CN108681702B - 一种集装箱装卸积载贝位信息确定方法及系统 - Google Patents
一种集装箱装卸积载贝位信息确定方法及系统 Download PDFInfo
- Publication number
- CN108681702B CN108681702B CN201810448567.3A CN201810448567A CN108681702B CN 108681702 B CN108681702 B CN 108681702B CN 201810448567 A CN201810448567 A CN 201810448567A CN 108681702 B CN108681702 B CN 108681702B
- Authority
- CN
- China
- Prior art keywords
- unloading
- loading
- container
- information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30236—Traffic on road, railway or crossing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种集装箱装卸积载贝位信息确定方法及系统。所述确定方法包括:获取岸吊吊具PLC数据以及基准贝位信息;根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息;利用图像识别技术识别集装箱图像装卸积载贝位信息;根据仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。采用本发明所提供的确定方法及系统能够自动识别出贝位信息,无需人工监管,降低识别误差,提高识别效率。
Description
技术领域
本发明涉及集装箱船舶积载贝位识别领域,特别是涉及一种集装箱装卸积载贝位信息确定方法及系统。
背景技术
随着航运市场竞争加剧,国际航运公司对港口集装箱装卸的积载图的及时和正确率要求越来越严格和重视,因为这直接影响船公司的集装箱船舶在世界各个港口集装箱装卸的及时和准确率,直接影响船公司的经济效益。由于人工操作的不确定因素,中国港口每年因为集装箱积载图识别错误,集装箱误装误卸时有发生,如:应在某国东部卸下的集装箱,由于识别误差标记在某国西部卸下,造成二次运费的重大损失。对于上述问题,中国各个港口一直在研究提高集装箱积载贝位识别准确率的解决方案。随着中国科技进步的发展,港口集装箱装卸技术智能化也在不断的提高,自动化码头、视频集装箱理货等技术的发展应用在中国部分港口集装箱装卸积载贝位识别方面已经得到应用。这些技术的实施应用,极大的提高中国在集装箱积载贝位识别的及时和准确率,正在替代传统人工识别的的管理模式。
中国港口在集装箱装卸积载贝位识别技术主要有两类;
1)自动化码头集装箱积载贝位激光识别技术:自动化码头集装箱装卸积载贝位识别主要采用激光识别技术。安装在岸吊的激光装置,根据吊车轨迹自动获取集装箱实际放置位置与预配位置进行比对,形成集装箱积载贝位信息。自动化码头的自动规范操作和管理使该技术得以较好的应用。目前,国内建设的几个自动化集装箱码头正在试运行。由于基于激光测距实现集装箱积载贝位识别技术对岸吊作业操作流程要求非常严格,非自动化码头的人工操作岸吊难以实现,而且激光识别因天气因数特别雨,雾,霾等天气环境,会影响识别率;另外,激光测距仪成本较高,维护,维修工作复杂繁琐。所以,目前激光技术识别只有在自动化码头岸吊可以使用,普通码头岸吊难以推广应用。
2)利用装在岸桥上的可编程逻辑控制器(Programmable Logic Controller,PLC)控制系统卡,采集岸桥吊具运行时的PLC数据(吊具运行横向和垂直数据)计算吊具将集装箱放置在集装箱船舶上的位置并于预配进行比对,实现集装箱船舶装卸积载贝位识别,是目前国内港口在集装箱装卸积载贝位识别的主要计算方法。但是由于岸吊吊具的PLC数据因为使用时间和吊装货物的重量不同,使得PLC数据随时会发生变化,而且由于潮水涨落、不规则集装箱、一船多吊同时作业、大型集装箱船超宽超高作业等因数影响;以及目前国际在营的集装箱船舶很多是由散装船,杂货船改造而成,受船舶结构影响,集装箱积载贝位结构差异很大;很多港口集装箱预配图滞后和预配图变化较大,单一采用PLC数据识别集装箱积载贝位准确率难以有大的提升,严重影响集装箱积载贝位识别的准确率,增加人工监控的成本。另外,采用该技术方法每个理货人员只能监控管理一台岸吊,长时间监视视频设备使理货作业人员产生疲倦,难以保证识别的准确率,这也是该技术方案不能大范围推广的最大原因。
发明内容
本发明的目的是提供一种集装箱装卸积载贝位信息确定方法及系统,以解决现有技术的集装箱装卸积载贝位识别技术由于环境因素影响以及人工识别,导致的集装箱装卸积载贝位识别精度低的问题。
为实现上述目的,本发明提供了如下方案:
一种集装箱装卸积载贝位信息确定方法,包括:
获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;
根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息;
利用图像识别技术识别集装箱图像装卸积载贝位信息;
根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
可选的,所述根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型之后,还包括:
获取多个已装卸的贝位信息;
根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
可选的,所述利用图像识别技术识别集装箱图像装卸积载贝位信息,具体包括:
获取集装箱装卸积载贝位图像;
根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;
根据所述边缘识别集装箱图像装卸积载贝位信息。
可选的,所述根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息,具体包括:
获取岸吊每次装卸集装箱时的装卸数据;
根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
一种集装箱装卸积载贝位信息确定系统,包括:
数据获取模块,用于获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;
仿真模块,用于根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息;
识别模块,用于利用图像识别技术识别集装箱图像装卸积载贝位信息;
集装箱实际装卸积载贝位信息确定模块,用于根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
可选的,还包括:
已装卸的贝位信息获取模块,用于获取多个已装卸的贝位信息;
贝位仿真模块完善模块,用于根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
可选的,所述识别模块具体包括:
图像获取单元,用于获取集装箱装卸积载贝位图像;
边缘确定单元,用于根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;
识别单元,用于根据所述边缘识别集装箱图像装卸积载贝位信息。
可选的,所述集装箱实际装卸积载贝位信息确定模块具体包括:
装卸数据获取单元,用于获取岸吊每次装卸集装箱时的装卸数据;
集装箱实际装卸积载贝位信息确定单元,用于根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明通过将岸吊吊具PLC数据、图像识别技术以及计算机自主学习技术相结合,通过这三种技术的相互配合以及验证,解决了港口集装箱装卸理货作业过程中,贝位信息由人工观察、登记以造成集装箱装卸效率低、人工失误概率大,从而导致贝位信息登记错误的责任事故和经济损失大的技术问题,本发明的全自动化的智能集装箱积载贝位信息确定方法及系统,能够使港口集装箱装卸在各种环境下都能达到较高的识别率,有效的提高了岸桥作业的效率,为港口生产创造更好的经济效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的船舶规范示意图;
图2为本发明所提供的集装箱船的预装卸积载贝位计划图;
图3为本发明所提供的基准贝位信息示意图;
图4为本发明所提供的集装箱装卸积载贝位信息实际放置图;
图5为本发明所提供的集装箱装卸积载贝位信息确定方法流程图;
图6为本发明所提供的局内点示意图;
图7为本发明所提供的集装箱装卸积载贝位信息确定系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种集装箱装卸积载贝位信息确定方法及系统,在不同天气环境下都能够自动精确识别出集装箱装卸积载贝位信息,提高岸桥作业效率及贝位信息识别率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
为清楚了解本发明的技术方案,首先明确如下定义:
船舶规范的定义:图1为本发明所提供的船舶规范示意图,如图1所示,在集装箱积载贝位自动识别前,需要采集详细描述船舶规范信息,包括船舶规范定义,由于本公司长期从事国际集装箱航运企业的信息研发和维护工作,以及积累完成进出中国的国际集装箱船舶规范,系统将自动根据船舶呼号调出该船舶的船舶规范。
集装箱积载贝位预配定义:图2为本发明所提供的集装箱船的预装卸积载贝位计划图,如图2所示,进出中国港口的集装箱船舶,在进入是港口前要给码头集装箱公司发送上一港口所装载的集装箱积载贝位图,以及在本港要卸下的集装箱积载贝位图,码头公司要给该集装箱船一份即将卸下和装上该船的预卸和预装集装箱积载贝位计划图。
基准贝位的定义:图3为本发明所提供的基准贝位信息示意图,如图3所示,岸桥在装卸集装箱时,需要对第一个装卸集装箱进行基准贝位定义,其中,阴影部分为基准贝位。
贝位识别的计算:通过PLC通讯卡采集到的PLC开闭锁时,岸桥小车的水平移动距离和吊具下方的垂直距离,利用基准贝位信息和船舶规范数据,采用仿真技术,计算实际贝位信息。
计算机学习:记忆岸吊每次集装箱装卸的数据,采用大数据技术自动判别岸吊装卸集装箱积载贝位信息;
图像识别:如图4所示,利用高清相机采集到的集装箱船实际积载贝位图像,采用边缘识别技术确定集装箱装卸积载贝位信息;其中,本发明中所出现的贝位信息包括贝位号及放置位置;
图5为本发明所提供的集装箱装卸积载贝位信息确定方法流程图,如图5所示,一种集装箱装卸积载贝位信息确定方法,包括:
步骤501:获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;所述贝位信息包括贝位号及放置位置。
提高贝位识别率的有效方法就是让基准贝位数据尽可能精确化,只有精确的基准贝位数据,才能通过仿真形成准确的贝模型,由于基准贝位是首次测量的PLC数据并人工登记实际贝位信息,受岸桥驾驶员、天气、潮水等因素影响,存在较大的误差值,最大限度消除这个误差,是解决识别率的关键,消除误差就需要进行误差计算,因此筛选有效的测量值参与误差计算是提高识别率的基础。
获取已装卸贝位的实际测量数据,通过反复选择测量数据中的一组随机子集来达成目标。被选取的子集被假设为局内点,并用下述方法进行计算和验证:
1)设计局内点模型,即所有的未知参数都能从假设的局内点计算得出。
这个模型是通过假设局内点被选用的过程,每次产生的模型要么因为局内点太少而被舍弃,要么因为比现有的模型更好而被选用。
通过实验来确定参数t和d。然而参数k(迭代次数)可以从理论结果推断;当估计模型参数时,用p表示一些迭代过程中从数据集内随机选取出的点均为局内点的概率;此时,结果模型很可能有用,因此p也表征了算法产生有用结果的概率。用w表示每次从数据集中选取一个局内点的概率,如下式所示:
w=局内点的数目/数据集的数目。
通常情况下,事先并不知道w的值,但是可以给出一些鲁棒的值。
假设估计模型需要选定n个点,wn是所有n个点均为局内点的概率;(1-wn)是n个点中至少有一个点为局外点的概率,此时表明我们从数据集中估计出了一个不好的模型。(1-wn)k表示算法永远都不会选择到n个点均为局内点的概率,它和(1-p)相同。因此,1-p=(1-wn)k。
对上式的两边取对数,得出
值得注意的是,这个结果假设n个点都是独立选择的;也就是说,某个点被选定之后,可能会被后续的迭代过程重复选定到。这种方法通常都不合理,由此推导出的k值被看作是选取不重复点的上限。例如,要从数据集寻找适合的直线,算法通常在每次迭代时选取2个点,计算通过这两点的直线maybe_model,要求这两点必须唯一。
为了得到更可信的参数,标准偏差或它的乘积可以被加到k上。K的标准偏差定义为:
通过算法筛选到有效的测量值后,对数据进行误差计算,从而得到一个相对精确的基准贝位数据。
2)用1)中得到的模型去测试所有的其它数据,如果某个点适用于估计的模型,认为该点也是局内点。
其他数据是船舶规范中除基准贝位的其他贝位数据,图3中除基准贝位之外的其余白色贝位都可以称为其他数据。
估计的模型,图6为本发明所提供的局内点示意图,如图6所示,除左下角的基准贝位即局内点外,在基准点四周的四个贝位数据任何一个点,都有机会被选取参与模型计算作为局内点;如果有足够多的点被归类为假设的局内点,那么估计的模型就足够合理;然后,用所有假设的局内点去重新估计模型,因为它仅仅被初始的假设局内点估计过;最后,通过估计局内点与模型的错误率来评估模型。
船舶规范本身就是通过理货系统建立的贝位的结构模型,通过模型和基准贝位数据去仿真真实贝位的结构形式,对已装卸的贝位,通过理货数据对结构进行调整,不断完善这个仿真结构。
步骤502:根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息。
所述步骤502之后,还包括:获取多个已装卸的贝位信息;根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
步骤503:利用图像识别技术识别集装箱图像装卸积载贝位信息。
所述步骤503具体包括:获取集装箱装卸积载贝位图像;根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;根据所述边缘识别集装箱图像装卸积载贝位信息。
边缘检测图像处理是标识数字图像中亮度变化明显的点,它是图像最基本的特征。边缘存在于目标、背景和区域之间,所以,它是图像分割所依赖的最重要的依据。由于边缘是位置的标志,对灰度的变化不敏感,因此,边缘也是图像匹配的重要的特征。
边缘检测和区域划分是图像分割的两种不同的方法,二者具有相互补充的特点。在边缘检测中,是提取图像中不连续部分的特征,根据闭合的边缘确定区域。而在区域划分中,是把图像分割成特征相同的区域,区域之间的边界就是边缘。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括(i)深度上的不连续、(ii)表面方向不连续、(iii)物质属性变化和(iv)场景照明变化。由于边缘检测方法不需要将图像逐个像素地分割。
步骤504:根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
所述步骤504具体包括:获取岸吊每次装卸集装箱时的装卸数据;根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
与现有技术相比,本发明通过仿真技术,利用基准贝位和船舶规范数据,模拟出待装卸的贝位的实际信息,利用已装卸贝位的实际数据,进行机器学习,筛选有效数据,并进行误差计算,消除误差,提高识别率。
图7为本发明所提供的集装箱装卸积载贝位信息确定系统结构图,如图7所示,一种集装箱装卸积载贝位信息确定系统,包括:
数据获取模块701,用于获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;所述贝位信息包括贝位号及放置位置。
仿真模块702,用于根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息。
还包括:已装卸的贝位信息获取模块,用于获取多个已装卸的贝位信息;贝位仿真模块完善模块,用于根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
识别模块703,用于利用图像识别技术识别集装箱图像装卸积载贝位信息。
所述识别模块703具体包括:图像获取单元,用于获取集装箱装卸积载贝位图像;边缘确定单元,用于根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;识别单元,用于根据所述边缘识别集装箱图像装卸积载贝位信息。
集装箱实际装卸积载贝位信息确定模块704,用于根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
所述集装箱实际装卸积载贝位信息确定模块704具体包括:装卸数据获取单元,用于获取岸吊每次装卸集装箱时的装卸数据;集装箱实际装卸积载贝位信息确定单元,用于根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
本发明解决了港口集装箱船装卸理货作业过程中贝位信息识别效率低的问题,大大提高了集装箱装卸效率以及降低了由于人工失误导致贝位信息登记错误的责任事故的概率。
由于设定基准贝位,可以大量减少由于不同的船舶规范,距离定义差异,减轻维护工作。
利用现有的岸桥的PLC采集水平位移和吊具垂直位移,不必加装额外的测量设备,有效的减少成本,解决了由于雨,雾,霾等客观天气因素导致的无法识别的问题。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种集装箱装卸积载贝位信息确定方法,其特征在于,包括:
获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;
获取已装卸贝位的实际测量数据,通过反复选择测量数据中的一组随机子集来达成目标;被选取的子集被假设为局内点,并用下述方法进行计算和验证:
设计局内点模型,即所有的未知参数都能从假设的局内点计算得出;
用w表示每次从数据集中选取一个局内点的概率,如下式所示:
w=局内点的数目/数据集的数目;
假设估计模型需要选定n个点,wn是所有n个点均为局内点的概率;(1-wn)是n个点中至少有一个点为局外点的概率,此时表明从数据集中估计出了一个不好的模型;(1-wn)k表示算法永远都不会选择到n个点均为局内点的概率,它和(1-p)相同;因此,1-p=(1-wn)k;
对上式的两边取对数,得出
为了得到更可信的参数,标准偏差或它的乘积可以被加到k上;k 的标准偏差定义为:
通过算法筛选到有效的测量值后,对数据进行误差计算,从而得到一个相对精确的基准贝位信息;
根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息;
利用图像识别技术识别所述集装箱图像装卸积载贝位信息;
根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
2.根据权利要求1所述的贝位信息确定方法,其特征在于,所述根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型之后,还包括:
获取多个已装卸的贝位信息;
根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
3.根据权利要求1所述的贝位信息确定方法,其特征在于,所述利用图像识别技术识别集装箱图像装卸积载贝位信息,具体包括:
获取集装箱装卸积载贝位图像;
根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;
根据所述边缘识别集装箱图像装卸积载贝位信息。
4.根据权利要求1所述的贝位信息确定方法,其特征在于,所述根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息,具体包括:
获取岸吊每次装卸集装箱时的装卸数据;
根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
5.一种集装箱装卸积载贝位信息确定系统,其特征在于,包括:
数据获取模块,用于获取岸吊吊具PLC数据以及基准贝位信息;所述岸吊吊具PLC数据包括岸桥小车的水平移动距离以及吊具下方的垂直距离;所述基准贝位信息为第一个集装箱装卸的位置;
获取已装卸贝位的实际测量数据,通过反复选择测量数据中的一组随机子集来达成目标;被选取的子集被假设为局内点,并用下述方法进行计算和验证:
设计局内点模型,即所有的未知参数都能从假设的局内点计算得出;
用w表示每次从数据集中选取一个局内点的概率,如下式所示:
w=局内点的数目/数据集的数目;
假设估计模型需要选定n个点,wn是所有n个点均为局内点的概率;(1-wn)是n个点中至少有一个点为局外点的概率,此时表明从数据集中估计出了一个不好的模型;(1-wn)k表示算法永远都不会选择到n个点均为局内点的概率,它和(1-p)相同;因此,1-p=(1-wn)k;
对上式的两边取对数,得出
为了得到更可信的参数,标准偏差或它的乘积可以被加到k上;k 的标准偏差定义为:
通过算法筛选到有效的测量值后,对数据进行误差计算,从而得到一个相对精确的基准贝位信息;
仿真模块,用于根据所述岸吊吊具PLC数据以及所述基准贝位信息进行仿真,建立贝位仿真模型;所述贝位仿真模型用于仿真集装箱装卸积载贝位信息;
识别模块,用于利用图像识别技术识别所述集装箱图像装卸积载贝位信息;
集装箱实际装卸积载贝位信息确定模块,用于根据所述仿真贝位模型,利用计算机自主学习技术对所述集装箱图像装卸积载贝位信息进行修正,确定集装箱实际装卸积载贝位信息。
6.根据权利要求5所述的贝位信息确定系统,其特征在于,还包括:
已装卸的贝位信息获取模块,用于获取多个已装卸的贝位信息;
贝位仿真模块完善模块,用于根据所述已装卸的贝位信息对所述贝位仿真模型进行训练,完善所述贝位仿真模型。
7.根据权利要求5所述的贝位信息确定系统,其特征在于,所述识别模块具体包括:
图像获取单元,用于获取集装箱装卸积载贝位图像;
边缘确定单元,用于根据所述集装箱装卸积载贝位图像,利用边缘检测图像技术识别所述集装箱装卸积载贝位图像中标识数字区域内亮度变化高于亮度变化阈值的像素点,确定所述集装箱装卸积载贝位图像的边缘;
识别单元,用于根据所述边缘识别集装箱图像装卸积载贝位信息。
8.根据权利要求5所述的贝位信息确定系统,其特征在于,所述集装箱实际装卸积载贝位信息确定模块具体包括:
装卸数据获取单元,用于获取岸吊每次装卸集装箱时的装卸数据;
集装箱实际装卸积载贝位信息确定单元,用于根据所述仿真贝位模型以及所述装卸数据,利用大数据技术确定集装箱实际装卸积载贝位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448567.3A CN108681702B (zh) | 2018-05-11 | 2018-05-11 | 一种集装箱装卸积载贝位信息确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810448567.3A CN108681702B (zh) | 2018-05-11 | 2018-05-11 | 一种集装箱装卸积载贝位信息确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681702A CN108681702A (zh) | 2018-10-19 |
CN108681702B true CN108681702B (zh) | 2020-10-23 |
Family
ID=63805938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810448567.3A Active CN108681702B (zh) | 2018-05-11 | 2018-05-11 | 一种集装箱装卸积载贝位信息确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681702B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112193370B (zh) * | 2020-09-27 | 2022-07-22 | 浙江星寰科技有限公司 | 船上箱定位系统 |
CN113252046B (zh) * | 2021-06-29 | 2021-10-26 | 中移(上海)信息通信科技有限公司 | 港口信息的处理方法、装置及相关设备 |
CN114803573B (zh) * | 2022-04-14 | 2024-02-06 | 华能曹妃甸港口有限公司 | 一种用于散货码头的自动装船换舱方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101891117A (zh) * | 2009-11-03 | 2010-11-24 | 南通通镭软件有限公司 | 岸桥下集装箱装卸自动控制系统 |
WO2016044327A1 (en) * | 2014-09-17 | 2016-03-24 | Niagara Bottling, Llc | Dock door automation system and method |
CN106599885A (zh) * | 2016-08-30 | 2017-04-26 | 中海网络科技股份有限公司 | 一种集装箱Bay位监测系统及方法 |
CN107150953A (zh) * | 2016-03-02 | 2017-09-12 | 宁波大榭招商国际码头有限公司 | 一种基于机器视觉的起重机大车方向精确定位系统及方法 |
CN207158633U (zh) * | 2017-09-13 | 2018-03-30 | 广州港集团有限公司 | 一种港口门座式起重机的集装箱智能理货装置 |
US10294044B2 (en) * | 2016-09-29 | 2019-05-21 | Mi-Jack Products, Inc. | Port lift beam system |
-
2018
- 2018-05-11 CN CN201810448567.3A patent/CN108681702B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101891117A (zh) * | 2009-11-03 | 2010-11-24 | 南通通镭软件有限公司 | 岸桥下集装箱装卸自动控制系统 |
WO2016044327A1 (en) * | 2014-09-17 | 2016-03-24 | Niagara Bottling, Llc | Dock door automation system and method |
CN107150953A (zh) * | 2016-03-02 | 2017-09-12 | 宁波大榭招商国际码头有限公司 | 一种基于机器视觉的起重机大车方向精确定位系统及方法 |
CN106599885A (zh) * | 2016-08-30 | 2017-04-26 | 中海网络科技股份有限公司 | 一种集装箱Bay位监测系统及方法 |
US10294044B2 (en) * | 2016-09-29 | 2019-05-21 | Mi-Jack Products, Inc. | Port lift beam system |
CN207158633U (zh) * | 2017-09-13 | 2018-03-30 | 广州港集团有限公司 | 一种港口门座式起重机的集装箱智能理货装置 |
Non-Patent Citations (4)
Title |
---|
全自动化码头发展视域下的集装箱可视化智能理货系统研究;,陈芳;《浙江交通职业技术学院学报》;20150620;第12卷(第16期);第34-38页 * |
新型集装箱码头智能理货系统设计;赵峰等;《集装箱化》;20180328;第29卷(第3期);第22-25页 * |
计算机图像识别技术在RTG远程自动化控制改造中的应用;何平;《中国港口》;20171225;第58-60页 * |
计算机视觉技术在集装箱码头的应用;王彤;《集装箱化》;20110620;第22卷(第6期);第28-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108681702A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681702B (zh) | 一种集装箱装卸积载贝位信息确定方法及系统 | |
CN109342456B (zh) | 一种焊点缺陷检测方法、装置、设备及可读存储介质 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN110826520B (zh) | 一种基于改进YOLOv3-tiny算法的港口抓斗检测方法 | |
CN110991435A (zh) | 一种基于深度学习的快递运单关键信息定位方法和装置 | |
US9911210B1 (en) | Raster log digitization system and method | |
CN112819793A (zh) | 一种集装箱残损识别方法、装置、设备和可读存取介质 | |
CN107218894B (zh) | 一种快速稳定的亚像素级精度器件厚度检测方法 | |
CN112651968A (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN113506286A (zh) | 基于YOLOv5算法小样本数据集实现微波芯片缺陷检测方法 | |
CN110866915A (zh) | 基于度量学习的圆形砚台质量检测方法 | |
CN107004266A (zh) | 检测轮胎表面上缺陷的方法 | |
CN113822518B (zh) | 一种ais大数据驱动的集装箱港口装卸效率计算方法 | |
CN114863258B (zh) | 海天线场景中基于视角转换检测小目标的方法 | |
CN105354816B (zh) | 一种电子元件定位方法及装置 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN112750104B (zh) | 一种多相机监控船舶自动匹配最优相机的方法及装置 | |
CN115170804B (zh) | 基于深度学习的表面缺陷检测方法、装置、系统和介质 | |
TW201512649A (zh) | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 | |
CN107230212A (zh) | 一种基于视觉的手机尺寸的测量方法及系统 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116758080A (zh) | 一种太阳能电池片丝网印刷缺陷检测方法及系统 | |
CN116255912A (zh) | 包裹的静态体积测量方法及系统 | |
CN109858530B (zh) | 一种基于复合金字塔的旋转目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Commercial no.4-17, 3rd floor, building 2, No.66, Zhongguancun East Road, Haidian District, Beijing 100089 Applicant after: COSCO Shipping Technology (Beijing) Co., Ltd Address before: 100000 5006, 5 East level, 27 Haidian Avenue, Haidian District, Beijing. Applicant before: COSCO ONLINE LOGISTICS INFORMATION SCIENCE & TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |