用于塑料管道內檢測的無線圖像采集系統*

吳錕倫，桑海峰，邢燕好，劉昕嫄，劉力嘉，魏家起

（1.沈陽工業大學信息科學與工程學院，沈陽 110870；2.深圳小米通訊技術有限公司，深圳 518067）

1 引言

由于管道深埋地下，且管網錯綜復雜，對管內缺陷的檢測便成為一大技術難題。管道結構性缺陷所涉及的9種類型主要包括：裂紋、接口縫、斷裂、孔洞、破損、斑點、變形、腐蝕、焊接失效等。這些缺陷的產生會導致管道內部液體（氣體）泄漏，與周圍環境產生反應，并造成污染、爆炸等不可控制的危害[1]。與常規外部管壁探傷技術的成熟相比，管道內部缺陷檢測方面仍較為薄弱。隨著機器視覺（CV）檢測技術的快速發展，出現了一種工業控制攝像頭（CCD）管內圖像CV檢測技術，因其基于IP網絡攝像機、易于控制且傳輸圖像可直接用于后續電腦處理等諸般優點，管內圖像CV檢測技術越來越受檢測需求方的青睞[2]。長安大學張軍團隊設計的無線機器人，可對內徑100～120mm的管道進行管道涂層缺陷檢測[3]；Mohammed團隊設計出一種無線圖像采集機器人，通過GSM+GPS連接方式實現與機器人在10 m距離范圍內的無線控制及圖像傳輸[4]。針對現有研究的不足之處，在此，設計一款用于塑料管道內檢測的無線管道圖像采集機器人系統，以求實現20m距離內的無線交互，保證穩定、高速、準確的圖像識別及傳輸性能。

2 系統設計

2.1 機械結構

系統圖像采集部分的機械設計結構如圖1所示。圖中，人字形支架與單導輪伸縮套筒組成了管道機器人的被動變徑部分。在人字形支架的三個臂上各裝有一個單導輪伸縮套筒，筒內裝有彈簧，能使套筒在支架臂的支持下運動；同時也利用彈簧的伸縮來改變人字形支架的規格，使管道機器人能夠適應不同內徑的管道場合[5]。

圖1 圖像采集部分結構示意圖

機器人管道內表面檢測流程如圖2所示。機器人攜帶前置魚眼攝像頭，接收控制器指令，在管道內運動。通過機載攝像頭（有效視角170°），可對內管道進行前向無死角的圖像取樣，并以WLAN無線圖傳的方式將圖像數據發送至上位機中，進行實時圖像處理，進而完成內管道缺陷檢測與分類，最終輸出缺陷所在位置及類別等檢測結果。

圖2 機器人管道內表面檢測流程圖

2.2 機載硬件系統

機載硬件系統結構如圖3所示。這部分系統主要由用戶層、傳輸層和系統主體組成。用戶層可控制系統運行，并得到缺陷檢測結果；傳輸層可實現全部數據的無線傳輸；系統主體由機器人機械結構及IP攝像頭組成，負責在管道內行駛、采集管道內圖像。

圖3 機載硬件系統示意圖

2.3 分類器測試與選取

圖像檢測系統設計的關鍵是對分類器的合理選取。常用分類器多種多樣，主要有如下四種：

1）MLP分類器

分類速度較快且識別率較高，但針對大樣本訓練集的分類速度較慢，也不支持缺陷檢測。

2）SVM分類器

相比于MLP分類器，SVM分類器可用于大樣本的訓練集，且能達到一定的高識別率，但分類速度較慢。

3）GMM分類器

在分類數量較少時，訓練和分類速度都很快，同時可調整參數進行更好地優化控制，但與其他類型分類器相比，識別率較低。

4）K-NN分類器

該分類器是所有分類器中訓練速度最佳的，并且不受維度空間的限制，適用于帶多維特征的數據訓練場合，易于快速評估和自優化，缺點是分類速度較慢[6]。

以上述四種分類器對部分缺陷進行測試，對比各自性能表現[7]。測試結果數據如表1所示。

表1 針對部分缺陷的分類器對比測試結果

經實驗測試，在針對訓練及測試數據時，K-NN分類器分類速度較快，優于MLP和SVM分類器；而在針對斑點和缺口兩種缺陷類型時，K-NN分類器平均識別率最高，為98.54%，依次優于GMM、SVM和MLP分類器。基于測試結果，最終選用K-NN分類器進行管道內表面缺陷分類的工作。

3 現場測試

將人字形支架、單導輪伸縮輪、中部搭載平臺、電機支承器轉接法蘭盤按次序組裝到一起，最終實物圖如圖4所示。

圖4 系統實物圖

系統主體搭建工作完成后，先將魚眼攝像頭的主機部分放置在多功能法蘭盤中部，再通過法蘭盤將攝像頭安裝到人字形支架上。由于多功能法蘭盤中部的攝像頭安裝孔的孔心與被測管道始終處于同軸位置上，確保了攝像頭焦點與管道軸線呈同軸關系，使得所采集的圖像無偏移無失真。

在變徑機構完全壓縮時，機器人尺寸為320×180×180mm（±5%）；在變徑機構伸展到最大程度時，機器人尺寸為320×200×200mm（±5%）。通過人字形支架與后部變徑模塊的配合，機器人可適應管徑范圍為180～200mm，即變徑范圍為20mm。

根據文獻[8]的部分理論，結合ZKETECH EBCA05+型電子負載儀的測量，在實際測試中，采用標配電壓11.1V、容量為2600mAh的航模電池。機器人在管道內運行了44.7分鐘，理論上，可持續行駛里程可達1753.1米。

整體系統在檢測實驗現場的實際運行情景如圖5所示。

圖5 系統在200mm內徑管道內運行圖

機器人采用后驅的方式前進，因此檢測系統需按照鏡頭在前、傳動輪在后的方向將機器人投放進目標管道內，使用配套的無線控制手柄控制機器人的前進與后退。此外還可通過手柄搖桿方式以輸出PWM（脈寬調制）信號的方式控制電機的運行速度。

通過上述手段，便可控制機器人在管道內的運動，使得機載攝像頭采集管道不同位置的圖像，再將圖像信息通過車載無線圖傳模塊傳輸到上位機內，進行后續CV圖像檢測處理。

如果在圖像采集過程中遇到無法確定的疑似缺陷，可控制機器人在此可疑缺陷點位處停下，直到采集到足夠的信息后，再控制管道機器人繼續前進。在實驗室環境內，如機器人遇到了一些較小障礙（管道異物、管道破裂導致的凸起等），可控制機器人全速前進、沖過障礙；當遇到特別大、難以逾越的障礙（貫穿性異物、嚴重管道破裂）時，機器人會在CV技術的協助下，結合里程輪功能標記出該障礙所在的位置，等待施工人員對其進一步處理。

根據普源DSA800型頻譜分析儀及RSSI測試臺，實現遠程無線模塊的控制功能，實際效果如表2所示。

表2 無線控制效果

圖像檢測系統在實際測試中的運行效果也較為理想。CV缺陷檢測的實際表現如圖6所示。

圖6 CV缺陷檢測示意圖

在圖的上部分，黑色為模擬斑點，白色為模擬缺口，共設置3個缺口，2個斑點。圖下部分中，帶A標記的是缺口，帶B標記的是斑點，這意味著系統識別出了2個缺口、3個斑點。盡管識別結果不是百分之百準確，影響了功能的準確率，但也在相當程度上完成了對所有缺陷的標記任務。

通過軟件建模以及實物測試，本設計中機器人工作的有效性得到了證明：系統可在全無線條件下，在管道內持續工作，機器人續航力良好，且行駛穩定，無打滑現象。

最終，將實驗中得出的經驗歸納如下：

1、因受力原因，需采用更高強度的材料去制造人字形支架。由于支架承受較大的壓力，且材料選型不當，在實際實驗中，兩個人字形支架均出現不同程度的受力破損。

2、可采用更大功率的WiFi發射器以提高無線圖傳距離。

4 結束語

此次設計的機器人平臺，只是在基本程度上完成了預定任務。在后續研究中，預計還將應用由推桿電機組成的受電弓型主動變徑結構，以提高可爬坡角度及機構穩定性，進而嘗試使用改進式圖像檢測技術，以提高后續處理的準確度，力爭使全無線管道機器人邁向實用化，為實際管道檢測領域貢獻出一份力量。