文章目录

基于视觉的污垢检测和选择性区域覆盖的自适应切片方案
摘要
1 介绍
2 提出的污垢检测和分割方法
- 2.1 三阶段过滤
- - 2.1.1 定期模式检测过滤器
  - 2.1.2 边缘检测和增强
  - 2.1.3 噪声消除和污垢分析
3 多米诺瓷砖
- 3.1 基于自适应平铺的选择性污垢区域覆盖率
- - 3.1.1 Tetromino平铺理论
  - 3.1.2 自适应的Tetromino平铺算法
4 实验，结果和讨论
- 4.1 污垢检测算法验证
- 4.2 使用污垢数据库
- - 4.2.1 ACIN污垢数据库
  - 4.2.2 Bormann污垢数据库
- 4.3 带有自适应平铺的选择性污垢区域覆盖率
- - 4.3.1 距离变化的选择性污垢区域覆盖率验证
  - 4.3.2 与现有方案的比较
5 结论
资料可用性
参考文献

Vision-Based Dirt Detection and Adaptive Tiling Scheme for Selective Area Coverage

基于视觉的污垢检测和选择性区域覆盖的自适应切片方案

Vision-Based Dirt Detection and Adaptive Tiling Scheme for Selective Area Coverage

Balakrishnan Ramalingam , Prabakaran Veerajagadheswar, Muhammad Ilyas , Mohan Rajesh Elara , and Arunmozhi Manimuthu

摘要

针对可重构形态机器人，提出了一种视觉污垢检测算法和一种基于自适应平铺的选择性污物区域覆盖方案。
视觉污垢检测技术利用三层过滤框架，该框架包括周期性图案检测过滤器，边缘检测和噪声过滤，以有效地检测并从复杂的地板背景中分割出污垢区域。
然后采用基于自适应平铺的区域覆盖方案来生成四聚体形态，以覆盖分割的污垢区域。
所提出的算法已在Matlab环境中通过实际捕获的污垢图像和模拟的Tetrominoes瓷砖集进行了验证。
实验结果表明，所提出的三级滤波技术可以显着提高背景不同的复杂地板进入图像的污垢检测率。
此外，通过合并由自适应tetromino平铺算法生成的平铺模式，通过将已经清洁的区域从地板图上的不清洁区域中排除来执行选择性污物区域覆盖。

This paper proposes a visual dirt detection algorithm and a novel adaptive tiling-based selective dirt area coverage scheme for reconﬁgurable morphology robot. The visual dirt detection technique utilizes a three-layer ﬁltering framework which includes a periodic pattern detection ﬁlter, edge detection, and noise ﬁltering to eﬀectively detect and segment out the dirt area from the complex ﬂoor backgrounds. Then adaptive tiling-based area coverage scheme has been employed to generate the tetromino morphology to cover the segmented dirt area. The proposed algorithms have been validated in Matlab environment with real captured dirt images and simulated tetrominoes tile set. Experimental results show that the proposed three-stage ﬁltering signiﬁcantly enhances the dirt detection ratio in the incoming images with complex ﬂoors with diﬀerent backgrounds. Further, the selective dirt area coverage is performed by excluding the already cleaned area from the unclean area on the ﬂoor map by incorporating the tiling pattern generated by adaptive tetromino tiling algorithm.

1 介绍

在过去的十年中，移动机器人平台在安全和监视，实验室辅助，医疗机器人以及专业清洁任务领域中发挥着至关重要的作用。其中，由于家庭，医院，美食广场和行业的高要求，自动清洁机器人越来越受到关注，并具有竞争激烈的市场。通常，自主清洁机器人具有各种清洁模式，例如用于清洁整个区域的自动模式，用于清洁指定区域的选择性区域清洁模式以及用于清洁特定部位的污点清洁模式[1]。在这三种模式中，选择性区域清洁模式和点清洁模式是一项具有挑战性的任务，这需要有效的污垢检测机制和分段污垢区域的最佳区域覆盖计划。通常，压电式碎片传感器或光学传感器广泛用于自主清洁机器人中的污垢检测[2-4]。但是，这些传感设备仅在接触到传感器时才能够检测到灰尘，而无法识别地板上的灰尘密度和污渍[2]。因此，这些设备无法预先确定所需的清洁工作量，实现更好清洁[2]。

基于视觉的污垢检测是自动清洁机器人的新兴技术[5–7]。它为检测地板上的各种污垢和污渍提供了有效的解决方案。此外，基于视觉的系统本质上是被动的，不需要触摸碎片即可进行物理检测。通过使用图像处理技术，还可以检测和估计地板上的碎屑密度。通过基于视觉的污垢检测方案，自主清洁机器人可以预先确定脏污和清洁区域，并可以调整操作模式以实现高效清洁。此外，通过排除已经清洁的区域，还可以减少机器人的清洁时间[2]。

Andersen等人[5]开发了基于计算机视觉和大功率发光二极管的自主清洁机器人视觉清洁传感器。清洁传感器通过使用多变量统计方法逐像素分析表面图像来检测脏区域并创建污垢图。在[6, 7]中，Bormann等人采用了光谱残留图像过滤器来检测地板图像上的灰尘和污垢，其中使用了不同地板图案的最大过滤器响应和最小过滤器响应来固定污垢阈值。然而，在实验结果中清楚地表明，该方案的检测率基于不同的表面而急剧变化。[8]中提出了一种基于视觉的尘土探测算法，使用最大稳定的极值区域（MSER）和Canny 边缘检测技术来识别地板上的灰尘颗粒，然后使用光谱残留滤镜和RGB滤镜检测泥浆及其颜色。 Grünauer等人[9, 10]提出了一种用于工业清洁机器人的无监督灰尘斑检测算法，该算法在RGB彩色图像上采用高斯混合模型（GMM）来区分地板和灰尘斑。 Martínez等人[11]提出了基于视觉的平面灰尘检测，作者使用RANSAC算法进行表面平面检测，然后采用中值滤波器和阈值化技术去除表面背景并找出脏区。Proietti[12]等人提出了基于机器学习和模式识别的污垢检测，作者使用k-NN（k最近邻）分类器来确定污垢颗粒的大小和形状。但是，这些方法有一些实际的局限性和缺点。检出率很大程度上取决于表面纹理，而无法检测出较亮表面上的细小污垢颗粒[6–8]。

地板清洁机器人的另一个重要挑战是部署合适的运动计划，以有效覆盖灰尘定义的区域。通常，固定形态机器人使用随机行走，墙到墙，螺旋形，锯齿形和组合图案来覆盖分段的污垢区域[3, 13, 14]。Gylling提出了一种基于贪婪启发式的地板清洁机器人选择性区域覆盖方法，该方法采用简单的向前和向后运动计划来覆盖脏区域[13]。在[4]，Lee和 Banerjee利用直线图案覆盖了基于贝叶斯框架的污垢图。墙跟踪算法由Hasan等人提出，用于覆盖墙壁和角落的灰尘最多的区域[15]。赫斯等人[3]提出了基于泊松驱动的污垢图的地板清洁机器人选择性区域覆盖率，其中采用随机行走模式覆盖随机定位的污垢单元。但是，这些运动模式非常适合覆盖空白表面，不适合覆盖具有尖角和狭窄空间的任意形状的复杂地板 [16, 17]。

与固定形态机器人相比，可重构形态机器人可以覆盖最大面积和任意工作空间[18–22]。Prabakaran等人针对可重构形态机器人hTetro[18]提出了一种基于 tetrominoes(τ1-τ4) 平铺算法的运动规划技术。在这里，偏斜的四聚体（τ1-τ4）和T形四聚体被用来生成簇状的拼接图案，以有效覆盖最大工作空间。同一作者还提出了基于tromino平铺理论的hTromo机器人运动计划技术。该算法使用L-和I-Trominoes模式生成聚簇的平铺模式[23]。虽然[18, 23, 24]提到的成果讨论使用tetromino和tromino切片算法覆盖整个区域，它们没有解决给定工作空间中的选择性污垢区域覆盖率。

为了解决基于污物图的选择性污物区域覆盖问题，本文提出了一种改进的视觉污物检测算法，该算法使用三级滤波技术来提高污物检测率，并提出了一种新颖的自适应平铺算法用于选择性污物区域覆盖。三层过滤框架集成了周期性模式检测过滤器[25]，边缘检测滤镜和噪声滤镜，其中应用了周期性图案检测滤镜从图像中滤除地板的常规图案；然后使用边缘和噪声过滤器检测图像的脏区。最后，将污垢映射的区域馈送到自适应Tetromino切片算法中，以生成用于分割的污垢区域的最佳切片模式。这项工作中介绍的技术可以使用可重构的形态机器人（例如，使用 hTetro机器人）应用于食品店的高效地板清洁。

所提出的算法已在MATLAB环境中用ACIN[9], Bormann污垢数据库[7], 和真实的测试图像进行了测试。实验结果表明，该方案利用可重构形态实现了更好的污垢检测率和增强的选择性污垢覆盖率。

本文的其余部分安排如下：
2 在本节中介绍了污垢检测和分割框架，
3 然后介绍了多米诺砖瓦理论，
4 我们介绍了有关在数据集上获得的结果以及记录在具有不同污垢类型的不同类型地面上的数据的实验和讨论。
5 最后，在本节中给出了结论和未来的工作。

2 提出的污垢检测和分割方法

在这项工作中，假定大多数室内地板都显示出规则的图案，可以通过图像处理技术轻松检测和去除这些图案。我们已经应用了三阶段的图像处理方案来检测地板图案并从输入图像中去除背景，仅留下脏区域。之后，将自适应切片方案应用于这些分段区域，以选择性覆盖污垢区域。

图1显示了所提出的基于视觉的选择性污物区域覆盖方案的功能框图。

图1

下面给出了三阶段过滤中每个阶段的功能描述。在第3节中介绍了由自适应平铺组成的第二部分。

2.1 三阶段过滤

2.1.1 定期模式检测过滤器

此步骤滤除地板图像的背景，仅留下污垢部分。在开始该步骤之前，对输入图像执行一些预处理，例如，包括图像平面归一化和灰度转换。通常，在空间域中，地板上的周期性模式将在频域中具有不同的峰值。此属性已用于从捕获的图像中识别地板图案和污垢含量，因为典型的地板显示出周期性图案，该图案由周期性图案检测过滤器在地板的传入图像中检测到。该滤波器使用自滤波技术来计算适当的滤波器功能，以识别地板图案频率。它会根据地板背景图案自动改变滤波功能。周期性滤波器的滤波器功能已经通过计算傅立叶变换图像的幅度来确定。在数学上，定期模式检测过滤器描述如下。

最初，通过应用二维快速傅里叶变换将输入图像变换到频域（1）；
然后对变换后的图像使用周期性模式检测过滤器（2）。

其中，F(u,v)是滤波后的图像，F(x,y)是傅里叶变换后的源图像，w(x,y)是频域滤波函数。可以通过对傅立叶变换的源图像应用FFT移位运算来确定，然后选择最大的日志组成部分，如等式（3-5）。

在计算了滤波器函数w(x,y)-max之后，根据等式(6)抑制频率图像中的周期性模式。

最后，根据等式(7)使用傅立叶逆变换将滤波后的图像F’(x,y)从频率空间变换为图像空间。

2.1.2 边缘检测和增强

此步骤对减去背景的地板图像执行边缘检测和增强。由于前一阶段的高过滤效果，污垢部分的边缘略微模糊，这可能会干扰之后的视觉污垢分析阶段。通过应用Sobel边缘过滤器可以有效地识别模糊区域的污垢，可以克服这一问题。识别边缘后，将弱边缘锐化，如图1所示。

2.1.3 噪声消除和污垢分析

一旦在阶段2中通过Sobel滤波器增强了灰度图像，则该灰度图像已转换为二进制图像，以便在后续步骤中进行污物检测分析。使用二进制图像，很容易从背景中区分脏区。灰度图像通过阈值转换为二进制图像。图1显示了第3阶段的灰色转换后的二进制图像，输出二进制图像被残留噪声环绕。可以通过在二进制图像上应用中值滤波器来有效地去除它。图1显示了实现中值滤波器后的二进制图像。显然，中值滤波器可以完全抑制残留噪声，而滤波器则可以保留污垢区域。在检测并分割当前图像帧中地板上的脏区域之后，将三阶段过滤的输出馈送到下一级，即通过自适应平铺进行选择性污垢区域覆盖。此步骤为分段的灰尘区域找到合适的聚类模式。

3 多米诺瓷砖

在这项工作中，多米诺定理用于选择性覆盖污垢区域。我们首先介绍了一般的多米诺平铺理论。基本上，多米诺骨牌是通过连接单位正方形排列的直线块[26]。通常，多米诺可以分为无边界，单侧和静态多米诺。它取决于空间排列，几何突变和手性。例如，通过将两个多米诺骨牌相等的正方形混合而创建的集合多米诺骨牌可以将一个单面，单个自由和两个固定的多米诺骨牌作为其子组。类似地，三聚多米诺具有三个多米诺，通过它们我们可以构建两个无界多米诺，两个单侧多米诺和六个静态多米诺[24]。对于由四个多米诺组成的四聚体，它可以构建五个无界，七个单侧和十九个静态的四聚体。

The polyominoes theorems are used for selective dirt area coverage in this work. We have introduced general polyominoes tiling theory ﬁrst. Polyominoes are basically rectilinear blocks arranged by connecting unit squares [26]. Typically, polyominoes can be categorized into unbounded, one-sided, andstaticpolyominoes.Itdependsonspatialalignment,geometrical mutation, and chirality. For instance, the set domino, created by the blending of two polyomino equal squares, can have single one-sided, single free, and two ﬁxed dominoes as its subgroups. Similarly, triomino has three polyominoes, through which we can be able to build two unbounded polyominoes, two one-sided polyominoes, and six static polyominoes [24]. In the case of tetromino, which consists of quad polyominoes, it can be able to construct ﬁve unbounded,sevensinglesided,andnineteenstatictetromino.

3.1 基于自适应平铺的选择性污垢区域覆盖率

本节描述了基于tetromino分布模式的可重构形态，有效地覆盖了分割的污垢区域。下面详细介绍了用于分段污垢区域覆盖计划的tetromino切片算法和自适应切片方案的详细说明。

3.1.1 Tetromino平铺理论

tetromino切片算法使用偏斜的tetrominoes（τ1-τ4）和T形tetrominoes（T1-T4）生成簇状可重构形态，以实现有效的区域覆盖，如图2(a)和2(b)所示。

case1：
令l和w为要平铺的矩形的大小。矩形的区域必须是4的倍数，l * w = 4 * n，其中，n为正整数。这表明l和w都应该被4整除。
然后，如图3所示，可以通过T-tetrominoes的结构覆盖矩形区域。

case2：
令l=4且4≤w≤7，然后可以通过T-tetrominoes和偏斜tetrominoes的结构覆盖一个4×w的矩形区域，如图4所示。

case3：
令w＞7且r∈{4,5,6,7}，w=4n+r。其中，n是一个整数。同样，它允许将(4w)矩形区域划分为n(44)个矩形和一个(4*r)矩形。如图5所示，根据case3说明了各种尺寸的网格覆盖范围规划。

3.1.2 自适应的Tetromino平铺算法

自适应分块方案描述了可重构形态的利用，从而有效地覆盖了分段的污垢。它利用（4×4），（4×5），（4×6）和（4×7）分块图案覆盖分段的污垢。算法自动对分段的污垢区域进行分组集群的tetromino平铺模式。例如，为了确定聚类模式，将捕获的区域划分为小的矩形块，如图6所示。每个矩形块的大小被认为等于一个模拟可重构机器人的单个块。考虑将全部或部分位于污垢图中的矩形框进行平铺，并将其分为（4×4），（4×5），（4×6）和（4×7）网格。污垢贴图外部的矩形框被视为已清理区域，不包含在图块生成中。但是，一些与污垢边界相邻的外部矩形框可能会包含在分组中，以拟合污垢贴图中的群集图块集。算法1中介绍了自适应tetromino平铺算法。

在图6中，区域（a，b，c，and d）说明了如何根据此算法自动固定群集的tetromino砖。例如，区域（a）具有（4×10）的尺寸，以一组（4×4）图案和一组（4×6）图案平铺。类似地，（4×12）大小的污垢区域（b和c）已被三个（4×4）簇状图案覆盖。尺寸为（4×11）的区域（d）以一个（4×4）和一个（4×7）图案平铺。

例如，图7显示了针对（4×6）网格的基于Trotromino和tetromino平铺模式的区域覆盖范围的比较分析，其中t-tromino需要8个图块集，而Tetromino平铺方案仅需要使用6个图块集覆盖该区域。

此外，任何4×N网格都可以通过（4×4），（4×5），（4×6）和4×7集的tetromino图案平铺。但是，任何排列的软-弹性骨料集都无法覆盖（3×5），（3×7）和（3×9）的网格大小[23]。因此，tetromino图案在覆盖任意形状的最大面积时具有更大的灵活性。

4 实验，结果和讨论

这里进行了两个不同的实验，以验证这项工作中基于视觉的自适应选择性污物区域覆盖方案。实验的第一部分是使用真实的污垢图像和污垢数据库[7, 10]中的图像验证污垢检测算法。第二个是用生成的污垢图像验证自适应平铺方案。

4.1 污垢检测算法验证

视觉污垢检测算法已通过我们的真实污垢图像和ACIN[10]、Bormann[7]污垢数据集进行了验证。如图8-10所示，我们的污垢数据库是使用各种污垢材料在不同的地板背景下捕获的。污垢的选择范围包括纸片段，木材废料，果皮，较小的花瓣和食物颗粒的不同颜色，以及土壤和液体污渍的不同颜色。图8-10显示了从我们的视觉算法获得的不同地板图像的检测结果。如图8所示，通过可视化的污垢图对检测到的污垢进行映射。该图结果以及表1中的污垢检测率（α）的数值结果表明，所提出的方案误报率非常低，并且污物检测率更高。

视觉污垢检测算法的鲁棒性是通过测量具有各种污物类型的不同表面的污物检测率（α）来评估的。通过对二进制图像中所有ON（true）像素的面积求和，方法是通过计算发现图像中所有像素的面积来测量算法的检测率。通过查看其2×2邻域来确定单个像素的面积。表1显示了不同地板背景和不同类型污垢的物体检测率。

从表1中可以明显看出，提出的视觉污垢检测算法的检测率对于不同类型的地板以及存在的各种污垢都是稳定的。对于“茶粒”污垢，可以看到最大变化。其背后的原因可能是茶粒像地板上的马赛克图案一样随机散布。茶粒的大小也可与马赛克粒相媲美，因此检测率会有所不同。

4.2 使用污垢数据库

此外，我们使用ACIN [10]和Bormann[7]等人的污垢数据库验证了所提出的视觉算法的污垢检测率。污垢数据库包含在光线不平衡且地板纹理复杂的家庭和办公环境中拍摄的不同类型的污物图像。 ACIN和Bormann的污垢数据库的检测结果如图11-16所示。

4.2.1 ACIN污垢数据库

提出的三阶段过滤分别应用于图11–13中具有不同污垢类型（纸板，液体污渍和带有食物污渍的模糊地板）的不同地板上的ACIN数据集。结果表明，我们提出的三阶段过滤对来自地板背景的污垢进行了诚实的分割。在图14中，我们使用了各种光照条件下的图像，并应用了提出的算法在输入图像中检测污垢。即使在变化的光照条件下，三级过滤器的输出也可以检测污垢。

4.2.2 Bormann污垢数据库

提出的三阶段过滤应用于[7]中给出的第二种数据集，其污垢类型分别为街道污物和树叶，如图15和16所示。结果表明，我们提出的三阶段过滤可以诚实地从地面背景中分离出两种污垢。

4.3 带有自适应平铺的选择性污垢区域覆盖率

如图17和18所示，已经从两个地面尺寸为（400×160cm）的不同测试床上获得的可视污垢图，已经验证了基于自适应平铺的选择性污物区覆盖方案，为获得污垢图，需要使用各种类型的污物。散布在测试台上，并通过AVER便携式可视化器模块[27]捕获图像。可视化器模块包括一个5Mega像素，180°FOV CMOS摄像头传感器，四个用于测量聚焦区域的红外标记，用于调节摄像头高度的灵活臂以及摄像头从-90到90度的倾斜度。要捕获地面尺寸为（400×160）cm的地面区域，请将相机高度调整为100cm，并向下倾斜45度角以覆盖拍摄区域，如图19所示。图17（a）和18（ a）显示了两种类型的测试床：测试床1是马赛克地板，测试床2上面铺有瓷砖。图17和图18（b）分别显示了通过第2节中描述的改进的污物检测算法生成的已捕获地板图像的污物图。

在获得视觉污垢图之后，自适应平铺算法已经应用于视觉污垢图。图17和18（c）说明了用于分段污垢图的基于tetromino平铺的选择性污垢区域覆盖方案，其中污垢区域自动分组为（4×4），（4×5），（4×7）的簇，等等。例如，在图17（c）中，生成的图的灰色区域表示已清洁的区域，而其余区域则充满了一些污垢。可以使用（4×5），（4×4）和（4×7）拼贴图案覆盖分段的污垢区域。在图17（c）中，完全脏的区域覆盖了42个（4×4）拼贴集（蓝色），而部分脏的区域覆盖了（4×5）个拼贴（绿色）排列两次和（4×7）拼贴（黄色）仅安排一次。在图18（c）中，图块集（4×5）和（4×7）被应用了两次，（4×4）被应用了29次。通过这项工作获得的结果表明，如何将基于自适应分块的方案应用于任意形状的选择性污物区域的最大覆盖范围。

4.3.1 距离变化的选择性污垢区域覆盖率验证

为了分析基于污垢图的选择性区域覆盖范围，如图20，21所示，将污垢洒到距可视化仪不同距离（例如150 cm和350 cm）的400×160 cm 测试台区域中。图20, 21(b)以及21© 分别显示了污垢图生成和基于自适应切片的污垢区域覆盖率。

获得的结果表明，所提出的基于视觉的污物检测方案能够识别与当前位置相距最远400厘米的污物。类似地，可以通过使用自适应平铺模式通过可重新配置的形态最大限度地覆盖生成的污垢区域的任意形状。

4.3.2 与现有方案的比较

为了生成污垢图，在Hess等人 [3]和Lee、Banerjee [4]的方案中，清洁设备一次性在整个工作空间中移动以收集污垢信息。遍历目标区域需要额外的时间和精力。鉴于在所提出的方案中，可重构形态清洁机器人可以在穿越目标区域时拍摄图像，并且通过应用本文介绍的技术，可以检测污垢及其强度并采用适当的清洁模式。此外，自适应平铺方案通过平铺操作区域中的受约束区域来增强最大污垢区域覆盖范围。

5 结论

在这项工作中，我们提出了一种基于可视污垢检测技术和多米诺骨牌理论的可重构形态的选择性污物区域覆盖方案。三层过滤框架用于有效的灰尘检测和复杂地板图案的分割。实验结果证明，提出的污物检测算法对不平衡的光照条件和频繁的地板纹理具有高度的可靠性和鲁棒性，并且能够在未知的情况下检测未知表面上的污物。此外，选择性的污物区域覆盖范围通过自适应tetromino平铺算法生成的平铺模式得以最大化。可视污垢检测和基于多米诺瓷砖的区域覆盖的集成将通过通过最佳图案生成选择脏污区域来有效地减少地板清洁痕迹。在未来的工作中，我们计划对SUTD开发的称为hTetro的可重构机器人实施提出的选择性区域清洁方法。

资料可用性

根据要求，可以从通讯作者处获得用于支持本研究结果的数据。

参考文献

[1] “DEEBOT R98 speciﬁcation,” https://www.ecovacs.com/sg/ deebot-robotic-vacuum-cleaner/DEEBOT-R98/.
[2] J.-h. Park and D.-r. Park, “Dust detection method and apparatus for cleaning robot,” 2011, US Patent 7,920,941 B2.
[3] J. Hess, M. Beinhofer, D. Kuhner, P. Ruchti, and W. Burgard, “Poisson-driven dirt maps for eﬃcient robot cleaning,” in 2013 IEEE International Conference on Robotics and Automation, pp. 2245–2250, Karlsruhe, Germany, 2013.
[4] L. Hyunsoo and A. Banerjee, “Intelligent scheduling and motion control for household vacuum cleaning robot system using simulation based optimization,” in 2015 Winter Simulation Conference (WSC), pp. 1820–1834, Huntington Beach, CA, USA, 2015.
[5] N.A. Andersen, I.D. Braithwaite,M.Blanke,and T.Sørensen, “Combining a novel computer vision sensor with a cleaning robot to achieve autonomous pig house cleaning,” in Proceedings of the 44th IEEE Conference on Decision and Control, pp. 8331–8336, Seville, Spain, 2005.
[6] R. Bormann, J. Fischer, G. Arbeiter, F. Weisshardt, and A. Verl, “A visual dirt detection system for mobile service robots,” in ROBOTIK 2012; 7th German Conference on Robotics, pp. 1–6, Munich, Germany, 2012.
[7] R. Bormann, F. Weisshardt, G. Arbeiter, and J. Fischer, “Autonomous dirt detection for cleaning in oﬃce environments,” in 2013 IEEE International Conference on Robotics and Automation, pp. 1260–1267, Karlsruhe, Germany, 2013.
[8] H. G. T. Milinda and B. G. D. A. Madhusanka, “Mud and dirt separation method for ﬂoor cleaning robot,” in 2017 Moratuwa Engineering Research Conference (MERCon), pp. 316– 320, Moratuwa, Sri Lanka, 2017.
[9] A. Grünauer, G. Halmetschlager-Funek, J. Prankl, and M. Vincze, “The power of GMMs: unsupervised dirt spot detection for industrial ﬂoor cleaning robots,” in Towards Autonomous Robotic Systems, TAROS 2017, Y. Gao, S. Fallah, Y. Jin, and C. Lekakou, Eds., vol. 10454 of Lecture Notes in Computer Science, pp. 436–449, Springer, Cham, 2017.
[10] A. Grünauer, G. Halmetschlager-Funek, J. Prankl, and M. Vincze, “Learning the ﬂoor type for automated detection of dirt spots for robotic ﬂoor cleaning using Gaussian mixture models,” in Computer Vision Systems, ICVS 2017, M. Liu, H. Chen, and M. Vincze, Eds., vol. 10528 of Lecture Notes in Computer Science, pp. 576–589, Springer, Cham, 2017.
[11] D. Martínez, G. Alenyà, and C. Torras, “Planning robot manipulation to clean planar surfaces,” Engineering Applications of Artiﬁcial Intelligence, vol. 39, pp. 23–32, 2015.
[12] A. Proietti, M. Panella, F. Leccese, and E. Svezia, “Dust detection and analysis in museum environment based on pattern recognition,” Measurement, vol. 66, pp. 62–72, 2015.
[13] A. Gylling, “Improving robotic vacuum cleaners,” 2018, http://www.diva-portal.org/smash/get/diva2:1213349/FULLTEX T02.pdf.
[14] D. Tuvshinjargal, B. Dorj, and D. J. Lee, “Hybrid motion planningmethodforautonomousrobotsusingkinectbasedsensor fusion and virtual plane approach in dynamic environments,” JournalofSensors,vol.2015,ArticleID471052,13pages,2015.
[15] K. M. Hasan, Abdullah-Al-Nahid, and K. J. Reza, “Path planning algorithm development for autonomous vacuum cleaner robots,” in 2014 International Conference on Informatics, Electronics & Vision (ICIEV), pp. 1–6, Dhaka, Bangladesh, 2014.
[16] J. Gamarra, R. Perez, J. Seborowski, and A. D. J. Chung, Robovac (Autonomous Robotic Vacuum Cleaner), 2006, https:// web.stevens.edu/ses/me/ﬁleadmin/me/senior_design/2007/ group01/DesignFinal.pdf.
[17] D. Kurabayashi, J. Ota, T. Arai, and E. Yoshida, “Cooperative sweeping by multiple mobile robots,” in Proceedings of IEEE
International Conference on Robotics and Automation, pp. 1744–1749, Minneapolis, MN, USA, 1996.
[18] V. Prabakaran, M. R. Elara, T. Pathmakumar, and S. Nansai, “hTetro: a tetris inspired shape shifting ﬂoor cleaning robot,” in 2017 IEEE International Conference on Robotics and Automation (ICRA), pp. 6105–6112, Singapore, Singapore, 2017.
[19] A. le, V. Prabakaran, V. Sivanantham, and R. Mohan, “Modiﬁed A-star algorithm for eﬃcient coverage path planning in Tetris inspired self-reconﬁgurable robot with integrated laser sensor,” Sensors, vol. 18, no. 8, 2018.
[20] M. Ilyas, S. Yuyao, R. E. Mohan, M. Devarassu, and M. Kalimuthu, “Design of sTetro: a modular, reconﬁgurable, and autonomous staircase cleaning robot,” Journal of Sensors, vol. 2018, Article ID 8190802, 16 pages, 2018.
[21] https://www.youtube.com/watch?v=niTHRZYKhIA.
[22] https://www.youtube.com/watch?v=TkEUYQzD4-k.
[23] V. Prabakaran, R. Mohan, V. Sivanantham, T. Pathmakumar, and S. Kumar, “Tackling area coverage problems in a reconﬁgurable ﬂoor cleaning robot based on polyomino tiling theory,” Applied Sciences, vol. 8, no. 3, p. 342, 2018.
[24] P. Veerajagadheswar, M. R. Elara, T. Pathmakumar, and V. Ayyalusami, “A tiling-theoretic approach to eﬃcient area coverageinatetris-inspired ﬂoorcleaningrobot,”IEEEAccess, vol. 6, pp. 35260–35271, 2018.
[25] D. G. Bailey, “Detecting regular patterns using frequency domain self-ﬁltering,” in Proceedings of International Conference on Image Processing, pp. 440–443, Santa Barbara, CA, USA, 1997.
[26] S. W. Golomb, “Tiling with sets of polyominoes,” Journal of Combinatorial Theory, vol. 9, no. 1, pp. 60–71, 1970.
[27] “AVerVision355AF,”2018,http://presentation.aver.com/model/ 355AF.

论文阅读＞污垢检测：Vision-Based Dirt Detection and Adaptive Tiling Scheme for Selective Area Coverage相关推荐

论文阅读——椭圆检测 2016 Robust ellipse detection with Gaussian mixture models
这篇文章是16年发表的椭圆检测文章,论文题目为:<Robust ellipse detection with Gaussian mixture models>,发表在<Pattern ...
论文阅读＞烟雾检测：Vision based smoke detection system using image energy and color information
原文 Vision based smoke detection system using image energy and color information 文章目录原文基于图像能量和颜色信息的 ...
深度学习论文阅读目标检测篇（四）中英文对照版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中英文对照版:YOLOv1< You Only Look Once: Unified, Real-Time Object Detection> Abstra ...
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
深度学习论文阅读目标检测篇(一):R-CNN<Rich feature hierarchies for accurate object detection and semantic segmen ...
深度学习论文阅读目标检测篇（三）：Faster R-CNN《 Towards Real-Time Object Detection with Region Proposal Networks》
深度学习论文阅读目标检测篇(三):Faster R-CNN< Towards Real-Time Object Detection with Region Proposal Networks&g ...
深度学习论文阅读目标检测篇（七）中英对照版：YOLOv4《Optimal Speed and Accuracy of Object Detection》
深度学习论文阅读目标检测篇(七)中英对照版:YOLOv4<Optimal Speed and Accuracy of Object Detection> Abstract 摘要 1. In ...
目标检测论文阅读：GHM(anchor based)
目标检测论文阅读:GHM(anchor based) 论文链接:https://arxiv.org/abs/1811.05181 代码链接:https://github.com/libuyu/GHM_ ...
深度学习论文阅读目标检测篇（四）中文版：YOLOv1《 You Only Look Once: Unified, Real-Time Object Detection》
深度学习论文阅读目标检测篇(四)中文版:YOLOv1<YouOnlyLookOnce:Unified,Real-TimeObjectDetection> 摘要 1.引言 2. 统一的检测 ...
深度学习论文阅读目标检测篇（五）中英对照版：YOLOv2《 YOLO9000: Better, Faster, Stronger》
深度学习论文阅读目标检测篇(五)中文版:YOLOv2< YOLO9000: Better, Faster, Stronger> Abstract 摘要 1. Introduction 1. ...
深度学习论文阅读目标检测篇（二）：Fast R-CNN《Fast R-CNN》
深度学习论文阅读目标检测篇(二):Fast R-CNN<Fast R-CNN> Abstract 摘要 1. Introduction 引言 1.1 RCNN and SPPnet 1.2 ...

论文阅读＞污垢检测：Vision-Based Dirt Detection and Adaptive Tiling Scheme for Selective Area Coverage