用于识别卷扬乱绳的方法和装置及工程机械制造方法及图纸

本发明专利技术实施例提供一种用于识别卷扬乱绳的方法和装置及工程机械，属于工程机械领域。该方法包括：获取卷扬机卷扬钢丝绳的实时图像；提取所述实时图像的图像特征；基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。该装置包括：图像获取模块，用于获取卷扬机卷扬钢丝绳的实时图像；图像特征提取模块，用于提取所述实时图像的图像特征；以及处理模块，用于：基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。藉此，实现了提高识别卷扬乱绳的准确率。

【技术实现步骤摘要】
用于识别卷扬乱绳的方法和装置及工程机械
本专利技术涉及工程机械领域，具体地涉及一种用于识别卷扬乱绳的方法和装置及工程机械。
技术介绍
起重机械工作稳定性和安全性直接关系到人身安全、生产设施及财产安全。钢丝绳是起重机重要组件之一，在钢丝绳失效原因中，卷扬乱绳现象是造成钢丝绳快速磨损、变形和结构破坏的主要原因。卷扬乱绳指的是卷扬上钢丝绳排列不整齐，表现为空槽、咬绳、背绳3种形式。钢丝绳磨损、断丝达到一定程度后会导致钢丝绳报废，需要重新更换新的钢丝绳，还会增加机械运行成本和维护费用，严重时甚至会直接影响人身安全，所以起重机械卷扬乱绳的危害非常大，需要引起高度的重视。目前针对卷扬乱绳的主要解决办法还是靠人工直接检查或通过视频监控由人工识别。在人工直接检查的情况下，卷扬处安装有后视镜，机手在操作起重机时通过观看后视镜里卷扬的情况判断是否乱绳；在视频监控情况下，卷扬处安装有摄像机，卷扬视频实时传送到驾驶室的显示屏上，由机手观看视频判断是否乱绳。这两种情况都需要人工全程参与，需要机手高度专注，但由于人员操作疏忽，经常没有及时排除乱绳情况，留下了极大的安全隐患。为了解决这种情况，当前也出现了一些基于图像识别的卷扬乱绳识别方法，但稳定性和识别准确率都有待提高。图1所示为当前基于图像识别的卷扬乱绳识别算法流程图。如图1所示，首先对采集的原始图像进行预处理，利用灰度图像二值化和阈值分割的方法获得卷扬图像的二值化数据矩阵，即二维数组，接下来对二维数组进行滤波处理，利用经过处理的二值化图像确定出绳位置，然后判断出绳位置两边是否有凹凸特征，如果没有则表示卷扬绕绳正常，否则表示卷扬绕绳出现异常，此时报警，提醒司机检查。该基于图像识别的卷扬乱绳识别方法具有以下缺陷：1)无法运行在复杂光照条件下，该方法依赖图像二值化处理，光照条件变化对图像二值化处理影响巨大；2)卷扬乱绳识别准确率低，该方法只通过判断二值化图像中出绳位置两边是否有凹凸来识别是否乱绳，难以覆盖其它类型的卷扬乱绳；3)方法通用性差，该方法只能针对卷扬的特定状态进行乱绳识别，无法覆盖卷扬运动的其它状态。
技术实现思路
本专利技术的目的是提供一种用于识别卷扬乱绳的方法和装置及工程机械，其可解决或至少部分解决上述问题。为了实现上述目的，本专利技术的一个方面提供一种用于识别卷扬乱绳的方法，该方法包括：获取卷扬机卷扬钢丝绳的实时图像；提取所述实时图像的图像特征；基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。可选地，所述提取所述实时图像的图像特征包括：对所述实时图像做自适应阈值二值化处理，以得到所述实时图像的第一二值化图像；利用Gabor滤波器获取所述第一二值化图像的Gabor特征图像；计算所述Gabor特征图像的OTSU阈值；基于所述OTSU阈值对所述Gabor特征图像进行全局阈值二值化处理，以得到第二二值化图像；获取所述第二二值化图像的最大连通域；以及计算所述最大连通域的HOG特征，其中所述HOG特征为所述图像特征。可选地，该方法还包括：基于PCA对所述HOG特征进行降维处理，其中，降维后的所述HOG特征为所述图像特征。可选地，所述预设高斯混合模型被基于以下公式确定：其中，x表示所述图像特征，μ表示所述图像特征的均值，∑表示所述图像特征的协方差矩阵，T为矩阵转置，p为所述预设高斯混合模型的输出概率值，1-p为所述卷扬乱绳概率值。可选地，所述预设高斯混合模型和所述预设概率阈值通过以下内容被确定：获取所述卷扬机运转正常的正常图像集和卷扬乱绳的异常图像集；提取所述正常图像集中的每一图像的图像特征及所述异常图像集中的每一图像的图像特征；基于所述正常图像集中的每一图像的图像特征确定所述均值和所述协方差矩阵，以确定所述预设高斯混合模型；以及基于所述正常图像集中的每一图像的图像特征、所述异常图像集中的每一图像的图像特征和所述预设高斯混合模型确定概率阈值范围内的每一概率阈值的评价指标，其中，所述概率阈值范围基于所述预设高斯混合模型的概率分布而被设定，所确定的评价指标中最好的评价指标对应的概率阈值即为所述预设概率阈值。相应地，本专利技术的另一方面提供一种用于识别卷扬乱绳的装置，该装置包括：图像获取模块，用于获取卷扬机卷扬钢丝绳的实时图像；图像特征提取模块，用于提取所述实时图像的图像特征；以及处理模块，用于：基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。可选地，所述图像特征提取模块提取所述实时图像的图像特征包括：对所述实时图像做自适应阈值二值化处理，以得到所述实时图像的第一二值化图像；利用Gabor滤波器获取所述第一二值化图像的Gabor特征图像；计算所述Gabor特征图像的OTSU阈值；基于所述OTSU阈值对所述Gabor特征图像进行全局阈值二值化处理，以得到第二二值化图像；获取所述第二二值化图像的最大连通域；以及计算所述最大连通域的HOG特征，其中所述HOG特征为所述图像特征。可选地，该装置还包括：降维模块，用于基于PCA对所述HOG特征进行降维处理，其中，降维后的所述HOG特征为所述图像特征。可选地，所述预设高斯混合模型被基于以下公式确定：其中，x表示所述图像特征，μ表示所述图像特征的均值，∑表示所述图像特征的协方差矩阵，T为矩阵转置，p为所述预设高斯混合模型的输出概率值，1-p为所述卷扬乱绳概率值。可选地，所述图像获取模块还用于获取所述卷扬机运转正常的正常图像集和卷扬乱绳的异常图像集；所述图像特征提取模块还用于提取所述正常图像集中的每一图像的图像特征及所述异常图像集中的每一图像的图像特征；所述处理模块还用于：基于所述正常图像集中的每一图像的图像特征确定所述均值和所述协方差矩阵，以确定所述预设高斯混合模型；以及基于所述正常图像集中的每一图像的图像特征、所述异常图像集中的每一图像的图像特征和所述预设高斯混合模型确定概率阈值范围内的每一概率阈值的评价指标，其中，所述概率阈值范围基于所述预设高斯混合模型的概率分布而被设定，所确定的评价指标中最好的评价指标对应的概率阈值即为所述预设概率阈值。此外，本专利技术另一方面还提供一种工程机械，该工程机械包括上述的装置。另外，本专利技术另一方面还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的方法。通过上述技术方案，基于提取到的卷扬机卷扬钢丝绳的实时图像的图像特征、预设高斯混合模型及预设概率阈值判断是否出现卷扬乱绳，基于图像特征和预设高斯混合模型确定的卷扬乱绳概率值超过预设概率阈值则出现卷扬乱绳，若所确定的卷扬乱绳概率值未超过预设概率阈值则未出现卷扬乱绳。由此，在判断是否出现卷扬乱绳时基于实时图像对应的卷扬乱绳概率值和预设概率阈值，未对可识别的卷扬乱绳的类型进行限定，可以覆盖多种类型的卷扬乱绳，只要满足基于卷扬乱绳概率值和预设概率阈值进行卷扬乱绳的判断即可，如此，提高了识别卷扬乱绳的准确率。本专利技术的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本专利技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术实施本文档来自技高网...

【技术保护点】
1.一种用于识别卷扬乱绳的方法，其特征在于，该方法包括：获取卷扬机卷扬钢丝绳的实时图像；提取所述实时图像的图像特征；基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。

【技术特征摘要】
1.一种用于识别卷扬乱绳的方法，其特征在于，该方法包括：获取卷扬机卷扬钢丝绳的实时图像；提取所述实时图像的图像特征；基于所述图像特征和预设高斯混合模型确定所述实时图像对应的卷扬乱绳概率值；以及基于所述卷扬乱绳概率值和预设概率阈值判断是否出现卷扬乱绳。2.根据权利要求1所述的方法，其特征在于，所述提取所述实时图像的图像特征包括：对所述实时图像做自适应阈值二值化处理，以得到所述实时图像的第一二值化图像；利用Gabor滤波器获取所述第一二值化图像的Gabor特征图像；计算所述Gabor特征图像的OTSU阈值；基于所述OTSU阈值对所述Gabor特征图像进行全局阈值二值化处理，以得到第二二值化图像；获取所述第二二值化图像的最大连通域；以及计算所述最大连通域的HOG特征，其中所述HOG特征为所述图像特征。3.根据权利要求2所述的方法，其特征在于，该方法还包括：基于PCA对所述HOG特征进行降维处理，其中，降维后的所述HOG特征为所述图像特征。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述预设高斯混合模型被基于以下公式确定：其中，x表示所述图像特征，μ表示所述图像特征的均值，∑表示所述图像特征的协方差矩阵，T为矩阵转置，p为所述预设高斯混合模型的输出概率值，1-p为所述卷扬乱绳概率值。5.根据权利要求4所述的方法，其特征在于，所述预设高斯混合模型和所述预设概率阈值通过以下内容被确定：获取所述卷扬机运转正常的正常图像集和卷扬乱绳的异常图像集；提取所述正常图像集中的每一图像的图像特征及所述异常图像集中的每一图像的图像特征；基于所述正常图像集中的每一图像的图像特征确定所述均值和所述协方差矩阵，以确定所述预设高斯混合模型；以及基于所述正常图像集中的每一图像的图像特征、所述异常图像集中的每一图像的图像特征和所述预设高斯混合模型确定概率阈值范围内的每一概率阈值的评价指标，其中，所述概率阈值范围基于所述预设高斯混合模型的概率分布而被设定，所确定的评价指标中最好的评价指标对应的概率阈值即为所述预设概率阈值。6.一种用于识别卷扬乱绳的装置，其特征在于，该装置包括：图像获取模块，用于获取卷扬机卷扬钢丝绳的实时图像；图像特征提取模块，用于提取所述实时图像的图像...

【专利技术属性】
技术研发人员：刘俭，张迁，杨凯，宋锦涛，郭启训，
申请(专利权)人：湖南中联重科智能技术有限公司，
类型：发明
国别省市：湖南,43