基于激光与视觉复合的火炮膛线检测方法

王 磊，常精丰，张嘉易，郝永平

(沈阳理工大学 兵器科学与技术研究中心，沈阳 110159)

1 引言

火炮是现代战争中最重要的常规武器，按照炮膛结构通常将其分为线膛炮和滑膛炮，其中滑膛炮通常口径较小，造价低，射击精度与线膛炮相比较低，而线膛炮身管内部刻有一定数目的膛线，在火炮发射过程中可使炮弹旋转，提高威力和精度。现代大多数火炮都是线膛炮，线膛炮身管内膛的阴线、阳线及表面质量对弹丸的射程、精度及威力影响极大，对其参数进行检测十分重要[1]。

在膛线尺寸检测上，传统的人工检测在膛线尺寸上通常使用一些机械式接触测量方法，而火炮膛线检测精度高，内部结构复杂，传统检测方法在测量速度、重复性、准确性等方面均有很大的局限性。近年来国内外相关科研机构及院校在身管自动检测技术方面也开展了研究工作。通过激光位移、电感、电磁、CCD等传感器搭载检测机体进行对身管内膛的有效检测[2]。目前主流研究方向多围绕激光反射测量技术[3]和机器视觉技术[4]内壁无损检测等方面[5]。

综上，本研究提出了一种激光与视觉复合的火炮内膛膛线检测方法。该方法采用RANSAC算法对膛线数据进行优化处理，拟合出膛线阴、阳线所处截面圆，计算膛线直径。通过CCD采集膛线图像，进行HOG特征提取，并用SVM分类算法进行训练，获得特征数据集。检测过程中，对采集图像分类，判断膛线缺陷位置，通过激光与图像的复合对比分析得到膛线量化信息。定制了适用于膛线复杂结构的便携式爬行机器人样机，搭建了火炮膛线检测系统，采用所提算法完成了检测实验与结果分析.

2 火炮膛线检测原理及方法设计

2.1 火炮膛线检测原理

火炮膛线内部结构如图1所示。

图1 火炮膛线图

针对膛线特点，激光三角法[6]的测距方式在短距离的测量中精度极高，满足测量要求。其原理如图2所示。

图2 激光三角法检测原理示意图

图2中参考平面到被测平面距离X，与光电检测器获取距离X′有着对应关系，通过对光电检测器所获取X′与真实距离进行精确标定即可间接获取待测平面到传感器本身的精确距离。对应关系如式(1)所示。

(1)

系统采用激光三角法获取膛线直径等信息，在此基础上，为减少在膛内表面缺陷的信息时进行高频截面扫描的耗时，提出一种激光三角测量和机器视觉复合方法，完成膛线检测。

2.2 膛线检测方案设计与实现

为检测火炮内部膛线，系统采用配置有激光位移传感器和CCD图像传感器的爬行机器人完成绕火炮轴线旋转移动，同时采集膛线截面的距离数据和图像信息，通过编码器反馈机构旋转与位置信息。在线完成数据采集后，通过离线识别算法获取膛线检测结果，其原理如图3所示。

图3 膛线直径检测原理示意图

该方案通过激光与图像复合检测，在保证高精度激光检测的同时，采用视觉识别膛内缺陷，缩短检测时间。同时针对膛线结构专门设计机器人运动机构，减少其运动过程中的振动影响。

3 膛线检测系统搭建

针对火炮膛线的阴阳线特点，设计了膛内爬行机器人检测系统，包括：三爪爬行机器人、激光与CCD传感器，树莓派4b(Raspberry Pi 4b)与Arduino开发板无线通讯控制系统、激光与图像数据处理平台等。

3.1 爬行机器人设计

在旋转检测过程中，针对旋转轴线定位误差和回转机构振动误差问题，专门设计三爪爬行机器人减少运动振动和定位误差，其结构以三爪定心作为整体支架，针对膛线进行改良优化。整体结构分为移动机构、搭载机构。样机如图4所示。

图4 爬行机器人样机图

移动机构为整体结构支撑，主要由支撑主轴和两组套轮构成，其中驱动套轮与电机配合提供驱动力。套轮与支撑主轴、弹簧所组成的三爪自动定心机构。每组套轮中设计有绕支撑主轴均匀分布的3个运动轮通过连杆与移动环连接。通过弹簧的伸缩控制移动环滑动使机器人三爪同时伸展或收紧，保证检测过程中三爪紧贴火炮膛线上，自动定心。同时考虑到膛线结构的特殊性，通过对运动轮进行角度偏差和沟槽设计使其能与火炮阳线啮合，提高爬行机器人在运动过程中的稳定性。

搭载机构通过携带树莓派控制器决策分析，Arduino开发板执行机器人动作指令，采用激光位移传感器和CCD相机进行数据采集。其中搭载机构由旋转套支撑轴与旋转套组成，两部件通过滚动轴承连接。旋转套支撑轴与移动机构主轴锥孔配合，保证同轴度。各传感器、控制器及回转电机固接在旋转套上，其中激光位移传感器安装于旋转套的定位面上，保证发射时激光束垂直于机器人轴线。

3.2 爬行机器人检测流程

考虑到检测中的传感器信息采集与爬行动作，系统采用搭载1.5 GHz处理器的树莓派4b(Raspberry Pi 4b) 作为小型机器人的主控制器，进行轨迹规划，数据采集和搭载机构回转运动的控制；Arduino开发板作为下位机接收主控制器的启动指令完成各爬行机器人动作，控制方案见图5所示。

图5 爬行机器人控制方案框图

主控制与下位机控制器通过蓝牙通信，避免机构旋转的绕线问题。爬行机器人选用42步进电机与驱动轮轴通过皮带轮连接进行驱动。

系统检测流程如图6所示，检测过程通过前端搭载机构带动各传感器360°旋转完成信息获取。每50 mm对膛线进行一次测量，树莓派发送启动电机指令给Arduino执行单元，等待运动时间后发送停止指令。同时，主控制器。

接收激光位移传感器数据，启动回转电机，等待回转1周后停止数据采集。

4 激光与视觉复合的火炮内膛膛线检测方法

4.1 膛线激光数据算法处理

4.1.1数据预处理

在进行膛线数据分析前，需要获取该膛线截面的数据信息。可将激光位移传感器获取的距离信息R，及编码器信息θ所表示的点集P(R,θ)，转化为直角坐标所需点集P′(Rcosθ,Rsinθ)，便于后续膛线直径检测。由于检测机构存在一定加工及装配误差、膛线制造误差和磨损变形等因素，所测量截面的阴、阳线不是标准圆，近似于圆。本系统采用具有一定鲁棒性的RANSAC算法对阴、阳线数据进行圆模型拟合后计算其直径。

4.1.2RANSAC膛线检测算法原理

RANSAC算法(RANdom SAmple Consensus，随机抽样一致)是由Fischler和Bolles最早在1981年提出的一种对具有一定错误样本的数据集仍能有效处理的算法[7-8]。该算法在一组观测数据中随机抽取模型所需最小样本集,通过多次迭代的方式判断其置信程度，最终选取置信程度最高的模型作为最优的样本集[9-11]。

通常RANSAC算法要求建立一个基本模型M，该模型所需最小样本数为n，设定初步筛选条件k，用于检测该模型是否有直接错误，设定容忍阈值l，当样本余集元素在容忍阈值l中时，将其归为一致集s，通过数次迭代，最终选取出s集元素最多的模型M。通过此分析，所需选取的参数有：① 初步筛选条件k，初步判断模型是否正确，在数据误差较大时减少运算时间；② 需要进行的迭代次数p，即随机抽取样本集的次数；③ 容忍阈值l，用来判断余集样本是否为满足所建立的模型。

由于RANSAC算法每次只能判断一个模型，需将数据以直径为基础大致分为阴线数据和阳线数据，再依次将两个数据集进行算法判断。

从数据中随机抽取拟合圆所需最少的数据，即3个点坐标作为测试模型。计算出此圆的圆心及半径，选定一个半径值k作为筛选初步判断。通过用建立的标准圆模型测试余集所有元素，通过将点到模型圆心距离作为容忍阈值l判断该点是否为内点，记录到一致集s中元素。重复进行p次迭代，选取s集元素数量最多的模型作为最优模型，即得到拟合圆的半径，作为此次检测的阴线或阳线半径。算法流程如图7所示。

图7 RANSAC拟合算法流程框图

4.2 膛线图像数据处理

4.2.1缺陷HOG特征提取

膛线在使用后发生磨损，烧蚀，锈斑等现象，严重时会影响身炮弹正常发射。方向梯度直方图(histogram of oriented gradient，HOG)通过梯度变化描述形状特征能在一定程度上抑制光照和阴影的影响，适合火炮内膛环境下进行图像数据采集[12-13]。HOG特征提取流程如图8所示。

图8 HOG特征提取流程框图

通过灰度化和Gamma归一化可降低图像局部的阴影和光照变化所造成的影响。计算图像的水平梯度和垂直梯度来描述一些轮廓信息[14]。

GX(x,y)=H(x+1,y)-H(x-1,y)

(2)

Gy(x,y)=H(x,y+1)-H(x,y-1)

(3)

其中GX(x,y)，Gy(x,y)分别表示像素点水平梯度和垂直梯度。梯度幅值和方向分别可由式(4)和式(5)表示。

(4)

(5)

4.2.2SVM分类算法

由于膛内缺陷的小样本数据，采用SVM支持向量机(support vector machine，SVM)分类算法[15-16]实现最大分类间隔，对锈斑缺陷进行有效分类。算法通过找到特征空间上最佳的分离超平面使得训练集上正负样本间隔最大来达到最佳分类效果，具体过程为：

1) 给定训练样本集(xi,yi),i=1,2,…l,x∈Rn,y∈{±1}。

2) 在约束条件yi[(w·xi)+b]≥1,i=1,2,…l下，引入Lagrange函数求解最优解a*由式(6)和式(7)表示。

(6)

(7)

3) 计算最优权重向量w*和最优偏执b*。

(8)

(9)

4) 在线性可分情况下得到最优分类函数为式(10)，而线性不可分则引入核函数将其映射入高维特征向量空间构造最优分类面为式(11)。

f(x)=sgn{(w*·x)+b*},x∈Rn

(10)

(11)

5 实验结果与分析

5.1 膛线内径检测实验

考虑到膛线损伤主要来自于炮弹的高速旋转和火药气体冲刷，一般身管内膛阳线的损伤都比阴线损伤要大，本文根据155 mm口径火炮身管的膛线损伤规律，针对均匀损伤段，模拟身管内膛中后段位置所采集的阳线数据，开展相关实验。建立实验预设条件：总共样本数据为N=660，其中点的半径在(77.4～77.8)并存在若干误差点。随机抽取4条阳线测得其直径为155.269、155.292、155.252、154.421。其中154.421明显包含异点数据，为有误结果。因此取均值155.271作为检测直径。

建立圆检测模型最小样本数为n=3，初步筛选条件为对数据集N中满足半径k∈{k|77

表1 阳线直径实验结果

表2 最优模型实验结果

由表1，表2对比可见，实验结果都未超出测试样本直径值。当阈值L为0.001时其最优模型内点数较少，说服力较弱。而L为0.1时阈值过大，筛选效果较弱。通常迭代次数越高结果越精确，实验中取L为0.01和0.005，迭代次数为 10 000次时结果155.287作为阳线拟合直径，随机抽取直径155.271与155.287相比误差为0.016在阈值范围L内，因此用该值代表此截面阳线较为准确。拟合阳线曲线如图9所示。

图9 拟合阳线曲线

图9中实际离散阳线存在较多异点，而拟合阳线有效排除了异点的干扰，模拟实验结论表明RANSAC算法在内膛直径检测中表现较好，不受采集异点影响。

5.2 锈斑缺陷实验

缺陷实验中分别选用30张有缺陷的正样本和负样本用于SVM分类算法训练。正负样本数据如图10所示。

图10 正负样本

对训练结果用有无缺陷的图片各5张照片进行测试，正确判断7张，识别率为70%，膛线实验结果如表3所示。

表3 膛线检测实验结果

6 结论

针对膛线定量测量问题，提出一个基于激光与图像复合的火炮膛线检测方法，方法采用RANSAC算法完成膛线直径检测，通过HOG特征结合SVM分类器完成膛内缺陷检测。针对膛线结构特殊性，完成了三爪爬行机器人设计和样机制作，搭建了膛线检测系统，进行了相关测试实验。实验结果表明，通过在visual studio上进行RANSAC膛线拟合算法和HOG特征与SVM分类器结合的缺陷识别算法验证，直径检测算法在迭代次数为5 000～10 000次及阈值范围在0.005～0.01时取得较好效果，随机抽取膛线直径与其误差为0.016。视觉缺陷识别结果，受到小样本测试条件影响，识别率为70%，基本实现了锈斑缺陷的检测。