基于機器視覺的擦玻璃機器人研制

楊向東，潘文彬，麥鎧芮，張陳宏，周汶鋒

（廣州華立學院 機電工程學院，廣東 廣州 511325）

1 引言

目前，具有爬墻功能的機器人仍處在從理論研發(fā)向?qū)嶋H產(chǎn)品過渡階段，市場上的擦窗機器人產(chǎn)品并不多，且價格昂貴，很容易留下清潔死角。本項目根據(jù)玻璃幕墻清潔的需求，利用機械視覺和負壓吸收基本原理，設計了一款負壓吸收式手動擦窗機器人，從而達到了對玻璃窗不同范圍內(nèi)的凈化功效。通過樣機負載測試與擦試效果測試，取得了較好的試驗效果。

2 系統(tǒng)總設計

視覺智能擦玻璃機器人通過OpenMV采集周圍環(huán)境的信息情況，然后對采集到的目標圖像進行識別與定位，再結(jié)合攝像頭不同角度的反饋測得目標與擦玻璃機器人直接的距離，最后通過驅(qū)動來控制機器人履帶的電機，機器人將會運動到目標位置進行清潔工作。

采用了嵌入式機械視覺的智能擦玻璃機器人，系統(tǒng)主要包含了硬件電路部分和軟件部分。系統(tǒng)硬件電路大致分為主控芯片STM32 F103及其外圍集成電路、OpenMV、風機、電源、操舵裝置、超聲波傳感器和L298N電機，硬件的運作流程如圖1所示。

圖1 運作流程

3 硬件設計

3.1 主控制器

視覺擦玻璃機器人一般使用的STM32 F103為主控制設備，而STM32 F103則包括較中低端的3個ARM微控制器，其核心為Cortex-M3，最大運算頻率達7 MHz，在存儲器的零等待循環(huán)使用時限內(nèi)可達到1.5 DMIPS/MHz。

3.2 圖像采集模塊

采 用 了OpenMV3與CamM7，OpenMV開 源，特別適用于機械視覺，軟件功能強勁且性價比高。以STM3F767CPU為內(nèi)核，并整合了OV7725攝像機芯片，在小巧的硬件系統(tǒng)模組上，可以通過C語言所提供的簡單算法完成機械圖像視覺功能，同時支持Python編程，實現(xiàn)更多功能。

3.3 執(zhí)行機構(gòu)

智能擦玻璃機器人的外觀主要采用長方形機器人構(gòu)造，其機構(gòu)主要分為攝像頭轉(zhuǎn)動部分舵機、機器人行駛部分電動機和底盤吸附部分風機。

智能擦玻璃機器人的底盤采用正方形底盤結(jié)構(gòu)，底盤由一對履帶輪進行帶動，由STM32 F103信號輸出，兩個履帶由PWM控制，1 V供電的L298N直流電機驅(qū)動，通過控制兩條平行履帶輪實現(xiàn)機器人差速轉(zhuǎn)動，可以實現(xiàn)360°無死角的旋轉(zhuǎn)與移動。

吸附部件采用無刷電機，利用STM32 F103對轉(zhuǎn)速進行控制，實現(xiàn)對玻璃的吸附。OpenMV能夠?qū)崿F(xiàn)全方位旋轉(zhuǎn)的，其旋轉(zhuǎn)過程主要是由OpenMV通過驅(qū)動控制來完成，而該結(jié)構(gòu)也可以使機器人的視野更加寬廣。OpenMV質(zhì)量較輕巧，所以可以選用工作力矩略小的MG90S模擬操舵裝置來對質(zhì)量較輕的OpenMV的轉(zhuǎn)動方向加以控制。

主控芯片STM32 F103CPU，通過調(diào)節(jié)PWM脈沖信號的最高電平占比，達到準確調(diào)節(jié)舵機旋轉(zhuǎn)的角度，舵機裝置所需要電流的多少和反應速度相關(guān)，所以MG90S模擬操舵設備的電源使用4.8 V的電流進行輸出以保證操舵裝置順利工作。

4 軟件設計與算法實現(xiàn)

該機器人采用C語言編程STM32 F103主板，運用Keil uVision5編程軟件以及ST-LINK仿真器燒錄。OpenMV采用MicroPython并用OpenMV IDE軟件進行編程，同時STM32 F103與OpenMV通信，OpenMV將位置信息傳遞到STM32 F103，再由STM32 F103進行一系列的運作。

4.1 主程序設計

圖像識別模塊通過OV7725攝像頭芯片實現(xiàn)圖像采集，并通過OpenMV-IDE對所采集圖像信息進行了編程和管理，包括顏色空間變換、圖像增強、消除陰影、目標分離、特征提取和目標辨識。

OpenMV主要用于識別以及跟蹤污點，當識別到污點時，通過與MG90S舵機共同運作，OV7725攝像頭會鎖定此污點，且保持讓此污點在可識別范圍內(nèi)，當機器人行走到污點位于視覺盲區(qū)內(nèi)時，則會繼續(xù)直行。

在OpenMV IDE里，運用了Lab色彩空間進行圖像處理。Lab色彩空間既是一個與設備無關(guān)的色彩模型，也是一個基于人類生理特性的色彩模式。

亮度（L），a 和b是兩個顏色通道。a包括的色彩范圍從深翠綠（低亮度值）到灰度（中光度值）再到亮粉紅色（高亮度值）；b由亮藍（低亮度值）到灰白（中亮度值）再到黃色（高亮度值）。經(jīng)過閾值調(diào)試后，污點的Lab閾值為（13，49，18，61，6，47）。OpenMV機器視覺模塊硬件如圖2所示。

圖2 OpenMV機器視覺模塊硬件

通過舵機轉(zhuǎn)動攝像頭識別玻璃上的污點，獲取到污點的信息后，通過PID算法把污點信息傳送至STM32 F103，進而使用STM32 F103控制機器人的電機來移動機器人，機器人到達目的位置后，擦除污點，完成任務。

4.2 目標定位

定位目標視覺既需要準確又要具有成本效益。在最常見的視覺定位中，為了獲得目標污點的位置，必須測量圖片中的目標污點，從而把圖片位置轉(zhuǎn)化為實際位置坐標系。在電腦視覺中，主要包括了四種坐標系間的切換，即圖形坐標系、攝影機坐標系、像素坐標系及其世界坐標系。目標位置都采用了雙目視覺，但由于采用雙目視覺的所匹配算法比較煩瑣，所以在本文中把單眼視覺直接用到了圖形位置中，并采用了相似的三角形原理，并且利用相機角度反饋和設置高度來定位目標。

如圖3所示，機器人到目標的一段距離使用的是攝像機頭視角反饋定距法，該計算使用正切函數(shù)公式，如圖3中點B為攝像機的安裝位置，點A為目標所在地點，BC為攝像機到地面的垂直距離；使用MG90S進行舵機反饋的角度測量可以得到θ，在實際觀測后得到攝像機頭的離地高度BC，即可得出工業(yè)自動化機器人離目標的間距AC。

圖3 OpenMV模塊擺放位置

4.3 PID算法

在整個過程系統(tǒng)中，按誤差的比率（Proportion）、面積（Integral）和微分（Derivative）加以限制的PID控制器，是目前使用得較為普遍的一類0.5自動控制器。

在STM32 F103zet6開發(fā)板中運用PID算法對于本項目的擦玻璃機器人的電機提供了準確的速度和RAM計算。

4.4 通用加速分割檢測（AGAST）算法

通用加速分割檢測（Adaptive and Generic Accelerated Segment Test，AGAST）算法相對于角點探測（Features from Accelerated Segment Test，F(xiàn)AST）算法準確率高、像素延遲低、追蹤效果好。同時，AGAST算法（AGAST）對特征點的提取進行了細化處理，如式（3）所示，AGAST算法采用“非較亮”與“非較暗”對P點鄰域像素點的狀態(tài)進行擴展。

當圖像像素點過多時，為提高檢測效率，可以只檢測1，5，9，13這四個像素點的灰度值，如圖4所示，當四個點中有三個滿足成為特征點的條件后，在檢測該點的全部鄰近點，運用此方法進行初篩，可以快速遍歷圖像中所有的像素點，只保留特征明顯的像素點。

圖4 算法演示

因此，在STM32 F103zet6開發(fā)板中運用AGAST算法，目的是使機器人準確地捕捉到污漬。

5 試驗驗證

5.1 試驗場景

將玻璃放在室內(nèi)玻璃上，根據(jù)玻璃上的污跡來擦拭玻璃，擦玻璃機器人既有固定的行走路程，又可以按照玻璃上的污跡準確地完成擦拭。

試驗場地尺寸為100 cm×100 cm，出發(fā)區(qū)在玻璃右下角約30 cm×30 cm的地方；機器人尺寸（長×寬×高）為30 cm×30 cm×8.5 cm；機器人全自主完成擦拭工作；在實驗時將機器人置于模擬區(qū)域，場地中有不同顏色深度的目標污點，機器人將目標污點擦除，統(tǒng)計目標污點擦除數(shù)目。機器人實物圖如圖5所示。

圖5 機器人實物圖

5.2 吸附受力實驗

將擦玻璃機器人啟動并吸附在玻璃上，并且使用彈簧測力計將擦玻璃機器人從玻璃上拉開，f為履帶與玻璃面的產(chǎn)生的驅(qū)動摩擦力，G為重力，S為受力面積（此處選整個機器人的底面為受力面積）。

圖6 機器人吸附力試驗原理圖

5.3 試驗效果

擦玻璃機器人通過把污點作為目標物進行擦拭，在處于不同的環(huán)境的玻璃反復進行測試，并于未優(yōu)化的算法進行比較，得出的結(jié)果見表1。

由表1可知，機器人通過改進前的算法，在正常光照的狀況下對污點的識別率為66%，對污點的擦除率則為77%；在強光照耀下污點的識別率約為50%，而污點擦除率則為66%，但在弱光環(huán)境中，污點的識別率為50%，污點擦除率為66%。

表1 試驗數(shù)據(jù)對比

由表1可知，機器人采用改進后的算法，在正常光照射的情況下，污點的識別率為93%，污點擦除率為100%；在強光照射下其中有五個污點未能識別；在弱光環(huán)境中，由于環(huán)境太暗，未能識別其中六個污點。

試驗對比了機器人改進前與改進后的算法得出，識別率與擦除率都極大地提高了，達到預期的試驗設計效果，實現(xiàn)了對玻璃污跡的擦除，節(jié)省了人力資源，降低了高空作業(yè)的危險性，提高了人工智能化的運用。

6 結(jié)束語

項目通過上述算法與試驗驗證，結(jié)論如下：

1）在正常光照射的情況下，污點的識別率為93%，污點擦除率為100%。

2）采用像素延遲低的通用加速分割檢測算法（AGAST），可提高樣機的定位準確度。