基于OpenCV 的地鐵故障檢測機器人

裴小輝，孫嘉俊，康征征，孫千祎，王 銳*

（石家莊鐵道大學，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，工作強度大，影響維修人員身體健康，因此也影響到檢修的質量，使檢修的可靠性降低。檢修人員也會受檢修環(huán)境的限制，難以介入檢修[1]。利用檢修視覺機器人可多方位、精確地觀察檢測[2]，極大地提高了檢修效率，同時降低人工成本。

2 系統(tǒng)實現(xiàn)方案

2.1 機械結構底盤的設計與搭建

初始建模采取四輪驅動、兩輪從動的方式，車身寬度大約為溝道的1/3～2/3。利用Solidworks 進行虛擬模型搭建，對機械結構進行了較為全面的分析和設計。出于對空間地形的考慮（掉頭不易，空間狹小等），選擇采用麥克納姆輪車輪，應用較為廣泛的類似與麥弗遜懸掛來緩沖整個車體壓力。前輪的兩輪共用型懸掛，該懸掛先將兩個前輪連接在一起，然后通過螺栓連接到另一側的懸掛一體箱上，懸掛一體箱又由兩個連接到車身底盤之上，構成前輪的獨特懸掛，見圖1。

圖1 3D 模型

2.2 機械臂設計

機械臂采用eye in hand 結構，攝像頭在機械臂的最前方，開始兩個攝像頭會以固定的姿態(tài)識別到輪對軸，使用單目測距，當達到設定值時，會以此時的坐標作為起始坐標。由于本項目所使用的攝像頭不同，且雙目攝像頭計算較為復雜，因此暫時使用單目測距，后續(xù)將升級為雙目測距。

圖2 實物模型

2.3 逆運動學應用

正運動學分析是通過已知關節(jié)的角度，解算出末端執(zhí)行器的運動學方程[3]。而逆運動學研究的問題是，已知末端執(zhí)行器的運動學方程或者位姿，解算出各關節(jié)對應的姿態(tài)，逆運動學最基本的思路，是將正運動學反過來，對于機械臂而言，就是已知末端執(zhí)行器的位置和朝向，求每個關節(jié)的角度。由于機械臂的三維運動較為復雜，這里對模型進行精簡，去掉下方云臺的旋轉關節(jié)，只觀察上方機械臂部分，因此可以在二維的平面上進行分析。

圖3 逆運動學坐標

其中：θ1，θ2是各個關節(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；θ3是末端執(zhí)行器與水平面的夾角。

通過同樣的方法可求得θ2，這樣就完成了逆運動學的計算，最終有2 個正確的解，如圖所示，兩解中取虛線解，此解關節(jié)受力較小。

2.4 OpenCV 的視覺處理

進行防松線檢測和裂縫檢測時，通過腐蝕、膨脹、高斯模糊、高斯濾波和梯度運算等函數(shù)綜合應用實現(xiàn)初步處理，使圖像呈現(xiàn)較為理想的狀態(tài)，其中通過Canny 函數(shù)算法對其進行進一步處理，此時再應用相關的角度和面積計算進行螺栓松動檢測和裂縫檢測[4]。

2.4.1 HSV 的概念 數(shù)字化的圖像用RGB 空間與HSV 空間來描述圖像，HSV 空間比RGB 空間更能直觀地將圖像色彩的特點分離開展示，如圖像色彩的色調、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，分別對應HSV 空間H，S，V3 條通道，圖像處理過程中通過對各個像素點H，S，V3 條通道進行賦值使得圖像呈現(xiàn)出目標效果，同時也便于追蹤顏色。

常用于分割指定顏色的物體。HSV 由3 部分組成，見圖4。

圖4 顏色空間模型

（1） H 代表色調，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，紅，黃，綠，青，藍，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，飽和度達到最高。

（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，對于不同類型的顏色，影響明度的因素也不同。對于光源色，明度值與發(fā)光體的光亮度有關；對于物體色，明度值與物體的透射比或反射比有關。

HSV 顏色空間模型：

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

圖5 操作流程

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

（3）設置閾值，去除背景，保留所設置的顏色。

（4）使用開運算，再進行腐蝕與膨脹的操作，移除圖像中帶有的噪聲，此處主要是針對圖像中的斑點噪音進行處理，消除噪聲后識別出目標區(qū)域，提取圖像中的紅色區(qū)域。

（5）對此時的圖像進行輪廓處理操作，并將一些多余雜亂邊框消除。

（6）對所提取輪廓在圖像繪制最小外接矩形，并標出中心點，同時計算相鄰區(qū)域的角度差，最后通過每一對區(qū)域的角度來判斷是否對齊。

裂紋識別流程見圖6。

圖6 識別流程

（1）圖像灰度化。

（2）增加對比度。

（3）Canny 邊緣檢測。

（4）用形態(tài)學連接臨近裂縫。

（5）提取連通域，刪除裂縫區(qū)域意外的噪聲。

（6）提取每個連通域骨架，并測量連通區(qū)域長度和寬度。

2.5 函數(shù)應用

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 表示處理對象，即輸入圖像；參數(shù)k 表示進行圖像處理中卷積核的大??；參數(shù)i 表示迭代次數(shù)。

原理：定義一個卷積核，對待處理圖像的每個像素點進行卷積操作，將卷積值為0 的像素點賦值為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 表示處理對象，即輸入圖像；參數(shù)k 表示進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：定義一個卷積核，對待處理圖像的每個像素點進行卷積操作，并與每個像素點進行與操作，將卷積值為1 的像素點賦值為1。

2.5.3 梯度運算函數(shù) 用morphologyEx(s,o,k)表示梯度運算函數(shù)，其中參數(shù)s 表示待處理的圖片；參數(shù)o 表示進行變化的方式；參數(shù)k 表示進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行相減操作，提取出目標邊緣輪廓。

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 表示進行圖像處理中內(nèi)核的大小；參數(shù)sX 表示類型變量double 表示X 方向上的高斯核標準差（模糊程度）。

原理：定義一個卷積核，對待處理圖像的每個像素點進行卷積操作，用鄰域內(nèi)像素的加權平均灰度值去替代模板中心像素點的值。

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)人為設定的兩個閥值。

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

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

（3）雙閾值。此時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。即人為設定參數(shù)max 和min，分別為閾值上下界限，若圖像中的像素點的數(shù)值大于參數(shù)max，即閾值上界，則判定為強邊界，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為是待處理項。

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

2.6 產(chǎn)品實物圖及識別圖像效果

圖7 為成果整體視圖，圖8 為識別結果。

圖7 成果整體視圖

圖8 識別結果圖

3 結論

本項目代替?zhèn)鹘y(tǒng)的人工檢測方法[5]，加入信息化、智能化的機器人，通過自動化圖傳識別來檢測地鐵車輛故障，以彌補現(xiàn)有人工檢修的缺陷，能夠減小工人的工作強度，提高工作安全性。