霍凱龍 翁利國(guó) 沈海江 馮興隆 周國(guó)華

摘 要：針對(duì)配電線路維護(hù)機(jī)器人圖像采集背景復(fù)雜的問題，本研究結(jié)合當(dāng)前視頻圖像采集技術(shù)，提出一種基于圖像處理的目標(biāo)識(shí)別方法。在該方法中，針對(duì)目標(biāo)背景復(fù)雜，容易受物體遮擋等問題，采用基于顏色直方圖及形態(tài)學(xué)的方法實(shí)現(xiàn)了圖像分割與作業(yè)目標(biāo)的提取。然后，運(yùn)用Canny邊緣檢測(cè)算法和Hough變換算法實(shí)現(xiàn)了圖像的精準(zhǔn)定位，并采用基于位置和大小約束的橢圓擬合法對(duì)圖像進(jìn)行了作業(yè)目標(biāo)識(shí)別。最后，通過搭建實(shí)驗(yàn)仿真平臺(tái)，模擬了配電線路維護(hù)機(jī)器人對(duì)圖像的采集與識(shí)別，并通過對(duì)比分析了不同條件下的圖像識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，文中提出的方法可有效識(shí)別復(fù)雜背景中的熔絲管。

關(guān)鍵詞：Canny邊緣檢測(cè);目標(biāo)識(shí)別;Hough變換;熔絲管

中圖分類號(hào)：TP391.41;TP242? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2021）09-0091-05

Design of Target Recognition Algorithm for Distribution Line Maintenance Robot

Huo Kailong1， Weng Liguo2， Shen Haijiang1， Feng Xinglong1， Zhou Guohua1

（1.State Grid Zhejiang Hangzhou Xiaoshan District Power Supply Co.， Ltd.， Hangzhou 311200， China;

2. Automation Branch of Zhejiang Zhongxin Power Engineering Construction Co.， Ltd.， Hangzhou 311200， China）

Abstract：Aiming at the problem of complex image acquisition background of distribution line maintenance robot， this paper proposes a target recognition method based on image processing combined with current video image acquisition technology. In this method， aiming at the problems of complex background and easy to be covered by objects， the method based on color histogram and morphology is used to realize image segmentation and extraction of operation target. Then， Canny edge detection algorithm and Hough transform algorithm are used to realize the accurate positioning of the image， and the ellipse fitting method based on position and size constraints is used to recognize the operation target of the image. Finally， through the establishment of experimental simulation platform， the image acquisition and recognition of distribution line maintenance robot is simulated， and the image recognition results under different conditions are compared and analyzed. Experimental results show that the proposed method can effectively identify fuse tubes in complex background.

Key words：Canny edge detection; target recognition; Hough transform; fuse tube

隨著人工智能的快速發(fā)展，機(jī)器人在現(xiàn)代社會(huì)生產(chǎn)生活各個(gè)領(lǐng)域中扮演著越來越重要的角色，尤其是在高危險(xiǎn)系數(shù)和復(fù)雜精細(xì)的領(lǐng)域中，使用機(jī)器人代替人工進(jìn)行作業(yè)更是備受青睞。配電線路維護(hù)中，由于操作難度系數(shù)大，利用機(jī)器人維護(hù)配電線路已逐漸成為一種趨勢(shì)。然而在實(shí)際機(jī)器人進(jìn)行配電線路維護(hù)作業(yè)中，由于作業(yè)目標(biāo)周圍背景復(fù)雜，且容易受到光照等環(huán)境因素的影響，導(dǎo)致機(jī)器人無法精確識(shí)別并定位作業(yè)目標(biāo)，進(jìn)而無法獨(dú)立完成相應(yīng)的配電線路維護(hù)作業(yè)。因此，有必要對(duì)配電線路維護(hù)機(jī)器人的目標(biāo)識(shí)別和空間定位進(jìn)行深入研究。本研究以配電線路中最具特點(diǎn)的熔絲管作為研究對(duì)象，完成了對(duì)配電線路維護(hù)機(jī)器人目標(biāo)識(shí)別算法設(shè)計(jì)。

1 圖像預(yù)處理

配電線路維護(hù)機(jī)器人常于室外環(huán)境作業(yè)，因此其采集到的圖像容易受到天氣變化、太陽(yáng)光照、建筑物反光等因素的影響，導(dǎo)致采集到的圖像質(zhì)量較差，不利于后期對(duì)圖像的分析。尤其是在作業(yè)目標(biāo)背景復(fù)雜和環(huán)境光照過強(qiáng)時(shí)，由于作業(yè)目標(biāo)嵌入到背景中，無法直接提取目標(biāo)特征;作業(yè)目標(biāo)過度曝光，特征被掩蓋，更不利于后期圖像分析。因此，對(duì)采集到的圖像進(jìn)行預(yù)處理是分析圖像必不可少的一個(gè)重要環(huán)節(jié)。為使配電線路機(jī)器人采集到的圖像作業(yè)目標(biāo)更突出，本研究以配電線路維護(hù)機(jī)器人室外拍攝的跌落式烙斷照片為例，采用基于顏色直方圖和形態(tài)學(xué)方法對(duì)作業(yè)目標(biāo)和背景進(jìn)行分割，獲得了較為單一的目標(biāo)圖像;然后采用對(duì)比度受限的自適應(yīng)直方圖均衡法，對(duì)圖像中作業(yè)目標(biāo)的弱光區(qū)域進(jìn)行了亮度提升，得到了亮度較為統(tǒng)一的目標(biāo)圖像;同時(shí)采用灰度非線性變換法，去除了圖像中作業(yè)目標(biāo)的局部反光;最后，通過同態(tài)濾波器，對(duì)圖像全局高光進(jìn)行動(dòng)態(tài)調(diào)整，增強(qiáng)圖像的對(duì)比度，進(jìn)而獲得較為突出的目標(biāo)主體以及高質(zhì)量的圖像。

1.1 基于顏色直方圖及形態(tài)學(xué)的圖像分割

在配電線路維護(hù)機(jī)器人拍攝的跌落式烙斷器照片中，由于無法避免房屋、樹葉、草地等背景，因此需要對(duì)圖像進(jìn)行作業(yè)目標(biāo)與背景的分割，去除圖像中的背景?？紤]到照片中烙斷器與背景色差較大，本研究采用基于顏色直方圖和形態(tài)學(xué)的圖像分割方法，實(shí)現(xiàn)兩者的分割。具體方法是將采集到的圖像RGB顏色空間轉(zhuǎn)化為HSV顏色空間，得到HSV顏色空間三通道的圖像，轉(zhuǎn)化公式為：

式（1）中，若MAX=min，則表示圖像為純灰色，沒有色彩;若H<0則令H=H+360°，同時(shí)將H通道分量調(diào)整至[0，360°]范圍內(nèi)。

將圖像轉(zhuǎn)化為HSV空間后，若H通道中的圖像前景和背景區(qū)分明顯，可用閥值分割法進(jìn)行圖像分割。本研究中，H通道圖像前景和背景區(qū)分明顯，故選取Ostu最大類間方差法對(duì)圖像進(jìn)行分割。Ostu最大類間方差法計(jì)算簡(jiǎn)單，可自動(dòng)計(jì)算閾值，且不需要人為選擇參數(shù)就能得到良好的分割結(jié)果，十分適合本研究的圖像分割。Ostu最大類間方差法分割流程如圖1所示。

完成圖像分割后，由于還需對(duì)圖像進(jìn)行形態(tài)學(xué)處理，故需要將HSV圖像轉(zhuǎn)化為RGB圖像。

1.2 形態(tài)學(xué)處理

形態(tài)學(xué)處理即圖像中存在的細(xì)小的干擾區(qū)域進(jìn)行處理，得到干凈的作業(yè)目標(biāo)圖像。具體方法是先斷開作業(yè)目標(biāo)和細(xì)小干擾區(qū)域，然后根據(jù)面積大小去除干擾區(qū)域，最后利用形態(tài)學(xué)的腐蝕和膨脹算法對(duì)圖像進(jìn)行處理。

腐蝕處理：S對(duì)Z的腐蝕。

膨脹處理：S對(duì)Z的膨脹。

為提高形態(tài)學(xué)算法的運(yùn)算速度，本研究將該算法在二值圖像中進(jìn)行運(yùn)算。通過形態(tài)學(xué)算法的腐蝕和膨脹作用，可將作業(yè)目標(biāo)與背景之間的連接斷開，并計(jì)算出連接域面積和個(gè)數(shù)，從而去除細(xì)小干擾區(qū)域。

1.3 高光圖像處理

由于跌落式烙斷器照片拍攝于室外，因此太陽(yáng)的強(qiáng)光容易導(dǎo)致圖像整體曝光過度，出現(xiàn)全局高光的現(xiàn)象，進(jìn)而使得照片中的作業(yè)目標(biāo)不夠突出。針對(duì)該問題，本研究采用同態(tài)濾波算法進(jìn)行高光圖像處理。令圖像f （x，y）可用照射分量s（x，y）和反射分量r（x，y）相乘來表示。

取式（4）兩邊的對(duì)數(shù)，并轉(zhuǎn)化為相加的兩個(gè)分量，然后進(jìn)行傅里葉變換，得到式（5）：

對(duì)式（5）進(jìn)行濾波后再進(jìn)行傅里葉變化，最后再進(jìn)行指數(shù)運(yùn)算，得到式（6）同態(tài)濾波結(jié)果。

2 作業(yè)目標(biāo)識(shí)別

2.1 基于迭代閾值法的Canny邊緣檢測(cè)

作業(yè)目標(biāo)識(shí)別首先需要進(jìn)行邊緣檢測(cè)，以獲取目標(biāo)的輪廓。傳統(tǒng)的邊緣檢測(cè)方法包括Sobel算子、Log算子等，但由于這些方法不能同時(shí)實(shí)現(xiàn)邊緣精準(zhǔn)定位與噪聲抑制，故本研究采用Canny算子進(jìn)行邊緣檢測(cè)。Canny算子可準(zhǔn)確定位邊緣，同時(shí)具有高抗噪抗干擾的能力，因此被廣泛應(yīng)用于邊緣檢測(cè)中。Canny算子主要通過雙閾值法檢測(cè)出圖像的強(qiáng)邊緣和弱邊緣，并將強(qiáng)邊緣和弱邊緣相連，得到“最優(yōu)”邊緣圖。檢測(cè)中，由于閾值需要人為多次實(shí)驗(yàn)確定，容易受到光照等不確定因素影響，無法得到一個(gè)確定的固定閾值。因此，本研究提出基于梯度直方圖的閾值自適應(yīng)方法，選取Canny算子的閾值，并在在此基礎(chǔ)上對(duì)圖像邊緣進(jìn)行檢測(cè)?；谔荻戎狈綀D的閾值自適應(yīng)Canny算法的圖像邊緣檢測(cè)具體步驟如圖2所示。

2.2 熔絲管識(shí)別

2.2.1 管體識(shí)別

熔絲管管圖像平面顯示為矩形，經(jīng)過邊緣檢測(cè)后，其主要特征表現(xiàn)在矩形長(zhǎng)度方向，為兩條平行的直線。因此，本研究根據(jù)該特征采用直線擬合法識(shí)別熔絲管管體。目前，常用的直線擬合法是基于霍夫變換的直線擬合法。該方法具有噪聲小、魯棒性好等特點(diǎn)，但由于其受直線間隙影響小，在本研究中容易誤將熔絲管管體長(zhǎng)度方向兩條間隙較大的直線判斷呈一條直線，或檢測(cè)到圖像中不存在的一些直線，因此不適用與本研究熔絲管管體識(shí)別。為解決這一問題，本研究在此基礎(chǔ)上，采用概率Hough變換和幾何約束條件對(duì)結(jié)果進(jìn)行了篩選，提出一種基于幾何約束的直線擬合法。該算法的具體流程如圖3所示。

2.2.2 操作環(huán)識(shí)別

操作環(huán)圖像的平面顯示為一個(gè)圓環(huán)或橢圓，故本研究采用橢圓擬合法對(duì)操作環(huán)進(jìn)行識(shí)別。橢圓擬合法，首先需要確定橢圓的五個(gè)參數(shù)，而傳統(tǒng)的Hough變換橢圓擬合法確定參數(shù)的過程復(fù)雜且計(jì)算量大，不適用于本研究，故最終選用最小二乘法對(duì)橢圓圖像進(jìn)行擬合。

最小二乘法主要通過最小化整體誤差尋找最佳擬合曲線，基于該方法的代數(shù)擬合法和幾何擬合法雖然都能得到最小目標(biāo)函數(shù)值的橢圓，但并不能反映出原始邊界和得到的橢圓的關(guān)系，且容易受到噪聲、孤立點(diǎn)的影響，導(dǎo)致得到的橢圓并不能準(zhǔn)確反映出實(shí)際情況。另外，如果采用在操作環(huán)的邊緣圖中進(jìn)行橢圓擬合，由于橢圓邊緣點(diǎn)數(shù)量較多，容易受邊緣其他物體影響，因此容易出現(xiàn)擬合誤差較大的情況。而實(shí)際上，熔絲管管體和操作環(huán)位置具有一定的約束關(guān)系，操作環(huán)永遠(yuǎn)位于熔絲管管體的左右上方或左右下方，如圖4的1、2、3、4區(qū)域。此外，熔絲管管體和操作環(huán)的大小同樣具有一定的比例關(guān)系。因此，本研究提出基于位置和大小約束的橢圓擬合算法。

基于位置和大小約束的橢圓擬合算法，首先是根據(jù)熔絲管管體的位置和大小，將熔絲管管體周圍劃分為四個(gè)區(qū)域。然后，采用最小二乘法和隨機(jī)采樣原理進(jìn)行橢圓擬合。最后，根據(jù)橢圓的大小和擬合率以及橢圓率對(duì)擬合的結(jié)果進(jìn)行篩選，去除與實(shí)際操作環(huán)差異較大的擬合橢圓，得到較為精確的擬合橢圓。基于位置和大小約束的橢圓擬合算法的具體步驟如圖5所示。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)平臺(tái)搭建

為驗(yàn)證上述圖像預(yù)處理和圖像識(shí)別方法的可行性，本研究首先搭建了配電線路維護(hù)機(jī)器人圖像采集的實(shí)驗(yàn)平臺(tái)。具體方法是在機(jī)器人的機(jī)械臂后端立桿上安裝一臺(tái)微型固定的全景監(jiān)控?cái)z像機(jī)，用于整體環(huán)境的圖像采集;在機(jī)器人兩條機(jī)械臂和輔助機(jī)械臂分別安裝兩臺(tái)雙目攝像機(jī)，構(gòu)成機(jī)器人的手眼系統(tǒng)。具體硬件平臺(tái)如圖6所示。

3.2 圖像識(shí)別結(jié)果

根據(jù)作業(yè)目標(biāo)識(shí)別步驟，得到如圖7、8、9所示的識(shí)別結(jié)果。通過分析識(shí)別結(jié)果可知，在模擬的室外配電線路機(jī)器人作業(yè)場(chǎng)景中，應(yīng)用本研究提出的識(shí)別方法，可精確識(shí)別熔絲管，說明該識(shí)別方法具有較好的魯棒性。

4 結(jié)語

本研究根據(jù)配電線路維護(hù)機(jī)器人圖像采集背景復(fù)雜，容易受物體遮擋等問題，首先采用基于顏色直方圖及形態(tài)學(xué)的方法實(shí)現(xiàn)了圖像分割與作業(yè)目標(biāo)的提取。然后，運(yùn)用Canny邊緣檢測(cè)算法和Hough變換算法實(shí)現(xiàn)了圖像的精準(zhǔn)定位，并采用基于位置和大小約束的橢圓擬合法對(duì)圖像進(jìn)行了作業(yè)目標(biāo)識(shí)別。最后，通過搭建實(shí)驗(yàn)仿真平臺(tái)，模擬了配電線路維護(hù)機(jī)器人對(duì)圖像的采集與識(shí)別，并通過對(duì)比分析了不同條件下的圖像識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，本研究提出的作業(yè)目標(biāo)識(shí)別方法準(zhǔn)確度高、魯棒性好。

參考文獻(xiàn)

[1]譚雪峰.自主導(dǎo)航農(nóng)業(yè)機(jī)器人全方位視覺目標(biāo)識(shí)別與跟蹤研究[J].農(nóng)機(jī)化研究，2017，39（12）：53-57.

[2]王江明，余燁，金強(qiáng)，等.多梯度融合的RGBD圖像邊緣檢測(cè)[J].電子測(cè)量與儀器學(xué)報(bào)，2017，31（03）：436-442.

[3]羅陸鋒，鄒湘軍，王成琳，等.基于輪廓分析的雙串疊貼葡萄目標(biāo)識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（06）：15-22.

[4]李娜，陳寧.自然場(chǎng)景下蘋果采摘機(jī)器人視覺系統(tǒng)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（12）：137-141+146.

[5]謝宇珅，吳青聰，陳柏，等.基于單目視覺的移動(dòng)機(jī)械臂抓取作業(yè)方法研究[J].機(jī)電工程，2019，36（01）：71-76.

[6]魯晨奇，陳萬米，胡晨瀟.基于多傳感器的籃球機(jī)器人目標(biāo)識(shí)別與定位研究[J].工業(yè)控制計(jì)算機(jī)，2019，32（01）：64-66+69.

[7]張桂梅，孫曉旭，陳彬彬，等.結(jié)合分?jǐn)?shù)階微分和Canny算子的邊緣檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，2016，21（08）：1028-1038.

[8]孔德磊，方正. 基于事件的視覺傳感器及其應(yīng)用綜述[J/OL].信息與控制：1-15[2020-09-22].

[9]陳立家，盧學(xué)，李世剛.基于實(shí)際交通流的航海模擬器智能目標(biāo)船系統(tǒng)研究[J/OL].大連海事大學(xué)學(xué)報(bào)：1-9[2020-09-22].

[10]周克，楊倩文，王耀藝，等.一種改進(jìn)的壓板狀態(tài)識(shí)別SSD算法[J/OL].電測(cè)與儀表：1-10[2020-09-22].

[11]楊榮，王明偉，劉思銘.基于圖像處理算法的目標(biāo)識(shí)別、定位與跟蹤系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].物聯(lián)網(wǎng)技術(shù)，2020，10（09）：75-79.