智能铁屑清理移动机器人广泛应用于工业生产领域，特别是在机械加工、汽车制造、航空航天等行业中，产品对环境中铁屑清洁程度要求非常高，但是这类生产环境中铁屑的产生又是不可避免的，因此需要及时频繁的进行铁屑清理。传统清理方式主要通过的人工操作专用工具进行清理，不仅效率低下，还存在一定的安全隐患。针对上述问题，本文设计了一种智能铁屑清理机器人，具备通过将磁吸模组安装在智能机器人上实现对地面上的铁屑铁钉进行自动清理以及对铁屑进行自动分类收集的功能。

本文设计的智能铁屑清理移动机器人如 图1 所示，主要包括1. 移动机器人车体；2. 导航激光雷达；3. 可升降磁铁；4. 寻迹/避障视觉相机；5. 从动轮；6. 主动轮；7. 充电桩以及车体内部电控制系统和远端调度系统。其中，1. 移动机器人车体主要由型材焊接和钣金装配而成；2. 导航激光雷达主要用于在引导轨迹损坏时进行短时低速导航；3. 可升降磁铁主要用于实现对不同重量铁屑的吸取和清理；4. 寻迹/避障视觉相机主要用于实现对引导轨迹的跟踪和障碍物的检测；5. 从动轮和6. 主动轮主要用于驱动车体实现车体的运动功能；7. 充电桩用于对机器人进行充电，整套系统在车体内部电控系统和远端调度系统管理控制下工作。

本文主要研究一种基于摄像头的智能铁屑清理移动机器人图像快速分割以及前进寻迹的方法。对于光照实时变化或其他有阴影的场合来说，图像可以分为3个区域，强光照区域，正常光照区域以及弱光照区域，以 图2 (图像像素为640*480)为例：

彩色图像动态分割算法的思路：在RGB色彩空间上对该图像进行处理，第一步：将其分离成3个单通道的图像：R通道，G通道以及B通道，本文以红色为目标颜色，R通道的信号强弱如 图3 所示。

从图中可以看出分为3中颜色，其中白色代表原图中红色较浓，黑色部分表示原图几乎没有红色，灰色部分表示原图中参杂红色。

为增加目标区域提取时对背景色的抗干扰能力，采用平均相邻行像素值，并将新的像素值赋给当前行，以5行为例即：

$\text{Pixel}=\frac{{\text{Pixel}}_1+{\text{Pixel}}_2+{\text{Pixel}}_3+{\text{Pixel}}_4+{\text{Pixel}}_5}{5}$(1)

其中 ${\text{Pixel}}_1,{\text{Pixel}}_2,{\text{Pixel}}_3,{\text{Pixel}}_4,{\text{Pixel}}_5$指的是从第一行到第五行对应的像素值。这样取平均的方法可以很好的减小外部因素以及背景色的干扰。

第二步：将R通道图片的第一行投射到一个横坐标为0到640，纵坐标为0到1 (0到255归一化之后的结果)的坐标系中，最近行对应如 图4 所示。

从 图3 中可以看出在坐标320附近有一个突变，坐标400附近有另外一个突变，其左右两边分别为过暗区域和过亮区域。对比原图，可以发现该突变区域对应的就是红色区域，由于RGB色彩通道是互相耦合的，因此需要同时考虑到G通道以及B通道的像素曲线，将它们依次投射到同样的坐标系中，结果如 图5 所示。

第三步：分析 图5 ，将问题简化为如何提取突变区域，一种可以提取突变区域的算法如下：

$\text{Threshold}=\frac{a\text{R}+b\text{G}+c{\text{B}}_1}{3}+\alpha$(2)

其中R，G，B分别代表原图中该点在三个通道中的像素值，α是一个估算值，在实验中获取一个合适值。a，b，c代表一个权重系数，即代表R，G，B三通道的像素值对于阈值选取的影响，RGB色彩模式是通过对R，G，B三个颜色通道的变化以及它们相互之间的叠加来得到，因此这三个值的选定将直接影响图像分割的效果。

本文设定场景将红色为目标颜色，则可以取a = b = c = 1，其结果如 图6 所示，黄色曲线为算法所得，可以发现，除了在突变两侧，其他像素坐标所对应的像素值都小于黄色曲线在该点的像素值，因此可以认为这条黄色曲线为动态阈值曲线，用来提取目标区域。

当实际生产场景与本文设定场景不一致时，比如设定绿色为寻迹跟踪目标颜色，则可以适当的调整b的值，因为该值代表的是绿色像素的权重，因此可以取b = 1.2，即可达到彩色图像分割的效果。