智能工廠下基于AGV的路徑識別與檢測*

楊瑩瑩， 劉 翔， 石蘊玉， 黃立新， 王雄飛

(1.上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620;2.行謇人工智能科技(上海)有限責(zé)任公司,上海 200050;3.南京南化建設(shè)有限公司,江蘇 南京 211500)

0 引 言

目前，自動導(dǎo)引車(automated guided vehicle,AGV)在智能工廠中的應(yīng)用極大的提高了運輸?shù)娜嵝曰c自動化，其路徑導(dǎo)引系統(tǒng)是實現(xiàn)貨物穩(wěn)定運輸?shù)闹匾糠?。在常用的AGV導(dǎo)引方式中，視覺導(dǎo)引具有價格低、魯棒性好等優(yōu)點，因此視覺導(dǎo)引方式成為當(dāng)前市場最具應(yīng)用前景的AGV導(dǎo)引技術(shù)[1]。

近年來，學(xué)者們主要通過邊緣[2]、顏色[3]等特征提取AGV的路徑行駛區(qū)域，然后采用 Hough[4]變換獲得行駛路徑的直線方程。文獻(xiàn)[5]將RGB路徑圖像轉(zhuǎn)換到HSV顏色空間中，結(jié)合數(shù)學(xué)形態(tài)學(xué)操作補償修復(fù)光照對路徑的影響并通過Hough變換對路徑中心線進(jìn)行擬合，但當(dāng)路徑邊緣受光照影響較大時，提取的軌跡中心線會產(chǎn)生較大誤差；文獻(xiàn)[6]利用像素與鄰域的空間信息，將區(qū)域生長法分割的道路邊界與Sobel算子檢測的邊緣數(shù)據(jù)相融合減少光照、污漬的干擾，但需要人為選取種子點，對噪聲較為敏感，導(dǎo)致分割后的區(qū)域內(nèi)出現(xiàn)孔洞。

針對以上問題，本文采用CIELAB顏色模型對顏色分量進(jìn)行空間轉(zhuǎn)換，然后選取最優(yōu)通道圖像進(jìn)行最佳(KSW)熵閾值分割獲取熵最大時的分割閾值，并結(jié)合p—分位法(簡稱p-tile法)實現(xiàn)路徑區(qū)域的準(zhǔn)確提?。豢紤]到算法的實時性，本文將Sobel算子提取的橫向梯度與縱向梯度的邊緣數(shù)據(jù)融合，提高算法的運行速度與準(zhǔn)確度。最后通過最小二乘法擬合滑動窗口中的邊緣特征點，從而得到準(zhǔn)確的AGV行駛路徑。

1 AGV路徑識別模型

在實際的AGV行駛環(huán)境中，識別路徑存在光照不均、邊緣污染、邊緣強光照等因素降低路徑的魯棒識別。本文提出基于CIELAB顏色空間的圖像分割方法，通過比較各通道像素分布情況，選取最優(yōu)通道作為分割樣本進(jìn)行最大熵閾值分割,并基于前景像素比率確定最佳分割閾值，流程如圖1。

圖1 路徑識別算法流程

1.1 顏色空間轉(zhuǎn)換

CIELAB顏色空間是由國際照明委員會(International Commission on Illumination,CIE)制定的一種色彩模式，簡稱LAB。此顏色模型可以準(zhǔn)確計算色差，代替RGB顏色模型產(chǎn)生的不均勻偏差。將AGV車載像機采集的RGB圖像進(jìn)行LAB顏色空間轉(zhuǎn)換，得到LAB各分量像素分布直方圖，如圖2所示。

圖2 LAB顏色空間轉(zhuǎn)換直方圖

從圖2中可以看出，L通道中的像素分布與灰度直方圖類似，邊緣光照以及紋理背景對像素值分布影響較大；A通道中的像素峰值較為接近，在進(jìn)行圖像分割時，容易出現(xiàn)背景與目標(biāo)誤判的情況；B通道將像素值明顯分為背景與前景兩部分，且各部分的像素距離較小，表明B通道有效降低了光照及噪聲的影響，因此,本文將B通道作為路徑檢測樣本圖。

1.2 KSW熵二值化

局部閾值法[7,8]具有一定的抗噪能力，但存在一定的缺陷：1)抗紋理噪聲能力差；2)強光區(qū)與弱光區(qū)容易分離，導(dǎo)致路徑提取不完整。在這種情況下，本文通過KSW熵法進(jìn)行閾值處理[9]。假設(shè)通過車載攝像機采集的路徑圖像尺寸為M×N，其背景圖像為B，前景圖像為O，pi表示每個灰度值出現(xiàn)的概率。

1)假設(shè)圖像分割閾值為t，則對應(yīng)的背景熵與前景熵分別為

(1)

(2)

2)通過最大化總信息熵獲取最佳閾值t*，即

t*=argmax(HB(t)+HO(t))

(3)

對比常用的最大類間方差法(OTSU)可以看出，路徑圖像經(jīng)過LAB顏色空間轉(zhuǎn)換后進(jìn)行KSW熵處理能夠很好的解決光照對邊緣的影響，如圖3所示。

圖3 二值化效果對比

1.3 融合KSW熵的p-tile閾值分割法

本文通過KSW熵算法與p-tile算法相結(jié)合的方式快速獲取路徑圖像閾值。假設(shè)AGV在某一良好的環(huán)境中運行，車載像機在一定角度下采集路徑圖像，則二值化處理后的目標(biāo)像素占整幅圖像像素的比率P=No/Nt。其中，No為目標(biāo)像素，Nt為整幅圖像像素。

當(dāng)拍攝角度以及路徑尺寸相同時，受到光照、污漬影響的路徑圖像經(jīng)過顏色空間轉(zhuǎn)換及KSW熵處理后的目標(biāo)像素占比率P′=Nob/Nt。其中，Nob為目標(biāo)像素。當(dāng)|P-P′|>且0

2 AGV路徑檢測系統(tǒng)

2.1 改進(jìn)的Sobel邊緣檢測

索貝爾算子(Sobel operator)是一種離散的一階差分算子，可以用于圖像的邊緣檢測。該算子具有橫縱兩組3×3的矩陣模板。將其與灰度圖像A作卷積，可以得到兩個方向的亮度差分近似值。公式如下

(4)

由于計算每列邊緣像素點的計算量較大，會影響AGV路徑檢測的實時性。本文通過融合Sobel算子的水平方向與垂直方向的邊緣數(shù)據(jù)點減少計算量，如圖4，公式如下

圖4 Sobel邊緣檢測對比

(5)

2.2 滑動窗口算法

本文在使用滑動窗口時，采用逆透視變換對圖像進(jìn)行矯正從而確定左右邊緣的像素峰值點并將其作為導(dǎo)航起始點；然后以起始點作為窗口下邊線的中點建立一定尺寸的動態(tài)窗口搜索邊緣特征點，并將窗口中像素點的橫坐標(biāo)均值點的所在列與窗口上邊線的交點作為下一個窗口的下邊線中點，建立同樣尺寸的動態(tài)窗口繼續(xù)搜索特征點，直到所有行搜索完畢；最后，將所有落在窗口中的白色像素點定義為左右車道線的候選點，對候選點做基于最小二乘法的多項式擬合進(jìn)行車道線的檢測。

3 實驗結(jié)果與分析

本實驗通過AGV車載攝像機采集不同環(huán)境下的路徑圖像，利用OpenCV 4.0.1(Open Source Computer Vision Library)平臺進(jìn)行處理。由于偏置項n的取值影響二值化的準(zhǔn)確度與速度，本文選取具有光照不均、路徑污染、背景紋理干擾的圖像作為實驗樣本。已知上述圖像在良好環(huán)境下二值化處理后的目標(biāo)像素占比為P，通過顏色空間轉(zhuǎn)換和KSW熵閾值處理后的目標(biāo)像素占比為P′，取不同的偏置項n對應(yīng)的閾值分割的準(zhǔn)確率F=P/P′。當(dāng)F越接近 1時，準(zhǔn)確率越高。其中,圖2(a),(c)及圖5(d)為部分代表性結(jié)果，如表1所示。

表1 不同n下的準(zhǔn)確率與時速

表1中，n=1時，F(xiàn)=1，路徑提取效果最好，但需要時間為代價；n=2時，F(xiàn)≈1,且時間相對較少；n≥3時，F(xiàn)偏差較大，路徑提取效果較差;綜合比較二值化的準(zhǔn)確度與速度，可以確定n=2時效果較好。

1)比較傳統(tǒng)的最大熵法與本文改進(jìn)的閾值方法的分割效果，如圖5所示。圖5(a)，(d)受到光照、污染、地面紋理干擾的影響，從分割結(jié)果可以看出，在干擾較強的環(huán)境中傳統(tǒng)的最大熵閾值分割方法效果不佳。本文采用改進(jìn)的p—tile法獲取圖像的最佳閾值，實現(xiàn)背景與前景的準(zhǔn)確分離，路徑提取效果更為精確。

圖5 二值化處理效果比較

2)為驗證改進(jìn)的Sobel方法提高路徑檢測的實時性，本文選取不同環(huán)境下的路徑圖像，對傳統(tǒng)方法與改進(jìn)方法的路徑檢測時間進(jìn)行比較，如表2所示。其中，T1為使用傳統(tǒng)Sobel算子進(jìn)行路徑檢測需要的時間，T2為通過改進(jìn)的Sobel算子進(jìn)行路徑檢測需要的時間。從表中可以看出，相較于傳統(tǒng)的Sobel算法，本文方法提高了約4 %的處理速度，同時，其路徑檢測效果依舊很好，如圖6所示。

表2 不同方法下的路徑檢測時間

圖6 路徑檢測效果對比

從圖6中的直方圖像素頻數(shù)分布可以看出，通過改進(jìn)的Sobel邊緣檢測法使滑動窗口搜索的邊緣像素大大減少，從而減少了運算復(fù)雜度，增強了算法的實時性；兩種方法對應(yīng)的檢測效果一致，表明了改進(jìn)的邊緣檢測方法在減少邊緣像素點的同時保持良好的邊緣特征信息，實現(xiàn)較好的路徑檢測效果。

4 結(jié) 論

本文通過分析LAB顏色空間中顏色分量的像素分布特點，得出B通道分量可以有效的避免光照及噪聲的干擾，有利于后續(xù)的二值化處理。通過對B通道分割樣本進(jìn)行KSW熵處理，并結(jié)合改進(jìn)的p—tile法獲取圖像的最佳分割閾值實現(xiàn)了路徑的準(zhǔn)確提取。在路徑檢測過程中，對路徑邊緣采用Sobel算子，將其水平梯度與垂直梯度數(shù)據(jù)進(jìn)行融合，從而去除噪聲點以及冗余的邊緣點，提高了滑動窗口對邊緣特征點的搜索速度，并且降低了最小二乘法擬合車道線的計算復(fù)雜度。