CN110675393A - 一种基于机器视觉的坯料规格检测方法 - Google Patents

Abstract

本发明属于钢铁行业的坯料规格实时检测领域，尤其时涉及一种基于机器视觉的坯料规格检测方法，首先智能判断物体到来情况，然后检测物体边缘检测，最后通过边缘检测结果进行实际尺寸换算。本发明解决钢铁领域进行远距离测量坯料规格时，由于受到检测光源变换、粉尘扰动、检测物体震动等因素的影响，导致的测量稳定性低，测量效果不佳的问题。

Description

一种基于机器视觉的坯料规格检测方法

技术领域

本发明涉及钢铁行业的坯料规格实时检测领域，尤其涉及一种基于机器视觉的坯料规格检测方法。

背景技术

随着工业监控装置在工业生产领域的广泛应用，以及图像处理、模式识别、机器视觉等相关技术的发展，并且根据钢铁行业对物体检测精度的要求和对设备的自动化和信息化的需求，远距离的测量方式已经成为钢铁行业在工业生产领域的一种迫切需求。

在工业中，基于机器视觉的边缘检测技术也得到了一定的应用，但是该技术还存在很多问题。例如，物体容易受到光源稳定性、粉尘扰动与被检测物体振动等因素影响，因此，其检测效果并不理想。

虽然专利CN107247023A介绍了一种直角坐标CDD视觉检测装置，通过这种装置解决了图像显示清晰度无法保证，且补光灯亮度不易调节，防护性能不佳，使用寿命短，损坏率高，维修成本高的问题，但是它没有考虑到现场粉尘以及震动的对测量物体带来的影响，并且这装置在钢铁领域的应用存在装置复杂、对工作环境要求苛刻、价格高昂等的条件限制，使得该技术有着很大的局限性。专利CN104715487A公开了一种基于伪Zernike矩的亚像素边缘检测方法，虽然该方法对噪声不敏感，即克服了噪声的影响，但是由于其使用伪Zernike的计算方法，而伪Zernike矩计算复杂度较大，那么这样便影响了计算的速度，同样不适用于对检测速度要求高的工业场景。杨兵兵等提出的将伪Zernike矩和Sobel算子、Canny算子等经典方法结合，寻求提高检测精度的亚像素边缘检测方法，能够准确地检测出数字图像边缘，但由于其检测的图像只考虑了低噪声情况，对图像中有很高噪声的情况，其检测精度有待改善。另外当两条边缘相距较近时，其提出的算法将检测不精确，甚至会出现检测错误的情况，所以亟需一种能够快速、简单、稳定的检测方法。

为此，我们提出一种基于机器视觉的坯料规格检测方法来解决上述问题。

发明内容

1、发明目的。

本发明提出了一种可以再钢铁领域进行远距离测量坯料规格时，避免外界因素的影响，增加测量稳定性，提高测量效果的基于机器视觉的坯料规格检测方法。

2、本发明所采用的技术方案。

一种基于机器视觉的坯料规格检测方法，具体包括以下步骤：

S1、智能判断物体到来情况：视觉检测系统采用实时视频分析的方式，通过实时抓拍物体，判断物体前部边缘实际位置后，停止物体实际运行；待物体完全停止后，采集6-10张被测物体实时图像；物体完全停止的判断依据如下：

a设置相机帧率；

b对每一帧图像进行ROI移动侦测检查，即依据基准背景图片ROI与当前帧ROI进行像素对比；对比时，首先将ROI区域进行灰度处理，然后将ROI区域每一像素点进行差分计算；当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时，认为该区域有新的移动物体到来；

c识别系统通过现场控制设备，使得运动物体停止；

d等待3-5秒后，再次运用移动侦测技术，此时，比较前后两帧图像ROI区域内容，若像素差累积值低于一定阈值，则认为检测物体处于完全停止状态，并可进行下一步的智能识别过程；

像素差累计值表示如下：

其中，graydiff_sum表示像素差累计值；gray_pre(i,j)表示前一帧第i行第j列像素灰度值；gray_now(i,j)表示当前帧第i行第j列像素灰度值；

e若检测结果为物体仍旧处于运动状态，则继续等待3-5秒后，执行d步；

S2、检测物体边缘检测

1)连续提取n(n≥5)秒内所有2n幅检测图片:利用OPENCV的canny检测方法，将图片中被测物体的边缘进行提取；对于被测物体的具体一个边缘，将提取出2n条检测出来的不同边缘；取2n条线段中最长的线段作为基准线段，取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(x_i,y_i)，其中i＝1,2,...,2n-1；

2)求出空间Q中每一个点(x_i,y_i)到基准线段的距离d_i，其计算过程如下：

3)若

则点Q_i舍弃；其中阈值计算过程如下

v_low＝avg(d)+stdev(d)

v_high＝avg(d)-stdev(d)

avg(d)表示所有点到基准线段的距离平均值，stdev(d)表示所有点到基准线段的距离标准差；

4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间，其中i＝1,2,...,2n-k，k为所舍弃点的个数；

5)对点空间P内所有点运用最小二乘法，可以得到理论上最优的检测物体边缘的斜率k和截距b，其计算过程如下：

其中，

表示坐标x的平均值，

表示坐标y的平均值；则理论上最优的检测物体边缘可表示为

y＝kx+b；

此时，考虑点集空间P(x_i,y_i)，i＝1,2,...,2n-k，计算所有点到直线y＝kx+b之间的距离，分别在直线两端取距离直线y＝kx+b最近的两个点，将这两个点进行连接，即为最终计算的被测物体边缘；

6)以此类推，可将视野可及的物体条边缘进行检测；

S3、边缘检测结果进行实际尺寸换算；

通过换算，可以得到真实的被测物体规格信息；

L_act＝L_det*α

其中，L_act表示物体实际长度，单位：米；L_det表示物体检测长度，单位：像素，α表示单位像素比，单位：米/像素。

在上述一种基于机器视觉的坯料规格检测方法中，所述S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。

在上述一种基于机器视觉的坯料规格检测方法中，所述S1步骤中设置相机帧率为2fps。

3、本发明所产生的技术效果。

机器视觉的检测精度取决于采样系统的采样分辨率与视野实际大小。根据公式

检测精度＝视野大小/采样分辨率

该方法采用多次成像后检测边缘进行噪声处理，将不符合统计意义上的边检检测点进行剔除，同时由于采用了多次成像的方法，可以将光源稳定性、粉尘扰动与被检测物体振动等因素影响降至最低，使得检测效果较好。其检测过程中，规避被测物体存在轻微抖动与偏移现场，使得拍摄的实际效果不存在物体虚化、边缘不清晰的情况。该方法快速、简单、稳定，对于对图像中有很高噪声的情况，其检测精度也可以保持。

附图说明

图1为本发明提出的一种基于机器视觉的坯料规格检测方法的原理框图。

具体实施方式

以下实施例仅处于说明性目的，而不是想要限制本发明的范围。

实施例

一种基于机器视觉的坯料规格检测方法，具体包括以下步骤：

S1、智能判断物体到来情况：视觉检测系统采用实时视频分析的方式，通过实时抓拍物体，判断物体前部边缘实际位置后，停止物体实际运行；待物体完全停止后，采集6-10张被测物体实时图像；物体完全停止的判断依据如下：

a设置相机帧率为2fps；

b对每一帧图像进行ROI(选择区域)移动侦测检查，即依据基准背景图片ROI与当前帧ROI进行像素对比；对比时，首先将ROI区域进行灰度处理，然后将ROI区域每一像素点进行差分计算；当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时，认为该区域有新的移动物体到来；

c识别系统通过现场控制设备，使得运动物体停止；

d等待3-5秒后，再次运用移动侦测技术，此时，比较前后两帧图像ROI区域内容，若像素差累积值低于一定阈值，则认为检测物体处于完全停止状态，并可进行下一步的智能识别过程；

像素差累计值可表示如下：

其中，graydiff_sum表示像素差累计值；gray_pre(i,j)表示前一帧第i行第j列像素灰度值；gray_now(i,j)表示当前帧第i行第j列像素灰度值；

e若检测结果为物体仍旧处于运动状态，则继续等待3-5秒后，执行d步；

S2、检测物体边缘检测

此时，由于检测物体处于完全停止状态；因此，不同时刻的光源设置情况对于检测物体的影响完全消除，并且检测物体处于稳定状态，有利于图像处理算法提取出实际的物体边缘；

1)连续提取n(n≥5)秒内所有2n幅检测图片；利用OPENCV的canny检测方法，将图片中被测物体的边缘进行提取；对于被测物体的具体一个边缘，例如近端长度方向边缘，将提取出2n条检测出来的不同边缘；此2n条边缘的两个端点虽然大体相近，然而由于环境光的变化稍有不同，导致检测的2n条边缘存在些许差别；此时可以取2n条线段中最长的线段作为基准线段，取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(x_i,y_i)，其中i＝1,2,...,2n-1；

2)求出空间Q中每一个点(x_i,y_i)到基准线段的距离d_i，其计算过程如下：

3)若则点Q_i舍弃；其中阈值计算过程如下

v_low＝avg(d)+stdev(d)

v_high＝avg(d)-stdev(d)

avg(d)表示所有点到基准线段的距离平均值，stdev(d)表示所有点到基准线段的距离标准差；

4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间，其中i＝1,2,...,2n-k，k为所舍弃点的个数；

5)对点空间P内所有点运用最小二乘法，可以得到理论上最优的检测物体边缘的斜率k和截距b，其计算过程如下：

其中，

表示坐标x的平均值，表示坐标y的平均值；则理论上最优的检测物体边缘可表示为

y＝kx+b；

此时，考虑点集空间P(x_i,y_i)，i＝1,2,...,2n-k，计算所有点到直线y＝kx+b之间的距离，分别在直线两端取距离直线y＝kx+b最近的两个点，将这两个点进行连接，即为最终计算的被测物体边缘；

6)以此类推，可将视野可及的物体条边缘进行检测；

S3、边缘检测结果进行实际尺寸换算

经过标定后的视频检测系统，其每个像素点所对应的实物长度为确定的，因此，利用检测后的被测物体边缘检测结果，计算边缘的像素长度；通过换算，可以得到真实的被测物体规格信息；

L_act＝L_det*α

其中，L_act表示物体实际长度，单位：米；L_det表示物体检测长度，单位：像素，α表示单位像素比，单位：米/像素。

其中，S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (3)

1.一种基于机器视觉的坯料规格检测方法，其特征在于，具体包括以下步骤：

S1、智能判断物体到来情况：视觉检测系统采用实时视频分析的方式，通过实时抓拍物体，判断物体前部边缘实际位置后，停止物体实际运行；待物体完全停止后，采集6-10张被测物体实时图像；物体完全停止的判断依据如下：

a设置相机帧率；

b对每一帧图像进行ROI移动侦测检查，即依据基准背景图片ROI与当前帧ROI进行像素对比；对比时，首先将ROI区域进行灰度处理，然后将ROI区域每一像素点进行差分计算；当基准背景图片ROI中的任一像素与实时图片ROI中所对应的像素差值大于一定阈值时，认为该区域有新的移动物体到来；

c识别系统通过现场控制设备，使得运动物体停止；

d等待3-5秒后，再次运用移动侦测技术，此时，比较前后两帧图像ROI区域内容，若像素差累积值低于一定阈值，则认为检测物体处于完全停止状态，并可进行下一步的智能识别过程；

像素差累计值表示如下：

其中，graydiff_sum表示像素差累计值；gray_pre(i,j)表示前一帧第i行第j列像素灰度值；gray_now(i,j)表示当前帧第i行第j列像素灰度值；

e若检测结果为物体仍旧处于运动状态，则继续等待3-5秒后，执行d步；

S2、检测物体边缘检测

1)连续提取n(n≥5)秒内所有2n幅检测图片:利用OPENCV的canny检测方法，将图片中被测物体的边缘进行提取；对于被测物体的具体一个边缘，将提取出2n条检测出来的不同边缘；取2n条线段中最长的线段作为基准线段，取剩余2n-1条线段的两个端点作为待优化点的集合命名为点空间Q(x_i,y_i)，其中i＝1,2,...,2n-1；

2)求出空间Q中每一个点(x_i,y_i)到基准线段的距离d_i，其计算过程如下：

3)若

则点Q_i舍弃；其中阈值计算过程如下

v_low＝avg(d)+stdev(d)

v_high＝avg(d)-stdev(d)

avg(d)表示所有点到基准线段的距离平均值，stdev(d)表示所有点到基准线段的距离标准差；

4)将2.3步骤中所有满足条件的点与基准线段的两个端点组成点空间，其中i＝1,2,...,2n-k，k为所舍弃点的个数；

5)对点空间P内所有点运用最小二乘法，可以得到理论上最优的检测物体边缘的斜率k和截距b，其计算过程如下：

其中，

表示坐标x的平均值，

表示坐标y的平均值；则理论上最优的检测物体边缘可表示为

y＝kx+b；

此时，考虑点集空间P(x_i,y_i)，i＝1,2,...,2n-k，计算所有点到直线y＝kx+b之间的距离，分别在直线两端取距离直线y＝kx+b最近的两个点，将这两个点进行连接，即为最终计算的被测物体边缘；

6)以此类推，可将视野可及的物体条边缘进行检测；

S3、边缘检测结果进行实际尺寸换算；

通过换算，可以得到真实的被测物体规格信息；

L_act＝L_det*α

其中，L_act表示物体实际长度，单位：米；L_det表示物体检测长度，单位：像素，α表示单位像素比，单位：米/像素。

2.根据权利要求1所述的一种基于机器视觉的坯料规格检测方法，其特征在于，所述S1步骤中采用的基准背景图片为无检测物体出现时的纯背景图片。

3.根据权利要求1所述的一种基于机器视觉的坯料规格检测方法，其特征在于，所述S1步骤中设置相机帧率为2fps。

Images