張培　包釗華　楊榮建

摘 要： 針對玻璃幕墻出現(xiàn)缺陷難以發(fā)現(xiàn)并處理的問題，本文設(shè)計了集缺陷識別與清洗一體的機器人，通過圖像識別獲取缺陷種類并完成清洗。針對已有算法分類準(zhǔn)確性不足的問題，引入L1-L2范數(shù)及判別準(zhǔn)則用以提升算法的分類效果，并在所設(shè)計的機器人平臺上完成實驗，最終實驗表明優(yōu)化后的算法在識別劃痕方面平均提升為2%，總體識別準(zhǔn)確率提升1%。優(yōu)化后機器人能完成幕墻的日常維護及危險報警工作。

關(guān)鍵詞： 玻璃幕墻; 機器人; 缺陷識別; 圖像分類

文章編號： 2095-2163（2021）07-0134-04中圖分類號：TP391.41文獻標(biāo)志碼： A

Optimization of defect recognition

algorithm based on curtain wall inspection and cleaning robot

ZHANG Pei， BAO Zhaohua， YANG Rongjian

（School of Mechanical and Automotive Engineering， Shanghai University of Engineering Science， Shanghai 201620， China）

【Abstract】Aiming at the problem that it is difficult to find and remove the defects of glass curtain wall， a robot integrating defect recognition and cleaning is designed in this paper. Through image recognition， the types of defects can be obtained， and the cleaning or recording and alarm can be completed. Aiming at the problem that the classification accuracy of the existing algorithms is insufficient， L1-L2 norm and discriminant criteria are introduced to improve the classification effect of the algorithm and the experiment is completed on the designed robot platform. The results show that the optimized algorithm can improve the recognition of scratches and cracks by up to 2%， and the overall recognition accuracy increases by 1%. After optimization， the robot can complete the daily maintenance and danger alarm of the curtain wall.

【Key words】glass curtain wall; robot; defect recognition; image classification

0 引 言

隨著城市的不斷建設(shè)，采光性能、防潮性能優(yōu)異、有良好視覺體驗的玻璃幕墻被廣泛應(yīng)用于各類建筑，特別是高層建筑，大多都采用玻璃幕墻[1-3]。但幕墻的維護具有較高的難度，首先為了維護其外觀需要定期進行清洗，而當(dāng)前幕墻僅能通過人工進行清洗，尚未出現(xiàn)能實際應(yīng)用的清洗設(shè)備[4-5]。其次，玻璃相較于其他建筑材料更脆，發(fā)生玻璃破損對周圍人員將會造成起極大的傷害，而對已投入使用的玻璃幕墻進行缺陷的檢測同樣難度大且效率低[6]。既有的算法如SVM、小波算法等在缺陷分類效果方面都存在準(zhǔn)確度不足的問題[7-8]。故本研究建立集幕墻缺陷識別與清洗一體的機器人，改進了圖像識別算法，通過改進的神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)對缺陷的識別。

1 檢測機器人設(shè)計

機器人本體如圖1所示，清洗刷位于平臺中部，用于污漬清洗;檢測設(shè)備位于平臺下部，進行幕墻缺陷檢測;四周為涵道風(fēng)扇，提供清洗壓力，此外有輔助提升機構(gòu)，通過提升機構(gòu)控制機器人位置。為了適用不同外觀的幕墻，依據(jù)機器人姿態(tài)對其力學(xué)條件進行分析如圖2所示。設(shè)風(fēng)扇推力為T，機器人總重為G;清洗壓力為N，傾角為θ，且存在一外部拉力F使機器人實現(xiàn)高度方向穩(wěn)定，則當(dāng)幕墻垂直于墻面向內(nèi)時推力需滿足條件：

故能適應(yīng)的最大傾角為：

相對地，則當(dāng)幕墻垂直于墻面向內(nèi)時推力需滿足條件：

故能適應(yīng)的最大傾角為：

樓頂提升機構(gòu)通過多點定位，在四周各設(shè)置一牽引機構(gòu)實現(xiàn)機器人精準(zhǔn)定位。故只要提供足夠大的風(fēng)扇推力，幕墻清洗機器人即可實現(xiàn)傾斜建筑的識別與清洗，并且普通建筑傾角有限，該機器人能夠滿足絕大多數(shù)建筑的使用要求。

2 改進卷積神經(jīng)網(wǎng)絡(luò)算法

2.1 自編碼器改進

為了提高編碼器的存儲及計算性能，引入稀疏自編碼器SAE。在預(yù)訓(xùn)練中首先對圖片進行編碼，將每個小區(qū)域的圖像信息通過輸入層編碼進入隱藏層，其次再將隱藏層中的編碼數(shù)據(jù)逐個解碼，實現(xiàn)小區(qū)域圖像的重構(gòu)、提取出所需的特征，輸出為：

則隱藏層結(jié)點輸出的平均值為：

隱藏層中的大部分結(jié)點為非響應(yīng)狀態(tài)，輸出的概率均相等且相互獨立，通過此特點實現(xiàn)各結(jié)點輸出值的平均值趨于零。設(shè)隱藏層輸出的概率為ρ=0.05，第i個結(jié)點輸出的平均值為X（i），i=1，2，…，v，則通過KL距離構(gòu)建條件有稀疏正則項[9]：

通過求取神經(jīng)網(wǎng)絡(luò)的最小值得到最優(yōu)解，其優(yōu)化目標(biāo)函數(shù)為：

當(dāng)隱藏層特征的維數(shù)與輸入層維數(shù)間關(guān)系可忽略時使用該方式能夠有較好的效果，若輸入層結(jié)點少而隱藏層結(jié)點多時，自編碼器就不能完成特征的學(xué)習(xí)，此時通過范數(shù)L1正則項構(gòu)建約束條件，其約束項為[10-11]：

則神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)函數(shù)為：

在稀疏自編碼器的不同階段引入適合的稀疏條件。

2.2 改進字典學(xué)習(xí)算法

2.2.1 KSVD算法

KSVD算法為改進的KMEANS算法，傳統(tǒng)的字典學(xué)習(xí)算法是無監(jiān)督的算法，其計算流程如圖3所示。其中，每個信號量只能通過單原子表達，通過樣本聚類得到的訓(xùn)練后的詞典確定性較差，而KSVD算法則通過原子間的線性組合來表示，算法流程詳見圖3，通過奇異值分解（SVD）更新一個原子并針對當(dāng)前詞典進行稀疏編碼更新該原子的稀疏編碼向量，經(jīng)過K次迭代優(yōu)化每一原子完成算法優(yōu)化，優(yōu)化后的原子能對信號進行更好的擬合，實現(xiàn)了詞典準(zhǔn)確性的提高。設(shè)Y為輸入樣本，且樣本均無標(biāo)記，D為尚未訓(xùn)練的過完備冗余稀疏字典，X為樣本通過字典進行表達時的稀疏系數(shù)，則優(yōu)化的目標(biāo)函數(shù)為：

式（11）的計算通常借助正交匹配跟蹤算法求解，從大到小依次找到對目標(biāo)函數(shù)產(chǎn)生貢獻的原子，最后貢獻最小的原子即為所求目標(biāo)。

在迭代更新的過程中，由于數(shù)據(jù)均通過原子線性表示，不可避免地存在一定誤差，為了減小數(shù)據(jù)的誤差，將目標(biāo)依據(jù)不同列進行依次更新迭代，其優(yōu)化函數(shù)為：

通過引入Ek降低Dk的擬合誤差，T為所設(shè)閾值，表示X中非零元素最大存在個數(shù)，保證過程的稀疏性。

2.2.2 改進KSVD算法

KSVD算法雖然在控制誤差和稀疏性上效果相對較好，卻并未在特征分類上實現(xiàn)優(yōu)化，針對幕墻的缺陷，不僅需要發(fā)現(xiàn)目標(biāo)，更需要對其進行分類，以便針對不同缺陷進行下一步規(guī)劃。

為了保證在編碼過程中保留盡可能多的信息，引入L1-L2范數(shù)[12]：

L1-L2范數(shù)能夠在群集層面進行稀疏，該范數(shù)解決了僅通過L1范數(shù)只能對基數(shù)層進行稀疏，無法獲得足夠編碼信息的缺陷。故優(yōu)化函數(shù)為：

式（14）中，γ用以保證誤差與稀疏度間的平衡關(guān)系。

在此基礎(chǔ)上，通過增加判別準(zhǔn)則將特征進行分類，得到關(guān)于稀疏表示字典與判別能力字典的模型，判別模型為：

最終通過輸入信號X與判別能力字典W的乘積進行類型判定。

3 模型訓(xùn)練

玻璃幕墻存在的缺陷主要可分為劃痕或裂痕、內(nèi)部夾雜、疥瘤、氣泡、污點等，如圖4所示。幕墻清洗機器人識別的最關(guān)鍵目標(biāo)污點及存在的裂痕與劃痕，針對有污點的區(qū)域進行清洗，針對劃痕及裂痕需要進行報警提示，以便及時清除潛在的隱患，針對其余缺陷進行記錄，依據(jù)對幕墻質(zhì)量的要求安排進一步的處理方案。以1 000張幕墻圖片作為樣本進行訓(xùn)練，其中每種缺陷有200張圖片，將圖片轉(zhuǎn)化為28×28的灰度圖。由于直接獲得的圖像存在較大的系統(tǒng)噪聲，為了增加背景與目標(biāo)間的對比度，降低產(chǎn)生誤差的概率，通過中值濾波及分段線性變換的方式對圖像進行預(yù)處理。預(yù)處理后的缺陷圖像如圖5所示。其中，缺陷與背景間的邊緣更分明，缺陷更為突出。

將處理過后的圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，C1、S2、C3、S4、C5、S6層分別設(shè)置為7×7、2×2、4×4、2×2、3×3、2×2。圖像首先被隨機分割，提取出局部圖像并進行白化，再通過KL條件進行稀疏自編碼后獲得權(quán)值W，s2層提取出的特征圖為t，將其再次輸入并處理，循環(huán)3次后通過有監(jiān)督訓(xùn)練獲得最優(yōu)解。整個過程中，第一層有12個濾波器，共分割30 000個子區(qū)域圖，得到的權(quán)值為49×12，即輸出層、隱藏層分別為49個、12個，同樣的第二次輸出層、隱藏層分別為24個、24個，由于隱藏層個數(shù)不大于輸入層個數(shù)，故通過L1范數(shù)條件實現(xiàn)輸入信號稀疏化，第三層輸出層、隱藏層分別為48個、48個，同樣經(jīng)過L1范數(shù)條件實現(xiàn)輸入信號稀疏化。

4 實驗與分析

檢測所用機器人平臺如圖6所示，每種缺陷的幕墻圖像拍攝100張。為了分析優(yōu)化后檢測機器人的缺陷識別能力，將優(yōu)化后的算法與未進行優(yōu)化的其余算法進行比較，通過對同一批的不同缺陷幕墻的檢測，實驗結(jié)果如圖7所示，圖7中縱軸為對各項缺陷正確識別的個數(shù)。由圖7可知，改進后的算法有著明顯優(yōu)勢，每一類缺陷都優(yōu)于改進前的算法，其中對劃痕的識別效果最好、對氣泡及污點的識別效果次之。相較于算法邏輯最接近的KSVD算法，在5類缺陷中對劃痕的識別效果的提升最大，準(zhǔn)確率提升了2%，對于各類缺陷的平均準(zhǔn)確率提高了1%，算法優(yōu)化后的識別效果更好。

5 結(jié)束語

針對玻璃幕墻外表缺陷問題，本文設(shè)計了集缺陷識別與清洗一體的機器人，在現(xiàn)有的KSVD圖像識別算法的基礎(chǔ)上進行優(yōu)化，引入L1-L2范數(shù)及判別準(zhǔn)則用以提升算法的分類效果，并將此算法應(yīng)用于玻璃幕墻缺陷的檢測，通過所設(shè)計的機器人平臺進行實驗驗證，結(jié)果表明，優(yōu)化后的算法在識別劃痕及裂紋方面提升最大為2%，總體識別準(zhǔn)確率提升了1%，所設(shè)計的機器人能夠完成對玻璃幕墻的維護工作。

參考文獻

[1]張子博，劉榮，楊慧軒. 用于玻璃幕墻清洗的爬壁機器人的研制[J]. 自動化與儀表，2016，31（5）：6-9，28.

[2]惠存，鄭勝林，王元清，等. 雙層熱通道玻璃幕墻研究進展及展望[J]. 環(huán)境工程，2015，33（S1）：806-811.

[3]馮若強，王鑫，葉繼紅. 索網(wǎng)玻璃幕墻結(jié)構(gòu)抗震性能研究[J]. 振動工程學(xué)報，2013，26（4）：477-486.

[4]陳貴亮，曹偉濤，楊冬，等. 基于阻抗控制的幕墻安裝機器人柔順操作研究[J]. 工程設(shè)計學(xué)報，2017，24（1）：100-107.

[5]張永德，姜金剛，張舒，等. 柔索驅(qū)動的玻璃幕墻清洗機器人研制及實驗研究[J]. 儀器儀表學(xué)報，2013，34（3）：494-501.

[6]李芊，杜少英.? 既有玻璃幕墻安全風(fēng)險預(yù)警機制研究[J]. 施工技術(shù)，2016，45（3）：96-100.

[7]余竹，夏禾，殷永高，等. 基于小波變換與Lipschitz指數(shù)的橋梁損傷識別研究[J]. 振動與沖擊，2015，34（14）：65-69，84.

[8]張迪飛，張金鎖，姚克明，等. 基于SVM分類的紅外艦船目標(biāo)識別[J].? 紅外與激光工程，2016，45（1）：179-184.

[9]王冠皓，徐軍. 基于多級金字塔卷積神經(jīng)網(wǎng)絡(luò)的快速特征表示方法[J]. 計算機應(yīng)用研究，2015，32（8）：2492-2495.

[10]翟雪含，朱衛(wèi)平，康彬. 結(jié)合KSVD和分類稀疏表示的圖像壓縮感知[J]. 計算機工程與應(yīng)用，2015，51（6）：193-198.

[11]樂友喜，楊濤，曾賢德. CEEMD與KSVD字典訓(xùn)練相結(jié)合的去噪方法[J]. 石油地球物理勘探，2019，54（4）：729-736，721.

[12]任真，李四海. 基于L1-L2聯(lián)合范數(shù)約束的中藥近紅外光譜波長選擇[J]. 計算機應(yīng)用與軟件，2018，35（12）：99-103.

作者簡介： 張 培（1994- ），男，碩士研究生，主要研究方向：機器人機構(gòu)設(shè)計。

通訊作者： 張 培Email：1845923040@qq.com

收稿日期： 2020-12-25