專利名稱:基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng)及方法
技術(shù)領(lǐng)域:
本發(fā)明涉及圖像處理、計算機視覺、模式識別、在線檢測等領(lǐng)域,尤其涉及一種基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng)及方法。
背景技術(shù):
在線視覺檢測是利用計算機視覺原理,綜合圖像處理、模式識別和人工智能等技術(shù)對物體的運動、形狀、姿態(tài)進行分析以及對物體幾何尺寸等物理參數(shù)進行準確的非接觸在線檢測的過程。但由于工業(yè)現(xiàn)場條件非常惡劣,如空氣中的雜質(zhì)(如煙霧、灰塵、水氣等)、工業(yè)設備振動引起的視覺裝置的振動、環(huán)境中光照和電磁輻射等干擾都會對傳感器獲取的圖像等信息造成很大的損失或畸變,這給在線視覺檢測帶來很大的困難,使檢測準確性和可靠性難以保證。為了提高在線視覺檢測的準確性,多傳感器(如雷達、聲納、CCD攝像機、紅外以及激光探測器等)圖像信息融合的技術(shù)被應用到在線視覺檢測。
多傳感器信息融合最大的特點就是信息冗余、信息互補和信息實時,其優(yōu)點就是能減少數(shù)據(jù)量及其計算量,提高檢測的準確性。但是傳感器的增多必將提高成本、降低系統(tǒng)可靠性、增加設備。同時在工業(yè)應用中,對傳感器的選擇受到許多諸如工業(yè)現(xiàn)場環(huán)境特點、被測對象特性以及投資成本等條件的限制,這使得多傳感器及其相關(guān)信息融合技術(shù)在工業(yè)生產(chǎn)中難以被廣泛應用。
D-S證據(jù)理論常被選擇用來解決那些古典Bayesian方法由于缺乏概率分布模型或準確數(shù)學分析無效的問題。具體思想為設識別框架Ω為有限集,其冪集為2Ω,定義了一個集函數(shù)m2Ω→
,滿足(1)m(φ)=0;(2)對于AΩ,m(A)≥0,且ΣA⋐2Ωm(A)=1.]]>稱m(A)為Ω上A的基本概率賦值。對于任一子集AΩ,分別定義其信任函數(shù)和似真函數(shù)分別為Bel(A)=ΣB⋐Am(B)]]>和Pl(A)=1-Bel(A‾)=ΣB∩A≠φm(B),]]>其中A=Ω-A。信任函數(shù)Bel(A)表示支持A的總信任的最小值,似真函數(shù)Pl(A)表示不否定A的信任程度,是支持A的總的總信任最大值。得D-S證據(jù)理論融合規(guī)則的一般形式。該方法在信息融合時對所有傳感器給予了相同的置信,這種等置信的方法僅適用于所有傳感器在識別框架上的各自的概率能夠同時地反映不確定性和確定性的情況。而實際上很難滿足上述要求,有文獻提出了加權(quán)D-S證據(jù)理論融合算法,即假定已知一個傳感器在類似的情況中如何工作的歷史,則可以用歷史估計的正確率作為確定傳感器當前觀測估計值的置信程度(用ωi表示),即得到加權(quán)D-S證據(jù)理論融合算法。加權(quán)D-S證據(jù)理論融合算法雖然解決了多傳感器在識別框架上各自概率確定和不確定的問題以及觀測準確性不同的問題,可加權(quán)系數(shù)是由歷史數(shù)據(jù)計算所確定,不能及時地反映當前證據(jù)的信任函數(shù)變化。為了解決這類問題,本文提出了自適應系數(shù)權(quán)D-S證據(jù)理論融合算法。
煉鋼企業(yè)的螺紋鋼生產(chǎn)線在成品打捆時需要對每一捆中鋼材根數(shù)進行準確計數(shù),但在軋制過程中由于成品率難于控制,煉鋼工業(yè)生產(chǎn)現(xiàn)場非常惡劣,生產(chǎn)車間內(nèi)存在各種隨機干擾,螺紋鋼材生產(chǎn)線上溫度特別高,所以一直很難找到合適的傳感器完成自動計數(shù),由工人手工計數(shù)。這不僅使生產(chǎn)成本很高,而且計數(shù)結(jié)果易受到值班人員的注意力、反應速度、疲勞以及責任心等因素的影響。目前有個別生產(chǎn)先引進了機械式鋼材支數(shù)計數(shù)系統(tǒng),但由于機械系統(tǒng)故障率高、鋼材成品很長加上高溫較軟,所以機械式系統(tǒng)準確性也很低。
目前國內(nèi)外尚沒有基于虛擬多傳感器信息融合的特別是自適應權(quán)系數(shù)D-S證據(jù)理論融合方法的計算機視覺系統(tǒng),也沒有基于這種系統(tǒng)的鋼材支數(shù)在線自動計數(shù)方法。
發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術(shù)中工業(yè)現(xiàn)場圖像易受各種干擾、在線視覺檢測準確性差的不足,提供一種基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng)及方法。
本發(fā)明的目的是通過以下技術(shù)方案來實現(xiàn)的一種基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,它包括一計算機系統(tǒng),它主要由計算機、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡組成,一攝像和恒光源裝置,一接近開關(guān),一數(shù)碼顯示器,一開關(guān)面板,所述攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器、開關(guān)面板分別與計算機系統(tǒng)相連。
一種應用上述鋼材支數(shù)在線計數(shù)系統(tǒng)的計數(shù)方法,其特征在于,包括以下步驟
(1)獲取圖像計算機將攝像頭輸出數(shù)據(jù)通過圖像采集卡轉(zhuǎn)換成圖像數(shù)字信號,得到一幅480×570×32Bits的彩色圖像。
(2)轉(zhuǎn)換成灰度圖將上述480×570×32Bits的彩色圖像轉(zhuǎn)換成480×570×8Bits灰度圖。
(3)獲取特征圖將上述灰度圖分別用Canny邊緣算子、鄰域平均值算子和梯度Sobel算子運算進行變換獲得相應的特征圖。
(4)訓練匹配器模板將獲取的有鋼材端面的實時圖轉(zhuǎn)換成灰度圖并存入到計算機硬盤上;用圖形處理軟件ACDSee5.0以上版本打開,在其編輯器中用m×m的模板將有端面的鋼材剪切,讓端面正好在此模板正中間,重復該過程獲得x幅模板圖,計算這x幅模板,得到匹配器模板。
(5)確定自適應權(quán)系數(shù)對特征圖輸出信息的相關(guān)特征進行統(tǒng)計,由當前的統(tǒng)計結(jié)果與給定的加權(quán)系數(shù)共同作用決定當前的權(quán)系數(shù)。
(6)搜索特征量并確定其基本信度將上述特征圖和灰度圖在相同的位置同時掃描,獲得相應的特征,根據(jù)特征量得到相應檢測對象的基本信度。
(7)確定模板匹配相似度利用匹配技術(shù)確定匹配器模板和指定區(qū)域的相似度及基本信度。
(8)合成基本信度并作出判斷自適應權(quán)系數(shù)D-S證據(jù)融合算法計算最終的信度,根據(jù)最終的信度判斷該區(qū)域有無鋼材。
(9)優(yōu)化屏蔽搜索區(qū)域屏蔽搜索到鋼材的區(qū)域,避免重復搜索。
(10)獲得鋼材總支數(shù)依次搜索特征圖,累加有鋼材截面的總數(shù),即得到原始實時圖像中的鋼材總支數(shù)。
本發(fā)明具有以下技術(shù)效果(1)本發(fā)明研制出了可適用于復雜惡劣的工業(yè)環(huán)境中自動采集穩(wěn)定實時圖像的硬件機械系統(tǒng),借助設計的特殊結(jié)構(gòu),降低了外界諸如光線、震動、抖動、輻射等對圖像的干擾。
(2)本發(fā)明提出了虛擬多傳感器的概念及其自適應權(quán)系數(shù)D-S證據(jù)理論融合方法,使信息融合過程中的信任函數(shù)由歷史數(shù)據(jù)和當前實時圖像統(tǒng)計特征決定,使得在不增加傳感器和對傳感器要求的情況下在線視覺檢測系統(tǒng)的可靠性和準確性同時得到保證。
(3)本發(fā)明可以在線無接觸地自動檢測鋼材支數(shù)的智能系統(tǒng),對某煉鋼工業(yè)生產(chǎn)過程在線檢測,該系統(tǒng)檢測的方法具有快速準確、抗干擾能力強、適用范圍寬以及不需要多個傳感器等優(yōu)點,完全能滿足工業(yè)應用要求。
圖1是本發(fā)明的系統(tǒng)結(jié)構(gòu)組成示意圖;圖2是圖1的攝像和恒定光源裝置構(gòu)成示意圖;圖3是本發(fā)明的系統(tǒng)具體實現(xiàn)示意圖;圖4是圖像搜索過程示意圖;圖5是窗口模板在特征圖中的搜索過程示意圖;圖6是特征點計算選取示意圖;圖7是搜索區(qū)域優(yōu)化計算示意圖;圖8是各個特征信度函數(shù)計算示意圖;圖9是數(shù)碼顯示器顯示內(nèi)容示意圖。
具體實現(xiàn)方式下面根據(jù)附圖詳細說明本發(fā)明。
如圖1所示,本發(fā)明的基于虛擬多傳感器信息融合的鋼材支數(shù)在線計數(shù)系統(tǒng)主要包括接近開關(guān)、攝像和恒光源裝置(包括云臺及其控制器)、數(shù)碼顯示器、計算機系統(tǒng)、開關(guān)面板;其中,計算機系統(tǒng)包括工業(yè)控制計算機、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡,攝像和恒光源裝置、接近開關(guān)、開關(guān)面板、數(shù)碼顯示器分別與計算機系統(tǒng)相連。工業(yè)現(xiàn)場被測的鋼材運行信號通過接近開關(guān)輸入到計算機系統(tǒng),鋼材截面信息通過攝像和恒光源裝置輸入到計算機系統(tǒng),計算機系統(tǒng)將計數(shù)結(jié)果顯示在數(shù)碼顯示器上,現(xiàn)場工作人員根據(jù)實際工況通過開關(guān)面板干預計算機系統(tǒng)工作情況。
如圖2所示,攝像和恒光源裝置主要由設置同在一個箱體內(nèi)的恒定光源4、折光吊鏈5和攝像頭3組成,用以得到灰度相對穩(wěn)定的圖像。攝像頭采用高分辨率線陣CCD攝像頭,攝像頭上裝有可調(diào)節(jié)的鏡頭。接近開關(guān)可采用紅外接近開關(guān)。本發(fā)明的基于虛擬多傳感器信息融合的鋼材支數(shù)在線計數(shù)系統(tǒng)的工作過程如下當有被測對象2將要經(jīng)過攝像和恒光源裝置時,計算機系統(tǒng)通過接近開關(guān)1得到相應的信號,在經(jīng)過適當?shù)臅r間延時,計算機系統(tǒng)將攝像頭2的信號轉(zhuǎn)換成數(shù)字圖像信號,并存入到計算機指定的內(nèi)存中。經(jīng)過計算機處理,獲得該圖像中的鋼材支數(shù),并將結(jié)果顯示在數(shù)碼顯示器上,操作人員根據(jù)顯示結(jié)果進行現(xiàn)場打捆。
開關(guān)面板為六個常開觸點的按鈕開關(guān)面板,6個按鈕分別為暫停按鈕、開始按鈕、停止按鈕、加一按鈕、減一按鈕和清零按鈕,它們的功能分別為暫停計數(shù)、開始計數(shù)、停止計數(shù)、支數(shù)加1、支數(shù)減1、系統(tǒng)清零。根據(jù)現(xiàn)場情況通過開關(guān)面板隨時干預系統(tǒng)工作狀態(tài)。
數(shù)碼顯示器可以采用LED數(shù)碼顯示器。其顯示內(nèi)容如圖9所示,四組數(shù)字由左到右分別表示本捆當前支數(shù)、標準整捆支數(shù)、當前圖像中支數(shù)和本捆需加減支數(shù)。
下面結(jié)合附圖3和4詳細描述本發(fā)明的具體實現(xiàn)步驟如下1)獲取圖像計算機系統(tǒng)對生產(chǎn)線傳輸帶控制臺工作狀態(tài)實時監(jiān)測,如圖1所示。當傳輸帶有動作信號時,轉(zhuǎn)而對接近開關(guān)狀態(tài)監(jiān)測,如圖2所示。如有信號時,計算機系統(tǒng)將攝像機輸出數(shù)據(jù)通過圖像采集卡轉(zhuǎn)換成圖像數(shù)字信號,得到一幅480×570×32Bits的彩色圖像,并存儲到內(nèi)存中。
2)轉(zhuǎn)換成灰度圖將480×570×32Bits的彩色圖像轉(zhuǎn)換成480×570×8Bits灰度圖。彩色圖像每個像素占4個字節(jié),分別為藍rgbBxue、綠rgbGreen、紅rgbRed、保留值rgbReserved,轉(zhuǎn)換成灰度圖后每個像素只占一個字節(jié)。轉(zhuǎn)換灰度值rgbGrayVaxue公式為rgbGrayValue=0.299×rgbRed+0.587×rgbGreen+0.114×rgbBlue得到了一幅灰度圖。
3)獲取特征圖上一步驟獲得的灰度圖分別用Canny邊緣算子、鄰域平均值算子和梯度Sobel算子運算進行變換獲得相應的特征圖,分別存儲在內(nèi)存中另外三個內(nèi)存區(qū)域中。
3.1)Canny算子進行邊緣檢測獲得邊緣特征圖對灰度圖像I(x,y)用f(x,y)表示灰度值,完成Canny算子操作,在三個優(yōu)化準則下依次實現(xiàn)了圖像噪聲Gaussian濾波、計算圖像方向?qū)?shù)、計算梯度的幅值、抑止圖像局部梯度非最大點、利用磁滯現(xiàn)象搜索到所有邊界,從而得到原始灰度圖像的邊緣特征圖。有關(guān)參數(shù)及函數(shù)選擇二維函數(shù)的梯度定義為
G[f(x,y)]=GxGy=∂f∂x∂f∂y=limΔx→0f(x+Δx,y)-f(x,y)ΔxlimΔy→0f(x,y+Δy)-f(x,y)Δy]]>(1)圖像噪聲濾波由二維Gaussian濾波器實現(xiàn)G(x,y)=12πσ2exp(-(x-x0)2+(y-y0)22σ2)]]>其中σ為濾波器標準偏差,在這里其值為0.3。(x0,y0)為濾波器均值,x0=0,y0=0。
(2)用Sobel算子計算方向梯度,梯度幅值|G[f(x,y)]|=[Gx]2+[Gy]2]]>以行方向為參考的梯度方向為θ(x,y)=arctan[GyGx]]]>Sobex算子的模板為Gx=10-120-210-1,]]>Gy=-1-2-1000121.]]>(3)給定參數(shù)高斯濾波的標準方差0.3;低閾值和高閾值之比0.4;高閾值占圖像像素總數(shù)之比0.89。
(4)邊界跟蹤過程中,對8鄰域像素查詢,給定查詢順序為x方向{-1,-1,-1,0,1,1,1,0};y方向{-1,0,1,1,1,0,-1,-1}。
3.2)鄰域平均值算子處理獲得去除噪聲的灰度圖像去除噪聲后的灰度值為 其中threshoxd為一指定灰度閾值,其特征值為120。M為鄰域中像素總數(shù),鄰域S為N×N,取N=3,M=14,選取Gaussian模板為Gx=116×121242121,]]>在計算中分解成一個水平模板和一個豎直模板,以提高運算速度,即為Gx=116×121242121=116×121×121.]]>3.3)Sobel算子進行梯度計算獲得梯度分布特征圖在指定方向上用Sobel算子計算方向梯度,梯度幅值|G[f(x,y)]|=[Gx]2+[Gy]2]]>以行方向為參考的梯度方向為θ(x,y)=arctan[GyGx]]]>Sobel算子的模板為GR-L=10-120-210-1,]]>GT-B=-1-2-1000121]]>GR-T-L-B=0-1-210-1210,]]>GL-T-R-B=21010-10-1-2,]]>四個模板分別對應左右、上下、左上角—右下角、左下角—右上角方向上使用的模板。獲得指定方向上的梯度分別特征圖,方向如圖6所示。
4)訓練匹配器模板匹配器模板訓練首先必須進行離線訓練,運行中還可在線訓練。將特定時間段采集的有鋼材端面的實時圖用上述步驟進行變換、去除噪聲,得到灰度圖將其存入到計算機硬盤上。用圖形處理軟件ACDSee5.0以上版本打開,在其編輯器中用m×m的模板將有端面的鋼材剪切,讓端面正好在此模板正中間,重復該過程獲得x幅模板圖。其中m為被測鋼材的直徑,x為樣本容量。訓練好的模板灰度為gm-offline(x,y)=1lΣi=1lfi(x,y),]]>其中fi(x,y)為第i個樣本在(x,y)點的灰度值。同樣的現(xiàn)場應用過程中隨時可以進行訓練模板,得到在線模板灰度為gm-online(x,y)=1lΣi=1lfi(x,y),]]>最后得到的匹配器模板T為tm(x,y)=12(gm-offline(x,y)+gm-online(x,y)).]]>亦可單獨使用上面的模板。
5)確定自適應權(quán)系數(shù)根據(jù)每個虛擬傳感器輸出信息的特征,首先對其輸出信息的相關(guān)特征進行統(tǒng)計,由當前的統(tǒng)計結(jié)果與已知的加權(quán)系數(shù)共同作用決定當前的權(quán)系數(shù),即ρi=f(σi,ωi)式中σi表示第i個虛擬傳感器輸出特征信息統(tǒng)計量,選擇特征信息統(tǒng)計量必須滿足信任函數(shù)的要求,與σi之間的對應關(guān)系可按具體要求選擇,這里選為σi=1/(1+e-n/ki)式中n為真實的統(tǒng)計量(灰度均值),ki為具體特征量修正系數(shù),以保證滿足信任函數(shù)的要求。對ρ的計算可選擇為ρi=σi×ωiωi根據(jù)實時圖像測量的對象特征確定(i=1,2,3,4)。
6)搜索特征量并確定其基本信度定義了一個空白窗口模板T(s,t),s、t分別為模板左上頂點在特征圖中的位置。模板大小為n×n,其中n=1.2×D。D為所檢測對象鋼材截面直徑。讓該模板在上述步驟中獲得的三幅特征圖(邊緣特征圖、去噪灰度圖、灰度梯度分布圖)和原始灰度圖中相同的位置同時掃描,將該模板覆蓋的圖像定義為子圖像F(s,t),如圖5所示。在掃描過程中可以獲得相應的特征,根據(jù)每個特征可以得到在該制圖像中是否有相應的檢測對象(如鋼材截面)的基本信度。
定義Θ為一個識別框架,且2Θ→
。m為基本信度分配。
6.1)邊緣特征基本信度CCanny-edges定義為邊緣決定的解集合,CCanny-edges∈2Θ,CCanny-edges={有,沒有,不確定},CCanny edges‾=1-CCanny-edges.]]>邊緣特征基本信度分配m1(CCanny edges)=Nmeasured-Nlower-limitNhigher-limit-Nlower-limit.]]>其中Nmeasured為特征子圖像中指定點上實際測得的邊緣個數(shù);Nlower-limit為特征子圖像中有鋼材截面時應有的截面邊緣點最少個數(shù);Nhigher-limit為特征子圖像中有鋼材截面時應有的截面邊緣點最多個數(shù)。根據(jù)指定點個數(shù),兩個已知數(shù)為Nlower-limit=6,Nhigher-limit=16。此外,如果Nmeasured<6,則m1(CCanny edges)=0;如果m1(CCanny edges)>16,則m1(CCanny edges)=1?;拘哦确峙鋽?shù)值量化關(guān)系如圖8(a)所示。
6.2)子圖像指定區(qū)域灰度均值基本信度Caverage定義為子圖像指定區(qū)域灰度均值決定的解集,Caverage∈2Θ,Caverage={有,沒有,不確定},Caverage‾=2Θ-Caverage.]]>區(qū)域灰度基本信度分配m2(Caverage)=Gmeasured-Glower-limitGhigher-limit-Glower-limit]]>其中Gmeasured為特征子圖像中指定點上實際測得的邊緣個數(shù);Glower-limit為特征子圖像中有鋼材截面時應有的截面邊緣點最少個數(shù);Ghigher-limit為特征子圖像中有鋼材截面時應有的截面邊緣點最多個數(shù)。根據(jù)指定點個數(shù),兩個已知數(shù)為Glower-limit=120,Ghigher-limit=240。此外,如果Gmeasured<120,則m2(Caverage)=0;如果Gmeasured>240,則m2(Caverage)=1。基本信度分配數(shù)值量化關(guān)系如圖8(b)所示。
6.3)子圖像指定區(qū)域灰度梯度分布基本信度Cgradient定義為子圖像指定區(qū)域灰度均值決定的解集,Cgradiente∈2Θ,Cgradient={有,沒有,不確定},Cgradient‾=2Θ-Cgradient.]]>區(qū)域灰度梯度基本信度分配m3(Cgradient)=Dmeasured-Dlower-limitDhigher-limit-Dlower-limit]]>其中Dmeasured為特征子圖像中指定區(qū)域灰度梯度實際測值數(shù);Dlower-limit為特征子圖像中指定區(qū)域灰度梯度滿足的條件的最小值;Dhigher-limit為特征子圖像中指定區(qū)域灰度梯度滿足的條件的最大值。并且,如果Dmeasured<10,則m3(Cgradient)=1;如果Dmeasured>30,則m3(Cgradient)=0?;拘哦确峙鋽?shù)值量化關(guān)系如圖8(c)所示。
7)確定模板匹配相似度應用步驟4)中訓練所得的模板,利用匹配技術(shù)中模板計算模板T和指定區(qū)域子圖像S相似程度來進一步確定子圖像中是否為一個鋼材端面。歸一化的相似性測度R(i,j)=Σm=1MΣn=1MSi,j(m,n)T(m,n)(Σm=1MΣn=1M[Si,j(m,n)]2)(Σm=1MΣn=1M[T(m,n)]2)]]>區(qū)域相似度基本信度分配m4(Csimilar-degree)=S(i,j)其中S(i,j)特特征子圖像中指定區(qū)域?qū)嶋H計算得到的相似度?;拘哦确峙鋽?shù)值量化關(guān)系如圖8(d)所示。
8)合成基本信度并得到準確判斷得到自適應的權(quán)系數(shù)以及同一識別框架上的基于不同證據(jù)的信度函數(shù),然后用D-S證據(jù)合成法則計算最終的信度值,計算公式為 =m1(A1)⊕···⊕mk(Ak)]]>其中i=1,2,3,4。
最后得到判定if m(A)>=m(threshoxd)then a rod is found,exse no rod exists in the searched area.
在實際判決時m(threshoxd)=0.925。
9)優(yōu)化屏蔽搜索區(qū)域根據(jù)所搜索的鋼材直徑,如果按上述確定所搜索的區(qū)域已經(jīng)是鋼材截面,為了提高搜索效率,避免重復搜索,計算該截面上的邊界,并推導出與這些邊界相切的另外的鋼材截面的模板頂點的軌跡(x-i)2+(y-j)2=R2其中(i,j)為當前覆蓋當前區(qū)域的頂點坐標,R為鋼材截面半徑,(x,y)為另外鋼材截面上覆蓋的模板頂點坐標。然后該圓下半部分以點(i,i)為中心垂直分割,其左半部分全部屏蔽,作為不再搜索區(qū)域;右半部分作上特殊標志,表示此區(qū)域不再作為搜索區(qū)域頂點,但該區(qū)域的邊界、灰度、灰度梯度等信息均保留,以免將有用信息屏蔽。過程如圖8所示。
10)得到鋼材總支數(shù)依次搜索完用虛擬多傳感器獲得的特征圖,累加有鋼材截面的總數(shù),即得到原始實時圖像中的鋼材總支數(shù)。整個原理及其實現(xiàn)過程如圖5所示。
上述實施例用來解釋說明本發(fā)明,而不是對本發(fā)明進行限制,在本發(fā)明的精神和權(quán)利要求的保護范圍內(nèi),對本發(fā)明作出的任何修改和改變,都落入本發(fā)明的保護范圍。
權(quán)利要求
1.一種基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,它包括一計算機系統(tǒng),它主要由計算機、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡組成,一攝像和恒光源裝置,一接近開關(guān),一數(shù)碼顯示器,一開關(guān)面板,所述攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器、開關(guān)面板分別與計算機系統(tǒng)相連。
2.根據(jù)權(quán)利要求1所述的基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,所述攝像和恒光源裝置由設置在同一個箱體內(nèi)的恒定光源、折光吊鏈和攝像頭組成,
3.根據(jù)權(quán)利要求2所述的基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,所述攝像頭為高分辨率線陣CCD攝像頭,攝像頭上裝有可調(diào)節(jié)的鏡頭。
4.根據(jù)權(quán)利要求1所述的基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,所述接近開關(guān)為紅外接近開關(guān)。
5.根據(jù)權(quán)利要求1所述的基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng),其特征在于,所述數(shù)碼顯示器為LED數(shù)碼顯示器。
6.一種應用權(quán)利要求1所述的鋼材支數(shù)在線計數(shù)系統(tǒng)的計數(shù)方法,其特征在于,包括以下步驟(1)獲取圖像計算機將攝像頭輸出數(shù)據(jù)通過圖像采集卡轉(zhuǎn)換成圖像數(shù)字信號,得到一幅480×570×32Bits的彩色圖像。(2)轉(zhuǎn)換成灰度圖將上述480×570×32Bits的彩色圖像轉(zhuǎn)換成480×570×8Bits灰度圖。(3)獲取特征圖將上述灰度圖分別用Canny邊緣算子、鄰域平均值算子和梯度Sobel算子運算進行變換獲得相應的特征圖。(4)訓練匹配器模板將獲取的有鋼材端面的實時圖轉(zhuǎn)換成灰度圖并存入到計算機硬盤上;用圖形處理軟件ACDSee5.0以上版本打開,在其編輯器中用m×m的模板將有端面的鋼材剪切,讓端面正好在此模板正中間,(5)重復該過程獲得x幅模板圖,計算這x幅模板,得到匹配器模板。(6)確定自適應權(quán)系數(shù)對特征圖輸出信息的相關(guān)特征進行統(tǒng)計,由當前的統(tǒng)計結(jié)果與給定的加權(quán)系數(shù)共同作用決定當前的權(quán)系數(shù)。(7)搜索特征量并確定其基本信度將上述特征圖和灰度圖在相同的位置同時掃描,獲得相應的特征,根據(jù)特征量得到相應檢測對象的基本信度。(8)確定模板匹配相似度利用匹配技術(shù)確定匹配器模板和指定區(qū)域的相似度及基本信度。(9)合成基本信度并作出判斷自適應權(quán)系數(shù)D-S證據(jù)融合算法計算最終的信度,根據(jù)最終的信度判斷該區(qū)域有無鋼材。(10)優(yōu)化屏蔽搜索區(qū)域屏蔽搜索到鋼材的區(qū)域,避免重復搜索。(11)獲得鋼材總支數(shù)依次搜索特征圖,累加有鋼材截面的總數(shù),即得到原始實時圖像中的鋼材總支數(shù)。
7.據(jù)權(quán)利要求6所述的計數(shù)方法,其特征在于,所述步驟(5)中,確定自適應權(quán)系數(shù)的具體方法為根據(jù)每個虛擬傳感器輸出信息的特征,首先對其輸出信息的相關(guān)特征進行統(tǒng)計,由當前的統(tǒng)計結(jié)果與根據(jù)先驗知識給定的加權(quán)系數(shù)共同作用確定出定當前實時圖的權(quán)系數(shù)。
8.根據(jù)權(quán)利要求6所述的計數(shù)方法,其特征在于,所述訓練匹配器模板的具體步驟為(1)離線訓練匹配器模板;(2)在線訓練匹配器模板;(3)獲得匹配器模板tm(x,y)=12(gm-offline(x,y)+gm-online(x,y)).]]>
9.根據(jù)權(quán)利要求6所述的計數(shù)方法,其特征在于,所述搜索特征量并確定其基本信度的具體步驟為(1)定義Θ為一個識別框架,且2Θ→
,其中m為基本信度分配;(2)邊緣特征基本信度分配m1(CCanny edges)=Nmeasured-Nlower-limitNhigher-limit-Nlower-limit;]]>(3)子圖像指定區(qū)域灰度均值基本信度分配m2(Caverage)=Gmeasured-Glower-limitGhigher-limit-Glower-limit;]]>(4)子圖像指定區(qū)域灰度梯度分布基本信度m3(Cgradient)=Dmeasured-Dlower-limitDhigher-limit-Dlower-limit;]]>(5)模板匹配相似度及其基本信度分配的確定m4(Csimilar-degree)=S(i,j),其中S(i,j)為歸一化的相似性測度S(i,j)=Σm=1MΣn=1MSi,j(m,n)T(m,n)(Σm=1MΣn=1M[Si,j(m,n)]2)(Σm=1MΣn=1M[T(m,n)]2).]]>
10.根據(jù)權(quán)利要求6所述的基于虛擬多傳感器信息融合的鋼材支數(shù)在線計數(shù)方法,其特征在于,所述搜索區(qū)域的優(yōu)化屏蔽為如果步驟(8)確定所搜索的區(qū)域已經(jīng)是鋼材截面,對當前此區(qū)域進行屏蔽,作為不再搜索區(qū)域。
全文摘要
本發(fā)明公開了一種基于虛擬多傳感器融合的鋼材支數(shù)在線計數(shù)系統(tǒng)及方法。系統(tǒng)由計算機系統(tǒng)、攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器和開關(guān)面板組成。利用本發(fā)明的計數(shù)方法可以實現(xiàn)對不同型號不同規(guī)格的鋼材支數(shù)實現(xiàn)在線計數(shù)。這種方法受現(xiàn)場干擾影響小,通用性強,可用于復雜惡劣環(huán)境中的對類似于鋼材的、有截面信息的產(chǎn)品進行在線數(shù)量檢測,且檢測準確,運行可靠。
文檔編號G06K9/60GK1609894SQ20041006634
公開日2005年4月27日 申請日期2004年9月10日 優(yōu)先權(quán)日2004年9月10日
發(fā)明者張宏建, 漆隨平, 駱志堅 申請人:浙江大學