【技术实现步骤摘要】
本专利技术涉及一种钻杆识别方法，具体为一种利用hog特征以及miboa-svr算法的钻杆识别方法，属于视觉图像检测与定位。
技术介绍
1、钻杆作为勘探、开采和安全的基础设备在工程领域具有广泛的使用。尤其在煤矿井下有专门的钻机负责排水、泄压、爆破以及支护等任务时，需要钻机一次携带多根钻杆，在钻进过程中不可避免地需要更换钻杆。
2、但钻井不像其他行业那样现代化，在自动控制方面仍有很大的潜力。井下钻探的钻杆更换过程通常由人工辅助完成。在特殊工作环境中，工人劳动密集，容易疲劳，安全得不到有效保障。钻杆的自动更换可以降低劳动强度，提高效率；采用视觉加机械臂的方式，可以为钻杆的自动更换提供更多的实现途径，且此方法已在工业生产中得到成熟应用，而钻杆视觉检测作为钻杆自动更换的先导环节，鲁棒的检测方法可以有效推动其自动化进程。
3、另外：深度图像是指一种表达物体几何表面与特定平面之间距离特性的图像。即指在三维坐标空间中，计算三维点与特定平面之间的投影距离，并以此距离作为该点的像素值而生成的特定图像，是一种以二维图像形式来表达三维空间结构信息的方式。常用的深度图像获取方式之一就是利用rgb-d相机采集，其既可以提供二维图像信息又可以提供深度图像信息，且具有良好的精度。
4、基于视觉的检测最初可追溯到21世纪初，2012年之前主要以传统检测为主且诞生了诸多经典检测器，2012年之后则主要以深度学习的检测方法为主。但传统目标检测仍有其优势所在，如较低的计算资源需求、易于解释和调整的框架、较小的数据集要求等，使得传统视
技术实现思路
1、本专利技术的目的就在于为了解决上述至少一个技术问题而提供一种利用hog特征以及miboa-svr算法的钻杆识别方法。
2、本专利技术通过以下技术方案来实现上述目的：一种利用hog特征以及miboa-svr算法的钻杆识别方法，包括以下步骤：
3、s1、将rgb-d相机固定于钻杆框体正上方，用于获取二维图像信息以及深度图像信息，采用滑动窗口遍历二维图像，并提取每个窗口的hog特征；
4、s2、将提取的hog特征送入经过训练的svr回归模型进行预测，给出该窗口的置信度，并结合阈值判定与非极大抑制识别出钻杆特征区域；
5、s3、考虑到svr的实际回归效果受参数影响较大，采用混合改进蝴蝶优化算法－支持向量回归(miboa-svr)用于优化参数选择，以更好地识别出特征区域；
6、s4、采用rgb-d深度相机且位置固定，根据三维坐标进行聚类以实现单根钻杆分离，从而实现钻杆检测任务。
7、作为本专利技术再进一步的方案：hog特征的提取具体包括：
8、hog特征是局部特征描述符，用于获取图像特征向量，边缘明显的目标很契合利用hog特征进行识别，图像区域的hog特征显示了每个细胞的梯度向量，这些梯度向量所表示的信息对目标的形状特征有具体的描述，边缘特征以及hog特征明显，并且由于hog对图像的局部网格单元进行操作，因此对图像的几何和光学变形保持了优异的不变性，符合矿井中不稳定光源的特点。
9、作为本专利技术再进一步的方案：钻杆特征区域的识别分析具体包括：
10、特征区域只会沿轴线移动且位于轴线上，只要准确定位出特征区域的位置，就能定位轴线，进而达到识别钻杆位置的目的，并且由于一根钻杆上有多个特征块，部分特征块未识别到，并不影响整根钻杆的检测，进而可以规避井下特殊环境带来的干扰，提高检测算法的鲁棒性。
11、作为本专利技术再进一步的方案：svr回归模型的预测具体包括：
12、svr模型依据所提取出的hog特征向量给出当前窗口为特征区域的置信度，hog加svr检测算法的流程如下：
13、s21、分别提取正样本与负样本的hog特征，并为所有正样本与负样本分配样本标签；
14、s22、将hog特征和带标签的正负样本放入svr回归模型中进行训练，得到模型；
15、s23、由模型生成检测器，用于检测任务。
16、作为本专利技术再进一步的方案：阈值判定与非极大抑制具体包括：
17、在svr模型依据hog特征给出当前窗口为特征区域的置信度时，可能会出现在同一个特征块附近出现多个检测框的情况，先采用阈值判定筛选掉低于一定置信度的检测区域，再利用非极大抑制策略确保在某一特征块附近只保留置信度最大的检测框。
18、作为本专利技术再进一步的方案：采用改进后的boa算法即miboa对svr参数进行优化，所构建的miboa-svr模型具体改进点如下：
19、s31、基于circle映射的混沌初始化方法
20、种群初始化对智能优化算法的收敛性和寻优性有很大影响，在没有任何先验知识的情况下，解空间的任何一个位置是最优解的概率是相等的，因此，初始种群在解空间中均匀分布及种群多样化更有利于找到全局最优解；采用circle映射初始化蝴蝶个体位置，先利用circle映射关系将变量映射到混沌变量空间内，然后再将产生的混沌变量通过线性变换映射到需要优化的解空间，具体表达式如下：
21、xi+1＝mod[xi+0.2-(0.5/2π)sin(2πxi),1]
22、s32、动态概率调整策略
23、boa算法采用双策略的位置更新方式，通过转换概率p控制算法的全局探索与局部搜索，p的初始值为常数0.8，表示算法在一次迭代过程中，有80％的概率做全局探索，而仅有20％的概率做局部搜索；算法在迭代前期，进行大概率全局寻优以确保可以较快速度向全局或局部最优位置靠拢，而在迭代后期，在全局或局部最优位置邻域进行精细化局部开发；因此，采用参数自适应调整策略，并在改进后对转换概率p进行动态调整；改进后的转换概率如下所示：
24、
25、式中：表示第i个个体在第t代的切换概率，pmin表示最小的切换概率，pmax表示最大的切换概率，表示第i个个体在第t代的适应度，表示第t代的最差适应度，表示第t代的最优适应度；
26、其中，sigmoid函数是神经网络中最常用的激活函数之一，该函数在线性和非线性之间展现出极好的平衡性，拥有平滑的上界域和下边界域。参数u用于精细调整sigmoid函数形状，使得在迭代前期概率p能保持较大值，保持蝴蝶优化算法在迭代初期阶段的全局搜索强度，更好地保留boa的多样性；中期p值随着迭代次数的增加而减少，从而加快boa的收敛；在迭代后期的一段保持一个较小的权重，延长了迭代后期的局部搜索时间，更有利于进行局部搜索；
27、s33、多值引导的全局搜索策略灰狼优化算法(gwo)将狼群按适应值高低分为四个等级，最优解个体α，次优解个体β，再次优解个体δ，其他个体记为ω。随着算法每次迭代，种群适应度会发生变化，狼群的等级本文档来自技高网...
【技术保护点】
1.一种利用HOG特征以及MIBOA-SVR算法的钻杆识别方法，其特征在于，所述钻杆识别方法包括以下步骤：
2.根据权利要求1所述的钻杆识别方法，其特征在于，所述S1中，HOG特征的提取具体包括：HOG特征是局部特征描述符，用于获取图像特征向量；边缘明显的目标利用HOG特征进行识别，图像区域的HOG特征显示每个细胞的梯度向量，梯度向量所表示的信息对目标的形状特征有具体的描述。
3.根据权利要求1所述的钻杆识别方法，其特征在于：所述S2中，钻杆特征区域的识别分析具体包括：
4.根据权利要求1所述的钻杆识别方法，其特征在于：所述S2中，SVR回归模型的预测具体包括：
5.根据权利要求1所述的钻杆识别方法，其特征在于，所述S2中，阈值判定与非极大抑制具体包括：
6.根据权利要求1所述的钻杆识别方法，其特征在于：所述S3中，采用改进后的BOA算法即MIBOA对SVR参数进行优化，所构建的MIBOA-SVR模型具体改进点如下：
7.根据权利要求6所述的钻杆识别方法，其特征在于：所述混合改进蝴蝶优化算法的具体步骤如下：<...
【技术特征摘要】
1.一种利用hog特征以及miboa-svr算法的钻杆识别方法，其特征在于，所述钻杆识别方法包括以下步骤：
2.根据权利要求1所述的钻杆识别方法，其特征在于，所述s1中，hog特征的提取具体包括：hog特征是局部特征描述符，用于获取图像特征向量；边缘明显的目标利用hog特征进行识别，图像区域的hog特征显示每个细胞的梯度向量，梯度向量所表示的信息对目标的形状特征有具体的描述。
3.根据权利要求1所述的钻杆识别方法，其特征在于：所述s2中，钻杆特征区域的识别分析具体包括：
4.根据权利要求1所述的钻杆识别方法...
【专利技术属性】
技术研发人员：刘新华，张忠森，华德正，康明霞，贺之彬，刘争光，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。