科研一角||使用基于激光的传感器和自动化分析技术进行管道检测
科研一角||使用基于激光的传感器和自动化分析技术进行管道检测
随着城市化进程的加快，公共排水管道网络面临着日益严峻的老化和损坏问题。传统的管道检测方法存在成本高、耗时长、人工评估易遗漏小缺陷等缺点。本文介绍了一种基于激光传感器和自动化分析技术的新型管道检测系统，该系统结合了激光轮廓仪和摄像机，通过先进的图像处理和人工智能算法，实现了低成本、高效率的管道缺陷检测。
引言
文章谈到公共排水管道网络重要但面临老化等挑战，因管道直径小常用轮式平台搭载摄像机检测，此方法成本高耗时且人工评估可能忽略小缺陷，为此近年提出自动化检测技术，本文介绍结合激光轮廓仪和摄像机及算法的新检测概念，旨在创建低成本、自力更生的检测系统。
背景
传统摄像机排水管道检测方法有图像质量差和劳动强度大等问题，虽有其他替代方法但未能取代，一些研究提出基于 CCD 传感器技术的机电一体化方案，混合方法结合 CCD 相机与特殊照明或轮廓仪，但光学三角测量图像分析方法有缺点。为此本文介绍新传感技术，其贡献一是利用光强度变化更稳健且可检测小裂缝空洞，二是应用智能分析分类技术自动化检测过程，利用 ANN 识别有缺陷和无缺陷部分，采用 MLP 网络经反向传播算法训练，该技术克服传统方法缺点实现自动化检测。
传感器描述
所提传感器系统包括预校准的 CCD 相机、光环生成器、低成本光学扩散器，通过 Zhang 校准方法获取相机校准参数。操作时 CCD 相机刚性安装在光环扩散器和激光二极管上，光学扩散器用亚克力制成，可投影光图案照亮管道部分，其光路几何形状和工作机制由图 1(b)说明，可通过纯三角测量确定表面位置，文中方程提供相关表达式，选择较宽扇形角度可照亮分析更大区域加快检测，实现排水管道自动化高效率检测。
图1. 实验装置。其中使用了一个相机和一个激光投影仪。通过图像采集卡将相机图像读入个人计算机。（a）管道内的平台。（b）装置示意图和漫射光路径。在装置中，漫射光束角度是 α1= 11:3 , α2= 0:2
方程(1)和(2)描述了理想情况下，激光与管道中心轴对齐。当发生激光角度未对准或偏离管道中心轴时，激光环与管道的交点变为斜曲线，该曲线使用三维(3-D)坐标变换进行计算。R和W作为旋转角度的函数而变化。方程(3)和(4)分别给出了距离R的上下限，当激光平移或倾斜时，α是激光相对于管道中心轴的偏差角度。
从几何角度考虑，虽然激光轮廓仪的平移偏差不是很关键，但角度偏差很重要，并且偏差角度必须保持小于投影角度的一半，以将光环投影到管道切片上[见(4)]。倾斜激光会产生明显的效果，特别是在距离$R$上，当使用具有小投影角度的扩散器时。为了最小化未对准和未检测到的表面的影响，应使用宽投影角度和具有一定安全裕度的步长，以导致相邻投影的重叠。
图 2. 图像采集。（a）使用常规 CCD 相机和照明系统采集的图像。许多白色斑点是由光反射产生的。这些不是缺陷，但可能会被错误地识别为缺陷（见箭头）。（b）使用基于激光的传感器在缺陷横截面（见白色箭头）处采集的图像。（c）使用基于激光的传感器在（a）中提到的由光反射引起的非缺陷横截面处采集的图像。该图像表明所提出的方法正确地将该点识别为非缺陷。
因反射光在不同角度和强度下的特性，环图案强度会变可借此检测缺陷，虽光环投影用于测管道偏转等但之前未用强度信息，分析光强度值可提取局部不连续信息。所提轮廓仪系统相比标准摄像机有诸多优势，如可识别多种情况、检测小缺陷、无需强度参考水平且易集成到现有系统；相比基于位置的方法也有优势，其准确性基于激光光斑质量，需较高激光功率且分辨率受限，此方法可检测小于投影环宽度的故障且对平台不稳定不敏感，还有简单紧凑等优点，但基于位置和强度的方法分辨率都在毫米范围。
图像处理
分析从传感器获得的原始数据可能是一个非常耗时的过程，特别是如果必须将复杂的图像处理算法应用于输入图像。为了减少计算复杂度和处理的数据量，对每个输入图像应用了椭圆拟合算法。该算法的目的是识别图像中的感兴趣区域并从其余图像中提取环轮廓。
信号调理
图像首先经过处理，以增强图像质量并识别通常为椭圆的环边缘。应用以下信号调理阶段：
- 强度调整[8]进行对比度增强；
- 中值滤波器[7,8]进行噪声衰减；
- Canny边缘检测器[7,8]检测环的边缘。
椭圆拟合
通过实验发现，Hough变换等聚类方法不提供单一解，并且非常耗时。因此，应用了一种数值稳定且快速的算法来将椭圆拟合到由边缘检测器给出的数据点集。该算法是基于最小二乘法的代数距离最小化，并且是不迭代的。与其他聚类方法相比，该算法的计算时间减少了一个数量级，并且提供了单一解。
强度提取
一旦确定了椭圆，就使用强度提取算法从图像中提取环强度信息。该算法基于沿着找到的椭圆的各个部分计算局部平均强度。
对于每个窗口，使用（5）式计算出一个平均强度值，这样的平均强度值集合 ，其中 ，表示沿着每个环形轮廓的强度分布（图3）。
图3. 生成每个轮廓强度分布的强度数据提取算法。沿着椭圆应用一个滑动窗口。轮廓中的峰值指示潜在不连续性的位置。
考虑到光路径和描述相机与现实世界坐标系统之间关系的CCD固有参数的特性，计算滑动窗口的大小和覆盖椭圆的相关区域的窗口数量。在图像像素中，轴坐标可以表示为：
其中 rk 是椭圆轴，Fk 是放大系数（焦距乘以相机像素大小），两者都以图像像素表示，k=1，2 分别对应于水平轴和垂直轴。距离可以被替换为（1）式
方程（7）表明，包含椭圆的相机图像对于给定的漫射器具有固定的大小，与管道半径无关。相机图像应完全包含椭圆。对于在此实验评估中使用的漫射器，这个窗口是 130×140 像素。环光在图像中的最大宽度可以计算为：
图像中光环的最大宽度可以计算为在（7）中计算出的相应轴减去在距离L处投影的轴 。
根据(9)，对于此特定扩散器，计算得出的扫描窗口大小为22像素。然而，需要注意的是，扩散器风扇角度的10%变化会使该尺寸增加50%。而且，已经表明，严重的平台未对准往往会修改理想的环宽度。与平台未对准相关的相机图像的变化与相机-扩散器的相对位置有关。在理想情况下，当相机和激光扩散器的中心轴和原点重合时，对于任何平台位置，环的图像将是不变的。在我们的设置中，相机和激光轮廓仪的中心轴和原点不重合，但两个设备尽可能靠近彼此(图4)。
图4.相机图像形成的基本原理。
基本的图像形成方程，它是(6)的更一般形式，是：
其中f是相机镜头的焦距，（X,0,Z）是环光的特定点的坐标，u是相机图像中对应点的坐标，a是从相机到激光的距离。
由于(4mm)与(约1m的100mm半径管道)相比很小，并且X与(所检查的管道范围的半径为130-180mm)相比也很小，所以相机图像中的坐标结果是一个与管道半径无关的固定大小的图像。
相机图像应该完全包含椭圆。对于在此实验评估中使用的扩散器，此窗口的大小为130-180像素。
仿真和实验测试表明，对于小于扩散器角度一半的角度未对准情况，这一假设成立。然而，如第三节所见，距离可能会急剧增加，从而减少相机接收到的光能。需要注意的是，光能与距离的平方成反比。对于严重的偏心偏差，即平台接近管道壁时，距离变得与 相当，导致相机图像变形。在这种情况下，可以基于三维圆定向计算来校正平台的位置。至少已经提出了两种方法来解决三维圆定向的问题。
考虑到这些因素，并且经过模拟和实验评估后，需要引入安全裕度，以便在连续的管道图像之间有重叠，并且还减少未对准的潜在影响。
已发现 6×6 像素的窗口大小对于上述提到的漫射器能提供最佳性能（比计算的大 3 倍），而步长的选择至少要有20%的安全裕度（为 的 80%）。只要有上述这样的重叠，步长就不会影响可检测到的最小缺陷尺寸（图 5）。
图 5. 带有孔缺陷的管壁表面图。该表示是由连续的强度分布创建的。强度峰值表示一个 2 毫米孔的位置。尽管在纵向的步长（25 毫米）和环宽度（50 毫米）都大于孔，但该缺陷是可识别的。
然而，表面粗糙度、像素大小或相机灵敏度决定了最小可检测缺陷的尺寸。覆盖整个椭圆所需的最小窗口数量通过将椭圆周长除以扫描窗口大小来计算，并且可以近似如下：
在这里，最小数量大约是 60 个管道窗口。然而，为了确保所有区域都被覆盖，采用了 90 个窗口的重叠解决方案。这也提高了故障定位的分辨率。
当平台沿着管道移动时，从获取的环形图像计算出的连续强度分布中创建出管壁的完整表面图（图 5）。
缺陷分类
为对有缺陷和无缺陷区域分类，先对表面地图用边缘检测器，该方法可分类且区分不同形状潜在缺陷，理想地图有明确强度峰值会产生好结果，但现实图像常含噪声，其来源多样，简单边缘检测器不稳健会出错，需能从真实图像学习并适应不规则性的智能算法来应对简单低级视觉算法局限。
图 6. 有缺陷和无缺陷轮廓的归一化特征：有缺陷的轮廓无论缺陷的角度位置如何都会产生类似的特征，并且与无缺陷轮廓特征有很大差异。
签名生成：创建与单个轮廓上缺陷位置无关的轮廓签名以去除不相关数据，有缺陷和无缺陷轮廓的签名有各自特点，此方法减少训练时间和计算量，生成方法采用排序算法，按强度幅度降序排序并归一化，无缺陷部分信号相对平坦，有缺陷部分有陡峭斜率和平坦区域。
人工神经网络：使用多层感知器（MLP），通过试错法确定各层节点数，由输入、输出和隐藏层组成，神经元有加权连接，使用缩放的共轭梯度（SCG）训练算法，基于反向传播用于分类问题。
人工神经网络设计：在三层多层感知器中实现最佳性能，第一层有十个输入神经元接受签名前十值，第二层有五个神经元，输出神经元用“1”和“0”分别对应无缺陷和有缺陷轮廓，使用 S 型激活函数，训练时用 175 个归一化签名，仅在特定管道轮廓签名上训练。
与传统的反向传播算法相比，SCG算法在时间和性能上更有效率。训练规则由（13）给出
其中k是迭代次数,是在第k次迭代时呈现给网络的训练模式，Wk是当前的权重，a是学习率，Pk是权重搜索方向。该算法从搜索最陡下降方向（负梯度）开始，然后确定下一个权重搜索方向，该方向是当前搜索方向和新的最陡下降方向（当前梯度）的组合。
在训练过程中，误差在4000次迭代后降至2.7×10-6
实验研究
为测试所提系统性能，用不同类型管道数据进行广泛测试，包括测试系统处理未见过数据、管径、材料、壁纹理和颜色变化的能力，如在管壁插入孔和裂缝模拟缺陷及测试对管道接头响应。进行了噪声耐受性测试，添加噪声后网络区分有缺陷和无缺陷部分成功率为 85%，信噪比较低时约 10%轮廓被错误分类；测试训练网络处理未见数据能力，成功率达 100%；恶劣条件下人工神经网络识别缺陷成功率为 80%；不同颜色管道实验中除极端反射颜色外都能检测到缺陷；可变管径和材料测试中，系统在不同管径和材料管道上对毫米级小缺陷检测良好，但管径增大需更高投影角度或更灵敏相机保证光能量接收。
结论
提出一种新型传感器系统，结合激光轮廓仪与缺陷分类算法检测管状结构缺陷，利用低成本激光轮廓仪及图像处理、神经网络技术实现管道缺陷自动化检测分类。经不同类型管道实验测试，验证其有效性和可靠性，结果显示该系统高噪声耐受、能处理未见数据，在不同管径和材料管道上检测效果良好。未来工作包括优化系统性能、降低成本及开发便携式现场检测设备。