楊向東，潘文彬，麥鎧芮，張陳宏，周汶鋒

（廣州華立學(xué)院 機(jī)電工程學(xué)院，廣東 廣州 511325）

1 引言

目前，具有爬墻功能的機(jī)器人仍處在從理論研發(fā)向?qū)嶋H產(chǎn)品過渡階段，市場上的擦窗機(jī)器人產(chǎn)品并不多，且價(jià)格昂貴，很容易留下清潔死角。本項(xiàng)目根據(jù)玻璃幕墻清潔的需求，利用機(jī)械視覺和負(fù)壓吸收基本原理，設(shè)計(jì)了一款負(fù)壓吸收式手動(dòng)擦窗機(jī)器人，從而達(dá)到了對玻璃窗不同范圍內(nèi)的凈化功效。通過樣機(jī)負(fù)載測試與擦試效果測試，取得了較好的試驗(yàn)效果。

2 系統(tǒng)總設(shè)計(jì)

視覺智能擦玻璃機(jī)器人通過OpenMV采集周圍環(huán)境的信息情況，然后對采集到的目標(biāo)圖像進(jìn)行識(shí)別與定位，再結(jié)合攝像頭不同角度的反饋測得目標(biāo)與擦玻璃機(jī)器人直接的距離，最后通過驅(qū)動(dòng)來控制機(jī)器人履帶的電機(jī)，機(jī)器人將會(huì)運(yùn)動(dòng)到目標(biāo)位置進(jìn)行清潔工作。

采用了嵌入式機(jī)械視覺的智能擦玻璃機(jī)器人，系統(tǒng)主要包含了硬件電路部分和軟件部分。系統(tǒng)硬件電路大致分為主控芯片STM32 F103及其外圍集成電路、OpenMV、風(fēng)機(jī)、電源、操舵裝置、超聲波傳感器和L298N電機(jī)，硬件的運(yùn)作流程如圖1所示。

圖1 運(yùn)作流程

3 硬件設(shè)計(jì)

3.1 主控制器

視覺擦玻璃機(jī)器人一般使用的STM32 F103為主控制設(shè)備，而STM32 F103則包括較中低端的3個(gè)ARM微控制器，其核心為Cortex-M3，最大運(yùn)算頻率達(dá)7 MHz，在存儲(chǔ)器的零等待循環(huán)使用時(shí)限內(nèi)可達(dá)到1.5 DMIPS/MHz。

3.2 圖像采集模塊

采 用 了OpenMV3與CamM7，OpenMV開 源，特別適用于機(jī)械視覺，軟件功能強(qiáng)勁且性價(jià)比高。以STM3F767CPU為內(nèi)核，并整合了OV7725攝像機(jī)芯片，在小巧的硬件系統(tǒng)模組上，可以通過C語言所提供的簡單算法完成機(jī)械圖像視覺功能，同時(shí)支持Python編程，實(shí)現(xiàn)更多功能。

3.3 執(zhí)行機(jī)構(gòu)

智能擦玻璃機(jī)器人的外觀主要采用長方形機(jī)器人構(gòu)造，其機(jī)構(gòu)主要分為攝像頭轉(zhuǎn)動(dòng)部分舵機(jī)、機(jī)器人行駛部分電動(dòng)機(jī)和底盤吸附部分風(fēng)機(jī)。

智能擦玻璃機(jī)器人的底盤采用正方形底盤結(jié)構(gòu)，底盤由一對履帶輪進(jìn)行帶動(dòng)，由STM32 F103信號(hào)輸出，兩個(gè)履帶由PWM控制，1 V供電的L298N直流電機(jī)驅(qū)動(dòng)，通過控制兩條平行履帶輪實(shí)現(xiàn)機(jī)器人差速轉(zhuǎn)動(dòng)，可以實(shí)現(xiàn)360°無死角的旋轉(zhuǎn)與移動(dòng)。

吸附部件采用無刷電機(jī)，利用STM32 F103對轉(zhuǎn)速進(jìn)行控制，實(shí)現(xiàn)對玻璃的吸附。OpenMV能夠?qū)崿F(xiàn)全方位旋轉(zhuǎn)的，其旋轉(zhuǎn)過程主要是由OpenMV通過驅(qū)動(dòng)控制來完成，而該結(jié)構(gòu)也可以使機(jī)器人的視野更加寬廣。OpenMV質(zhì)量較輕巧，所以可以選用工作力矩略小的MG90S模擬操舵裝置來對質(zhì)量較輕的OpenMV的轉(zhuǎn)動(dòng)方向加以控制。

主控芯片STM32 F103CPU，通過調(diào)節(jié)PWM脈沖信號(hào)的最高電平占比，達(dá)到準(zhǔn)確調(diào)節(jié)舵機(jī)旋轉(zhuǎn)的角度，舵機(jī)裝置所需要電流的多少和反應(yīng)速度相關(guān)，所以MG90S模擬操舵設(shè)備的電源使用4.8 V的電流進(jìn)行輸出以保證操舵裝置順利工作。

4 軟件設(shè)計(jì)與算法實(shí)現(xiàn)

該機(jī)器人采用C語言編程STM32 F103主板，運(yùn)用Keil uVision5編程軟件以及ST-LINK仿真器燒錄。OpenMV采用MicroPython并用OpenMV IDE軟件進(jìn)行編程，同時(shí)STM32 F103與OpenMV通信，OpenMV將位置信息傳遞到STM32 F103，再由STM32 F103進(jìn)行一系列的運(yùn)作。

4.1 主程序設(shè)計(jì)

圖像識(shí)別模塊通過OV7725攝像頭芯片實(shí)現(xiàn)圖像采集，并通過OpenMV-IDE對所采集圖像信息進(jìn)行了編程和管理，包括顏色空間變換、圖像增強(qiáng)、消除陰影、目標(biāo)分離、特征提取和目標(biāo)辨識(shí)。

OpenMV主要用于識(shí)別以及跟蹤污點(diǎn)，當(dāng)識(shí)別到污點(diǎn)時(shí)，通過與MG90S舵機(jī)共同運(yùn)作，OV7725攝像頭會(huì)鎖定此污點(diǎn)，且保持讓此污點(diǎn)在可識(shí)別范圍內(nèi)，當(dāng)機(jī)器人行走到污點(diǎn)位于視覺盲區(qū)內(nèi)時(shí)，則會(huì)繼續(xù)直行。

在OpenMV IDE里，運(yùn)用了Lab色彩空間進(jìn)行圖像處理。Lab色彩空間既是一個(gè)與設(shè)備無關(guān)的色彩模型，也是一個(gè)基于人類生理特性的色彩模式。

亮度（L），a 和b是兩個(gè)顏色通道。a包括的色彩范圍從深翠綠（低亮度值）到灰度（中光度值）再到亮粉紅色（高亮度值）；b由亮藍(lán)（低亮度值）到灰白（中亮度值）再到黃色（高亮度值）。經(jīng)過閾值調(diào)試后，污點(diǎn)的Lab閾值為（13，49，18，61，6，47）。OpenMV機(jī)器視覺模塊硬件如圖2所示。

圖2 OpenMV機(jī)器視覺模塊硬件

通過舵機(jī)轉(zhuǎn)動(dòng)攝像頭識(shí)別玻璃上的污點(diǎn)，獲取到污點(diǎn)的信息后，通過PID算法把污點(diǎn)信息傳送至STM32 F103，進(jìn)而使用STM32 F103控制機(jī)器人的電機(jī)來移動(dòng)機(jī)器人，機(jī)器人到達(dá)目的位置后，擦除污點(diǎn)，完成任務(wù)。

4.2 目標(biāo)定位

定位目標(biāo)視覺既需要準(zhǔn)確又要具有成本效益。在最常見的視覺定位中，為了獲得目標(biāo)污點(diǎn)的位置，必須測量圖片中的目標(biāo)污點(diǎn)，從而把圖片位置轉(zhuǎn)化為實(shí)際位置坐標(biāo)系。在電腦視覺中，主要包括了四種坐標(biāo)系間的切換，即圖形坐標(biāo)系、攝影機(jī)坐標(biāo)系、像素坐標(biāo)系及其世界坐標(biāo)系。目標(biāo)位置都采用了雙目視覺，但由于采用雙目視覺的所匹配算法比較煩瑣，所以在本文中把單眼視覺直接用到了圖形位置中，并采用了相似的三角形原理，并且利用相機(jī)角度反饋和設(shè)置高度來定位目標(biāo)。

如圖3所示，機(jī)器人到目標(biāo)的一段距離使用的是攝像機(jī)頭視角反饋定距法，該計(jì)算使用正切函數(shù)公式，如圖3中點(diǎn)B為攝像機(jī)的安裝位置，點(diǎn)A為目標(biāo)所在地點(diǎn)，BC為攝像機(jī)到地面的垂直距離；使用MG90S進(jìn)行舵機(jī)反饋的角度測量可以得到θ，在實(shí)際觀測后得到攝像機(jī)頭的離地高度BC，即可得出工業(yè)自動(dòng)化機(jī)器人離目標(biāo)的間距AC。

圖3 OpenMV模塊擺放位置

4.3 PID算法

在整個(gè)過程系統(tǒng)中，按誤差的比率（Proportion）、面積（Integral）和微分（Derivative）加以限制的PID控制器，是目前使用得較為普遍的一類0.5自動(dòng)控制器。

在STM32 F103zet6開發(fā)板中運(yùn)用PID算法對于本項(xiàng)目的擦玻璃機(jī)器人的電機(jī)提供了準(zhǔn)確的速度和RAM計(jì)算。

4.4 通用加速分割檢測（AGAST）算法

通用加速分割檢測（Adaptive and Generic Accelerated Segment Test，AGAST）算法相對于角點(diǎn)探測（Features from Accelerated Segment Test，F(xiàn)AST）算法準(zhǔn)確率高、像素延遲低、追蹤效果好。同時(shí)，AGAST算法（AGAST）對特征點(diǎn)的提取進(jìn)行了細(xì)化處理，如式（3）所示，AGAST算法采用“非較亮”與“非較暗”對P點(diǎn)鄰域像素點(diǎn)的狀態(tài)進(jìn)行擴(kuò)展。

當(dāng)圖像像素點(diǎn)過多時(shí)，為提高檢測效率，可以只檢測1，5，9，13這四個(gè)像素點(diǎn)的灰度值，如圖4所示，當(dāng)四個(gè)點(diǎn)中有三個(gè)滿足成為特征點(diǎn)的條件后，在檢測該點(diǎn)的全部鄰近點(diǎn)，運(yùn)用此方法進(jìn)行初篩，可以快速遍歷圖像中所有的像素點(diǎn)，只保留特征明顯的像素點(diǎn)。

圖4 算法演示

因此，在STM32 F103zet6開發(fā)板中運(yùn)用AGAST算法，目的是使機(jī)器人準(zhǔn)確地捕捉到污漬。

5 試驗(yàn)驗(yàn)證

5.1 試驗(yàn)場景

將玻璃放在室內(nèi)玻璃上，根據(jù)玻璃上的污跡來擦拭玻璃，擦玻璃機(jī)器人既有固定的行走路程，又可以按照玻璃上的污跡準(zhǔn)確地完成擦拭。

試驗(yàn)場地尺寸為100 cm×100 cm，出發(fā)區(qū)在玻璃右下角約30 cm×30 cm的地方；機(jī)器人尺寸（長×寬×高）為30 cm×30 cm×8.5 cm；機(jī)器人全自主完成擦拭工作；在實(shí)驗(yàn)時(shí)將機(jī)器人置于模擬區(qū)域，場地中有不同顏色深度的目標(biāo)污點(diǎn)，機(jī)器人將目標(biāo)污點(diǎn)擦除，統(tǒng)計(jì)目標(biāo)污點(diǎn)擦除數(shù)目。機(jī)器人實(shí)物圖如圖5所示。

圖5 機(jī)器人實(shí)物圖

5.2 吸附受力實(shí)驗(yàn)

將擦玻璃機(jī)器人啟動(dòng)并吸附在玻璃上，并且使用彈簧測力計(jì)將擦玻璃機(jī)器人從玻璃上拉開，f為履帶與玻璃面的產(chǎn)生的驅(qū)動(dòng)摩擦力，G為重力，S為受力面積（此處選整個(gè)機(jī)器人的底面為受力面積）。

圖6 機(jī)器人吸附力試驗(yàn)原理圖

5.3 試驗(yàn)效果

擦玻璃機(jī)器人通過把污點(diǎn)作為目標(biāo)物進(jìn)行擦拭，在處于不同的環(huán)境的玻璃反復(fù)進(jìn)行測試，并于未優(yōu)化的算法進(jìn)行比較，得出的結(jié)果見表1。

由表1可知，機(jī)器人通過改進(jìn)前的算法，在正常光照的狀況下對污點(diǎn)的識(shí)別率為66%，對污點(diǎn)的擦除率則為77%；在強(qiáng)光照耀下污點(diǎn)的識(shí)別率約為50%，而污點(diǎn)擦除率則為66%，但在弱光環(huán)境中，污點(diǎn)的識(shí)別率為50%，污點(diǎn)擦除率為66%。

表1 試驗(yàn)數(shù)據(jù)對比

由表1可知，機(jī)器人采用改進(jìn)后的算法，在正常光照射的情況下，污點(diǎn)的識(shí)別率為93%，污點(diǎn)擦除率為100%；在強(qiáng)光照射下其中有五個(gè)污點(diǎn)未能識(shí)別；在弱光環(huán)境中，由于環(huán)境太暗，未能識(shí)別其中六個(gè)污點(diǎn)。

試驗(yàn)對比了機(jī)器人改進(jìn)前與改進(jìn)后的算法得出，識(shí)別率與擦除率都極大地提高了，達(dá)到預(yù)期的試驗(yàn)設(shè)計(jì)效果，實(shí)現(xiàn)了對玻璃污跡的擦除，節(jié)省了人力資源，降低了高空作業(yè)的危險(xiǎn)性，提高了人工智能化的運(yùn)用。

6 結(jié)束語

項(xiàng)目通過上述算法與試驗(yàn)驗(yàn)證，結(jié)論如下：

1）在正常光照射的情況下，污點(diǎn)的識(shí)別率為93%，污點(diǎn)擦除率為100%。

2）采用像素延遲低的通用加速分割檢測算法（AGAST），可提高樣機(jī)的定位準(zhǔn)確度。