本发明图像识别，具体为用于船舶表面激光清洗与智能缺陷识别方法及系统。
背景技术：
1、随着全球海洋经济的不断发展，船舶作为海洋运输的主要工具，其运行的安全性和效率性受到了广泛关注。然而，船舶在长时间的海上运行过程中，其表面不可避免地会受到海洋环境（如海水、盐分、油污等）的侵蚀，导致船体表面出现锈蚀、涂层老化等缺陷。这些缺陷不仅影响了船舶的外观，更重要的是降低了船舶的结构强度和使用寿命，增加了运行风险，但由于船舶在水体环境中容易附着海体生物粘液，包括水藻、海草和海洋动物残骸等，会对船体表面缺陷识别造成一定的影响，增加缺陷识别的错误率，进而导致增加了自动化清洗的成本。
2、传统的船舶表面清洗方法，如喷砂、化学清洗等，虽然在一定程度上能够去除表面的锈蚀和涂层，但存在劳动强度大、环境污染严重、对船舶本身容易造成损伤等缺点。因此，寻找一种高效、环保、对船舶表面无损伤的清洗方法，成为了船舶维护和保养领域亟待解决的问题。
3、近年来，激光清洗技术以其独特的优势，逐渐在船舶表面清洗领域展现出广阔的应用前景。激光清洗技术利用高能量密度的激光光束照射船舶表面，通过激光与物质的相互作用，使表面的锈蚀、涂层等污染物迅速发生气化、熔化或剥离，从而达到清洗的目的。该技术具有非接触性、环保、无损伤、易于自动化和智能化等优点，能够满足船舶表面清洗的高要求。
4、然而，激光清洗技术在船舶表面清洗领域的应用还面临一些挑战。其中，如何克服光线对船舶表面得到的影响准确识别船舶表面的缺陷，并据此调整激光清洗的参数，是实现高效、精准清洗的关键。
5、例如，例如现有的公开号为cn113920407a的中国专利公开了一种基于多波段遥感图像融合的船舶目标识别方法及系统，包括以下步骤：获取经过多波段配准的多波段遥感图像，通过卷积神经网络提取多个波段的遥感图像特征，基于生成式模型，通过不断反向传播，不断更新融合图像的像素，达到最佳效果后，输出融合后的图像给船舶目标检测步骤；接收多波段图像融合步骤输出的融合后的图像，基于一个端到端的目标检测网络，完成对融合图像中船舶目标的检测，输出船舶目标的切片图像和船舶类别的粗分类结果给船舶目标识别步骤；获取船舶目标检测步骤输出的船舶目标的切片图像，经过精细化判别网络后，输出船舶类别的最终识别结果。但这种设计可能受到图像质量、光照条件、船舶姿态等多种因素的影响，导致分类精度不足，如果训练数据中的船舶类别分布不平衡，模型可能偏向于数量较多的类别，导致对数量较少的类别识别效果不佳，为此，本发明提供用于船舶表面激光清洗与智能缺陷识别方法及系统。
技术实现思路
1、本发明的目的在于提供用于船舶表面激光清洗与智能缺陷识别方法及系统，以解决上述背景技术中提出的现有的问题。
2、为实现上述目的，本发明提供如下技术方案：用于船舶表面激光清洗与智能缺陷识别方法，包括以下步骤：
3、s1、通过无人机搭载摄像头对船舶表面进行图像采集，得到船舶表面色彩图像与船舶表面光谱图像；
4、s2、通过设置第一锈迹分离策略，分离所述船舶表面色彩图像中船舶表面凹陷缺陷，得到第一锈迹标签；
5、s3、通过结合船体颜色常恒-光线补偿系数设置第二锈迹分离策略，分离所述第一锈迹标签中生物粘液，得到第二锈迹标签；
6、s4、通过所述第二锈迹标签计算缺陷锈迹腐蚀值；
7、s5、通过建立激光参数-腐蚀值关联模型，将所述缺陷锈迹腐蚀值作为输入参数，输出相应的激光波长和功率。
8、本发明进一步改进在于，所述第一锈迹分离策略具体步骤包括：
9、s21、通过sobel算子提取所述船舶表面色彩图像中缺陷部分，得到第一缺陷集合；
10、s22、计算所述第一缺陷集合中缺陷边缘清晰度，得到第一缺陷边缘清晰度数据集；
11、s23、设置边缘缺陷清晰度阈值，提取所述第一缺陷边缘清晰度数据集中边缘清晰度大于所述边缘缺陷清晰度阈值的数据，并提取其对应的缺陷图像作为第一锈迹标签，所述第一缺陷边缘清晰度数据集中边缘清晰度小于或等于所述边缘缺陷清晰度阈值的数据对应的缺陷图像作为凹陷缺陷。
12、本发明进一步改进在于，所述边缘清晰度通过提取所述第一缺陷集合中的矢量边缘后，使用sobel算子的梯度幅值代替结构相似性指数中的像素的标准差和协方差得到，具体步骤包括：
13、s221、提取任一缺陷边缘的所述矢量边缘两侧的像素，得到该缺陷边缘内像素数据集和边缘外像素数据集，并记录对应的位置，其中，表示该缺陷第个矢量边缘的边缘内像素，表示该缺陷第个矢量边缘的边缘外像素；表示任一缺陷边缘经过的像素数量；
14、s222、计算该缺陷的边缘清晰度，其中，表示该缺陷第个矢量边缘的边缘内像素和该缺陷第个矢量边缘的边缘外像素水平方向的梯度之差，表示该缺陷第个矢量边缘的边缘内像素和该缺陷第个矢量边缘的边缘外像素垂直方向的梯度之差；；
15、s223、重复步骤s221和步骤s222，直到将所述第一缺陷集合中所有缺陷数据的边缘清晰度计算完成，并列入所述第一缺陷边缘清晰度数据集中。
16、本发明进一步改进在于，所述第二锈迹分离策略具体步骤包括：
17、s31、提取所述船舶表面色彩图像中所述第一锈迹标签对应的区域，列入第一缺陷表面色彩图像数据集，提取所述船舶表面光谱图像中所述第一锈迹标签对应的区域，列入第一缺陷光谱图像数据集；
18、s32、通过所述船舶表面色彩图像计算得到船体颜色常恒-光线补偿系数，通过所述第一缺陷表面色彩图像数据集中的数据计算得到缺陷色彩表征值；
19、s33、通过所述第一缺陷光谱图像数据集中的数据计算得到缺陷光谱特征影响值；
20、s34、结合所述船体颜色常恒-光线补偿系数、缺陷色彩表征总值和缺陷光谱特征影响值，得到缺陷锈迹趋近值；
21、s35、设置锈迹趋近阈值，将所述第一锈迹标签中缺陷锈迹趋近值大于锈迹趋近阈值的数据列入第二锈迹标签，将所述第一锈迹标签中缺陷锈迹趋近值小于等于锈迹趋近阈值的数据列为生物粘液。
22、本发明进一步改进在于，所述船体颜色常恒-光线补偿系数具体计算步骤包括：
23、s321、循环所述船舶表面色彩图像的所有像素rgb值，得到所有像素亮度值，并按照从低到高的顺序排列，得到船舶表面色彩图像像素亮度值序列；其中，r为红色通道色彩值，g为绿色通道色彩值，b为蓝色通道色彩值；
24、s322、提取所述船舶表面色彩图像像素亮度值序列前5%的像素亮度值的和作为参考补偿值，并提取其对应的像素数量；
25、s323、根据参考补偿值计算船体常恒-光线补偿系数。
26、本发明进一步改进在于，所述缺陷色彩表征总值具体计算步骤包括：提取所述第一缺陷表面色彩图像数据集中任一缺陷的轮廓内所有像素的灰度值序列，其中表示该缺陷内第个像素的灰度值，，m表示该缺陷内像素的数量；提取该缺陷所有像素的rgb分量值，第个像素的红色分量表示为、第个像素的绿色分量表示为、第个像素的蓝色分量表示为；计算第个像素的色彩表征值，计算公式表示为，其中，表示灰度值权重，表示色彩分量权重；设定色彩表征分割值、和，根据所述色彩表征分割值将色彩表征值划分为四个像素色彩表征区间，包括、、、，统计该缺陷区域内像素的色彩表征值在上述色彩表征区间中的分布率，提取分布率最高的色彩表征区间内的像素色彩表征值均值作为该区域色彩表征总值。
27、本发明进一步改进在于，所述缺陷光谱特征影响值具体步骤包括：
28、s331、提取所述第一缺陷光谱图像数据集中任一缺陷近红外波段反射率数据集、红光波段反射率数据集、紫外波段反射率数据集和绿光波段反射率数据集，其中，a表示近红外波段数量，b表示红光波段数量，c表示紫外波段数量，d表示绿光波段数量；表示第个近红外波段的光谱反射率，表示第个红光波段的光谱反射率，表示第个紫外波段的光谱反射率，表示第个绿光波段的光谱反射率，，，，；
29、s332、设置缺陷敏感波段组合值，其中表示该缺陷的红光波段敏感值，计算公式为；
30、s333、计算该缺陷的轮廓内灰度均值，设置锈迹敏感波段组合提取公式，其中函数表示计算相关系数，函数表示最大值提取，函数表示提取内对应的近红外波段和紫外波段的缺陷敏感波段组合值作为该缺陷的缺陷光谱特征影响值。
31、本发明进一步改进在于，所述缺陷锈迹趋近值具体计算过程包括：提取所述第一锈迹标签任一缺陷的缺陷色彩表征总值和缺陷光谱特征影响值，则该缺陷的缺陷锈迹趋近值公式为，其中表示该缺陷的缺陷色彩表征总值权重，表示该缺陷的缺陷光谱特征影响值权重。
32、本发明进一步改进在于，所述s4包括计算第二锈迹标签内任一缺陷的缺陷面积，所述缺陷面积通过findcontours函数查找该缺陷的所有连通域后使用contourarea函数，统计每个标记过的连通域包含的像素数量，记为该缺陷的面积，得到该缺陷的缺陷锈迹腐蚀值。
33、本发明进一步改进在于，所述激光参数-腐蚀值关联模型以支持向量机模型为基础，计算历史缺陷的缺陷锈迹腐蚀值与对应的激光波长和功率作为训练数据，将所述第二锈迹标签内所有缺陷的缺陷锈迹腐蚀值作为激光参数-腐蚀值关联模型输入数据，并输出相应的激光波长和功率。
34、另一方面，本发明提供用于船舶表面激光清洗与智能缺陷识别系统包括：
35、数据采集模块，用于通过无人机搭载摄像头对船舶表面进行图像采集，得到船舶表面色彩图像与船舶表面光谱图像；
36、第一锈迹分离模块，用于分离所述船舶表面色彩图像中船舶表面凹陷缺陷，得到第一锈迹标签；
37、第二锈迹分离模块，用于通过结合船体颜色常恒-光线补偿系数分离所述第一锈迹标签中生物粘液，得到第二锈迹标签；
38、激光参数输出模块，用于通过所述第二锈迹标签计算缺陷锈迹腐蚀值，建立激光参数-腐蚀值关联模型，将所述缺陷锈迹腐蚀值作为输入参数，输出相应的激光波长和功率。
39、与现有技术相比，本发明的有益效果是：
40、1、本发明首先通过第一锈迹分离策略，利用sobel算子等技术提取凹陷缺陷，并通过船体颜色常恒-光线补偿系数进一步区分锈迹与生物粘液；
41、2、其次，通过计算缺陷的色彩表征总值、光谱特征影响值以及缺陷面积，得到缺陷的锈迹趋近值和腐蚀值，基于这些关键参数，系统建立了激光参数-腐蚀值关联模型，自动确定适合清洗的激光波长和功率，实现了船舶表面缺陷的精确识别和激光清洗参数的智能调节，不仅提高了船舶清洗的效率和准确性，也为船舶维护提供了一种智能化、自动化的解决方案。
1.用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述第一锈迹分离策略具体步骤包括：
3.根据权利要求2所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于：所述边缘清晰度通过提取所述第一缺陷集合中的矢量边缘后，使用sobel算子的梯度幅值代替结构相似性指数中的像素的标准差和协方差得到，具体步骤包括：
4.根据权利要求2所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述第二锈迹分离策略具体步骤包括：
5.根据权利要求1所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述船体颜色常恒-光线补偿系数具体计算步骤包括：
6.根据权利要求4所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述缺陷色彩表征总值具体计算步骤包括：提取所述第一缺陷表面色彩图像数据集中任一缺陷的轮廓内所有像素的灰度值序列，灰度值序列中包括，表示该缺陷内第个像素的灰度值，，m表示该缺陷内像素的数量；提取该缺陷所有像素的rgb分量值，第个像素的红色分量表示为、第个像素的绿色分量表示为、第个像素的蓝色分量表示为；计算第个像素的色彩表征值，计算公式表示为，其中，表示灰度值权重，表示色彩分量权重；设定色彩表征分割值、和，根据所述色彩表征分割值将色彩表征值划分为四个像素色彩表征区间，包括、、、，统计该缺陷区域内像素的色彩表征值在上述色彩表征区间中的分布率，提取分布率最高的色彩表征区间内的像素色彩表征值均值作为该区域色彩表征总值。
7.根据权利要求6所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述缺陷光谱特征影响值具体步骤包括：
8.根据权利要求4所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述缺陷锈迹趋近值具体计算过程包括：提取所述第一锈迹标签任一缺陷的缺陷色彩表征总值和缺陷光谱特征影响值，则该缺陷的缺陷锈迹趋近值公式为，其中表示该缺陷的缺陷色彩表征总值权重，表示该缺陷的缺陷光谱特征影响值权重。
9.根据权利要求8所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，所述s4包括：计算第二锈迹标签内任一缺陷的缺陷面积，所述缺陷面积通过findcontours函数查找该缺陷的所有连通域后使用contourarea函数，统计每个标记过的连通域包含的像素数量，记为该缺陷的面积，得到该缺陷的缺陷锈迹腐蚀值。
10.根据权利要求1所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于：所述激光参数-腐蚀值关联模型以支持向量机模型为基础，历史缺陷的缺陷锈迹腐蚀值与对应的激光波长和功率作为训练数据，将所述第二锈迹标签内所有缺陷的缺陷锈迹腐蚀值作为激光参数-腐蚀值关联模型输入数据，并输出相应的激光波长和功率。
11.用于船舶表面激光清洗与智能缺陷识别系统，用于实现如权利要求1-10任意一项所述的用于船舶表面激光清洗与智能缺陷识别方法，其特征在于，包括：
