基于可視化結構光導向的爬壁機器人焊縫跟蹤方法研究

宋高峰，張延兵，張一輝，孫志濤

（江蘇省特種設備安全監督檢驗研究院，江蘇 南京 210000）

0 引言

在大型結構無損檢測中，如大型危化品立式儲罐、壓力容器、球形儲罐、起重機械、橋梁等，自動化檢測處于起步階段[1，2]。隨著檢測技術的飛速發展，通過研制各種各樣的爬壁機器人，攜帶無損檢測儀器代替人工完成危險環境下的高強度、高風險檢測工作，已成為無損檢測技術進步的重要研究方向。

自動化檢測要求檢測儀器基本脫離人員的干預，自主控制檢測全過程，包括傳感器移動控制、耦合劑供給控制、爬行器運動控制、檢測數據遠程無線傳輸以及檢測路徑的跟蹤控制[3，4]等。目前市場上絕大部分的焊縫檢測爬行機器人設計思路主要集中在本體結構優化方面，現場檢測過程中仍然需要大量人工干預，尤其面對焊縫兩邊有曲率差異的檢測路徑，由于爬行器不可避免會出現跑偏，此時需要檢測人員近距離密切注視爬行器的運動偏差，實時進行調整，導致削弱了自動化檢測的預期功效，因此在焊縫自動化檢測儀器的研制過程中，如何實現檢測軌跡的自動糾偏成為重要的技術難點。從國內外檢測爬行器市場調研和文獻查閱中得知[5，6]，目前只有少數焊縫檢測機器人通過手工粘貼在焊縫位置上的色帶來識別運動軌跡的偏移量，進而調整爬行器位置，這種方式仍然不能實現全自動化。再者還有直接對焊縫外觀進行圖像識別，進而輸出爬行器位置偏移量，但是這種技術在實際應用中受到外接環境的干擾極為嚴重，目前還只是停留在技術研究層面，還沒有在實際的工程中得到成熟應用。為此，以基于可視化結構光導向的爬壁機器人焊縫跟蹤方法為研究對象，分析結構光導向焊縫圖像處理的關鍵技術，包括圖形濾波、閾值分割、焊縫特征提取、最小二乘法擬合、焊縫偏離值提取等，從而實現焊縫位置特征的準確識別,實現爬壁機器人自動糾偏，自動化完成整個檢測過程。

1 結構光視覺系統

檢測爬壁機器人在運動過程中，檢測路徑由于各種因素導致的偏離會嚴重影響檢測工作，此時有必要通過糾偏技術將偏離度實時反饋給爬行器的運動控制模塊，及時調整兩側電機轉速，從而使得檢測傳感器始終沿著固定軌跡進行精確運動。由于檢測爬行器在實際運動過程中遠離操作人員的視線，傳統的跟蹤技術主要采用視頻跟蹤和圖像識別相結合的方式[7]，但在實際的現場工作環境中，圖像質量極其容易受到光照、腐蝕產物、涂層顏色、耦合劑、焊縫色差等外界因素的影響，從而造成圖像識別的可靠性大大下降，不能滿足工程應用的要求。基于以上分析，選用基于結構光的方法識別焊縫位置，通過激光發生器將結構光照射在檢測工件表面，利用焊縫余高與結構光相互作用進而產生的圖像差異，進行爬行器軌跡偏移量的計算，進而指導運動控制模塊及時糾偏，此種方法的可靠性相較于傳統的圖像識別大大增加。考慮到大多數金屬結構的表面顏色以及結構光的種類，在實際設計時，選用綠色或紅色的單線結構光作為光源進行焊縫的位置檢測，如圖1 所示。

圖1 結構光照射焊縫

設計時將結構光傳感器固定于機器人前端，使其照射到壁面，調節激光發生器的投射角度和視頻采集器的采集角度可以捕捉到結構光與焊縫的交叉圖像，最終通過攝像頭采集結構光的圖像，經過一系列圖像處理后，提取焊縫特征，進而識別出焊縫的位置，并將位置實時反饋給爬壁機器人，最終通過調整使其回到正常軌跡。

由于在實際工況中，結構光容易受到諸如日光照射、結構表面反光、光線遮擋等因素的影響，因此適當增大激光發生器的功率，增加結構光照射強度，可以有效降低外界光線干擾對后期圖像識別難度的增加，如圖2 所示。

圖2 結構光安裝位置

2 結構光圖像處理

傳統方式下，攝像頭采集到的數據是彩色RGB圖像，其由3 個分量圖像組成[8]，考慮到本系統采用的結構光是單線結構光，G 通道的圖像特征最明顯，通過調用OpenCV 圖像處理庫的split 函數，提取G 通道的圖像進行后續處理，如圖3 所示。

圖3 RGB 三通道圖像

2.1 圖形濾波

在實際焊縫檢測過程中，由于復雜外部環境干擾會對檢測爬行器視覺系統采集到的圖像產生不可避免的噪聲干擾，進而給后期的焊縫位置識別帶來巨大的計算困難，因此如何對其進行降噪處理至關重要。而中值濾波經過驗證可以實現高質量圖像的過濾處理[9]。其計算原理是將圖像特征識別中的每一個像素點灰度值，用該點相鄰區域中各點灰度值的中值進行替代[10]，如公式（1）所示。

中值濾波器的主要工作步驟為：

（1）將預置模板中心部位與某個像素位置吻合，然后在視覺采集到的圖形中進行遍歷漫游。

（2）提取預置模板中各個像素點的灰度值；

（3）將模板中提取到的灰度值由小至大順序排列；

（4）計算提取灰度值的中間數值；

（5）將對應預置模板中心的像素灰度值用中間值進行重新替代賦值；

（6）重復上述（1）-（5）步驟，直至圖像中每個像素值都被重新賦予新的像素值為止，中值濾波之后的結果如圖4 所示。

圖4 中值濾波后圖像結果

2.2 閾值分割

為了識別和分析視頻圖像中關于焊縫偏離數值的圖形表征數值，需要使用特定的計算方法將其從中值濾波后的圖像背景中分割出來。而閾值化是較為有效的一種圖像分割技術，其分割原理為：

（1）選定閾值函數T（0～255 之間），具體值可根據實際焊縫圖形特征進行標定；

（2）漫游圖像中的所有像素，提取其灰度值H；

（3）將像素灰度值H與T進行對比。H大于T時，將其置為值為1 的目標點；當H小于等于T時，將其置為值為0 的背景點。

此時圖像將分為目標區與背景區，如圖5 所示，當被測設備表面的焊縫外觀與周圍環境灰度差異較大時，運用閾值分割就可以有效的區分出焊縫。

圖5 閾值分割與特征提取

2.3 焊縫特征提取

沿結構光方向垂直設置一條亮度檢測線段。該檢測線段上的圖像亮度變化近似于高斯分布。設定亮度門檻值T，遍歷檢測，獲取亮度值大于門檻值的初始點并將其設置為特征點，如圖6 中左側豎直波浪線段所示。

圖6 焊縫特征位置識別示意圖

沿結構光分布方向，設置固定數目的檢測N條檢測線段，依照上述方式，以此計算得到對應的檢測點，如圖7 和圖8 所示。

圖7 設置檢測線段

圖8 獲取特征點

2.4 最小二乘法擬合

對于圖形濾波后焊縫特征提取得到的N個特征點（x1，y1），（x2，y2）...（xN，yN），運用最小二乘法進行擬合，進而找出最優的直線函數，如公式（2）所示。

依據擬合到的直線，逐一計算各像素特征點到該直線的距離d。設定門檻值K，將d >K的點設置為潛在的焊縫特征點Fi，統計計算Fi的平均點即是焊縫的中心位置，如圖9 所示。

圖9 焊縫識別結果

2.5 焊縫偏離值提取

利用事先標定好的實際距離與視覺圖像距離之間的相對比例關系，實時提取計算檢測爬行器距離焊縫中心部位的距離偏差度。通過數據通訊模塊將距離偏差度實時反饋給運動控制平臺，從而輔助檢測軌跡的控制與追蹤。

3 實驗室驗證

將爬壁機器人在球形儲罐的外表面沿焊縫進行固定軌跡行走，連續采集焊縫圖像特征，選用前文介紹的圖像處理和焊縫提取算法進行實驗測試驗證。測試結果如圖10 所示。機器人行進過程中拍攝的6 幀焊縫圖像，選取姿態差別比較大的三組圖像進行測試驗證。圖像（a）（b）為平穩運行時拍攝的圖片，（c）（d）為爬壁機器人故意右傾斜時拍攝，（e）（f）為爬壁機器人故意左傾斜時拍攝。

圖10 焊縫識別測試

綜合分析測試結果，焊縫成功識別達到95%以上，單幅圖像處理時間為50 ms（Intel i5，內存4G，Windows10 64 位），實際工作中爬壁機器人移動速度不超過20 cm/s，該算法處理速度20 幀/s。

上述實驗結果表明，基于結構光的圖像識別方法能夠過濾掉視頻圖像采集過程中的噪聲干擾，在圖像中準確提取焊縫位置，從而將爬壁機器人的位置偏差以數值方式進行輸出，從而為機器人運動位置調整提供必要的數據支撐。

4 現場測試驗證

基于以上研究成果，將基于可視化結構光導向的爬壁機器人焊縫跟蹤技術應用于球形儲罐表面的無損檢測中（圖11-15），檢測過程中爬行器攜帶TOFD檢測儀器進行作業，同時利用手工TOFD 檢測儀器進行比對（圖16），以衡量爬壁機器人的檢測效果，比對結果如表1 所示。從表1 中的對比數據可以看出，整個檢測過程，運行爬壁機器人運行穩定，檢測數據與手動儀器相比幾乎完全吻合，完全滿足實際工程檢測的精度要求。

圖11 表面帶油漆的跟蹤測試

圖12 表面打磨的跟蹤測試

圖13 檢測出的某裂紋缺陷

圖14 工作中的檢測爬行器

圖15 TOFD 自動跟蹤檢測結果

圖16 手工TOFD 檢測比對作業

表1 檢測結果對比

5 結語

建立的基于可視化結構光導向的爬壁機器人焊縫跟蹤方法，已成功應用。它通過焊縫與結構光的干涉圖像差異，準確識別并提取機器人的位置偏移，反饋給機器人動力系統進行位姿調整，從而保證機器人嚴格按照焊縫方向精確行進，最終實現整個檢測過程的完全自動化。該技術預計還可以在其他對路徑規劃有著較高要求的領域，發揮有意義的工程示范作用。