管道进行自动跟踪的问题。文献[2]提出了基于磁探测器和视频图像融合的金属线缆跟踪系统，并利用AUV MT-98进行了海上试验。文献[3]研究了基于单目视觉的水下管线检测和跟踪等相关技术，并在水池进行了试验。文献[4]提出了基于侧扫声纳的AUV水下管线实时跟踪系统。文献[1]没有实现完全自主性，文献[2]和文献[3]中用到的光学成像在实际海水比较浑浊的情况下效果不佳，文献[4]中所用的侧扫声纳在AUV正下方存在盲区，不利于AUV携带相应的传感器对水下管线进行检查。

磁探测器在弱磁环境中容易受地磁和环境的影响，导致参数校正与调整比较困难；视觉跟踪只适用于近距离和非掩埋情况，且光学成像易受光线和水质浑浊度的影响；声学成像系统可克服上述问题，不过声纳图像具有噪声大、分辨率低的缺点，本文针对该问题提出有效的图像处理方法，以及研究合适的水下管线搜索和跟踪控制策略。

1 声纳图像处理

1.1 成像声纳工作原理

成像声纳是一种主动声纳，它利用发射阵发射声脉冲到水中，遇到目标会产生反射，反射的回波作为检测与估计的基础，能够对目标进行定位与识别。通常，在AUV艏部搭载成像声纳构成AUV的声视觉系统，通过声纳的连续扫描探测，实时监测AUV前方大范围水域的目标信息，经过进一步处理，定位可疑目标并引导机器人接近该目标，图1为BlueView公司生产的前视成像声纳及其声纳图像。对于本文的应用，可将成像声纳安装在AUV的艏部斜下方，对前方的海底进行探测，以实现对水下管线的跟踪。

图1 BlueView公司的前视声纳及其声纳图像

1.2 图像预处理

图像预处理要突出声纳图像中目标的轮廓区域、衰减各类噪声，提高AUV对目标的可识别性。由于在水下声图中存在大量噪声，使用普通的滤波算法能降低噪声，但是也对目标部分边缘造成影响，而数学形态学基于集合运算，具有非线性的特征，可以克服线性滤波所带来的目标边缘模糊等问题。

在形态学中，所采用尺度大小不同的结构元素对处理结果会产生较大影响，大尺度的结构元素去噪能力强，同时会对目标的轮廓细节产生影响；小尺度的结构元素去噪能力较弱，但能保证目标的轮廓细节不受影响。因此为了对声纳图像去噪滤波，本文采用多尺度膨胀算法[5]。

f(x,y)为输入的灰度图像函数，b(x,y)为结构元素，灰度膨胀运算可定义为f⊕b：

定义{bi} (i= 1 ,2,…n)为一个多尺度结构元素序列，在实验中取菱形元素结构，对于尺度大小不同的结构元素bi，分别对灰度图像f(x,y)进行膨胀运算，得到一组膨胀图像(f⊕bi) (x,y)，对得到的膨胀结果加权求和，最终得到的降噪结果如下：

式中，ai为尺度i对应的加权系数。形态学滤波处理结果如下：

图2 水下声图预处理结果

1.3 边缘检测

Canny边缘检测算法是John F.Canny在1986年研究出来的一种多级边缘检测算法，被很多人认为是最优的边缘检测算法[6]。

Canny算法的实现步骤如下：

l）对滤波后的灰度图进行高斯平滑滤波，将图像中的噪声去除；

2）采用一阶偏导的有限差分形式(3)来计算梯度的幅值和方向n：

其中

3）抑制梯度幅值的非极大值；

4）采用双阈值法减少假边缘数量，并对目标边缘进行检测和连接。

根据上述步骤得到目标的边缘信息，并对对该边缘图像进行区域限定，消除水下声图中边界边缘的影响，边缘检测和区域限定的处理结果如图3所示。

图3 水下声图边缘提取结果

1.4 管线提取

Hough变换是一种利用图像全局特征将特定形状边缘连接起来的经典算法。它通过点-线的对偶性，将原图像中的点影射到参数空间，将原图像中特定曲线的检测问题转化为寻找参数空间中的峰值问题。由于利用原图像的全局特性，所以受噪声和曲线间断影响较小，具有比较好的鲁棒性。

设直线方程为：

参数空间中方程可表示为：

式(5)中，ρ表示原点到直线的垂直距离，θ是垂线与x轴的夹角。当原图像中的点(x,y)确定时，对应于参数空间中的一条直线，原图像中不同的点(x,y)对应于参数空间中不同的直线。当图像中的若干点(x,y)在同一条直线上时，它们的斜率和截距是相同的，所以它们在参数空间坐标系中对应于同一点。根据这个原理，将图像中的各个点投影到参数空间中，看参数坐标系下有没有聚集点，该聚集点就对应于原图像中的一条直线。

标准Hough算法是将图像中得到的边缘点的坐标(x,y)代入式(6)求得(ρ,θ)的值，然后统计(ρ,θ)取何值时经过该点的曲线数目较多，即将该点对应的参数(ρ,θ)取出。通过上述过程的计算能够得到线段的端点(x0,y0,x1,y1) 及参数(ρ,θ)。

管线提取需要两个步骤：

1）线段连接

根据Hough变换得到的直线段，若在一条直线上，则将其连接为一条线段。

2）灰度阈值限定

若线段长度满足：

L根据图像大小确定，则计算这条线段两侧相邻两个像素的灰度值总和gray_valuel和gray_valuer，若：

式中，min_ratio和max_ratio分别为最小和最大灰度比，若满足上式，则表示找到了管线。

图4 水下管线提取结果

2 水下管线的搜索

水下管线搜索的目的是对目标海域进行搜索，记录管线位置，为下一步精确跟踪做好准备。常用的搜索方式有三种，分别为：随机方式、螺旋方式和往复方式。

1）随机方式

随机方式是指在一个目标区域内为水下机器人规划出一条从起点出发，沿某个方向以某种方式行走（如直线或圆弧）得到的一系列路径。

优点：控制起来比较简单，软件编程实现也比较简单，且实现起来相对容易；缺点：运行轨迹重复性比较大，且不能保证对整片目标区域进行全区域覆盖。

2）螺旋方式

螺旋方式是指水下机器人先沿着目标区域边界内侧行走一圈，然后逐次向区域中心行走，直至覆盖整片目标区域。螺旋方式分为内螺旋和外螺旋两种方式。

优点：能覆盖整个目标区域；缺点：在有限的条件下实现该方式比较困难，主要体现在如何控制水下机器人向中心行走，即何时在何位置转向。

3）往复方式

往复方式是指水下机器人先沿着目标区域的某一边内侧行走，遇到边界后旋转180°，然后继续行走，如此反复，直至覆盖整片目标区域。根据有关研究得出[7]，对于目标区域是矩形的情况，沿长边的往复方式较沿短边的往复方式转弯次数少，因此前者效果更优。

优点：能覆盖整个目标区域，且控制起来相对方便，是水下机器人搜索时常用的一种方式。

图5 搜索方式

对于已知水下管线大体走向的情况，由于管线是连续的，我们可以采用横跨管线走向的随机方式对目标区域进行搜索，这样既能节省能源和时间，又能发现目标。对于水下管线大体走向和方位都未知的情况，由于随机方式会有部分区域遗漏，因此我们要采用可以覆盖全区域的搜索方式，由上文可知，有螺旋方式和往复方式两种，由于螺旋方式在如何控制水下机器人向中心行走，即在何时及哪个位置转向存在困难，所以我们采用往复式的搜索方式。由于沿长边方向的往复方式优于沿宽边方向的往复方式，所以我们可以选择沿长边方向的往复方式对水下管线进行搜索。

AUV在水下管线的搜索阶段分为以下三个步骤：

1）在目标区域内执行搜索路径；

2）判断AUV是否遍历整片目标海域，如果是，根据记录的管线位置点开始跟踪；如果否，执行下一步；

3）若找到管线，则记录管线位置，然后继续搜索。

图6 搜索阶段流程图

在搜索阶段，由于侧扫声纳的扫描范围比较广，因此可以采用它作为搜索时所用传感器，关于侧扫声纳的图像处理及管线识别不作为本文的研究内容。

3 水下管线的跟踪

水下机器人在进行管线跟踪过程中需要根据前面记录的管线信息及当前图像处理的管线信息判断水下管线的状态，并根据水下机器人当前的状态信息，不断调整水下机器人的速度和航向角，使之能够跟踪水下管线。管线跟踪可以分为以下四个子任务：1）搜索并找到管线；2）找到管线之后，接近管线；3）利用相关传感器跟随管线；4）当跟随管线时将其丢失，则进行小范围搜索。在所有的过程中，需要对检查区域进行范围限制，超过则结束任务。

3.1 找到管线

根据搜索阶段记录的管线位置点，利用点到点的控制策略，当前点(X(t),Y(t))是AUV的位置，目标点是搜索阶段记录的最后一个管线位置点(Xpn,Ypn)。

期望艏向角：

图7 找到管线子任务示意图

3.2 接近管线

该任务的目的是调整AUV的艏向角及相对管线的距离，为下一步跟随管线做好准备。假设AUV距管线的垂向距离在DIS以内及航向与管线走向夹角小于Δθ时，即可进行下一个跟踪任务。

AUV与管线的夹角为θ，可由声图处理得到，AUV的实际艏向角为ψ(t)，则管线的走向为：

若将管线的走向直接作为AUV的期望艏向角，由于AUV的旋转半径比较大，调节时间较长，因此提出了如下算法：

式中，distance为AUV距管线的垂直距离；DIS为跟踪时AUV距管线的最大垂直距离；maxDIS根据旋转半径确定； ψprevious为发现管线或通过管线时的艏向角；ψ (t)com为期望艏向角。

图8 接近管线子任务示意图

3.3 跟随管线

当满足条件：

开始跟随任务。

保持航向，航向角控制器的输入为管线的走向，期望艏向角为：

图9 跟随管线子任务示意图

3.4 管线丢失

管线丢失后先低速前进，判断是否超时，如果没超时，则判断是否发现管线，若没发现，则继续低速前行，若发现，则接近管线；如果超时，则在小范围内搜索，判断是否超时，如果没超时，则判断是否发现管线，如果没发现，则继续搜索，否则接近管线；如果搜索超时，则判断记录中是否还存在管线位置点，若存在，则执行找到管线子任务，否则跟踪任务完成。

4 水下管线跟踪的三维仿真

三维仿真环境用VS2010调用OpenGL库编写，其中图像处理用到了OpenCV库。

图10 管线丢失子任务流程图

三维仿真环境如图11所示。

图11 水下管线跟踪三维仿真环境

在仿真过程中记录AUV的运行数据，并在MATLAB上进行处理得到以下结果。

图12 AUV在X-Y平面的运动轨迹

图13 AUV的航行速度

图14 AUV的航向角

由图12可以看出，在接近管线时AUV的航向角变化比较大，由于AUV有一定的前向速度，所以AUV的位置和管线位置有一定的偏差；图13表明，搜索时的设定速度比跟踪时大；图14为在搜索和跟踪过程中AUV的航向角变化情况。总体来说，AUV能够很好得跟踪水下管线，且偏差在一定的范围内。

5 结论

本文针对水下管线跟踪开展了基于成像声纳的自主式跟踪等相关研究，提出了适用于成像声纳图像的管线提取方法，以及先进行全区域覆盖性搜索确定管线的粗略位置，再根据记录的管线位置点进行跟踪的方法，并对搜索和跟踪算法进行了三维仿真验证。对于提出的图像处理算法进行了验证，在已有的图像样本中管线识别率达到90%以上，说明算法有效。将管线跟踪任务分成四个子任务，在不同的子任务中进行不同的控制策略，由仿真结果可以看出，算法具有有效性。

[1]燕奎臣,刘爱民,牛德林.AUV自动跟踪水下管道的试验研究[J].机器人,2000.

[2]Inzartsev A, Pavin A.AUV Application for Inspection of Underwater Communications[J].Alexander V.Inzartsev.Vienna:In-Tech Publishers,2009:215-234.

[3]唐旭东,庞永杰,张赫,等.基于单目视觉的水下机器人管道检测[J].机器人,2010,32(5):592-600.

[4] Bagnitsky A,Inzartsev A, Pavin A, et al. Side scan sonar using for underwater cables & pipelines tracking by means of AUV[C]//Underwater Technology (UT),2011 IEEE Symposium on and 2011 Workshop on Scientific Use of Submarine Cables and Related Technologies (SSC).IEEE,2011:1-10.

[5] 王斯朕,蒋立军.数学形态学运算在声纳图像边缘检测处理中的应用[J].微计算机应用,2009,30(10):6-12.

[6] Canny J.A computational approach to edge detection[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,1986 (6):679-698.

[7] 周学益.清洁机器人全区域覆盖路径算法与避障控制研究[D]. 重庆:重庆大学,2007:22-26.

[8] 张铁栋,万磊,曾文静,等.智能水下机器人声视觉跟踪系统研究[J].高技术通讯,2012,22(5):502-509.

[9] Petillot Y R, Reed S R, Bell J M. Real time AUV pipeline detection and tracking using side scan sonar and multi-beam echosounder[C].OCEANS'02 MTS/IEEE. IEEE, 2002,1:217-222.

[10] Jacobi M, Karimanzira D.Underwater pipeline and cable inspection using autonomous underwater vehicles[C]//OCEANSBergen, 2013 MTS/IEEE. IEEE, 2013:1-6.

[11] Chen J, Gong Z, Li H, et al.A detection method based on sonar image for underwater pipeline tracker[C],2011 Second International Conference on.IEEE,2011:3766-3769.