CN104848991A - 基于视觉的主动式泄漏气体检测方法 - Google Patents

Abstract

基于视觉的主动式泄漏气体检测方法。解决现有泄漏气体检测方法盲目性高、实时性差、受气流扰动影响大等问题。本发明通过机器视觉提取工作环境中可能发生泄漏的管路、阀门、压力设备、存储设备等障碍物，对携带泄漏气体探测设备的机器人实施导航，控制其沿各障碍物边缘遍历并进行泄漏气体检测。该方法充分利用了视觉、距离等信息，优先检测可能发生泄漏的区域，将泄漏源检测问题从气体监测领域转变为环境感知领域中的目标搜索问题，克服了传统检测方法的盲目性，降低了气流扰动对气体检测的影响，提高了气体检测的效率。

Description

基于视觉的主动式泄漏气体检测方法

【技术领域】：本发明属于泄漏气体检测与机器人视觉领域。

【背景技术】：危险气体不仅会破坏生态环境、危害人体健康，工业环境中的危险气体更是容易发生爆炸，引起火灾等重特大事故，因此及时发现泄露气体并定位泄漏源一直是气体检测机器人领域中的一个重要研究方向，具有很好的研究价值及应用前景。

常用的泄漏源检测方法主要分为被动式和主动式两种。被动式方法主要是在固定位置安放气体探测设备用以检测环境中探测气体的浓度，该方法虽然成本低，维护方便，但是如果泄漏源距离气体探测设备较远，则不能及时对泄漏进行报警而造成事故；主动式方法主要由巡视机器人携带气体探测设备，根据预先设定的路线，在工作环境中巡航遍历，直至检测出泄漏气体。目前主动式气体检测主要存在以下几个问题：(1)气体检测多针对已知环境，而实际工况中环境风速、气体湍流、各设备的性状及分布等均存在极大的不确定性；(2)目前主要的巡航遍历方法有Zigzag遍历法、Spiral遍历法和网格遍历法，这些方法因其巡航路径比较固定且更适合在较大面积的空地进行巡航，没有充分利用环境信息，受空气流动干扰大，搜寻的盲目性较大。

【发明内容】：本发明目的是解决现有气体检测实时性不够高、抗气流扰动能力差、搜索盲目性大等问题，提出了一种基于视觉的主动式泄漏气体检测方法。该方法充分利用了环境信息，智能的分析环境中可能发生泄漏的设备，并对其进行重点巡查，克服了传统泄漏气体检测方法的盲目性，提高了气体检测的实时性和准确性。

该方法将环境信息引入到气体检测中来，通过机器视觉提取工作环境中可能发生泄漏的管路、反应塔、油料桶等障碍物的大概位置，利用激光测距仪获取障碍物到机器人的距离信息，根据这些信息实现对障碍物的定位，并将障碍物用拓扑节点表示，采用拓扑结构创建环境地图，根据环境中设备的分布，确定机器人的遍历顺序并对机器人进行导航。为提高检测的正确率，降低气流扰动对气体检测的影响，在绕行障碍物的同时，采用Sift算法识别绕行障碍物中易发生泄漏的阀门等设备，在经过这些设备时降低机器人的巡航速度。

本发明提供的一种基于视觉的主动式泄漏气体检测方法，包括如下步骤：

第一、视觉特征的提取

巡视机器人通过全方位鱼眼镜头，采集360°水平视角，185°俯仰角的环境图像，对图像进行去噪处理后，对畸变图像进行矫正处理，并在图像中检测环境中障碍物的大致方向，本发明采用经度坐标矫正法对畸变的鱼眼图像进行校正，矫正方法是：任取鱼眼图像上一点p，p点坐标为(x_p,y_p)，鱼眼图像中心点坐标为(x_o,y_o)，鱼眼图像的半径为R_o，p点经校正后在新图像中对应的p’点坐标(u,v)是：

$\left\{\begin{array}{c}u=x_o+\frac{x_p-x_o}{\sqrt{R_o^2-y_p^2}}{R}_o\\ v=y_p\end{array}\right.$

第二、环境地图的创建

针对已知环境，首先确定机器人的初始位置，根据各障碍物与巡视机器人的距离及各节点的分布关系创建环境拓扑地图。

针对未知环境，根据第一步视觉特征的提取结果，通过巡视机器人自带的陀螺仪确定机器人面向各障碍物的偏转角度，通过激光测距仪获取机器人到障碍物间的距离即可确定各障碍物的精确位置，定位方法为：假设XOY为机器人坐标系，机器人从初始位置到节点1的距离为l₁,机器人从初始位置到节点2的距离为l₂，机器人在初始位置从面向节点1到面向节点2的转角为θ₁，则节点1到节点2的距离l₁₂为：

$l_{12}=\sqrt{l_1^2+l_2^2-2l_1{l}_2{\mathrm{cos\θ}}_1}$

机器人沿直线行驶至节点1后再驶向节点2的转角β₁为：

${\mathrm{\β}}_1=\mathrm{\π}-\arccos \frac{l_{12}^2+l_1^2-l_2^2}{2l_{12}{l}_1}$

通过转角及行驶距离能够确定机器人在地图中的确切位置；将环境中的障碍物作为拓扑地图中的节点并创建环境拓扑地图。

第三、巡视机器人路径规划

通过分析各拓扑节点与巡视机器人初始位置的距离、各节点分布等信息，确定各节点的遍历优先级，按照优先级由高到低的顺序控制机器人依次遍历各个节点。

第四、障碍物绕行及泄露气体检测

当机器人行驶至节点位置后，开始对节点对应的障碍物进行绕行。首先通过激光测距仪，控制机器人与障碍物间保持一段距离，并对障碍物进行绕行，同时利用自身携带的气体传感器检测泄漏气体，直至绕行一周至出发的节点位置，如果障碍物与墙体相连无法绕行一周，则首先沿逆时针方向从节点位置a_x行驶至障碍物与墙壁的连接处w₁点，再沿反方向原路返回至a_x点，并继续向前行驶至障碍物与墙壁的连接处w₂点，再沿反方向原路返回至a_x点，完成对该障碍物的绕行；如果未检测到泄漏气体，则沿直线行驶至下一节点，并继续对下一节点障碍物进行绕行检测，直至完成所有节点的检测，如果检测到泄漏气体，则报警并进一步确定最大浓度位置，并停留在最大浓度位置处。为提高泄漏气体检测的实时性及准确率，在绕行障碍物时，控制机器人与障碍物保持一段距离，假设机器人长度为L，宽为M，则机器人的最小转弯半径R为：

$R=\frac{\sqrt{L^2+M^2}}{2}$

实验证明，当机器人与障碍物间保持1.5R间距时，即能够有效避免障碍物与机器人间发生剐蹭，又最大限度的靠近障碍物。

在机器人绕行障碍物的同时，利用Sift算法提取节点障碍物中易发生泄漏的设备，当机器人经过这些设备时，降低机器人的行驶速度，以减轻机器人行驶对气流的扰动，提高检测稳定性。

本发明的优点和积极效果：

本发明方法将机器视觉、距离等多种环境信息引入到泄漏气体检测过程中，提高了气体检测的实时性、准确性及稳定性。

1、利用鱼眼镜头采集环境中障碍物的方向信息，利用激光测距仪测量机器人与障碍物间的距离信息，实现环境中设备的精确定位，并控制机器人直接绕行可能发生泄漏的生产设备，从而避免了传统气体检测方法的盲目性；

2、本发明即可用于已知环境，也可用于未知环境；即可在简单的工作环境中使用，又可以在复杂的工作环境中使用；

3、尽量靠近设备边缘进行检测，并且采用Sift算法检测易发生泄漏的阀门、法兰等设备，并对这些设备进行重点检测，增强了气体检测的针对性，提高了气体检测的准确性，并且在通过这些部件时，降低机器人的行驶速度，有效的降低了机器人行驶对气流的扰动；

4本发明无需铺设和维护多个传感器线路，也无需一定面积的空地作为工作环境，具有较高的便利性。

【附图说明】：

图1是泄漏气体检测流程图。

图2是巡航遍历方法示意图，其中(a)是Zigzag遍历示意图、(b)是Spiral遍历示意图、(c)是网格遍历示意图。

图3是机器人定位示意图，图中XOY是世界坐标系，机器人的初始位置作为世界坐标系原点。

图4是拓扑结构地图的创建示意图。

图5是畸变矫正效果图，其中(a)是鱼眼镜头采集的图像；(b)是畸变矫正后的图像。

图6是拓扑结构地图节点遍历示意图，机器人按照由近及远，从密到疏的原则遍历各节点。

图7是当障碍物与墙体相连时的绕行示意图。

【具体实施方式】：

步骤1：环境信息采集

巡视机器人通过鱼眼镜头，采集360°水平视角，185°俯仰角的环境图像，如图5中(a)所示，对图像进行去噪处理后，用函数法对鱼眼图像进行畸变矫正，设定图像分辨率为800×640，鱼眼图像中心点坐标(x_o,y_o)为(403,322)，鱼眼图像为半径R_o等于327的圆形，任意取鱼眼图像上一点P的坐标(x_p,y_p)为(300,200)，则

p点经校正后在新图像中对应的p’点坐标(u,v)为：

$\left\{\begin{array}{c}u=x_o+\frac{x_p-x_o}{\sqrt{R^2-y_p^2}}R=403+\frac{300-403}{\sqrt{{327}^2-{200}^2}}\×327\≈273\\ v=y_p=200\end{array}\right.$

即p’点坐标为(273,200)。

步骤2：环境信息分析

首先对矫正后的图像进行灰度化处理，将RGB位图转变为灰度图，灰度处理公式为：

Gray＝R×0.299+G×0.587+B×0.114

提取机器人正上方的灰度值作为墙壁的灰度值，并以该灰度值作为阈值区分墙面区域与障碍物区域。因墙面灰度信息无明显突变，且距离机器人较远，而障碍物与墙面有边界，且距离机器人较近，所以通过对图像中下部像素点进行灰度值分析，初步确定环境中的障碍物、墙壁的方向信息；使用激光测距仪测量障碍物与机器人间的距离，确定障碍物的精确位置。

步骤3：环境地图创建

采用拓扑结构描述环境地图。首先，以机器人初始位置作为拓扑地图的根节点，以初始位置鱼眼镜头采集的环境图像中检测的障碍物作为拓扑地图的节点，以机器人面向各障碍物的转角作为各节点间的夹角，以机载激光测距仪测量的机器人到各障碍物间的距离作为各节点到上一级节点间的长度，以机器人面向最近的节点方向作为极轴的X轴，则如图6所示，节点a₁的坐标为(l_oa1,-(θ₁+θ₂))；节点a₂的坐标为(l_oa2,-θ₂)；节点a₃的坐标为(l_oa3,0)；节点a₄的坐标为(l_oa2,θ₃)，假设激光测距仪测得机器人到节点a₃的距离为450cm，到节点a₂的距离为560cm，到节点a₁的距离为750cm，到节点a₄的距离为580cm，机器人从面向节点a₃到面向节点a₂的转角为35°；从面向节点a₂到面向节点a₁的转角为25°；从面向节点a₃到面向节点a₄的转角为30°，所创建环境拓扑地图为：

a₁(750,-60)

a₂(560,-35)

a₃(450,0)

a₄(580,30)

从节点a₁到节点a₂的距离l_a1a2为：

节点a₂到节点a₃的距离l_a2a3为：

步骤4：节点绕行

综合考虑各节点的分布关系、与巡视机器人初始位置的距离等信息，优先巡视与机器人距离较近且分布较密集的节点，最后巡视与机器人距较远且单独分布的节点，并按照由近及远，从密到疏的原则，设定各节点的优先级，按照优先级高低顺序控制机器人依次遍历各级节点。首先控制机器人沿直线行驶至优先级最高的节点，通过机载激光测距仪与节点所对应的障碍物保持一定距离D，机器人的长度L约为110cm，宽度M约为90cm，则：

$D=1.5\×\frac{\sqrt{L^2+M^2}}{2}=107cm$

设定机器人中心与障碍物边缘保持107cm距离行驶，并对障碍物进行绕行。绕行的同时进行泄漏气体检测，并通过鱼眼镜头采集环境图像，用Sift算法识别障碍物中的易泄漏设备(阀门、减压阀、法兰等)，当靠近这些设备时，降低机器人的行驶速度。

步骤5：节点遍历

当机器人完成对障碍物的遍历并返回至该障碍物对应的节点处时，控制机器人行驶至下一个节点，依次完成对所有节点的遍历。

如图6所示，机器人将按路径O—>a₃—>a₂—>a₁—>a₂—>a₄—>a₃的顺序进行遍历。

Claims (3)

1.一种基于视觉的主动式泄漏气体检测方法，其特征在于该方法包括如下步骤：

1)视觉特征提取

巡视机器人通过全方位鱼眼镜头，采集360°水平视角，185°俯仰角的环境图像，对鱼眼图像进行去噪处理后，再进行畸变矫正处理，并在图像中检测环境中障碍物的大致方向，本发明采用经度坐标矫正法对畸变的鱼眼图像进行校正，矫正方法是：任取鱼眼图像上一点p，p点坐标为(x_p,y_p)，鱼眼图像中心点坐标为(x_o,y_o)，鱼眼图像的半径为R_o，p点经校正后在新图像中对应的p’点坐标(u,v)是：

$\left\{\begin{array}{c}u=x_o+\frac{x_p-x_o}{\sqrt{R_o^2-y_p^2}}{R}_o\\ v=y_p\end{array}\right.$

2)环境地图的创建

根据步骤1)视觉特征的提取结果，通过巡视机器人自带的陀螺仪确定机器人面向各障碍物的偏转角度，通过激光测距仪，测量机器人与障碍物间的距离；将障碍物作为拓扑地图中的节点并创建环境拓扑地图，完成未知环境地图的创建；

3)巡视机器人路径的规划

综合考虑拓扑地图中节点与巡视机器人初始位置的距离、分布关系等信息，设定各级节点的遍历优先级，按照优先级由高到低的顺序控制机器人依次遍历各个节点；

4)障碍物绕行及泄露气体检测

对各节点障碍物进行泄漏气体检测时，首先通过激光测距仪，控制机器人与障碍物间保持一段距离，并对障碍物进行绕行，同时利用自身携带的气体传感器检测泄漏气体，直至绕行一周至出发的节点位置，如果障碍物与墙体相连无法绕行一周，则首先沿逆时针方向从节点位置a_x行驶至障碍物与墙壁的连接处w₁点，再沿反方向原路返回至a_x点，并继续向前行驶至障碍物与墙壁的连接处w₂点，再沿反方向原路返回至a_x点，完成对该障碍物的绕行；如果未检测到泄漏气体，则沿直线行驶至下一节点，并继续对下一节点障碍物进行绕行检测，直至完成所有节点的检测，如果检测到泄漏气体，则报警并进一步确定最大浓度位置，并停留在最大浓度位置处，为提高泄漏气体检测的实时性及准确率，在绕行障碍物时，控制机器人与障碍物保持一段距离；

在机器人绕行障碍物的同时，利用Sift算法提取节点障碍物中易发生泄漏的设备，当机器人经过这些设备时，降低机器人的行驶速度，以减轻机器人行驶对气流的扰动，提高检测稳定性。

2.根据权利要求1所述方法，其特征在于机器人的定位方法如下：

假设XOY为机器人坐标系，机器人从初始位置到节点1的距离为l₁,机器人从初始位置到节点2的距离为l₂，机器人在初始位置从面向节点1到面向节点2的转角为θ₁，则节点1到节点2的距离l₁₂为：

$l_{12}=\sqrt{l_1^2+l_2^2-2l_1{l}_2{\mathrm{cos\θ}}_1}$

机器人沿直线行驶至节点1后再驶向节点2的转角β₁为：

${\mathrm{\β}}_1=\mathrm{\π}-arccos\frac{l_{12}^2+l_1^2-l_2^2}{2l_{12}{l}_1}$

通过转角及行驶距离能够确定机器人在地图中的确切位置。

3.根据权利要求1所述方法，其特征在于机器人在绕行障碍物时与障碍物保持距离的计算方法如下：

假设机器人长度为L，宽为M，则机器人的最小转弯半径R为：

$R=\frac{\sqrt{L^2+M^2}}{2}$

实验证明，当机器人与障碍物间保持1.5R间距时，即能够有效避免障碍物与机器人间发生剐蹭，又最大限度的靠近障碍物。