基于主动视觉成像的钢卷捆带松动异常检测及量化方法技术

本发明专利技术专利基于主动视觉成像的钢卷捆带松动异常检测及量化方法,首先，构建显著性检测模型获取激光条纹的亮度显著图，其次，利用序列化阈值对激光条纹图像进行分割得到布尔图，将不同二值图像进行加权求和得到区域稳定性图像。通过小波变换将亮度显著图和区域稳定显著图进行融合，对亮度显著图采用均值融合，区域稳定显著图采用极大值融合方式，并对融合后的显著图进行自适应最大熵分割，最后通过计算条纹梯度向量获取条纹法向场，以条纹分布法向为依据融合灰度重心法对条纹中心线进行提取。通过计算条纹中心的邻域差值及曲率半径实现对松动捆带的量化，具有广泛的应用前景。具有广泛的应用前景。具有广泛的应用前景。

【技术实现步骤摘要】
基于主动视觉成像的钢卷捆带松动异常检测及量化方法


[0001]本专利技术涉及基于主动视觉成像的钢卷捆带松动异常识别及量化方法,是对钢卷吊装过程中捆带异常状态进行判断，主要针对复杂背景干扰、光照不均及噪声影响下，激光条纹准确分割及中心线提取，以及捆带异常特征的量化。本专利技术专利涉及工业产品无损检测、钢板表面的自动探伤、传送带皮带异常检测、产品外形检测(高度、直径、不规则程度等)、机械零件的自动识别及几何尺寸测量、表面粗糙度和表面缺陷以及基于结构光视觉的实时控制等领域。

技术介绍

[0002]随着结构光主动视觉成像技术的发展，通过视觉感知外部信息是当下重要的研究领域之一。传统的捆带识别主要是通过人工去完成，效率低下，过程漫长。融合结构光视觉的方式提高了系统的测量精度。目前，在工业测量领域呈现出智能化与高效率的发展趋势。由于在非结构环境下，直接通过CCD/CMOS图像传感器难以识别弱光照环境下的捆带特征，将激光光束投射到钢卷上进行辅助特征测量，以此来完成对捆带异常状态的判别。
[0003]计算机视觉中，显著性检测主要任务是检测出场景中最为显著的物体特征，并将得到的显著性特征用于物体分割。由于工业环境中存在光照不均以及噪声等影响，激光条纹图像不可避免的存在模糊、灰度不均以及噪声，甚至在背景反光条件下，激光条纹图像会出现激光散斑等情况。处理激光条纹图像分割时容易出现分割区域不完整、欠分割甚至过分割等问题，易受噪声干扰，稳定性较差，针对激光条纹图像分割问题，本专利技术引入显著性特征检测模型。
[0004]实践证明，在无人化物流运输的过程中，捆带一旦出现撕裂或者松动的情况，容易在吊装的过程中出现安全事故。因此，必须及时检测出捆带的情况，否则会造成严重的经济损失。以结构光为代表的主动测量技术具有测量精度高、自动化程度高等诸多优点，为了快速、准确的检测出钢卷捆带的异常情况，本专利技术设计了一种基于结构光视觉的辅助测量捆带异常检测系统。能够有效避免光照和背景噪声的影响，具有较强的鲁棒性。
[0005]因此，开发出一套成本低廉、结构简便、实时在线测量，能够满足热轧钢卷捆带异常特征检测和处理系统，对智能化无人仓储重载过程提供技术支持，实现全流程控制，具有较大的市场潜力。多尺度的显著性特征融合与最大熵分割结合、捆带异常区域提取及量化是整个专利技术的核心技术。

技术实现思路

[0006]本专利技术的目的是提供基于CCD结构光主动视觉成像的钢卷捆带松动异常识别及量化方法，用于解决现有问题如下：钢卷吊装过程中捆带异常状态进行判断，主要针对复杂背景干扰、光照不均及噪声影响下，激光条纹准确分割及中心线提取，以及捆带异常特征的量化。
[0007]为了实现上述目的，本专利技术采用了如下技术方案：
[0008]基于主动视觉成像的钢卷捆带松动异常检测及量化方法，包括以下步骤：
[0009]采用高精度CCD/CMOS图像传感器，并且在镜头前安装特定波长的滤波片，其作用是保证图像采集的高质量和防止外界强光的干扰。为了便于采集设备的安装，在测量范围允许的空间内，考虑钢卷的尺寸，设计了高度可调的的安装支架以及能够调节相机与激光发射器的安装角度；
[0010]通过构建显著性检测模型获取激光条纹的亮度显著图，以降低复杂背景、光照不均和噪声对激光条纹的干扰；
[0011]利用序列化阈值对激光条纹图像进行分割得到布尔图，旨在暴露不同阈值水平下的激光条纹图像特征，通过计算不同二值图像的加权和得到区域稳定性图像，从而突出激光条纹与背景的区别；
[0012]通过小波变换将亮度显著图和区域稳定显著图进行融合，对亮度显著图采用均值融合，区域稳定显著图采用极大值融合方式；
[0013]对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果；
[0014]通过计算条纹梯度向量获取条纹法向场，以条纹分布法向为依据融合灰度重心法对条纹中心线进行提取。通过计算条纹中心的领域差值及曲率半径实现对松动捆带的量化。
[0015]进一步优选的，其中，通过显著性检测模型获取激光条纹的亮度显著图，主要包括：
[0016]引入显著性检测模块来区分目标和背景，其具体方法如下：
[0017]分别计算RGB通道图像的均值，将RGB通道图像与RGB通道均值相减并归一化，得到初始亮度显著图：
[0018][0019]其中I
c
(x,y)是输入图像，是输入图像的平均值，C表示输入图像的颜色通道，c∈{R,G,B}。
[0020]进一步优选的，其中，通过计算序列化阈值对激光条纹图像进行分割得到布尔图，主要包括：
[0021]通过计算布尔图，对激光条纹图像的稳定显著区域进行提取，定义不同分割阈值下的布尔图为BM＝{BM1,
…
,BM
n
}，其函数表达式为：
[0022]BM＝Thr(I,θ)
[0023]其中Thr(
·
)表示阈值函数，I表示输入图像的特征图，θ＝δ/255是分割阈值，δ以16作为步长递增且δ∈[δ/2:δ:255
‑
δ/2]；
[0024]在得到一系列布尔图后，通过计算各个布尔图的权值之和，得到激光条纹区域稳定的显著图，其函数表达式为：
[0025][0026]其中θ
i
是归一化到[0，1]的不同分割阈值，以及BM
i
是不同分割阈值下的布尔图。
[0027]进一步优选的，其中，通过小波变换将亮度显著图和区域稳定显著图进行融合，对亮度显著图采用均值融合，区域稳定显著图采用极大值融合方式，表达式如下：
[0028][0029]式中，H
r
、G
r
和H
c
、G
c
分别表示一维镜像滤波算子H和G分别作用在行和列上，对于二维图像，算子H
r
G
c
相当于二维低通滤波器。表示C
j
的竖直方向的高频分量，表示C
j
水平方向的高频分量，表示C
j
对角方向上高频分量。对于一副图像X进行小波变换，其第j+1层的小波系数和尺度系数分别表示为和C
j
(X)。
[0030]与之对应的小波变换重构表达式为：
[0031][0032]式中，H
*
、G
*
分表表示为H、G的共轭转置矩阵。
[0033]小波变换的高频部分对应图像中变化剧烈的边缘及轮廓特征，低频部分反应图像的整体灰度值分布。采用小波变换融合应尽可能多的保留图像的细节特征同时保留图像的整体轮廓，针对激光条纹图像中的高频特征，反映的是图像中的对比度变化较大的边缘等特征，因此，对于高频特征，本文融合方式采用极大值的融合规则，对于激光条纹图像A和B，其高频融合函数表达式为：
[0034][0035]式中，H(x,y)表示图像融合系数，(x,y)为系数坐标，H
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于主动视觉成像的钢卷捆带松动异常检测及量化方法，其特征在于，包括以下步骤：通过构建显著性检测模型获取激光条纹的亮度显著图，以降低复杂背景、光照不均和噪声对激光条纹的干扰；利用序列化阈值对激光条纹图像进行分割得到布尔图，旨在暴露不同阈值水平下的激光条纹图像特征，通过计算不同二值图像的加权和得到区域稳定性图像，从而突出激光条纹与背景的区别；通过小波变换将亮度显著图和区域稳定显著图进行融合，对亮度显著图采用均值融合，区域稳定显著图采用极大值融合方式；对融合显著图进行自适应最大熵分割，再基于稳定性度量得到最终分割结果；通过计算条纹梯度向量获取条纹法向场，以条纹分布法向为依据融合灰度重心法对条纹中心线进行提取。通过计算条纹中心的领域差值及曲率半径实现对松动捆带的量化。2.根据权利要求1所述的基于主动视觉成像的钢卷捆带松动异常检测及量化方法，其特征在于，其中，通过显著性检测模型获取初始亮度显著图，主要包括：分别计算RGB通道图像的均值，将RGB通道图像与RGB通道均值相减并归一化，得到初始亮度显著图：其中I
c
(x,y)是输入图像，是输入图像的平均值，C表示输入图像的颜色通道，c∈{R,G,B}。3.根据权利要求1所述的基于主动视觉成像的钢卷捆带松动异常检测及量化方法，其特征在于，其中，通过计算序列化阈值对激光条纹图像进行分割得到布尔图，主要包括：通过计算布尔图，对激光条纹图像的稳定显著区域进行提取，定义不同分割阈值下的布尔图为BM＝{BM1,
…
,BM
n
}，其函数表达式为：BM＝Thr(I,θ)其中Thr(
·
)表示阈值函数，I表示输入图像的特征图，θ＝δ/255是分割阈值，δ以16作为步长递增且δ∈[δ/2:δ:255
‑
δ/2]；在得到一系列布尔图后，通过计算各个布尔图的权值之和，得到激光条纹区域稳定的显著图，其函数表达式为：其中θ
i
是归一化到[0，1]的不同分割阈值，以及BM
i
是不同分割阈值下的布尔图。4.根据权利要求1所述的基于主动视觉成像的钢卷捆带松动异常检测及量化方法，其特征在于，其中，通过小波变换将亮度显著图和区域稳定显著图进行融合，对亮度显著图采用均值融合，区域稳定显著图采用极大值融合方式，表达式如下：
式中，H
r
、G
r
和H
c
、G
c
分别表示一维镜像滤波算子H和G分别作用在行和列上，对于二维图像，算子H
r
G
c
相当于二维低通滤波器。表示C
j
的竖直方向的高频分量，表示C
j
水平方向的高频分量，表示C
j
对角方向上高频分量。对于一副图像X进行小波变...

【专利技术属性】
技术研发人员：叶川，谢友春，王启颜，胡远遥，李文宇，范紫旋，李桃菲，陈健，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：