基于機械臂的食物儲藏室熱缺陷檢測系統

馬志艷 李翱翔 段宇飛 李江華

(1. 湖北工業大學，湖北 武漢 430068；2. 湖北省農業機械工程研究設計院，湖北 武漢 430068)

目前中國的儲藏室大多是由老舊倉庫或民房改建而成， 一旦食物儲藏室保溫圍護出現結構缺陷，室內能耗升高引起儲藏的物品變質，就會造成不同程度的經濟損失[1-2]。

食物儲藏室圍護結構中出現因保溫材料分布不均、受潮、材料缺失等使空氣易于滲透，這種缺陷稱為圍護結構的熱工缺陷[3]。中國在20世紀90年代開始了在儲藏室建筑熱工缺陷方面的紅外檢測研究，相比于傳統的熱工缺陷檢測方法(熱箱法、熱流計法)，紅外熱成像技術在檢測過程中不會損壞被檢測的墻面且具有高精度和測溫范圍廣的優點[4]。劉長利[5]研究了紅外熱成像技術在建筑物圍護結構熱工缺陷中的應用，分析了建筑圍護結構熱工缺陷的主要類型，更全面地推進紅外技術在建筑圍護結構的檢測工作。王楊洋等[6]采用紅外輻射成像儀對目標墻面實行檢測，通過發現建筑物外墻熱工缺陷所在處，以確定熱工損耗部位，對墻體的質量進行評價，但紅外檢測每次僅能掃描被測墻面的小部分區域，而且需要人工推動成像儀來完成整個室內的掃描，人的頻繁活動不僅會干擾儲藏室的制冷環境，還會降低檢測的準確程度。在紅外檢測探析中，中國已經存在諸多的研究成果，但其主要集中于熱工缺陷的定性分析方面[7-9]，對保溫墻體的熱工缺陷檢測目前尚未存在整體的檢測系統，且人工紅外檢測效率較低，存在一定的局限性[10]，有待通過機械裝置提升其檢測效率。研究擬采用機械臂搭載熱紅外相機和履帶式行走機構為一體的檢測機構，對食物儲藏室的圍護機構進行熱工缺陷檢測，結合改進的紅外圖像處理判別方法，以實現對墻體“缺陷”的高效、智能檢測。

1 檢測裝置結構設計與選用

1.1 總體結構設計

檢測裝置包括智能行走平臺和檢測系統兩個部分。履帶式機構優勢在于其支撐面積大，適合在冷庫的地面上行駛，而且履帶支撐面上有履齒，不易打滑造成小車軌跡偏移，具有較強的地形適應能力。小車行走機構由一臺步進電機驅動底盤的兩條履帶同時移動，小車前端配置了兩部由電缸組成的剎車裝置，當小車需要進行轉彎動作時即可通過上位機發送指令使控制小車剎車的電缸運動，進而使其中一條履帶剎車抱死達到讓裝置轉彎的目的，冷庫圍護結構檢測小車的結構如圖1所示。

1. 熱紅外相機 2. 6軸機械臂 3. 機械臂固定平臺 4. 激光測距儀 5. 行走小車 6. 電源 7. 電控柜

1.2 機械臂最大工作空間距離指標

在考慮機械臂的各個桿長時，延長不同部位的桿長會影響機械臂的工作空間，而縮短機械臂的桿長又會很大程度縮小工作空間。根據GB/T 12642—2013《工業機械人性能規范及其試驗方法》對機械臂工作空間的設定，假設機械臂手腕中心到基本坐標系原點的距離為X，定義P=(px,py,pz)T表示機械臂末端在基礎坐標系下的位置矢量。

(1)

(2)

Rmax=Xmax-Xmin，

(3)

式中：

Xmax、Xmin——機械臂手腕中心到基坐標系原點的最大、最小距離，cm；

Rmax——機械臂的最大工作空間，cm。

1.3 機械臂D-H坐標系建立及參數設定

對選用的六自由度機械臂的運動特性進行分析，首先要建立參數模型。根據1955年由Denavit與Hartenberg所提出的D-H參數法，在每個機械臂的桿件關節上建立坐標系[11-13]用來描述相鄰連接桿件的坐標系關系(圖2)，桿件的D-H參數如表1所示。

表1 UR5機械臂的D-H參數

圖2 機械臂仿真

1.4 履帶式行走機構設計

為了簡化結構的設計，僅由一臺電機提供驅動力，獨立的電機置于底架的前端，傳動經過減速器和行走支架到達驅動輪，縮短了傳動路線有利于機身平衡，方便維修和檢查。履帶式行走機構結構設計圖如圖3所示。

1. 導向輪 2. 傳動連桿 3. 張緊輪 4. 小負重輪 5. 連接鋼板 6. 大負重輪 7. 驅動輪 8. 支重輪 9. 履帶 10. 無刷電機 11. 變速箱 12. 進退開關 13. 電池 14. 油門踏板 15. 電缸

檢測小車采用履帶式機構，在儲藏室的冰面上行走也不打滑，且具有較好的承重性。電池放置在5(連接鋼板)內部的凹槽中用于向機構供電。選用無刷電機作為履帶行走的驅動電機，采用霍爾元件與油門踏板的配合控制電機的速度輸出，霍爾元件控結構圖及驅動電路圖如圖4所示。

圖4 霍爾元件

2 檢測路徑設計與規劃

2.1 熱紅外相機成像模型

熱紅外相機對被測墻面的單次成像如圖5所示。熱紅外相機與被測墻面之間的垂直距離、熱紅外相機在機械臂上的水平和垂直視場角可計算出熱紅外相機視野區域的面積大小。

C. 熱紅外相機 A. 視野區域 V. 視野區域長度 H. 視野區域寬度 L. 視距 α. 相機垂直視角 β. 相機水平視角

計算公式：

(4)

(5)

(6)

式中：

A——視野區域，cm2；

V——視野區域長度，cm；

H——視野區域寬度，cm；

L——視距，cm；

α——相機垂直視角，°；

β——相機水平視角，°。

確定相機視野面積大小后即可確定對整面墻體的采集次數，從而確定檢測小車的前進步距和機械臂的抬升距離。

2.2 檢測路徑規劃

首先在上位機中輸入室內的墻體尺寸，選擇熱紅外相機的成像距離，根據其成像距離確定每次步進距離。假設檢測小車與被測冷庫圍護墻體的距離為d，被測的冷庫圍護結構墻體的面積為H×W(高、寬)，根據視野區域計算熱紅外相機單次所能拍攝到的熱紅外圖像尺寸為h×v。則理論上所需要機械臂所需抬升(下降)的次數為X=W÷v；所需要的檢測小車上下的次數為Y=H÷h。檢測過程如圖6所示。

圖6 檢測路徑規劃

檢測墻體檢測路徑規劃如圖7所示。檢測過程中小車每次行走的距離為熱紅外相機所能采集的圖像大小W，每次行走后機械臂可依照圖7中所設定的路線檢測所規劃好的兩列墻面。以墻角作為原點建立二維坐標系，通過上位機計算出每次相機采集的位置(黑點)將其坐標輸入六軸機械臂進行逆運動求解，進而得到機械臂各個桿件的轉動角度使熱紅外相機達到指定的拍攝位置。

黑點表示拍攝位置

3 檢測算法實現

3.1 紅外圖像采集與預處理

根據檢測小車的路徑規劃，通過上位機向熱紅外相機發送采集指令，在采集過程中依照圖像的采集順序對圖像進行標號以便后續的分析處理，采用高德公司型號為IPT640的熱紅外相機，通過千兆以太網線采集圍護結構的熱紅外圖像信息，該紅外相機附帶有自身的采集軟件NetCore采集圖像，通過相機的自帶的SDK軟件開發工具包在Visual Studio上實現對冷庫圍護結構的圖像采集。采集流程圖如圖8所示。

圖8 紅外相機采集到的溫度場圖像

為了增加處理的精度和效率，在進行缺陷的識別與定位前先對采集的圖像進行預處理，主要包括：① 對圖像進行去噪處理，提高圖像的質量并突出重點須關注的元素；② 對圖像進行一些基本的變換，方便后續的對比。經過灰度化后的圖像與原圖對比如圖9所示。

圖9 熱紅外圖像與灰度圖

3.2 基于改進Otsu分割方法的缺陷定位與分級

改進Otsu分割處理的過程是選取合適的圖像閾值使類間方差最大化，進而得到最好的分割圖像效果。其數學描述過程：

(7)

式中：

N——像素個數總和；

M——圖像的平均強度；

L——圖像的灰度級；

Ni——灰度為i的像素點個數。

將采集到的熱紅外圖像的目標區域與背景區域出現的概率和兩者均值的數學計算：

(8)

(9)

(10)

(11)

式中：

M0、M1——圖像目標區域與背景區域像素點的灰度均值，取值范圍0～255；

W0、W1——出現的概率，%；

t——確定的最佳閾值，數值范圍為0～L。

圖像分割類方差可根據式(12)～式(13)得出。

δ2=(M0-M)2×W0+(M1-M)2×W1，

(12)

t=argmax{δ2(t)}。

(13)

利用信息熵確定閾值的分割準則時，能夠避免圖像中對比度和亮度等信息對算法的約束，能更好地體現出分割算法的優越性。根據香農公式中對熵值的定義，結合傳統Otsu方式[14]得到的信息熵值為：

(14)

式中：

Q0、Q1、Q2——整體圖像、檢測目標、圖像背景的信息熵值。

當采用信息熵代替傳統的Otsu準則中的灰度均值，即可得到推廣形式的閾值判別函數。

(15)

式中：

S0、S1、S2——整個圖像、背景與目標的特征；

t*——算法優化后得出分割閾值。

式(15)為信息熵的計算公式，優化后的閾值能清楚地分割出紅外圖像的目標區域和背景區域。圖像處理過程如圖10所示。

圖10 圖像處理過程

通過OPENCV庫函數可找到并繪制出不同閾值下缺陷輪廓圖片，如圖11所示。

圖11 原圖及處理后的圖像

4 檢測試驗

選用六軸機械臂與履帶式小車組成檢測裝置主體，采用SoildWorks 軟件對六軸機械臂進行三維實體建模，完成機械臂與行走小車的組裝。試驗中為了方便圖像的采集采用溫熱水作為“缺陷”熱源部位。

4.1 試驗軟硬件設置

機械臂選用的是Universal Robots所生產的六軸機械臂[15]，共有6個自由度，機械臂工作電壓為24 V DC，可由小車的電瓶供電。小車轉向采用電缸控制其工作電壓為24 V DC，最大負載為1 600 N，運動速度為7～60 cm/s。上位機檢測控制程序界面設計如圖12所示。

圖12 檢測參數設置界面圖

當熱紅外相機、機械臂串口、激光測距儀與上位機成功連接后，上位機界面會輸出連接成功樣式的字符，此時即可開始試驗檢測。

4.2 圖像檢測數據分析

以某處一小型儲藏室檢測結果為例進行分析，分別選取圍護結構上5處不同位置安放熱源，測量室的內部空間為4.7 m×2.6 m×2.2 m，當前所測量的墻體尺寸為4.7 m×2.2 m。由于機械臂的桿長與轉角的限制，試驗選用的機械臂最大升限為3.2 m，故理論采集的墻面尺寸為3.2 m×2.2 m。

根據行走路徑規劃和相機位置，檢測裝置的水平行走步距設定為50 cm；垂直運動步距為42 cm；熱紅外相機和圍護結構的距離為32 cm。為了滿足小車能在固定的地方(如墻角處轉彎或小車偏移后需要調整姿態)進行角度調整，根據小車的步距和垂直運動步距將被測量的墻體平均劃分為30塊(5×6)區域并通過相機對每塊區域進行紅外圖像采集，所計算得出的步數值對上取整以保證檢測的完整性。為了驗證檢測機構的有效性，分別采取不同大小的閾值對冷庫圍護結構進行檢測，結果見表2～表4。

表2 Ta(i)設定為50時的熱缺陷檢測結果

表3 Ta(i)設定為70時的熱缺陷檢測結果

表4 Ta(i)設定為90時的熱缺陷檢測結果

試驗中“熱源缺陷”的檢出率為100%，無漏檢情況出現，被檢測數據的總體缺陷檢測誤差按式(16)計算：

(16)

式中：

P——總體缺陷檢測誤差，%；

An——第n次閾值設定后單次檢測墻面后與實際缺陷面積的誤差率，%。

試驗通過參考實時的室內環境，選用不同的圖像閾值大小，實現對圍護結構的熱紅外檢測。當所設定的閾值為50，70，90時所得到的“熱缺陷”面積與實際的熱源面積的總體缺陷檢測誤差為93.7%。

根據表2～表4的檢測數據，可得出研究所設計的檢測裝置與圖像處理方法能準確地檢測出冷庫圍護結構的熱源缺陷，相比于人工檢測，該機構具有檢測效率快，范圍完整等優點。

5 結論

研究設計了基于機械臂與履帶行走小車配合的檢測裝置，使用改進Ostu圖像檢測的方法分割缺陷圖像。與傳統的檢測手段相比，該檢測機構能完整且高效地檢測食物儲藏室的圍護結構是否存在缺陷，通過檢測得出的缺陷面積與實際缺陷面積相差較小。但研究僅對機械結構設計和圖像識別算法作了介紹，尚未考慮到障礙物對檢測過程的影響，后期應該不斷完善檢測機構的控制與圖像處理部分，以適應不同的檢測環境。