实验室机器人火灾风险智能视觉预警研究

2023-03-19徐建明徐达明

机械设计与制造 2023年3期

徐建明，徐达明

（1.仲恺农业工程学院实验室，广东广州 510225；2.广东工业大学信息工程学院，广东广州 510090）

1 引言

实验室是存放实验器材的重要场所，同时还是密封空间，内部存放了大量的可燃性物品。如果发生火灾，会产生不可估量的损失[1−2]。目前实验室火灾风险预警存在探测范围较小和自动化水平较低等方面的问题。实验室自带的供电系统和网络一旦被破坏就无法进行监控报警，为了确保实验室中物品和工作人员的安全，及时发现火灾风险，将火灾消灭在初始阶段，研究火灾风险智能视觉预警具有十分重要的意义。国内相关专家给出了一些较好的研究成果，例如，文献[3]分别从不同角度出发，分析影响电力电缆风险的主要因素，构建火灾风险预警信号评价模型，通过评价结果完成火灾风险预警。文献[4]优先计算不同类型火灾发生的概率，同时将其设定为网络输出，使用量子粒子群算法对BP网络训练过程中形成的权值和阈值分别进行优化处理，全面提升全局搜索能力，更好完成火灾预警。在以上方法的基础上，重点针对机器人对实验室内的火灾风险进行预警分析，提出一种实验室机器人火灾风险智能视觉预警方法。经仿真分析测试证明，所提方法能够有效提升预警能力，同时还能够加快报警速度，更好预防火灾的发生。

2 方法

2.1 实验室图像火灾风险特征提取

通过机器人自带摄像头采集实验室火灾风险图像，在进行边缘检测前期，需要优先对采集到的图像进行Gabor变换。以下详细给出Gabor变换[5−6]的具体操作步骤：

Gabor滤波器属于窄带带通滤波器，不仅要满足人眼特征需求，同时还需要将取值偏高的敏感度删除，确保机器人对图像的处理量得到有效降低。同时，通过机器人能够获取实验室各个方位的图像，借助Gabor滤波器可以得到对应的边缘信息。以下将采用Gabor滤波器对实验室图像进行多方位采样，同时设定Ga⁃bor核函数表示为式（1）的形式：

当对机器人采集到的实验室火灾图像进行Gabor小波调制后，能够获取实验室在不同方位和角度的采样，有效提升特征提取结果的准确性。然后对采样结果进行Gabor变换，获取对应的Gabor小波系数；最终，采用Sobel算法对图像进行边缘检测，有效确保检测结果的准确性。由于Gabor滤波器在正常应用中，检测图像的边缘时会出现多个方向一致的特征点［7−8］。为了有效解决上述问题，需要对其进行改进，经过改进后的边缘检测流程能够表示的形式，如图1所示。

图1 实验室火灾风险图像边缘检测流程图Fig.1 Flow Chart of Edge Detection of Laboratory Fire Risk Images

（1）使用Gabor变换小波函数对图像进行平滑滤波处理，有效滤除噪声。

（2）计算Gabor小波系数对应的幅值和相位，进而确定两者的取值范围。其中，二维Gabor虚部滤波器的虚部，如式（2）所示：

式中：sin(kj，x)—特定方向的正弦平面波；—采样频率。

（3）设定Gabor变换小波系数对应幅值的最大值取值范围，对其进行分块和插值取值，获取经过处理后的图像S(i，j)。

（4）设定实验室火灾图像表示为S(i，j)，利用Sobel算子增强火灾图像边缘检测结果，得到图像N(i，j)。将S(i，j)和N(i，j)两者融合，即可获取最终的边缘检测图像。

当使用Sobel边缘检测算法提取完实验室火灾风险的边缘特征后，再使用Hough算法提取实验室火灾风险图像的直线特征，具体的操作步骤如下：

（1）将参数空间进行量化处理，形成m×n个单元，同时设定累加器矩阵Qm×n。

（2）将参数空间对应的单元分别放置一个累积器，同时将其取值设定为0。

（3）选取二维空间指标坐标系中的点(xi，yi)代入对应的公式中，经过量化处理计算ρ。

（4）对坐标系中的全部坐标进行遍历，同时将得到累加器取值一一进行检验，最终得到映射参数。

在上述分析的基础上，获取Hough算法的实验室图像的边缘直线特征：

（1）优先对实验室火灾风险图像进行二值化处理，有效降低图像参与运算的点数，进而获取图像K。

（2）结合直线的主方向特征，获取图像K的主机元，同时对其进行分类。

（3）在相同的类内，优先提取图像的主基元，同时对其进行计算，获取对应的属性信息。

（4）结合直线主基元的位置特征，在设定范围内进行扫描，有效提取主基元的邻近主基元。

（5）结合以上步骤，设定世界坐标系中的中心坐标，同时结合分类角度设定对应的约束条件和角度变换范围。

（6）在以上操作步骤的基础上，对全部像素点进行Hough变换运算，获取实验室火灾风险图像的边缘直线特征。

将实验室火灾风险图像边缘特征和直线特征两者进行融合，进而得到实验室图像火灾风险特征。

2.2 实验室机器人火灾风险智能视觉预警

实验室机器人火灾风险智能视觉预警的目的就是利用机器人中自带的单目相机获取目标物图像，进而确定对应的位姿信息[9−10]。

由于实验室的环境是比较复杂的，同时对多个图像同时进行定位的过程中，信息量会比较大，处理速度较慢等问题，选取两幅图像进行定位研究，机器人单目视觉定位的具体操作流程图，如图2所示。

图2 机器人单目视觉定位流程图Fig.2 Flow Chart of Robot Monocular Vision Positioning

通过机器人对目标中的三维信息和二维信息关联性进行分析，同时利用机器人自带相机构建搜索模型，即小孔成像模型。

物空间点P的相机坐标平面和像平面坐标两者之间的直接关系能够表示为：

式中：(X，Y，Z)—世界坐标内的坐标；(x，y，c)—图像的像素点坐标。

将式（3）中的非齐次坐标进行转换，获取如式（4）所示的齐次坐标：

通过机器人能够获取实验室火灾图像，得到对应的坐标系(u0，v0)和(x，y)，分析两个坐标之间的关联性，得到世界坐标系和图像坐标系之间的关联，进而获取相机矩阵。当得到相机矩阵后，可以利用机器人单目视觉对实验室空间内的目标进行标定［11］。

为了简化计算过程，当建立好机器人相机坐标系后，需要通过相机矩阵K获取世界坐标系，具体的表达形式如下：

相机的投影矩阵可以划分为C1和C2，具体的表达形式如下所示：

在计算机器人内置相机中的参数时，需要优先对相机基础矩阵进行计算，通过计算获取图像在空间内的投影信息，得到图像的主要特征信息；同时还能够识别图像中的异常点，利用匹配点能够更好完成两个特征点的投影，进而确保定位结果的准确性得到有效提升。

将获取的特征值检测结果应用于图像特征匹配中，这样能够获取完整的图像细节信息，同时还能够加快图像匹配速度。当获取满意的特征点后即可进行匹配，进而能够获取图像的基础矩阵，同时给出基础矩阵的相关约束条件。在得到实验室火灾风险特点的基础上，计算图像的基础矩阵和本质矩阵，则有：

式中：2P、1P—已经完成图像匹配的特征点；F—实验室图像对应的基础矩阵。

基础矩阵的计算需要满足如下条件：最少含有7对以上的匹配特征点。在实际进行计算的过程中，为了获取更加精准的计算结果，需要获取更多的特征点，将错误匹配的概率降至最低。同时，选取随机采样一致性算法对基础矩阵进行计算，同时借助单目视觉的针孔模型计算火灾风险发生的位置，最终完成室机器人火灾风险智能视觉预警。

3 仿真分析

为了验证所提实验室机器人火灾风险智能视觉预警方法的有效性，选取K城市随机一个高校实验室作为测试对象，进行测试分析。

以下仿真分析测试将实验室火灾风险报警提前时间设定为测试指标，给出详细的仿真分析对比结果，如表1所示。

表1 不同方法的实验室火灾风险报警提前时间对比结果Tab.1 Comparison Results of Laboratory Fire Risk Alarm Advance Time of Different Methods

分析表1中的仿真分析数据可知，使用所提方法进行实验室火灾风险预警时，所提方法能够以更快的速度发出警报，而另外两种方法的时间比较长。由此可见，所提方法能够有效提升火灾风险预警效率。

在实验室存在火灾风险的情况下，优先对所提方法的预警能力进行分析，分析使用所提方法前后的实验室的火灾预警能力，具体仿真分析结果，如图3所示。

图3 实验室火灾风险预警能力分析Fig.3 Analysis of Laboratory Fire Risk Early Warning Capabilities

分析图3中的仿真分析数据可知，在使用所提方法后，当火灾概率接近40%，实验室就会发出警报，实验室工作人员在收到警报后会及时制定防护措施。而未使用所提方法前，实验室的火灾概率接近70%才会发出警报。由此可见，所提方法具有较高的火灾风险预警能力。为了更进一步验证所提方法的优越性，仿真分析选取预警误差率、召回率和F1 值作为测试指标进行测试。其中，预警误差率是通过预警得到的量值降低参考量值；召回率和F1值主要用来评估预警结果的质量，取值越高，说明预警结果越准确。三种方法的预警性能分析结果，如图4所示。