基于Walabot的墻體管道分布掃描設計

林詩捷，趙炎，莫菲，萬威，萬永菁，王嶸

(華東理工大學 信息科學與工程學院，上海，200237)

0 引言

目前我國的居民住宅和商品房屋，其墻內電線管道分布的設計主要都為“隱線”設計[1,2]，即管線埋在墻體內部的結構，在沒有豐富的二次裝修經驗的情況下，比較難以判斷墻體內部線路走向[3]，目前國內外存在多種多樣的墻體掃視儀，但大都存在仍需手動掃描和無法完整顯示墻內線路走線的問題。Walabot是由Vayyar Imaging公司開發的一種基于三維射頻的傳感器。相比于市面上的其他墻體掃視儀，Walabot具有實時墻內成像的特點，這也有利于用戶更快了解墻體內部情況。因此本文利用Walabot Creator Pack作為開源設備允許開發使用的特性，通過處理拼接Walabot掃描墻體獲得的原始圖像二次開發。本文提出的基于Walabot的墻體管道分布掃描設計能夠彌補Walabot局部成像的不足，本文使用基于線性多通道的圖像混合方法圖像拼接，對圖像的RGB三通道信息進行混合疊加處理，繪制管線分布圖，實現墻內全局成像。

1 基于Walabot的管道掃描關鍵技術

1.1 Walabot的成像原理

Walabot利用射頻技術穿過設備前的障礙來觀察物體，使用線性極化寬帶天線陣列來傳輸、接收和記錄信號來重建環境圖像。Walabot掃描通信示意圖如圖1所示，由VYYR2401 A3系統片上集成電路產生和記錄信號，數據圖像通過USB接口與主機設備通信，主機設備可以是計算機、智能手機，從而將掃描結果實時反饋。

圖1 基于RIS的算法流程示意圖

如表1所示，Walabot可以為應用提供多種類型的圖像數據，對比Walabote得到的五種原始數據，RI反饋得到的是本實驗不適用的三維圖像數據；IE反饋得到的是最強點的能量信號，無法獲得管道空間位置信息；雖然IT反饋的空間位置以及目標強度數據與本實驗相關，但其本身的數據波動較大，測量誤差比較明顯；RS是天線反饋的反射脈沖，故不適用于本實驗；而RIS則能夠直觀的反映出墻體內管道的寬度以及空間位置信息，故本實驗采取RIS作為Walabot的數據輸出。

表1 Walabot的不同掃描模式表

1.2 基于RIS的墻體管道分布的實驗流程

由于墻體內部管線類型大多為PVC、金屬材質，墻體埋管厚度大致為3-5厘米，因此本文采用RIS圖像反饋形式進行圖像處理，算法實現流程如圖1所示。

對于兩張圖像的多通道圖像混合，首先分組提取圖像中每個像素點對應的像素值，再將像素點的RGB通道的顏色值轉化為整型值，以其中一張圖像為基準，將第二張圖像向右平移三個像素點，對相鄰兩張圖像的重疊部分的三通道數值進行疊加求平均，最后將疊加后的像素值再恢復成圖像即可得到經圖像混合后的拼接圖像。

而對于一組圖像的多通道圖像混合，則是先對前兩張圖像進行圖像混合操作，再按照掃描順序依次將組內圖像向右平移三個像素點（平移三個像素點對應實驗中Walabot移動1cm的情況）。對相鄰兩張圖像的重疊部分的三通道數值進行疊加求平均，最后實現一組圖像集的拼接操作。如圖2所示為單列RIS圖像拼接前后的對比圖。

圖2 單列RIS圖像拼接前后對比圖

本實驗所用的基于線性多通道的圖像混合算法是通過對圖像RGB通道的數值進行疊加變換來實現圖像拼接的。由于是整個圖像集的混合操作，因此需要先將圖像集按列分組，如圖2(a)，每組圖像混合拼接，之后再對所有組圖像混合。

1.3 線性擬合管道中心強度圖

由于本實驗采取兩種掃描方向對實驗墻體進行掃描，為了研究兩種掃描方式對于探測管道中心強度的準確性，因此本實驗先分別對兩種掃描拼接圖擬合管道中心方程，再對比不同掃描圖的方程的擬合程度。首先是將拼接圖轉化為HSV顏色模式處理，確定管道中心探測強度最強點的HSV范圍，由于管道中心強度顏色為紅色，因此這里HSV范圍設置為[0，43，125]～[10，255，230]， 將這個范圍以外的像素點過濾設置為黑色，強度中心顏色設置為白色，如圖3所示。

圖3 橫向掃描部分管道中心強度圖

為了對比分析幾種線性回歸方法的擬合效果的優劣，本文選取最小二乘法、梯度下降法、神經網絡線性回歸三種線性擬合方法，分別對掃描的墻體管道強度圖進行擬合。

1.3.1 最小二乘法

最小二乘法是通過最小化真實值和預測值的殘差平方和來尋找數據的最佳函數匹配。其公式為：

1.3.2 梯度下降法

梯度下降法與最小二乘法的區別在于，最小二乘法是從損失函數求導，直接求得數學解析解，而梯度下降法是利用導數傳遞誤差，再通過迭代方式逐漸逼近真實解。求解直線方程y=Θ0x+Θ1，需定義一個均方誤差損失函數：

其中η為學習率，用來緩和每一步調整全值的程度。本文設置的η為0.0001。

1.3.3 線性回歸神經網絡

本文基于Keras的Sequential模型構建單入單出的線性回歸神經網絡，神經元激活函數選用線性函數，采用Adam優化器和MSE均分誤差損失函數進行模型訓練，網絡輸入為，輸出為，訓練完成后，網絡中的權重w和偏置值b為待求的擬合管道中心線的參數結果。

2 基于Walabot的管道掃描實驗

2.1 實驗環境搭建

本文選用石膏板和金屬管模擬墻面和墻內電線，采用非金屬材料架高石膏板，設定石膏板和桌面之間的距離大于10厘米，兩邊的非金屬材料與測量區域之間的距離大于20厘米，確保其不會干擾Walabot的掃描。本實驗所用金屬管道直徑為3厘米。實驗環境如圖4（a）所示。

搭建好實驗環境后，在石膏板上繪制1cm*1cm的網格建立坐標系。繪制于石膏板上的坐標系如圖3-1（b）所示。本實驗設置掃描區域左下角的端點為(0,0)，選用1cm的采樣間隔對管道進行采樣，設置Walabot以橫向和縱向的方式分別進行區域掃描，在同一坐標系下沿著制定的網格呈“S”形掃描，以此確定管道的走向和具體位置。圖4（b）中黑色實線為Walabot橫向掃描和縱向掃描的軌跡路線。掃描區域的長和寬分別為SW和SH，Walabot的長和寬分別為WW和WH。實驗設置Walabot橫向掃描時的錨點以及形態如圖4虛線框的Walabot所示，縱向掃描時的錨點以及形態如圖4（b）灰色形狀的Walabot所示。

圖4 Waalbot實驗環境示意圖

2.2 基于RIS的墻體管道分布的結果分析

圖5為 Walabot兩種掃描方式得到的掃描圖以及擬合管道中心強度圖，其中（a）（c）為橫向掃描獲得的掃描圖及強度圖，（b）（d）為縱向掃描獲得的掃描圖及強度圖。由圖5分析可得，Walabot在橫向掃描時的探測精度不夠好，容易受到外界干擾，其結果圖下側存在大量干擾信號，成像質量較低，經分析是由于人為因素干擾：Walabot在檢測過程中信號探測到人體產生干擾；而其在縱向掃描時檢測效果良好，沒有過多的干擾信號，相對于橫向掃描，縱向掃描的檢測精度更高，模擬管道尺寸與實際更為貼近。

圖5 Walabot兩種掃描方式得到的掃描圖以及擬合管道中心強度圖

圖6為兩種掃描方式三種線性回歸方法擬合的直線方程的對比。本實驗所用的管道實際位置對應于圖6中y=100的位置，在線性回歸神經網絡的線性擬合實驗中設置的迭代次數為10000。表2為三種線性回歸方法擬合的管道中心直線的詳細參數對比，六條直線方程位置均與y=100較為接近，其中參數w擬合效果最好的是用線性回歸神經網絡擬合縱向掃描管道中心直線，參數b擬合效果最好的是用梯度下降法擬合縱向掃描管道中心直線。

表2 三種線性回歸方法擬合的管道中心直線參數對比

縱向掃描最小二乘法 -0.0 0 1 5 9 8 1 0 0.9 4 7梯度下降法 0.0 0 0 8 0 0 1 0 0.6 9 8線性回歸神經網絡 -0.0 0 0 1 9 4 1 0 0.7 4 3

圖6 三種線性回歸方法擬合管道中心直線方程對比圖

參考圖6所示，三種擬合方法中縱向掃描模擬管道中心方程均比橫向掃描模擬管道中心方程更靠近y=100，說明縱向掃描的精確度更高，探測到的管道位置更接近實際管道位置。而兩種掃描方式擬合管道直線與實際管道位置偏離程度最大均不超過2像素點，說明本實驗所用的兩種掃描方法均能準確探測到墻內管道實際位置，通過三種線性回歸方法擬合出來的管道強度中心位置都與實際管道基本一致，縱向掃描的精確相對較高。

3 總結與展望

本文研究了基于Walabot的墻體管道全局分布，基本實現墻體管道全局分布的情況。在基于RIS的墻體管道全局分布實驗中，本文采用了基于線性多通道的圖像混合技術對RIS圖像進行處理，并綜合考慮橫向掃描以及縱向掃描，三種線性回歸方法的對比研究說明本實驗所用的兩種掃描方式均能準確反映墻體管道中心強度。后續工作中，將考慮對不同材質、不同粗細的管道進行檢測并分類，研究探索不同材質管道實驗數據的差異，實現Walabot對不同材質的管道檢測分布成像。