基于机器视觉的擦玻璃机器人研制

杨向东，潘文彬，麦铠芮，张陈宏，周汶锋

（广州华立学院 机电工程学院，广东 广州 511325）

1 引言

目前，具有爬墙功能的机器人仍处在从理论研发向实际产品过渡阶段，市场上的擦窗机器人产品并不多，且价格昂贵，很容易留下清洁死角。本项目根据玻璃幕墙清洁的需求，利用机械视觉和负压吸收基本原理，设计了一款负压吸收式手动擦窗机器人，从而达到了对玻璃窗不同范围内的净化功效。通过样机负载测试与擦试效果测试，取得了较好的试验效果。

2 系统总设计

视觉智能擦玻璃机器人通过OpenMV采集周围环境的信息情况，然后对采集到的目标图像进行识别与定位，再结合摄像头不同角度的反馈测得目标与擦玻璃机器人直接的距离，最后通过驱动来控制机器人履带的电机，机器人将会运动到目标位置进行清洁工作。

采用了嵌入式机械视觉的智能擦玻璃机器人，系统主要包含了硬件电路部分和软件部分。系统硬件电路大致分为主控芯片STM32 F103及其外围集成电路、OpenMV、风机、电源、操舵装置、超声波传感器和L298N电机，硬件的运作流程如图1所示。

图1 运作流程

3 硬件设计

3.1 主控制器

视觉擦玻璃机器人一般使用的STM32 F103为主控制设备，而STM32 F103则包括较中低端的3个ARM微控制器，其核心为Cortex-M3，最大运算频率达7 MHz，在存储器的零等待循环使用时限内可达到1.5 DMIPS/MHz。

3.2 图像采集模块

采 用 了OpenMV3与CamM7，OpenMV开 源，特别适用于机械视觉，软件功能强劲且性价比高。以STM3F767CPU为内核，并整合了OV7725摄像机芯片，在小巧的硬件系统模组上，可以通过C语言所提供的简单算法完成机械图像视觉功能，同时支持Python编程，实现更多功能。

3.3 执行机构

智能擦玻璃机器人的外观主要采用长方形机器人构造，其机构主要分为摄像头转动部分舵机、机器人行驶部分电动机和底盘吸附部分风机。

智能擦玻璃机器人的底盘采用正方形底盘结构，底盘由一对履带轮进行带动，由STM32 F103信号输出，两个履带由PWM控制，1 V供电的L298N直流电机驱动，通过控制两条平行履带轮实现机器人差速转动，可以实现360°无死角的旋转与移动。

吸附部件采用无刷电机，利用STM32 F103对转速进行控制，实现对玻璃的吸附。OpenMV能够实现全方位旋转的，其旋转过程主要是由OpenMV通过驱动控制来完成，而该结构也可以使机器人的视野更加宽广。OpenMV质量较轻巧，所以可以选用工作力矩略小的MG90S模拟操舵装置来对质量较轻的OpenMV的转动方向加以控制。

主控芯片STM32 F103CPU，通过调节PWM脉冲信号的最高电平占比，达到准确调节舵机旋转的角度，舵机装置所需要电流的多少和反应速度相关，所以MG90S模拟操舵设备的电源使用4.8 V的电流进行输出以保证操舵装置顺利工作。

4 软件设计与算法实现

该机器人采用C语言编程STM32 F103主板，运用Keil uVision5编程软件以及ST-LINK仿真器烧录。OpenMV采用MicroPython并用OpenMV IDE软件进行编程，同时STM32 F103与OpenMV通信，OpenMV将位置信息传递到STM32 F103，再由STM32 F103进行一系列的运作。

4.1 主程序设计

图像识别模块通过OV7725摄像头芯片实现图像采集，并通过OpenMV-IDE对所采集图像信息进行了编程和管理，包括颜色空间变换、图像增强、消除阴影、目标分离、特征提取和目标辨识。

OpenMV主要用于识别以及跟踪污点，当识别到污点时，通过与MG90S舵机共同运作，OV7725摄像头会锁定此污点，且保持让此污点在可识别范围内，当机器人行走到污点位于视觉盲区内时，则会继续直行。

在OpenMV IDE里，运用了Lab色彩空间进行图像处理。Lab色彩空间既是一个与设备无关的色彩模型，也是一个基于人类生理特性的色彩模式。

亮度（L），a 和b是两个颜色通道。a包括的色彩范围从深翠绿（低亮度值）到灰度（中光度值）再到亮粉红色（高亮度值）；b由亮蓝（低亮度值）到灰白（中亮度值）再到黄色（高亮度值）。经过阈值调试后，污点的Lab阈值为（13，49，18，61，6，47）。OpenMV机器视觉模块硬件如图2所示。

图2 OpenMV机器视觉模块硬件

通过舵机转动摄像头识别玻璃上的污点，获取到污点的信息后，通过PID算法把污点信息传送至STM32 F103，进而使用STM32 F103控制机器人的电机来移动机器人，机器人到达目的位置后，擦除污点，完成任务。

4.2 目标定位

定位目标视觉既需要准确又要具有成本效益。在最常见的视觉定位中，为了获得目标污点的位置，必须测量图片中的目标污点，从而把图片位置转化为实际位置坐标系。在电脑视觉中，主要包括了四种坐标系间的切换，即图形坐标系、摄影机坐标系、像素坐标系及其世界坐标系。目标位置都采用了双目视觉，但由于采用双目视觉的所匹配算法比较烦琐，所以在本文中把单眼视觉直接用到了图形位置中，并采用了相似的三角形原理，并且利用相机角度反馈和设置高度来定位目标。

如图3所示，机器人到目标的一段距离使用的是摄像机头视角反馈定距法，该计算使用正切函数公式，如图3中点B为摄像机的安装位置，点A为目标所在地点，BC为摄像机到地面的垂直距离；使用MG90S进行舵机反馈的角度测量可以得到θ，在实际观测后得到摄像机头的离地高度BC，即可得出工业自动化机器人离目标的间距AC。

图3 OpenMV模块摆放位置

4.3 PID算法

在整个过程系统中，按误差的比率（Proportion）、面积（Integral）和微分（Derivative）加以限制的PID控制器，是目前使用得较为普遍的一类0.5自动控制器。

在STM32 F103zet6开发板中运用PID算法对于本项目的擦玻璃机器人的电机提供了准确的速度和RAM计算。

4.4 通用加速分割检测（AGAST）算法

通用加速分割检测（Adaptive and Generic Accelerated Segment Test，AGAST）算法相对于角点探测（Features from Accelerated Segment Test，FAST）算法准确率高、像素延迟低、追踪效果好。同时，AGAST算法（AGAST）对特征点的提取进行了细化处理，如式（3）所示，AGAST算法采用“非较亮”与“非较暗”对P点邻域像素点的状态进行扩展。

当图像像素点过多时，为提高检测效率，可以只检测1，5，9，13这四个像素点的灰度值，如图4所示，当四个点中有三个满足成为特征点的条件后，在检测该点的全部邻近点，运用此方法进行初筛，可以快速遍历图像中所有的像素点，只保留特征明显的像素点。

图4 算法演示

因此，在STM32 F103zet6开发板中运用AGAST算法，目的是使机器人准确地捕捉到污渍。

5 试验验证

5.1 试验场景

将玻璃放在室内玻璃上，根据玻璃上的污迹来擦拭玻璃，擦玻璃机器人既有固定的行走路程，又可以按照玻璃上的污迹准确地完成擦拭。

试验场地尺寸为100 cm×100 cm，出发区在玻璃右下角约30 cm×30 cm的地方；机器人尺寸（长×宽×高）为30 cm×30 cm×8.5 cm；机器人全自主完成擦拭工作；在实验时将机器人置于模拟区域，场地中有不同颜色深度的目标污点，机器人将目标污点擦除，统计目标污点擦除数目。机器人实物图如图5所示。

图5 机器人实物图

5.2 吸附受力实验

将擦玻璃机器人启动并吸附在玻璃上，并且使用弹簧测力计将擦玻璃机器人从玻璃上拉开，f为履带与玻璃面的产生的驱动摩擦力，G为重力，S为受力面积（此处选整个机器人的底面为受力面积）。

图6 机器人吸附力试验原理图

5.3 试验效果

擦玻璃机器人通过把污点作为目标物进行擦拭，在处于不同的环境的玻璃反复进行测试，并于未优化的算法进行比较，得出的结果见表1。

由表1可知，机器人通过改进前的算法，在正常光照的状况下对污点的识别率为66%，对污点的擦除率则为77%；在强光照耀下污点的识别率约为50%，而污点擦除率则为66%，但在弱光环境中，污点的识别率为50%，污点擦除率为66%。

表1 试验数据对比

由表1可知，机器人采用改进后的算法，在正常光照射的情况下，污点的识别率为93%，污点擦除率为100%；在强光照射下其中有五个污点未能识别；在弱光环境中，由于环境太暗，未能识别其中六个污点。

试验对比了机器人改进前与改进后的算法得出，识别率与擦除率都极大地提高了，达到预期的试验设计效果，实现了对玻璃污迹的擦除，节省了人力资源，降低了高空作业的危险性，提高了人工智能化的运用。

6 结束语

项目通过上述算法与试验验证，结论如下：

1）在正常光照射的情况下，污点的识别率为93%，污点擦除率为100%。

2）采用像素延迟低的通用加速分割检测算法（AGAST），可提高样机的定位准确度。