Аннотация
Условные обозначения символов, сокращений, терминов 5
Введение 6
1 Обзор литературы по теме исследования 7
1.1 Обзор методов профилометрии 7
1.2 Карты глубин 9
1.2.1 Построение с помощью специальных камер глубин 9
1.2.2 Построения карты глубины по стереопаре 11
1.3 Обзор методов и устройств мониторинга качества дорожного покрытия 12
1.3.1 Автодорожные лаборатории 15
2 Аппаратная часть разрабатываемой системы 17
2.1 Линейный механический сканер на базе СПШ 17
2.1.1 Сервопривод СПШ10 17
2.1.2 Программное обеспечение «Мотомастер» 19
2.1.3 Камера API Intel RealSense 20
2.2 Двумерный механический сканер 21
2.2.1 Аппаратная часть двумерного механического сканера 21
2.2.2 Программа управления двумерным сканером 22
3 Разработка алгоритмов работы и программного обеспечения 23
3.1 Разработка программного обеспечения для ПЛК 23
3.2 Разработка приложения для управления сканером 24
3.2.1 Приложение для управления сканером 24
3.2.2 Ядро приложения 25
3.2.3 Графический интерфейс 27
3.2.4 ПО для камеры API Intel RealSense 29
4 Экспериментальная часть 30
4.1 Эксперимент с двумерным сканером 30
4.2 Эксперимент с линейным сканером и QR кодом 30
4.3 Эксперимент с тестовым объектом 34
Заключение 38
Список использованных источников и литературы 40
Приложение А Код программы в MCVS для двумерного сканера 42
Приложение Б. Код программы в MotoMaster для линейного сканера 44
Приложение В. Код программы в QT Creator 46
Приложение Г 57
Для безопасного движения автотранспорта существенное значение имеет качество дорожного покрытия. Наличие ям и дефектов дорожного покрытия приводят к поломке и повреждению транспортных средств, что причиняет материальный ущерб автовладельцам, повышает расход топлива и значительным образом плохо сказывается на экологической обстановке, приводит к снижению скорости движения автотранспорта.
Информация о дефектах дорожного полотна необходима ремонтным службам для осуществления текущего ремонта и поддержания минимального количества дефектов. Развитие мобильных автодорожных лабораторий привело к необходимости создания средств контроля качества дорожного покрытия. Такие лаборатории перемещаются в потоке машин и должны производить оценку качества на скоростях не менее 20-30 км/ч.
В связи с этим возникла цель данной работы: разработка макета системы контроля рельефа поверхности на основе метода активной инфракрасной локации и исследование системы для установки ее технических характеристик
Для достижения поставленной цели необходимо решить следующие задачи: (i) обзор принципов работы линейного механического сканера, (ii) выбор элементов управления механическим сканером, (iii) разработка алгоритмов управления, (iv) разработка ПО для ПЛК (Программируемый логический контроллер), (v) разработка ПО для управления линейным сканером, (vi) разработка пользовательского интерфейса, (vii) изучение основ работы с API Intel RealSense, (viii) проведение тестовых экспериментов.
В работе был предложен подход контроля рельефа поверхности на основе активной инфракрасной локации. Подход предполагает, что в качестве основного элемента используется камера с оптическим модулем строящем карту глубины на основе стереоизображения в инфракрасном диапазоне. Модуль оснащен RGB камерой, изображение с RGB камеры согласовано с картой глубины. Что позволяет, используя методы компьютерного зрения, произвести склейку последовательности карт глубины в единую профилограмму.
Предложенный подход был реализован в виде макета системы контроля рельефа поверхности. Макет состоит из оптического блока Intel RealSense D345i и высокоточного линейного механического сканера, на основе СПШ двигателя Сервопривод СПШ10, в качестве вычислительного блока применялся компьютер общего назначения с многоядерным процессором AMD Ryzen 5 4600H с тактовой частотой 3ГГц, оперативной памятью стандарта DDR4 объемом 8ГБ, под 64-разрядной операционной системой Windows10.
Предложенный макет был использован для проведенных экспериментов для установления технических характеристик и показание возможности детектирования дефектов. Использование механического сканера позволило автоматизировать процесс и варьировать расстояние до объекта с целью выявления оптимальной дистанции камера- поверхность.
Разработан алгоритм управления линейным механическим сканером. Создано программное обеспечение, включающее в себя ПО для основного управляющего элемента, ПО для сбора данных о рельефе поверхности с инфракрасной камеры, пользовательский интерфейс.
Первый эксперимент был направлен на установление разрешающей способности по глубине. В ходе эксперимента проводилось обнаружении QR кода RGB камерой, в согласованной карте глубины была вырезана соответствующая QR коду область. Данная область статистически обрабатывалась для получения среднего значения дистанции между плоскостью расположения камер и QR кодом. Среднее значение дистанции рассчитывалось множество раз, с изменением расстояния камеры-QR код, для накопления статистической выборки.
Целью второго эксперимента было установление планарной разрешающей способности и выявления минимального размера дефекта на плоскости. Для выявления планарной разрешающей способности был создан объект исследования, имитирующий 38
различные дефекты. Объект исследования представляющая собой пластину из оргстекла с вырезами, в форме четырехугольников и окружностей сменяющиеся расстояниями и размерами. Параллельно данной пластине на расстоянии 60 см была установлена камера и велась съемка с получением карт глубин.
Третий эксперимент был проведен для проверки гипотезы согласованности карты глубины и RGB изображения, что позволит в будущем склеивать карты глубины на основе данных, полученных из оптического изображения. В ходе эксперимента была произведена съемка с двух ракурсов при произвольном линейном смещении не более ’А получаемого изображения. Линейное смещение было определено из пары RGB изображений. Полученное смещение было использовано для склеивания карт глубины в профилограмму.
Результаты экспериментов показали предложенный подход позволяет детектировать дефекты дорожного покрытия. Разрешающая способность по глубине составила 7 сантиметров, планарная разрешающая способность 0,25 сантиметров и минимальным размером в 1,5 сантиметров. А также возможность получения профилограммы на основе оптического RGB изображения.
Однако, анализ статистических данных показал допущенные неточности в постановке эксперимента. Что требует пересмотра методики проведения эксперимента и тщательной калибровки. А также получения новой масштабной статистической выборки.
