基于OpenCV 的地铁故障检测机器人

裴小辉，孙嘉俊，康征征，孙千祎，王 锐*

（石家庄铁道大学，河北 石家庄 050043）

1 系统的功能要求

现阶段地铁车辆的检修主要是利用传统的人工作业，工作繁重，工作强度大，影响维修人员身体健康，因此也影响到检修的质量，使检修的可靠性降低。检修人员也会受检修环境的限制，难以介入检修[1]。利用检修视觉机器人可多方位、精确地观察检测[2]，极大地提高了检修效率，同时降低人工成本。

2 系统实现方案

2.1 机械结构底盘的设计与搭建

初始建模采取四轮驱动、两轮从动的方式，车身宽度大约为沟道的1/3～2/3。利用Solidworks 进行虚拟模型搭建，对机械结构进行了较为全面的分析和设计。出于对空间地形的考虑（掉头不易，空间狭小等），选择采用麦克纳姆轮车轮，应用较为广泛的类似与麦弗逊悬挂来缓冲整个车体压力。前轮的两轮共用型悬挂，该悬挂先将两个前轮连接在一起，然后通过螺栓连接到另一侧的悬挂一体箱上，悬挂一体箱又由两个连接到车身底盘之上，构成前轮的独特悬挂，见图1。

图1 3D 模型

2.2 机械臂设计

机械臂采用eye in hand 结构，摄像头在机械臂的最前方，开始两个摄像头会以固定的姿态识别到轮对轴，使用单目测距，当达到设定值时，会以此时的坐标作为起始坐标。由于本项目所使用的摄像头不同，且双目摄像头计算较为复杂，因此暂时使用单目测距，后续将升级为双目测距。

图2 实物模型

2.3 逆运动学应用

正运动学分析是通过已知关节的角度，解算出末端执行器的运动学方程[3]。而逆运动学研究的问题是，已知末端执行器的运动学方程或者位姿，解算出各关节对应的姿态，逆运动学最基本的思路，是将正运动学反过来，对于机械臂而言，就是已知末端执行器的位置和朝向，求每个关节的角度。由于机械臂的三维运动较为复杂，这里对模型进行精简，去掉下方云台的旋转关节，只观察上方机械臂部分，因此可以在二维的平面上进行分析。

图3 逆运动学坐标

其中：θ1，θ2是各个关节的角度；未知量P（x，y）是末端执行器的位置；x 和y 是在OXY 平面的坐标；θ3是末端执行器与水平面的夹角。

通过同样的方法可求得θ2，这样就完成了逆运动学的计算，最终有2 个正确的解，如图所示，两解中取虚线解，此解关节受力较小。

2.4 OpenCV 的视觉处理

进行防松线检测和裂缝检测时，通过腐蚀、膨胀、高斯模糊、高斯滤波和梯度运算等函数综合应用实现初步处理，使图像呈现较为理想的状态，其中通过Canny 函数算法对其进行进一步处理，此时再应用相关的角度和面积计算进行螺栓松动检测和裂缝检测[4]。

2.4.1 HSV 的概念 数字化的图像用RGB 空间与HSV 空间来描述图像，HSV 空间比RGB 空间更能直观地将图像色彩的特点分离开展示，如图像色彩的色调、鲜艳和明暗，在图像处理中使用较为广泛，彩色图像一般为三通道，分别对应HSV 空间H，S，V3 条通道，图像处理过程中通过对各个像素点H，S，V3 条通道进行赋值使得图像呈现出目标效果，同时也便于追踪颜色。

常用于分割指定颜色的物体。HSV 由3 部分组成，见图4。

图4 颜色空间模型

（1） H 代表色调，H 通道的数值表现为角度数值，范围为0～360°，不同的角度数值表示不同的色调，红，黄，绿，青，蓝，紫数值分别为0°、60°、120°、180°、240°、300°。

（2）S 代表饱和度，范围为0～100%，饱和度的取值越高，代表图像颜色色彩组合中光谱色的占比越大。白光占比较小表示颜色接近光谱色的程度。饱和度高，颜色深而鲜艳。其中光谱色的白光成分为0 时，饱和度达到最高。

（3）V 代表明度，即颜色的明暗，范围0～100%，其中取值0 为黑色，取值100%为白色，对于不同类型的颜色，影响明度的因素也不同。对于光源色，明度值与发光体的光亮度有关；对于物体色，明度值与物体的透射比或反射比有关。

HSV 颜色空间模型：

2.4.2 识别原理 防松线识别流程见图5。（1）高斯滤波使图片模糊，减小图像噪点。

图5 操作流程

（2）将RGB 模型转换为HSV 模型，RGB 模型适宜显示，但却并不适宜作为颜色识别的模型。HSV 更加符合人眼的感受，因此将其作为颜色识别的模型。由于HSV 模型颜色识别减少了对环境的依赖，这将在很大程度上提高识别的鲁棒性。

（3）设置阈值，去除背景，保留所设置的颜色。

（4）使用开运算，再进行腐蚀与膨胀的操作，移除图像中带有的噪声，此处主要是针对图像中的斑点噪音进行处理，消除噪声后识别出目标区域，提取图像中的红色区域。

（5）对此时的图像进行轮廓处理操作，并将一些多余杂乱边框消除。

（6）对所提取轮廓在图像绘制最小外接矩形，并标出中心点，同时计算相邻区域的角度差，最后通过每一对区域的角度来判断是否对齐。

裂纹识别流程见图6。

图6 识别流程

（1）图像灰度化。

（2）增加对比度。

（3）Canny 边缘检测。

（4）用形态学连接临近裂缝。

（5）提取连通域，删除裂缝区域意外的噪声。

（6）提取每个连通域骨架，并测量连通区域长度和宽度。

2.5 函数应用

2.5.1 腐蚀函数 用erode(s，k，i)表示腐蚀函数，其中参数s 表示处理对象，即输入图像；参数k 表示进行图像处理中卷积核的大小；参数i 表示迭代次数。

原理：定义一个卷积核，对待处理图像的每个像素点进行卷积操作，将卷积值为0 的像素点赋值为0。

2.5.2 膨胀函数 用dilate(s,k,i)表示膨胀函数，其中参数s 表示处理对象，即输入图像；参数k 表示进行图像处理中卷积核的大小；参数i 表示迭代次数。

原理：定义一个卷积核，对待处理图像的每个像素点进行卷积操作，并与每个像素点进行与操作，将卷积值为1 的像素点赋值为1。

2.5.3 梯度运算函数 用morphologyEx(s,o,k)表示梯度运算函数，其中参数s 表示待处理的图片；参数o 表示进行变化的方式；参数k 表示进行图像处理中卷积核的大小。

原理：将膨胀以后的图像与腐蚀后的图像进行相减操作，提取出目标边缘轮廓。

2.5.4 高斯模糊 用GaussianBlur(s,d,k,sX)表示高斯模糊，其中参数s 表示待处理的图片；参数d 表示处理后的图片；参数k 表示进行图像处理中内核的大小；参数sX 表示类型变量double 表示X 方向上的高斯核标准差（模糊程度）。

原理：定义一个卷积核，对待处理图像的每个像素点进行卷积操作，用邻域内像素的加权平均灰度值去替代模板中心像素点的值。

2.5.5 Canny 边缘提取 Canny（s, d, double t1, double t2），其中参数s 表示待处理的图片；参数d 表示处理后的图片；参数t1，t2为函数人为设定的两个阀值。

（1）图片经过高斯函数处理，消除图像噪声，目的是提取图像强度梯度。

（2）非极大抑制。此时图像提取的轮廓较模糊，非极大抑制使得轮廓更加清晰，取得每个像素点的强度极大值保留，消除其他数值。将每个像素点得到梯度 方 向 近 似 取 值 ， 取 值 范 围 为（0,45,90,135,180,225,270,315）。将每个像素点与其对应梯度方向正负方向的梯度强度进行比较。如果此像素点梯度强度较大则保留，否则赋值为0。

（3）双阈值。此时处理后的图像中仍存在许多的噪声。Canny 算法的核心为双阈值操作。即人为设定参数max 和min，分别为阈值上下界限，若图像中的像素点的数值大于参数max，即阈值上界，则判定为强边界，小于参数min，即阈值下界，则判定为弱边界，数值在两者之间的则认为是待处理项。

（4）通过有滞后的边界进行跟踪处理。找出弱边界与强边界相连的边界，将此外的其他弱边界消除。

2.6 产品实物图及识别图像效果

图7 为成果整体视图，图8 为识别结果。

图7 成果整体视图

图8 识别结果图

3 结论

本项目代替传统的人工检测方法[5]，加入信息化、智能化的机器人，通过自动化图传识别来检测地铁车辆故障，以弥补现有人工检修的缺陷，能够减小工人的工作强度，提高工作安全性。