基于惯性定位与视觉检测技术的管道机器人系统设计 零偏科技版权所有

1、题目基于惯性定位与视觉检测技术的管道机器人系统设计摘要对于非开挖技术铺设的地下管线，现有的管道机器人由于体积大、防水密封性能差、爬坡和负载能力有限等原因，难以在此类管道中完成管道检测任务。本文设计一种防水密封等级高、负载能力大、爬坡能力强，且具有自主定位和视觉检测功能的新型伸缩式管道机器人。首先，本文介绍了系统的结构设计，并且分析机器人的受力情况以及爬坡和负载能力。接着，利用姿态解算和三维航迹推算实现了机器人的惯性定位。然后，设计了基于CCD传感器的视觉检测算法用于识别和分类管道故障。最后，一系列的场地测试验证系统的性能指标。关键字伸缩式管道机器人 惯性定位 视觉检测 CCD1. 绪论地下管线

2、是城市基础设施的重要组成部分，承担着通信、供水、电力等关键职能，常被誉为城市的“生命线”1。然而，城市地下管线规模大、布局杂，且缺乏统一详尽的管网档案，给地下管线的使用与维护带来诸多困难2。一些城市相继发生大雨内涝、管线泄漏爆炸、路面塌陷等事件3。因此，为了保障城市各项市政功能的正常运转，急需对各类地下管线进行必要的勘测和维护。通常情况下，地下管线勘测的核心是对地下管线进行定位，具体需要探明管道的三维坐标，得到管道的铺设轨迹；管线维护的核心是对管道进行无损检测，以便发现管壁是否存在裂纹或塌陷。在现阶段，地下管线的定位或检测任务主要依赖工程技术人员使用各类仪器进行人工探测4。随着我国城市地下管线

3、的规模日渐扩大，传统的人工探测方法耗时耗力，难以满足当前不断积累的管道定位与检测任务需求。此外，相当数量的地下管线穿越河流、建筑、公路等地表障碍，管道检测任务的工作场地狭小，管井内部环境极为恶劣，因而人工携带探测仪器进行管线探测十分困难。管道机器人属于特种机器人领域，是一种由自身控制系统或远程遥控的在管道内自由行走，携带CCD摄像头、超声波探伤仪、焊接臂等任务载荷，完成一种或多种管道作业的机电一体化系统。根据驱动机构的不同，典型的管道机器人可以分为介质压差式管道机器人、轮式管道机器人、履带式管道机器人和伸缩式机器人5。介质压差式管道机器人利用管道中流动介质在机器人两端形成的压力差驱动机器人前进

4、，无需外部能源即可完成长距离作业，但其运动速度和运动状态难以控制6。轮式管道机器人结构简单、容易控制，但是存在爬坡能力差、牵引力小等缺点。与轮式管道机器人相比，履带式管道机器人因其履带和管道内壁间的接触面积较大，故具备良好的环境适应性和一定的牵引力7。但是，履带式管道机器人不易小型化、重量大、容易倾覆，多适用于大中口径的管道。采用伸缩式驱动机构的蠕动式管道机器人具有运动稳定、牵引力大、爬坡能力强、横截面积小等优点8，但其轴向尺寸较长，行进速度慢，弯曲管道的通过能力较差9。目前，非开挖技术铺设的中小口径地下管线在城市中占有重要的位置。一般而言，这些管道的倾角范围从10度到30度，管道内有大量的污

5、水污泥。因此，典型的轮式或履带式机器人很难适应这些恶劣的环境。针对此类地下管线的特点，本文结合轮式管道机器人和蠕动式管道机器人的优点，设计一种新型伸缩式管道机器人。该机器人使用电机丝杠驱动结构配合轮式支撑结构，具有稳定的运动状态和较大的牵引力。针对机器人的定位，国内外已研究过多种检测方法1011，但在管道机器人定位中由于管道及其埋藏介质的封闭和屏蔽作用，使得外界的联系受到很大的制约，导致常规的声光电等成熟检测定位方法很难应用。现在使用的一些方法也存在一些局限性：、射线具有放射性；静磁场方法定位技术易受磁场干扰；曲率传感器定位不适合直线管道；低频电磁脉冲定位法易受到管道参数的影响。随着惯性技术的

6、发展，由陀螺仪和加速度计组成的惯性系统能够自主定位，解决了在地下和干扰条件下定位不准确的问题。目前，地下管道检测主要使用管道闭路电视检测系统（CCTV 检测技术）了解管道内部状况，缺少定位功能和管道故障识别功能。因此，将惯性定位技术和基于CCD传感器的视觉检测技术相结合设计新型的系统，可以实现地下管线勘测和检测维护工作。本文设计一种新型的伸缩式管道机器人作为地下管线勘测和维护的工作平台；使用惯性定位技术对机器人进行定位，可以绘制机器人的行走轨迹；使用CCD传感器对管道内部进行拍摄，实时传输视频信号至上位机，操作人员可以依据基于CCD传感器的视觉检测算法对管道的运行状况进行判断。2. 系统结构本

7、文研究的系统适用于非开挖技术铺设的各类中小口径地下管线，需要实现机器人的定位和基于CCD传感器的视觉检测。结合非开挖技术铺设的地下管线的特点，本文研究的系统基本设计要求如下：(1) 机器人在上位机的控制下可沿管道内壁进行双向行走，单次最大行走距离为200m。(2) 机器人可适应多种口径、不同材质的管道，要求管道最小曲率半径：400D（D为管道外径）。(3) 机器人爬坡能力强，最大爬坡角度为35°；负载能力大，可搭载其他模块拓展功能，诸如携带超声波探伤仪进行探伤。(4) 防水密封等级IP68，可适用于含有大量污水污泥的管道。(5) 实现机器人的精确定位，测量精度不受管道材质、深度和外界

8、干扰的影响，能够绘制机器人行走的三维轨迹。(6) 实时传输地下管道内部的视频信号至上位机，数据传输稳定可靠，抗干扰能力强。同时，基于CCD传感器的视觉检测算法能够辅助操作人员识别和分类管道故障。2.1系统的机械结构设计伸缩式管道机器人的结构设计如图1所示，主要由四大部分组成：前后支撑轮系、前后锁止机构、伸缩机构和主舱体。图1管道机器人的主体结构(1) 伸缩机构：机器人的主驱动机构，执行伸展和收缩动作，实现管道机器人的前进或后退。(2) 锁止机构：由结构相同的前后两套锁止机构组成。当机器人前锁止机构紧压管道内壁时，机器人前端被锁定，前端不能自由运动；当前锁止机构解锁时，前端可以在伸缩机构的带动下

9、前后移动。 (3) 主舱体：内部安装有机器人的控制模块、定位模块等，具有良好的防水密封性能，保护其不受外部损坏。(4) 支撑轮系：由结构相似的前后两套支撑轮系组成。当锁止机构解锁时，支撑轮系支撑机器人，使机器人运动平稳，并减小摩擦阻力。管道机器人具有良好的防水性能，防护等级达IP68。该等级可完全防止灰尘进入机器人主舱体，并能使机器人在一定压力下长时间浸水且不影响其正常工作。防水密封措施主要如下：1. 主要接口采用55°密封管螺纹，并在螺纹口增加了O型橡胶密封圈；2. 丝杠及联轴器外部增加了可伸缩防水丝杠护套，并通过法兰盘与机器人主体连接；3. 伸缩机构的电缆接线口均使用防水电缆接头

10、保护；4. 使用防水灌封胶对重要接口进行防水灌封。2.2系统的硬件电路设计系统的硬件电路分为3部分（如图2所示）：管道机器人主电路、外部传感器和上位机。管道机器人主电路被划分为电源模块、DSP+CPLD模块、电机驱动模块、通讯模块、惯性导航模块和视频传输模块。各模块的功能如下：图2机器人硬件电路架构(1) 电源模块：为管道机器人硬件电路其余模块提供各自所需的电源供应。(2) DSP+CPLD模块：该模块是机器人硬件电路的核心，负责机器人行走状态的控制与转换、导航信息处理、各芯片控制信号的生成等。(3) 电机驱动模块：接收DSP+CPLD模块发出的电机控制信号，输出步进电机所需的脉冲序列。(4)

11、 通讯模块：使用直流载波技术实现上下位机的双向通信，并设有RS232接口用于系统扩展。(5) 惯性导航模块：陀螺仪和加速度计组成的惯性模块采集机器人的姿态信息，结合里程计输出的里程信息输出至DSP+CPLD模块。(6) 视频传输模块：将CCD摄像头采集的管道内部视频信息传输至上位机。2.3 系统的软件设计按照机器人控制系统框架，管道机器人控制计算机的软件是基于Microsoft Visual C+ 6.0 platform开发设计的，包含五大部分，如图3所示。图3软件结构(1) 控制通信模块：实现管道机器人和上位机的实时通信，负责向管道机器人发送控制指令，并且接收管道机器人发送的状态信息。(2

12、) 视频采集模块：接收CCD摄像头的模拟视频信号，对信号进行采集、量化为数字信号，形成视频流。(3) 计算模块：利用惯性导航模块的偏航角、俯仰角和长度信息对机器人进行定位，推算机器人行走的三维信息；对视频采集模块的视频数据进行视频预览处理，同时基于CCD传感器的视觉检测算法对管道图像进行管道故障识别与分类。(4) 显示模块：包含三维信息显示和视频显示两部分。三维信息显示部分使用三维图形和二维图形来显示机器人的行走轨迹（即管道的铺设轨迹），实现了全方位的描述。视频显示部分实时显示地下管道内部的视频信息，界面如图4所示。(5) 数据管理模块：保存地下管道的轨迹信息和管道的视频信息，便于后期进一步的

13、研究。图4软件界面3. 管道机器人的受力分析与爬坡能力分析本节对机器人建立了力学模型并进行了较详细的受力分析，具体包括线缆拖曳阻力的估算、锁止机构锁止条件的分析、丝杠轴向负载分析等内容，然后根据丝杠和电机的性能指标对机器人的爬坡与负载能力进行分析。3.1管道机器人的受力分析为了便于叙述，首先做如下定义：1. 前后锁止机构各支撑体对管壁的压力为Ni，与管壁间的最大静摩擦力为fi （i=16），与管道内壁间的静摩擦因数均为。2. 锁止机构各支撑体圆周对称分布，因此假设锁止机构在滚珠螺母的轴向推力作用下各支撑体对管壁的作用力均为N。3. 前后支撑轮系各轮子对管壁的压力为Nwj，与管壁间的滚动摩擦力为

14、fwj（j=16）；与管道内壁间的滚动摩擦因数均为w。4. 两套支撑轮系在弹簧作用下每个轮子对管壁的作用力均为Nw。如图5所示，在倾角为的管道中，机器人前锁止机构各支撑体在丝杠螺母的推动下向管壁施加压力Ni，从而增大了支撑体与管壁间的摩擦力fi，保证锁止机构的可靠锁定；为带动机器人后端沿管壁向左运动，伸缩机构需克服线缆的拖曳阻力fc和机器人重力Mg的分力，上述机构的动作与各机构丝杠的轴向负载有关。 A 倾斜管道中机器人状态示意 B 前锁止机构截面图5 管道机器人的主要受力情况3.1.1 线缆拖曳阻力的估算机器人的主要使用场合为水平定向钻技术铺设的中小口径地下管线，此类地下管线的铺设轨迹通常由斜

15、直线段、曲线段、水平线段等组成。通常，曲线段的曲率半径大于管道直径的400倍，所以在估算线缆拖曳阻力时可以将其近似为直线段。根据文献13，管道中线缆的拖曳阻力FL的计算公式： (3.1)式中c为线缆的线密度，g为重力加速度，c为线缆与管道内壁间的滑动摩擦系数，为管道的倾角，Lc为线缆的长度。根据式(3.1)，可得管道终点处的线缆拖曳阻力： (3.2)3.1.2 锁止机构锁止条件的分析以前锁止机构为例，其支撑体在丝杠螺母的轴向推力和机器人自身重力的共同作用下向管道内壁施加压力Ni，从而增大支撑体与管道内壁间的静摩擦力fi (i=1,2,3)。若F为锁止机构所受的轴向总牵引力，则机器人可靠锁止的必

16、要条件为： （3.3）由式（3.3）可见，机器人能否可靠锁止主要依赖支撑体向管道内壁施加的压力Ni。当机器人前锁止机构锁止，后锁止机构解锁时，管道机器人在倾角为的管道中，其状态如图5所示。此时，前锁止机构、前后支撑轮系共同支撑机器人机体，假设上述机构各承受1/3的机器人自身重力。所以， N1、N2、N3如下： （3.4）依照上述思路，同理可得和。可知，Ni的大小与N有关，为了进一步研究锁止机构的可靠锁止条件，还需对N进行分析。由于锁止机构3对支撑臂圆周对称，可认为每个支撑臂所受丝杠的轴向推力相等，均为F/3，因此只需分析一个支撑臂的受力情况，受力模型如图6所示。图6 锁止机构支撑臂受力模型 （

17、3.5）式中yC为C点的y轴坐标，xA为A点的x轴坐标；lA、lB分别为两支撑臂的长度，rA、rB分别为B、E点至x轴的距离，d为C、D两点的距离；、分别为两支撑臂与x轴的夹角。其中rA、rB、d、lA及lB为常量。选取rA=rB，lA=lB=l，对式（2.5）去微分可得： （3.6）3.1.3丝杠轴向负载分析以伸缩机构丝杠的轴向负载为例，在倾斜管道中，由于重力和线缆拖曳阻力的影响，与向下运动相比，机器人沿管壁向上运动时伸缩机构丝杠的轴向负载较大，故只分析此种情况。机器人前锁止机构锁止，后锁止机构解锁，伸缩机构带动机器人后端沿管壁向左运动。此时丝杠的轴向负载力F1A受机器人后端重力、后支撑轮系

18、与管壁间的滚动摩擦力、线缆拖曳阻力fcable三部分的影响，故有： （3.7）当机器人后锁止机构锁止，前锁止结构解锁时，伸缩机构推动机器人前端沿管壁向左运动，此时丝杠的轴向负载力F1B仅受机器人前端重力和前支撑轮系与管壁间的滚动摩擦力的影响，故有： （3.8）3.2爬坡和负载能力计算假设机器人的最大爬坡角度为35°，按照表1的参数估算伸缩机构丝杠轴向负载，然后结合机器人的丝杠的性能指标分析机器人的爬坡能力。表1 伸缩机构丝杠轴向负载估算参数Nw5N机器人质量M30kg滚动摩擦系数k0.5mmg9.8N/kg轮子半径r25mmfcable0100Nw=k/r0.020.4倾角035&#

19、176;横滚角090°伸缩机构丝杠最大轴向负载力为：伸缩机构丝杠最小轴向负载力为：忽略丝杠与滚珠螺母、导轨之间的摩擦，则可知丝杠的当量载荷：丝杠的当量载荷计算丝杠的额定动载荷为伸缩机构的丝杠是HIWIN FSI20-5T3型滚珠丝杠，其额定动载荷11.4kN远大于，显然机器人的最大爬坡角度>35°。通常情况下，非开挖技术铺设的地下管线的倾角范围小于 30°，机器人的爬坡角度比非开挖地下管道最大倾角多16.67%，爬坡能力强。根据机器人的受力分析和丝杠的参数，可以计算得出步进电机的最大启动转矩TR，包含摩擦力矩、预紧力矩和最大加速转矩三部分。步进电机的静力矩T

20、S与电机最大启动转矩TR有如下关系：伸缩机构的步进电机是山社SS2304A42A两相混合式步进电机，其静力距2.4 N·m远大于需求的。机器人的负载有很大的余量，负载能力强，可用于今后搭载其他模块拓展功能，诸如携带超声波探伤仪进行探伤。4. 管道机器人的控制方法4.1管道机器人的自主行走伸缩式管道机器人在管道内的运动具有间歇式的特点，长距离单向行走由多个基本的伸缩动作组成。如图7所示，机器人沿管道向左行走，一个基本的伸缩动作由以下几个状态组成：A初始状态：机器人两端处于锁止状态B机器人前端解锁，伸缩机构推动机器人前端向左移动C机器人前端锁止，后端解锁，伸缩机构带动机器人后端向左移动D

21、机器人反复执行B、C两状态图7管道机器人的行走原理初始状态A：前后两套锁止机构均锁止，防止机器人自由移动；状态B：后锁止机构保持锁止状态，前锁止机构解锁，伸缩机构伸展，推动机器人前端向左移动；状态C：前锁止机构锁止，后锁止机构解锁，伸缩机构收缩，带动机器人后端向左移动，机器人向左移动L；机器人反复执行状态B与状态C，从而实现长距离行走。伸缩式管道机器人的行走状态可划分为连续前进、连续后退、单步前进和单步后退4种基本模式。机器人在两端支撑轮系的辅助下，其在管道内的行走路径基本固定，因此对机器人行走模式的控制着重于机器人各机构的协调控制。为了限制机器人的耗电量，这里规定机器人运行过程中同一时刻只有

22、一台电机工作。基于上述规定，机器人行走模式的控制可归结为伸缩机构电机、前后锁止机构电机工作状态的相互转换。有限状态机理论擅长描述有限个确定的状态及其相互转换，在软件设计和机器人控制等领域应用广泛。因此，本节基于有限状态机理论对4种基本行走模式的输入输出事件进行了抽象，设计了各行走模式的状态集合，在此基础上给出了各行走模式的状态转移图。4.1.1状态机输入输出的抽象各行走模式的输入信号如下：(1) 限位控制信号（P）：防止伸缩机构和前后锁止机构超出丝杠的安全行程，P由三位二进制数构成；(2) 锁止机构压力信号（N）：检测锁止机构支撑体对管壁施加的压力，N由两位二进制数构成；(3) 停止信号（S）

23、：是否接收到上位机发出的停止指令；(4) 单步信号（T）：是否接收到上位机发出的单步指令。各输入信号的取值及其定义如表2所示。各行走模式的输出信号（M）由4位二进制数字组成，即M=M4M3M2M1，分别代表电机的正反转信号和3台电机的选通信号，输出信号的取值及其定义如表3所示，例如M=1010表示前锁止机构电机反转。表2状态机输入信号定义输入信号取值及定义01PP3后锁止机构未达到安全行程后锁止机构达到安全行程P2前锁止机构未达到安全行程前锁止机构达到安全行程P1伸缩机构未达到安全行程伸缩机构达到安全行程NN2后锁止机构未达到压力阈值后锁止机构达到压力阈值N1前锁止机构未达到压力阈值前锁止机构

24、达到压力阈值S尚未收到停止指令收到停止指令T未收到下一单步指令收到下一单步指令表3状态机输出信号定义输出信号取值及定义01MM4电机正转电机反转M3后锁止机构电机未选通后锁止机构电机选通M2前锁止机构电机未选通前锁止机构电机选通M1伸缩机构电机未选通伸缩机构电机选通4.1.2基本行走模式的状态机描述有限状态机的数学模型可以通过一个如下的五元组进行描述：式中Q为状态机状态的有限集合，且Q非空；为状态机能接收的所有输入事件的集合；为状态转移函数；为状态机的初始状态；F为状态机终止状态的集合。依照机器人的行走原理，机器人反复执行基本伸缩动作直至上位机发出停止指令，因此可得连续行走模式的状态机模型如下

25、：Q1=待机状态S0，后锁止机构锁止S1，前锁止机构解锁S2，伸缩机构伸展S3，前锁止机构锁止S4，后锁止机构解锁S5，伸缩机构收缩S6，停止状态S7；=限位控制信号P，锁止机构压力信号N，停止信号S；=待机状态S0；F1=停止状态S7；依据上述模型，可得机器人连续前进模式和连续后退模式的状态机描述如图8所示。A 连续前进模式的状态转移图B 连续后退模式的状态转移图图8连续行走模式的状态机描述管道机器人的单步行走模式可使用户逐段观察管道内部情况，对管道进行无损检测。与连续模式相似，可得机器人单步前进、单步后退模式的状态机描述如图9所示。A 单步前进模式的状态转移图B 单步后退模式的状态转移图图

26、9单步行走模式的状态机描述4.1.3基本行走模式的转换用户可以通过上位机对机器人的行走模式进行切换，机器人基本行走模式转换的状态机模型如下：Q2=待机状态A0，连续前进A1，连续后退A2，单步前进A3，单步后退A4，停止状态A5；=控制指令C；=待机状态A0；F2=停止状态A5；设控制指令C的取值及定义如表4所示，依据上述模型，可得机器人基本行走模式转换的状态机描述如图10所示。表4基本行走模式切换的输入定义输入信号C取值及定义000机器人待机A0001连续前进A1010连续后退A2011单步前进A3100单步后退A4111系统停止A5图10基本行走模式切换的状态机描述4.2管道机器人的惯性定

27、位在测量过程中机器人的运动速率不高，且由于机器人的外形体积限制只能选取微机械惯性元件，故可运用航迹推算方法对机器人定位。首先陀螺、加速度计根据姿态矩阵测量机器人在系统采样时刻的姿态信息，然后结合里程计输出的里程信息进行航迹推算，从而测出机器人的行走轨迹。4.2.1姿态解算方法导航坐标系采用水平面与地理坐标系重合，方位上有一游动方位角的坐标系。载体坐标系是指沿载体纵轴指向前，沿载体横轴指向左，垂直于平面指向上。导航坐标系与载体坐标系之间的转换关系可以通过两者之间的姿态矩阵表示，由载体系转换到导航系的过程如下：注：、分别为航向角、俯仰角和横滚角。从而相应的有：（3.9）因为方向余弦阵是正交矩阵，因

28、此有，令 （3.10）由（3.9）和（3.10）式可得、的主值为： （3.11）由主值及、可判断三个姿态角真值如下： （3.12）从变化的姿态矩阵元素中可以求解载体系相对导航坐标系的姿态角，但是首先必须求解姿态微分方程，如式（3.13）所示为姿态矩阵的微分方程： （3.13） （3.14）式（3.14）是将式（3.13）展开所得，其中是对应姿态角速率的反对称矩阵。因此，只要给定初始姿态角，通过姿态角速率即可求解式（3.13）的微分方程，从而可以确定载体每个时刻相对导航坐标系的姿态角。4.2.2三维航迹推算三维航迹推算原理是根据系统的姿态信息和里程信息，在不借助外界导航物标的条件下，求取航迹的方

29、法。其原理是把载体运动轨迹分为若干段位移增量，每段位移增量由一个系统采样周期内载体运动的里程决定，如图11所示。图11载体运动轨迹分段计算图每一段位移增量近似为直线，将该段增量在导航坐标系下投影后（如图12所示），其三个正交方向的分量可以通过三维估计推算公式（3.14）得出。将连续采样点间的位移增量累加，则可以推算出完整的载体运动轨迹。 （3.14）式中、为系统运动轨迹中第步、轴的增量；、分别为第个采样点处的载体的俯仰角和航向角，由惯性元件组成的姿态确定单元测得；为该采样点与上一个采样点的位移增量，由里程计测得。图12位移增量在导航坐标系下的投影图4.3管道机器人的视觉检测伸缩式管道机器人的无

30、损检测是使用CCD传感器对管道内部进行拍摄，实时传输视频信号至上位机，操作人员依据视频信息对管道进行无损检测，原理图如图13所示。同时，针对典型的管道故障，本文设计了基于CCD传感器的视觉检测算法，辅助操作人员对管道的运行状况进行判断。视频传输设备使用Cat5/5e/6双绞线电缆作为传输介质，发送端使用无源发射模块，接收端使用有源接收模块，能够实时传输1路PAL、NTSC制式视频信号长达900m，传输效果好、抗干扰能力强。图13 CCD视频采集原理图基于CCD传感器的视觉检测算法是指系统采集管道内部状况的视频信息，然后按照一定的处理方法，提取图像中包含的特征信息，并对特征信息进行划分，最终得出

31、管道内部状况的判定，算法流程如图14所示。图14.检测算法的流程图图像预处理是整个管道故障检测算法的第一步，其根本目的是最大限度消除图像在生成以及传输过程中产生的噪声、畸变等对图像中目标区域的影响。对于本文的CCD传感器来说，噪声是离散的随机噪声，因此采用中值滤波算法进行滤波处理。故障特征的提取是整个算法的核心，关系到算法最终的好坏。针对非开挖技术铺设的地下管道，典型的管道故障类型一般为管道裂缝、管道漏洞、管道接口断开等故障，如图15所示。管道各故障特点分明：管道漏洞接近为圆形区域，管道裂缝为树枝状区域，管道接口断开为环形区域。因此可以根据故障区域不同的特点，采取目标外接矩形的长边长度、短边长

32、度，然后根据参数的不同划分管道故障类型。图15典型的管道故障类型在提取出目标区域外接矩形之前，需要进行图像的边缘检测，分割出目标区域和背景。常用的边缘检测算法效果图如图16所示，Sobel算子和Prewitt算子效果相当，都能满足需求，由于Sobel算子运算量小，所以选择Sobel算子进行边缘检测。图16不同的边缘检测的效果图特征提取时选取故障区域的特征向量.其中为一幅图像的特征向量；为图像故障区域外接矩形的长边长度；为图像故障区域外接矩形的短边长度；为长边长度除以短边长度。图17特征向量分布图针对199个特征向量进行特征提取，得到的结果如图17所示。不同类型的故障特征向量分布分散程度不同，漏

33、洞故障特征分布区域在,裂缝故障特征分布区域在，管道断裂故障特征分布区域在。针对该特点，故障分类使用改进的K-mean聚类方法，其最优函数不仅考虑样本点到类别中心的欧氏距离，还应该把不同区域的分布程度考虑进去，使调整后的最小聚类原则满足本文的情况。改进的最优函数如下形式： 其中，是X的分布区域大小。根据改进后的聚类算法，针对199个特征向量进行聚类，得到的聚类结果如图18所示。图18基于改进K-mean聚类方法的聚类结果红色特征向量代表聚类结果是管道漏洞的特征向量，星号“*”表示该特征向量本为管道漏洞故障；蓝色特征向量代表划分为管道裂缝的特征向量，圆圈“o”表示该特征向量本为管道裂缝故障；黑色特

34、征向量代表划分为管道断裂的特征向量，加号“+”表示该特征向量本为管道断裂故障。选取199张清晰的管道故障样本图像（管道裂缝89个，管道漏洞77个，管道断裂33个），在MATLAB中进行1000次基于CCD传感器的视觉检测算法的仿真。仿真统计结果如表2所示，可见，对管道故障检测取得良好效果，正确率在94%以上。表5 改进的K-mean聚类方法的结果结果类型次数判断正确判断错误正确率125194597.49%291193696.98%3704192796.48%4171191895.98%51190995.48%681881194.47%合计1000191936706496.45%5.场地测试 在

35、复杂的环境下，人为地制造干扰用于测量系统的性能。测试实验的管道包含高密度聚乙烯管道、铁管道和塑料波纹管，长度20m到200m，深度高达6m。为了验证机器人惯性定位的精度，在室外铺设地上管道，管道全长为97.56m。管道机器人通过管道实现自身行走路径的定位，测量结果和全站仪测量的轨迹对比。如图19所示，黄线是机器人的定位结果，红线是全站仪的测试结果。最大垂直误差小于为0.2m，最大水平误差小于0.35m，测量精度满足中国工业要求的0.5%。图19管道定位三维图像为了验证基于CCD的视觉检测算法的应用性，管道机器人检测PVC管道内部人为制造的故障，包括管道漏洞、管道裂缝、管道接口断裂。机器人共对3

36、50张管道图像（其中故障图像281张）进行故障检测与分类，特征提取如图20所示。图20 故障特征提取结果基于CCD传感器的视觉检测方法能够正确识别出225个故障图像，故障识别率高达80.07%。对于识别出的225个故障图像，该算法能够对其中的190张故障图像进行正确的故障分类，故障分类的正确率为84.44%。可见，基于CCD传感器的视觉检测算法能够辅助操作人员识别和分类管道故障。6.结论对于非开挖技术铺设地下管线，特别是水平定向钻技术铺设的中小口径地下管线，现有的管道机器人由于体积大、防水密封性能差、爬坡和负载能力有限等原因，难以在此类管道中完成管道检测任务。本文设计一种负载能力大、爬坡能力强

37、、具有自主定位能力和视觉检测功能的新型伸缩式管道机器人。该机器人使用电机+丝杠的驱动结构配合轮式支撑结构，负载能力大，爬坡能力强，最大爬行坡度为35°；防水密封等级可达IP68。惯性定位技术能够实现管道机器人的自主定位，且在不同材质管道、不同干扰环境下均可以获得精确的定位，解决了在地下和干扰条件下定位不准确的问题。同时，针对管道裂缝等故障，设计了基于CCD传感器的视觉检测算法，能够辅助操作人员对管道的运行状况进行判断。该算法故障识别率高达80.07%，管道故障分类的正确率为84.44%。参考文献1 Wang X.H, Song H. The Inertial Technology B

38、ased 3-dimensional Information Measurement System for Underground Pipeline J. Measurement, 2012, V45: 604-6142 Chen Y, Zhou H, Zhang H, et al. Urban flood risk warning under rapid urbanization J. Environmental research, 2015, 139: 3-10.3 Xu D. Analysis of Environmental Factors Impact on Urban Underground PipelinesC/Ad