裴小輝，孫嘉俊，康征征，孫千祎，王 銳*

（石家莊鐵道大學(xué)，河北 石家莊 050043）

1 系統(tǒng)的功能要求

現(xiàn)階段地鐵車輛的檢修主要是利用傳統(tǒng)的人工作業(yè)，工作繁重，工作強(qiáng)度大，影響維修人員身體健康，因此也影響到檢修的質(zhì)量，使檢修的可靠性降低。檢修人員也會(huì)受檢修環(huán)境的限制，難以介入檢修[1]。利用檢修視覺(jué)機(jī)器人可多方位、精確地觀察檢測(cè)[2]，極大地提高了檢修效率，同時(shí)降低人工成本。

2 系統(tǒng)實(shí)現(xiàn)方案

2.1 機(jī)械結(jié)構(gòu)底盤的設(shè)計(jì)與搭建

初始建模采取四輪驅(qū)動(dòng)、兩輪從動(dòng)的方式，車身寬度大約為溝道的1/3～2/3。利用Solidworks 進(jìn)行虛擬模型搭建，對(duì)機(jī)械結(jié)構(gòu)進(jìn)行了較為全面的分析和設(shè)計(jì)。出于對(duì)空間地形的考慮（掉頭不易，空間狹小等），選擇采用麥克納姆輪車輪，應(yīng)用較為廣泛的類似與麥弗遜懸掛來(lái)緩沖整個(gè)車體壓力。前輪的兩輪共用型懸掛，該懸掛先將兩個(gè)前輪連接在一起，然后通過(guò)螺栓連接到另一側(cè)的懸掛一體箱上，懸掛一體箱又由兩個(gè)連接到車身底盤之上，構(gòu)成前輪的獨(dú)特懸掛，見(jiàn)圖1。

圖1 3D 模型

2.2 機(jī)械臂設(shè)計(jì)

機(jī)械臂采用eye in hand 結(jié)構(gòu)，攝像頭在機(jī)械臂的最前方，開(kāi)始兩個(gè)攝像頭會(huì)以固定的姿態(tài)識(shí)別到輪對(duì)軸，使用單目測(cè)距，當(dāng)達(dá)到設(shè)定值時(shí)，會(huì)以此時(shí)的坐標(biāo)作為起始坐標(biāo)。由于本項(xiàng)目所使用的攝像頭不同，且雙目攝像頭計(jì)算較為復(fù)雜，因此暫時(shí)使用單目測(cè)距，后續(xù)將升級(jí)為雙目測(cè)距。

圖2 實(shí)物模型

2.3 逆運(yùn)動(dòng)學(xué)應(yīng)用

正運(yùn)動(dòng)學(xué)分析是通過(guò)已知關(guān)節(jié)的角度，解算出末端執(zhí)行器的運(yùn)動(dòng)學(xué)方程[3]。而逆運(yùn)動(dòng)學(xué)研究的問(wèn)題是，已知末端執(zhí)行器的運(yùn)動(dòng)學(xué)方程或者位姿，解算出各關(guān)節(jié)對(duì)應(yīng)的姿態(tài)，逆運(yùn)動(dòng)學(xué)最基本的思路，是將正運(yùn)動(dòng)學(xué)反過(guò)來(lái)，對(duì)于機(jī)械臂而言，就是已知末端執(zhí)行器的位置和朝向，求每個(gè)關(guān)節(jié)的角度。由于機(jī)械臂的三維運(yùn)動(dòng)較為復(fù)雜，這里對(duì)模型進(jìn)行精簡(jiǎn)，去掉下方云臺(tái)的旋轉(zhuǎn)關(guān)節(jié)，只觀察上方機(jī)械臂部分，因此可以在二維的平面上進(jìn)行分析。

圖3 逆運(yùn)動(dòng)學(xué)坐標(biāo)

其中：θ1，θ2是各個(gè)關(guān)節(jié)的角度；未知量P（x，y）是末端執(zhí)行器的位置；x 和y 是在OXY 平面的坐標(biāo)；θ3是末端執(zhí)行器與水平面的夾角。

通過(guò)同樣的方法可求得θ2，這樣就完成了逆運(yùn)動(dòng)學(xué)的計(jì)算，最終有2 個(gè)正確的解，如圖所示，兩解中取虛線解，此解關(guān)節(jié)受力較小。

2.4 OpenCV 的視覺(jué)處理

進(jìn)行防松線檢測(cè)和裂縫檢測(cè)時(shí)，通過(guò)腐蝕、膨脹、高斯模糊、高斯濾波和梯度運(yùn)算等函數(shù)綜合應(yīng)用實(shí)現(xiàn)初步處理，使圖像呈現(xiàn)較為理想的狀態(tài)，其中通過(guò)Canny 函數(shù)算法對(duì)其進(jìn)行進(jìn)一步處理，此時(shí)再應(yīng)用相關(guān)的角度和面積計(jì)算進(jìn)行螺栓松動(dòng)檢測(cè)和裂縫檢測(cè)[4]。

2.4.1 HSV 的概念 數(shù)字化的圖像用RGB 空間與HSV 空間來(lái)描述圖像，HSV 空間比RGB 空間更能直觀地將圖像色彩的特點(diǎn)分離開(kāi)展示，如圖像色彩的色調(diào)、鮮艷和明暗，在圖像處理中使用較為廣泛，彩色圖像一般為三通道，分別對(duì)應(yīng)HSV 空間H，S，V3 條通道，圖像處理過(guò)程中通過(guò)對(duì)各個(gè)像素點(diǎn)H，S，V3 條通道進(jìn)行賦值使得圖像呈現(xiàn)出目標(biāo)效果，同時(shí)也便于追蹤顏色。

常用于分割指定顏色的物體。HSV 由3 部分組成，見(jiàn)圖4。

圖4 顏色空間模型

（1） H 代表色調(diào)，H 通道的數(shù)值表現(xiàn)為角度數(shù)值，范圍為0～360°，不同的角度數(shù)值表示不同的色調(diào)，紅，黃，綠，青，藍(lán)，紫數(shù)值分別為0°、60°、120°、180°、240°、300°。

（2）S 代表飽和度，范圍為0～100%，飽和度的取值越高，代表圖像顏色色彩組合中光譜色的占比越大。白光占比較小表示顏色接近光譜色的程度。飽和度高，顏色深而鮮艷。其中光譜色的白光成分為0 時(shí)，飽和度達(dá)到最高。

（3）V 代表明度，即顏色的明暗，范圍0～100%，其中取值0 為黑色，取值100%為白色，對(duì)于不同類型的顏色，影響明度的因素也不同。對(duì)于光源色，明度值與發(fā)光體的光亮度有關(guān)；對(duì)于物體色，明度值與物體的透射比或反射比有關(guān)。

HSV 顏色空間模型：

2.4.2 識(shí)別原理 防松線識(shí)別流程見(jiàn)圖5。（1）高斯濾波使圖片模糊，減小圖像噪點(diǎn)。

圖5 操作流程

（2）將RGB 模型轉(zhuǎn)換為HSV 模型，RGB 模型適宜顯示，但卻并不適宜作為顏色識(shí)別的模型。HSV 更加符合人眼的感受，因此將其作為顏色識(shí)別的模型。由于HSV 模型顏色識(shí)別減少了對(duì)環(huán)境的依賴，這將在很大程度上提高識(shí)別的魯棒性。

（3）設(shè)置閾值，去除背景，保留所設(shè)置的顏色。

（4）使用開(kāi)運(yùn)算，再進(jìn)行腐蝕與膨脹的操作，移除圖像中帶有的噪聲，此處主要是針對(duì)圖像中的斑點(diǎn)噪音進(jìn)行處理，消除噪聲后識(shí)別出目標(biāo)區(qū)域，提取圖像中的紅色區(qū)域。

（5）對(duì)此時(shí)的圖像進(jìn)行輪廓處理操作，并將一些多余雜亂邊框消除。

（6）對(duì)所提取輪廓在圖像繪制最小外接矩形，并標(biāo)出中心點(diǎn)，同時(shí)計(jì)算相鄰區(qū)域的角度差，最后通過(guò)每一對(duì)區(qū)域的角度來(lái)判斷是否對(duì)齊。

裂紋識(shí)別流程見(jiàn)圖6。

圖6 識(shí)別流程

（1）圖像灰度化。

（2）增加對(duì)比度。

（3）Canny 邊緣檢測(cè)。

（4）用形態(tài)學(xué)連接臨近裂縫。

（5）提取連通域，刪除裂縫區(qū)域意外的噪聲。

（6）提取每個(gè)連通域骨架，并測(cè)量連通區(qū)域長(zhǎng)度和寬度。

2.5 函數(shù)應(yīng)用

2.5.1 腐蝕函數(shù) 用erode(s，k，i)表示腐蝕函數(shù)，其中參數(shù)s 表示處理對(duì)象，即輸入圖像；參數(shù)k 表示進(jìn)行圖像處理中卷積核的大??；參數(shù)i 表示迭代次數(shù)。

原理：定義一個(gè)卷積核，對(duì)待處理圖像的每個(gè)像素點(diǎn)進(jìn)行卷積操作，將卷積值為0 的像素點(diǎn)賦值為0。

2.5.2 膨脹函數(shù) 用dilate(s,k,i)表示膨脹函數(shù)，其中參數(shù)s 表示處理對(duì)象，即輸入圖像；參數(shù)k 表示進(jìn)行圖像處理中卷積核的大小；參數(shù)i 表示迭代次數(shù)。

原理：定義一個(gè)卷積核，對(duì)待處理圖像的每個(gè)像素點(diǎn)進(jìn)行卷積操作，并與每個(gè)像素點(diǎn)進(jìn)行與操作，將卷積值為1 的像素點(diǎn)賦值為1。

2.5.3 梯度運(yùn)算函數(shù) 用morphologyEx(s,o,k)表示梯度運(yùn)算函數(shù)，其中參數(shù)s 表示待處理的圖片；參數(shù)o 表示進(jìn)行變化的方式；參數(shù)k 表示進(jìn)行圖像處理中卷積核的大小。

原理：將膨脹以后的圖像與腐蝕后的圖像進(jìn)行相減操作，提取出目標(biāo)邊緣輪廓。

2.5.4 高斯模糊 用GaussianBlur(s,d,k,sX)表示高斯模糊，其中參數(shù)s 表示待處理的圖片；參數(shù)d 表示處理后的圖片；參數(shù)k 表示進(jìn)行圖像處理中內(nèi)核的大??；參數(shù)sX 表示類型變量double 表示X 方向上的高斯核標(biāo)準(zhǔn)差（模糊程度）。

原理：定義一個(gè)卷積核，對(duì)待處理圖像的每個(gè)像素點(diǎn)進(jìn)行卷積操作，用鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。

2.5.5 Canny 邊緣提取 Canny（s, d, double t1, double t2），其中參數(shù)s 表示待處理的圖片；參數(shù)d 表示處理后的圖片；參數(shù)t1，t2為函數(shù)人為設(shè)定的兩個(gè)閥值。

（1）圖片經(jīng)過(guò)高斯函數(shù)處理，消除圖像噪聲，目的是提取圖像強(qiáng)度梯度。

（2）非極大抑制。此時(shí)圖像提取的輪廓較模糊，非極大抑制使得輪廓更加清晰，取得每個(gè)像素點(diǎn)的強(qiáng)度極大值保留，消除其他數(shù)值。將每個(gè)像素點(diǎn)得到梯度 方 向 近 似 取 值 ， 取 值 范 圍 為（0,45,90,135,180,225,270,315）。將每個(gè)像素點(diǎn)與其對(duì)應(yīng)梯度方向正負(fù)方向的梯度強(qiáng)度進(jìn)行比較。如果此像素點(diǎn)梯度強(qiáng)度較大則保留，否則賦值為0。

（3）雙閾值。此時(shí)處理后的圖像中仍存在許多的噪聲。Canny 算法的核心為雙閾值操作。即人為設(shè)定參數(shù)max 和min，分別為閾值上下界限，若圖像中的像素點(diǎn)的數(shù)值大于參數(shù)max，即閾值上界，則判定為強(qiáng)邊界，小于參數(shù)min，即閾值下界，則判定為弱邊界，數(shù)值在兩者之間的則認(rèn)為是待處理項(xiàng)。

（4）通過(guò)有滯后的邊界進(jìn)行跟蹤處理。找出弱邊界與強(qiáng)邊界相連的邊界，將此外的其他弱邊界消除。

2.6 產(chǎn)品實(shí)物圖及識(shí)別圖像效果

圖7 為成果整體視圖，圖8 為識(shí)別結(jié)果。

圖7 成果整體視圖

圖8 識(shí)別結(jié)果圖

3 結(jié)論

本項(xiàng)目代替?zhèn)鹘y(tǒng)的人工檢測(cè)方法[5]，加入信息化、智能化的機(jī)器人，通過(guò)自動(dòng)化圖傳識(shí)別來(lái)檢測(cè)地鐵車輛故障，以彌補(bǔ)現(xiàn)有人工檢修的缺陷，能夠減小工人的工作強(qiáng)度，提高工作安全性。