[0001] 本发明涉及船壁表面处理技术领域，尤其是涉及一种船壁表面处理方法。

[0002] 在船舶维护行业中，船壁表面处理一直是维护船舶外观、保障航行安全以及延长船舶使用寿命的关键环节。传统上，这一任务主要依靠人工完成，但面临着诸多挑战，如下：（1）人工处理效率低下，对于大型船舶而言，处理（清洗）整个船壁需要耗费大量时间和人力；
（2）人工处理难以保证均匀性和精确度，特别是在处理复杂或难以触及的区域时更为困难；
（3）长时间的高空作业和接触有害的处理物质对工人的健康构成了潜在威胁。

[0003] 近年来，随着科技的飞速发展，特别是图像识别、人工智能和自动化技术的广泛应用，为船舶维护行业带来了变革性的机遇。这些先进技术不仅能够提高作业效率，还能在保障安全的前提下实现更精细化的操作。图像识别技术能够精准捕捉船壁表面的各种缺陷，为船壁表面处理作业提供明确的指导；人工智能技术则能够对这些缺陷进行智能分析和处理，优化表面处理策略；而自动化处理设备则能够按照预设的程序自动完成表现处理任务，减少人工干预。

[0004] 因此，在船舶维护领域引入这些先进技术，不仅能够解决传统表面处理方式存在的问题，还能推动整个行业的智能化、自动化升级，提升整体维护水平和效率。这为船壁表面处理技术的创新和发展提供了广阔的空间和前景。

[0023] 以下通过附图和实施例对本发明的技术方案作进一步说明。

[0024] 实施例一如图1所示，为本发明一种船壁表面处理方法的流程图，包括以下步骤：
S1、采集船壁表面缺陷图像，构建船壁表面缺陷数据集（船壁表面缺陷图像数据集包括表面划痕、表面锈蚀、表面损坏、漆面脱落和表面附着藤壶）并进行预处理，得到预处理后的数据集；
预处理包括以下子步骤：
S11、对采集的船壁表面缺陷图像进行随机翻转、随机裁剪、随机缩放和随机平移，得到扩充后的数据集；
S12、对扩充后的数据集进行灰度化处理，得到灰度图像；
S13、通过图像清晰度增强模型对灰度图像进行处理，得到清晰度增强后的图像，即为预处理后的数据集。

[0025] 图像清晰度增强模块包括尺度变化结构、残差密集块、多尺度特征提取结构、二维卷积神经网络和边缘检测结构；其中，尺度变化结构包括上采样模块和下采样模块；残差密集块包括三个卷积层和一个注意力通道；边缘检测结构包括水平方向边缘检测网络和竖直方向边缘检测网络；
二维卷积神经网络包括3个二维卷积块，3个二维卷积块均由一个Conv2d、BatchNorm2d、ReLU及MaxPool2d组成，其中，卷积核的数量分别为16、32、64，卷积核的大小均为 ，MaxPool2d的核大小均为 。

[0026] 图像清晰度增强模块工作方法如下：尺度变化结构先将灰度图像进行缩小，在不同尺度上使用五个残差密集块提取多尺度特征，得到第一特征图；
尺度变化结构将第一特征图的尺寸进行放大，在不同尺度上使用五个残差密集块提取多尺度特征，得到第二特征图；
将第二特征图输入到边缘检测结构中进行边缘检测处理，得到灰度图像的边缘特征图；
将边缘特征图输入到二维卷积网络中进行特征提取，得到灰度图像的目标特征图；
将目标特征图与灰度图像融合，得到清晰度提升的图像。

[0027] S2、将预处理后的数据集作为输入图像输入到改进的YOLOv8模型中进行特征提取，包括以下子步骤：S21、使用改进的YOLOv8模型的骨干网络从输入图像中提取多尺度特征图；
如图2所示，改进的YOLOv8模型具体指利用在线重参数化增强YOLOv8模型的骨干网络，改进方法如下：
S211、将重参数块中的BN层替换为线性缩放层；
S212、将卷积层和线性缩放层融合，然后在残差连接后添加一个GN层；
S213、将所有卷积层转化并融合为单个3×3的卷积，实现多分支到单分支的等价转换。

[0028] S22、对多尺度特征图进行全局平均池化和全局最大池化；将池化后的结果通过卷积层进行特征变换，得到变换后的特征；
使用Sigmoid激活函数将变换后的特征图转换为空间注意力权重矩阵；
空间注意力权重矩阵的计算公式为：
；
其中， 为空间注意力权重矩阵； 为多尺度特征图； 为Sigmoid激活函数；
为k×k的卷积操作；
将空间注意力权重矩阵与多尺度特征图相乘，得到空间加权特征图；
S23、使用离散傅里叶变换将空间加权特征图从空间域转换到频域；
在频域上，设计多轴频域注意力机制，多轴频域注意力机制通过多个分支分别关注不同的频率轴，利用全连接层学习频域注意力权重；
将频域注意力权重与频域特征相乘，得到频域加权特征；
将频域加权特征通过逆离散傅里叶变换转换回空间域，得到频域注意力增强后的特征图；
S24、将空间加权特征图与频域注意力增强后的特征图进行融合；
S25、使用改进的YOLOv8模型的检测头对融合后的特征图进行目标检测，输出检测结果。

[0029] S3、确认待处理船只类型和船壁缺陷类型，包括以下子步骤：S31、采集不同类型船只的关键信息并构建三维模型，将不同类型船只的三维模型组成船只三维数据库；
船只的关键信息包括设计图纸、尺寸信息和材料信息；
S32、在船只进入工作台之前，通过高精度摄像头对船只进行拍照，然后将拍摄的图像传送到处理中心，处理中心对图像进行识别，确认船只类型；
当处理中心中存有当前船只信息时，将船只类型信息发送到表面处理机器人；
当处理中心中未存有当前船只信息时，对当前船只的关键信息进行采集，构建当前船只的三维模型，并更新船只三维数据库；
S33、当船只到达工作台时，通过设置在工作台周侧的高精度摄像头对船壁进行拍照，然后将拍摄的图像传送到处理中心，处理中心通过步骤S2构建的改进的YOLOv8模型对船壁缺陷进行识别确认。

[0030] S4、确认船只类型和船壁缺陷信息后，处理中心将船只类型和船壁缺陷信息发送到表面处理机器人，表面处理机器人识别周围环境信息，制定表面处理路线，包括以下子步骤：S41、根据步骤S3建立的船只三维模型，将处理区域划分为若干单位区域；
如图3所示，S42、在每个单位区域进行路径规划；
S421、在每个单位区域获取关键信息，关键信息包括起始点、终点和障碍物信息；
S422、使用RTK系统获取表面处理机器人的位置；
S423、表面处理机器人通过视觉相机检测周围环境，包括障碍物的位置和姿态，并通过激光测距传感器测量与障碍物的距离；
S424、根据视觉相机和激光测距传感器获取的数据，构建构建周围环境地图，并标识障碍物、船只与安全区域；
S425、通过距离度量算法计算起点到终点的空间距离，使用 路径搜索算法在环境地图中搜索从起始点到终点的路径；
距离度量：
；
其中， 表示距离； 是起始点的坐标； 是目标点的坐标；
路径搜索算法：
；
其中， 是启发式函数，用于估计从节点node到目标位置的代价； 、 和是目标位置的坐标； 、 和 是节点node的坐标；
S426、根据目标函数，综合考虑路径的长度、与障碍物的距离、表面处理工具头数据，对搜索得到的路径进行评估和排序；
；
其中， 为评估路径综合性能的目标函数； 、 、 为权重系数； 表示
路径长度； 是与避让障碍物相关的量度； 表示表面处理工具头与待处理位置的距离；
S427、当评估发现有更优的路径时，进行路径优化（可通过插值方法平滑路径）。

[0031] S5、沿表面处理路线对船壁进行处理。

[0032] 本实施例中所提表面处理机器人（清洗机器人）包括本体，本体上设置有视觉相机、激光测距传感器、压力传感器、机械臂、表面处理工具头等，表面处理机器人及其余未详细描述的组件，均为现有技术。

[0033] 因此，本发明采用上述一种船壁表面处理方法，通过图像识别技术识别缺陷，结合自动化机器人路径规划，实现智能化、无人化处理作业，提升效率和安全性。

[0034] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。