一种基于焊缝识别的爬壁机器人行走纠偏方法与流程

本发明属于机器人及检测技术领域，具体涉及一种基于焊缝识别的爬壁机器人行走纠偏方法。

背景技术：

乏燃料就是燃耗深度已达到设计卸料燃耗，从堆中卸出且不再在该反应堆中使用的核燃料组件(即乏燃料组件)中的核燃料。其中有未裂变和新生成的易裂变核素、未用完的可裂变核素、许多裂变产物和超铀元素。乏燃料水池作为一种湿法储存的手段被广泛的应用现阶段的m310堆型，通常用支架或吊篮和(或)也装有液体的容器罐作为支撑。水池中燃料周围的液体可以起到散热和屏蔽辐射的作用，而支架或其他装置则可确保能够维持次临界状态的几何布置。

乏燃料水池的内壁上铺设了一层薄不锈钢板，称之为覆板，覆板之间通过焊接的方式拼接起来，覆盖了整个乏燃料水池的内壁。因乏燃料具有较高的放射性，如果覆板间拼接的焊缝存在质量问题，则一段时间后可能会出现乏燃料水池中的放射性冷却水渗出到覆板外的的情况，危害核电站的安全，故需要对覆板焊缝的质量进行检查。

开发一款携带不同检测探头的水下爬壁机器人对于焊缝质量监控十分重要，但是爬壁机器人在壁面上的直线行走是保障检测数据有效性的关键。

技术实现要素：

1.目的：

针对吸附式爬壁机器人的水下检查，为保障其直线行走，开发一套基于焊缝识别的纠偏算法。

2.技术方案：

一种基于焊缝识别的爬壁机器人行走纠偏方法，包括如下步骤：步骤一：去除噪声；步骤二：图像增强；步骤三：区域点选择；步骤四：直线拟合；步骤五：去除奇异点；步骤六：重新拟合直线；

步骤一：去除噪声，具体包括：通过中值滤波，均值滤波，高斯滤波去除原始图像中的噪声。

步骤二：图像增强，具体包括如下步骤：

s1：对图像进行平滑处理，平滑结果记为fsmooth(i)；

s2：由式(1)得到自适应阈值矩阵：

thresh＝fsmooth(i)+add_thresh(1)

其中：thresh为自适应阈值矩阵；add_thresh为阈值偏移常数；

s3：由式(2)的局部阈值分割的规则得到处理后的图像：

其中：o(r，c)代表输出图像位于第r行第c列的像素的灰度值；i(r，c)代表输入图像位于第r行第c列的像素的灰度值。

步骤三：区域点选择，具体包括：对区域点去除杂点，使区域点先腐蚀再膨胀，腐蚀表达式(3)和膨胀表达式(4)如下：

其中：θ和分别为腐蚀和膨胀的符号，a为原图像，b一般为一个像素边长为奇数正方形结构，(b)xy表示当结构b中心位于坐标(x,y)时所覆盖的区域。

步骤四：直线拟合，具体包括如下步骤：

在进行直线拟合前，从每5*5的像素区域选取一个点到坐标系：将处理后的图像分为若干5*5的像素区域，计算区域内像素数量，若区域内像素数量小于10，则舍去此区域；若区域内像素数量大于等于10，则取此区域中心点坐标，具体公式见式(5)：

其中：i为处理后的二值图像，k为5*5的元素均为1的卷积核，none表示不统计此区域，(i+(m+1)/2，j+(n+1)/2)为需统计区域的中心点坐标，m,n代表图像的行列值，i,j为要计算的点的行列坐标。

然后采用最小二乘法进行直线拟合，最小二乘法通过式(6)进行直线拟合：

其中：a,b为直线方程y＝ax+b的系数，xi,yi为所坐标中取的点。

所述的步骤五：去除奇异点，具体包括如下步骤：为避免一些奇异点的干扰，计算各点和所拟合直线的方差，去除和直线上对应点距离平方大于二倍方差的点。

所述的步骤六：重新拟合直线，去掉奇异点后，对点集重新进行直线拟合，对连续十张图片拟合的结果取均值，作为所识别的焊缝。

3.效果：

本发明的效果在于：基于采集焊缝图像中焊缝的取向，在提取特征的基础上，开展了图像增强和去杂点的处理，在特征点的一次线性拟合后，完成剔除奇异点后的二次线性拟合，从而完成焊缝的方向识别，从而实时对车体进行纠偏，保证在扫查时车体沿焊缝能够直线行驶。

附图说明

图1采集到不同时刻的视频图像

图2滤波后图像

图3图像增加-自适应阈值分割

图4图像区域点选择

图5取点

图6直线拟合

图7去除奇点后的点集

图8重新直线拟合

图9识别到的焊缝

图10识别过程流程图

具体实施方式

要识别的焊缝图像见图1，焊缝识别的总体思路为：先取用边缘算子提取出焊缝大概的轮廓，在轮廓上取点，并转化到坐标上，再对这些点进行最小二乘法直线拟合，拟合出直线后，通过方差剔除异常点，重新对图像进行直线拟合，所得直线即为识别到的焊缝方向。

爬壁机器人在行进过程中，要保证其直线行进，必须以焊缝的长度方向作为判断基准，而这就是纠偏的关键，其方案为：以实时采集的图像为基准，先取用边缘算子提取出焊缝大概的轮廓，在轮廓上取点，并转化到坐标上，再对这些点进行最小二乘法直线拟合，拟合出直线后，通过方差剔除异常点，重新对图像进行直线拟合，所得直线即为识别到的焊缝方向。

a)去除噪声

从图2中可以看到原始灰度图的背景有很多噪声(纹路)，通过中值滤波，均值滤波，高斯滤波可去除原始图像中的噪声，图2为依次经过三种滤波器处理后的图像。

b)图像增强

为突出某些感兴趣的特征，抑制不感兴趣的特征，需要进行图像增强。由于图像光照不均，本方法选用自适应阈值分割的方式增强图像中感兴趣特征。自适应阈值分割算法的步骤如下。

第一步：对图像进行平滑处理，平滑结果记为fsmooth(i)。

第二步：由式(1)得到自适应阈值矩阵。thresh为自适应阈值矩阵

add_thresh为阈值偏移常数。

thresh＝fsmooth(i)+add_thresh(1)

第三步：利用式(2)的局部阈值分割的规则得到处理后的图像。其中o(r，c)代表输出图像位于第r行第c列的像素的灰度值，i(r，c)代表输入图像位于第r行第c列的像素的灰度值。

本文方法自适应阈值分割第一步采用均值滤波，内核大小设为21，add_thresh设为-5，处理后所得图像见图3。

c)区域点选择

对图4中的图像做区域点选择可去除杂点，区域点选择意为对图像先腐蚀后再膨胀，腐蚀和膨胀的表达式分别见式(3)和式(4)，其中θ和分别为腐蚀和膨胀的符号，a为原图像，b一般为一个像素边长为奇数正方形结构，(b)xy表示当结构b中心位于坐标(x,y)时所覆盖的区域。图4为进行区域点选择后的图像。

d)直线拟合

在进行直线拟合前，为减少计算量，从每5*5的像素区域选取一个点到坐标系，具体实施方式为将处理后的图像分为若干5*5的像素区域，计算区域内像素数量，若区域内像素数量小于10，则舍去此区域；若区域内像素数量大于等于10，则取此区域中心点坐标，具体公式见式(5)。如图5所示。

式中i为处理后的二值图像，k为5*5的元素均为1的卷积核，none表示不统计此区域，(i+(m+1)/2，j+(n+1)/2)为需统计区域的中心点坐标。

m,n代表图像的行列值，i,j为要计算的点的行列坐标。

本文用最小二乘法对图5中的点进行直线拟合，最小二乘法通过式(6)进行直线拟合，最小二乘法公式见式(6)，拟合的直线见图6。

式中a,b为直线方程y＝ax+b的系数，xi,yi为所坐标中取的点。

e)去除奇异点

为避免一些奇异点的干扰，计算各点和所拟合直线的方差，去除和直线上对应点距离平方大于二倍方差的点，图7为去掉奇异点之后的点集。

去掉奇异点后，对点集重新进行直线拟合结果见图8，图9为所拟合直线在原始图像中的展示。由于反光等影响，所识别的直线会出现抖动的情况，实际应用中可对连续十张图片拟合的结果取均值，作为所识别的焊缝。图10为焊缝识别方法的整体流程图。