CN110686649A - 一种基于机器视觉的危险废物库存量变化的检测方法 - Google Patents
一种基于机器视觉的危险废物库存量变化的检测方法 Download PDFInfo
- Publication number
- CN110686649A CN110686649A CN201910894706.XA CN201910894706A CN110686649A CN 110686649 A CN110686649 A CN 110686649A CN 201910894706 A CN201910894706 A CN 201910894706A CN 110686649 A CN110686649 A CN 110686649A
- Authority
- CN
- China
- Prior art keywords
- warehouse
- grid
- image
- area
- images
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于机器视觉的危险废物库存量变化的检测方法，包括下列步骤：在危险废物仓库中安装摄像机；构建图像分析模型；危险废物仓库摄像机定时拍照并发送图像至计算机，计算机按照构建的图像分析模型，使用网格分析补偿法，对图像进行分析，计算危险废物网格面积，根据检测参数折算为当前的危险废物实际库存量检测值；通过当前库存量检测值与之前库存量检测值的比较，分析库存量变化的情况。
Description
技术领域
本发明基于机器视觉检测系统，涉及数字图像处理技术，是针对危险废物库存量变化的检测方法。
背景技术
根据《2018年全国大、中城市固体废物污染环境防治年报》，在2017年202个大、中城市工业危险废物产生量为4010.1万吨，危险废物的产生量巨大。同时，危险废物是具有腐蚀性、毒性、易燃性、反应性或者感染性等一种或者几种危险特性的物质，若不加以严格管控，会破坏生态环境，危害人身健康，甚至造成人员伤亡。
然而，危险废物涉及到的行业较多，危险废物的存放场地差异较大，危险废物的盛装容器各式各样，目前只能依靠人力来监管危险废物库存量的变化。
发明内容
本发明的目的是充分利用危险废物仓库的摄像机，采用机器视觉检测方法，实现无人化监管、能够快速并准确地检测和分析的库存量变化情况。本发明的技术方案如下：
一种基于机器视觉的危险废物库存量变化的检测方法，
(1)在危险废物仓库中安装摄像机；
(2)构建图像分析模型，步骤如下：
第一步，获取模版图像：获取四张危险废物仓库摄像机拍摄的模板图像，分别为白天仓库满库的图像、白天仓库空库的图像、夜间仓库满库的图像和夜间仓库空库的图像；
第二步，标定库存检测区域：用矩形或者多边形轮廓线对危险废物仓库中的危险废物存放区域进行标定；
第三步，标定光照强弱检测区域，对比白天仓库满库图像和夜间仓库满库的图像，找出图像中光线强弱变化明显的位置，选取判断光照强弱的检测区域，根据白天仓库满库图像和夜间仓库满库图像的检测区域亮斑点数量，设置光照强弱检测阈值参数；当光照强弱检测区域内的亮斑点数量大于光照强弱检测阈值参数时，判定为强光图像，否则为弱光图像；
第四步，对库存检测区域进行灰度处理，得到灰度图像；
第五步，对灰度图像进行纹理分析：分析危险废物的纹理和轮廓，获得危险废物的边缘轮廓；
第六步，对灰度图像进行降噪处理；
第七步，设置强光图像的网格面积参数和网格内轮廓占有量阈值参数：强光图像和弱光图像分别采用两套不同的检测参数，强光图像和弱光图像处理逻辑相同，仅仅使用的检测参数不同，使用网格分析补偿法计算库存量；设置强光图像的网格面积参数和网格内轮廓占有量阈值参数；根据白天仓库满库图像，调整每个网格的横向像素数和纵向像素数，以及网格内轮廓的占有率；
第八步，设置强光图像的白天仓库满库和白天仓库空库的库存量阈值参数，用以将实时计算的危险废物网格面积折算为危险废物的实际库存量；
第九步，设置弱光图像的网格面积参数和网格内轮廓占有量阈值参数；
第十步，设置弱光图像的夜间仓库满库和夜间仓库空库的库存量阈值参数，用以将实时计算的危险废物网格面积折算为危险废物的实际库存量；
(3)危险废物仓库摄像机定时拍照并发送图像至计算机，计算机按照构建的图像分析模型，使用网格分析补偿法，对图像进行分析，计算危险废物网格面积，根据检测参数折算为当前的危险废物实际库存量检测值；
(4)通过当前库存量检测值与之前库存量检测值的比较，分析库存量变化的情况。
所述的网格分析补偿法就是将图像进行等面积划分，形成若干个方形网格，然后计算每个网格内危险废物边缘占有面积总和，当网格内危险废物占有面积超过网格面积的一定比例后，则认为危险废物占满该网格，最后将所有占满危险废物的网格面积进行汇总，计算获得最终的危险废物库存量。
构建图像分析模型的第六步，对灰度图像进行降噪处理的方法为：消除危险废物边缘轮廓的杂点数据、平滑噪音数据、补充遗漏数据，以保证灰度图像中危险废物的轮廓清晰连续，与背景对比明显。
本发明主要解决了不同季节、不同天气、不同光照强度，以及仓库内部人员或叉车频繁进出对危险废物库存量检测造成干扰的问题，具有实时性、连续性、非接触性和准确性等优点。
具体实施方式
下面针对本发明及应用场景进行详细说明：
(1)在危险废物仓库中安装摄像机：需要根据危险废物仓库的存储空间、内部建筑结构、支撑柱位置，确定合适的摄像机安装位置。摄像机应尽量安装在危险废物的上方或者斜上方，并且应当确保视野中的危险废物画面无抖动、清晰、无干扰。
(2)构建图像分析模型，具体步骤如下：
第一步，获取模版图像。翻阅危险废物仓库摄像机的历史回放视频，分别找到白天仓库满库、白天仓库空库、夜间仓库满库和夜间仓库空库四个时刻的视频，然后截取这四个时刻的视频为图像。保证截取的图像画面清晰、危险废物全覆盖、危险废物无其他物体干扰。
第二步，标定库存检测区域。将白天仓库满库图像导入图像分析模型构建软件中，对图像中的库存检测区域进行标定。根据图像中的危险废物堆放形状采用矩形或者多边形绘制出所有危险废物的区域轮廓，以缩小图像分析计算量，加快检测速度
第三步，标定光照强弱检测区域。由于摄像机在白天拍摄的强光图像和夜间红外模式下拍摄的弱光图像特征差异较大，因此我们需要首先分辨出是强光图像还是弱光图像，然后采用不同的检测参数。对比白天仓库满库图像和夜间仓库满库的图像，找出图像中光线强弱变化明显的位置，例如窗户，墙壁或者地面。先将白天仓库满库图像导入，在光线强弱变化明显的位置选取一个较小面积的矩形区域作为判断光照强弱的检测区域，读取并记录检测区域内的亮斑点数量。再将夜间仓库满库图像导入，读取并记录检测区域内的亮斑点数量。根据白天仓库满库图像和夜间仓库满库图像的检测区域亮斑点数量之和取中值，设置为光照强弱检测阈值参数。当光照强弱检测区域内的亮斑点数量大于光照强弱检测阈值参数时，判定为强光图像，否则为弱光图像。
第四步，对库存检测区域的图像进行灰度处理。
第五步，对灰度图像进行纹理分析。分析危险废物的纹理和轮廓，获得危险废物的边缘轮廓。
第六步，对灰度图像进行降噪处理。对于危险废物轮廓线参差不齐的进行平滑处理，对于周围没有危险废物轮廓线的孤点进行剔除，对于危险废物轮廓线有缺失遗漏的段进行补充，以保证灰度图像中危险废物的轮廓清晰、连续、完整。
第七步，设置强光图像的网格面积参数和网格内轮廓占有量阈值参数：强光图像和弱光图像分别采用两套不同的检测参数，强光图像和弱光图像处理逻辑相同，仅仅使用的检测参数不同，使用网格分析补偿法计算库存量结果。网格分析补偿计算方法就是将图像进行等面积划分，形成若干个方形网格，然后计算每个网格内危险废物边缘占有面积总和，当网格内危险废物占有面积超过网格面积的一定比例后，则认为危险废物占满该网格，最后将所有占满危险废物的网格面积进行汇总，计算获得最终的危险废物库存量。强光图像的网格面积参数表示在强光图像中每个方形网格占有的横向像素数和纵向像素数，是库存计算的基本单元。强光图像的网格内轮廓占有量阈值参数表示在强光图像中网格内危险废物占有面积超过网格面积的比例阈值，当危险废物占有面积超过这个阈值后则认为危险废物占满该网格。
设置强光图像的网格面积参数和网格内轮廓占有量阈值参数。将白天仓库满库图像导入，调整每个网格的横向像素数和纵向像素数，以及网格内轮廓的占有率。
第八步，设置强光图像的白天仓库满库和白天仓库空库的库存量阈值参数。先将白天仓库满库图像导入，获得库存面积值，设置对应的满库库存量。然后将将白天仓库空库图像导入，获得库存面积值，设置对应的空库库存量。
第九步，设置弱光图像的网格面积参数和网格内轮廓占有量阈值参数。将夜间仓库满库图像导入，调整每个网格的横向像素数和纵向像素数，以及网格内轮廓的占有率。
第十步，设置弱光图像的夜间仓库满库和夜间仓库空库的库存量阈值参数。先将夜间仓库满库图像导入，获得库存面积值，设置对应的满库库存量。然后将将夜间仓库空库图像导入，获得库存面积值，设置对应的空库库存量。
(3)危险废物仓库摄像机设置定时拍照，并将图像发送至计算机。计算机按照以上构建的图像分析模型，使用网格分析补偿法，对图像进行分析，获取当前的危险废物实际库存量检测值。若为强光图像，则采用强光图像的白天仓库满库和白天仓库空库的库存量阈值参数；若为弱光图像，则采用弱光图像的夜间仓库满库和夜间仓库空库的库存量阈值参数。计算出危险废物网格面积，根据检测参数折算为当前的危险废物实际库存量检测值。
(4)将本次计算得到的库存值与之前获得的库存值进行比较，采用杂点过滤、孤点剔除等处理方法，对于由人员走动、物体移动、光线突变等情况造成的库存量突变数据进行剔除，分析截止目前库存的变化趋势和变化比例。
Claims (3)
1.一种基于机器视觉的危险废物库存量变化的检测方法，包括下列步骤：
(1)在危险废物仓库中安装摄像机。
(2)构建图像分析模型，步骤如下：
第一步，获取模版图像：获取四张危险废物仓库摄像机拍摄的模板图像，分别为白天仓库满库的图像、白天仓库空库的图像、夜间仓库满库的图像和夜间仓库空库的图像；
第二步，标定库存检测区域：用矩形或者多边形轮廓线对危险废物仓库中的危险废物存放区域进行标定；
第三步，标定光照强弱检测区域，对比白天仓库满库图像和夜间仓库满库的图像，找出图像中光线强弱变化明显的位置，选取判断光照强弱的检测区域，根据白天仓库满库图像和夜间仓库满库图像的检测区域亮斑点数量，设置光照强弱检测阈值参数；当光照强弱检测区域内的亮斑点数量大于光照强弱检测阈值参数时，判定为强光图像，否则为弱光图像；
第四步，对库存检测区域进行灰度处理，得到灰度图像；
第五步，对灰度图像进行纹理分析：分析危险废物的纹理和轮廓，获得危险废物的边缘轮廓；
第六步，对灰度图像进行降噪处理；
第七步，设置强光图像的网格面积参数和网格内轮廓占有量阈值参数：强光图像和弱光图像分别采用两套不同的检测参数，强光图像和弱光图像处理逻辑相同，仅仅使用的检测参数不同，使用网格分析补偿法计算库存量；设置强光图像的网格面积参数和网格内轮廓占有量阈值参数；根据白天仓库满库图像，调整每个网格的横向像素数和纵向像素数，以及网格内轮廓的占有率；
第八步，设置强光图像的白天仓库满库和白天仓库空库的库存量阈值参数，用以将实时计算的危险废物网格面积折算为危险废物的实际库存量；
第九步，设置弱光图像的网格面积参数和网格内轮廓占有量阈值参数；
第十步，设置弱光图像的夜间仓库满库和夜间仓库空库的库存量阈值参数，用以将实时计算的危险废物网格面积折算为危险废物的实际库存量；
(3)危险废物仓库摄像机定时拍照并发送图像至计算机，计算机按照构建的图像分析模型，使用网格分析补偿法，对图像进行分析，计算危险废物网格面积，根据检测参数折算为当前的危险废物实际库存量检测值；
(4)通过当前库存量检测值与之前库存量检测值的比较，分析库存量变化的情况。
2.根据权利要求1所述的方法，其特征在于，所述的网格分析补偿法就是将图像进行等面积划分，形成若干个方形网格，然后计算每个网格内危险废物边缘占有面积总和，当网格内危险废物占有面积超过网格面积的一定比例后，则认为危险废物占满该网格，最后将所有占满危险废物的网格面积进行汇总，计算获得最终的危险废物库存量。
3.根据权利要求1所述的方法，其特征在于，构建图像分析模型的第六步，对灰度图像进行降噪处理的方法为：消除危险废物边缘轮廓的杂点数据、平滑噪音数据、补充遗漏数据，以保证灰度图像中危险废物的轮廓清晰连续，与背景对比明显。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894706.XA CN110686649A (zh) | 2019-09-20 | 2019-09-20 | 一种基于机器视觉的危险废物库存量变化的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910894706.XA CN110686649A (zh) | 2019-09-20 | 2019-09-20 | 一种基于机器视觉的危险废物库存量变化的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110686649A true CN110686649A (zh) | 2020-01-14 |
Family
ID=69109801
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910894706.XA Pending CN110686649A (zh) | 2019-09-20 | 2019-09-20 | 一种基于机器视觉的危险废物库存量变化的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110686649A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113911605A (zh) * | 2021-10-10 | 2022-01-11 | 杭州聚森科技有限公司 | 一种桶装废料泄露预警系统及其方法 |
| CN117218112A (zh) * | 2023-11-03 | 2023-12-12 | 江苏森途信息技术有限公司 | 一种基于视频分析的危废仓库超量识别系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101534698A (zh) * | 2006-09-27 | 2009-09-16 | 乔治亚技术研究公司 | 用于表面测量的系统和方法 |
| CN101936900A (zh) * | 2010-06-12 | 2011-01-05 | 北京中科卓视科技有限责任公司 | 一种基于视频的能见度检测系统 |
| CN104463170A (zh) * | 2014-12-04 | 2015-03-25 | 江南大学 | 一种卡口系统下基于多重检测的无牌车辆检测方法 |
| US20160316125A1 (en) * | 2015-04-24 | 2016-10-27 | Canon Kabushiki Kaisha | Image processing apparatus that corrects contour, control method therefor, storage medium storing control program therefor, and image pickup apparatus |
| CN106204223A (zh) * | 2016-07-13 | 2016-12-07 | 中南大学 | 图像处理方法及系统 |
| CN107256413A (zh) * | 2017-06-14 | 2017-10-17 | 广东工业大学 | 一种物品监控方法及装置 |
| CN110084186A (zh) * | 2019-04-25 | 2019-08-02 | 中信梧桐港供应链管理有限公司 | 一种仓库远程监管方法及装置 |
-
2019
- 2019-09-20 CN CN201910894706.XA patent/CN110686649A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101534698A (zh) * | 2006-09-27 | 2009-09-16 | 乔治亚技术研究公司 | 用于表面测量的系统和方法 |
| CN101936900A (zh) * | 2010-06-12 | 2011-01-05 | 北京中科卓视科技有限责任公司 | 一种基于视频的能见度检测系统 |
| CN104463170A (zh) * | 2014-12-04 | 2015-03-25 | 江南大学 | 一种卡口系统下基于多重检测的无牌车辆检测方法 |
| US20160316125A1 (en) * | 2015-04-24 | 2016-10-27 | Canon Kabushiki Kaisha | Image processing apparatus that corrects contour, control method therefor, storage medium storing control program therefor, and image pickup apparatus |
| CN106204223A (zh) * | 2016-07-13 | 2016-12-07 | 中南大学 | 图像处理方法及系统 |
| CN107256413A (zh) * | 2017-06-14 | 2017-10-17 | 广东工业大学 | 一种物品监控方法及装置 |
| CN110084186A (zh) * | 2019-04-25 | 2019-08-02 | 中信梧桐港供应链管理有限公司 | 一种仓库远程监管方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113911605A (zh) * | 2021-10-10 | 2022-01-11 | 杭州聚森科技有限公司 | 一种桶装废料泄露预警系统及其方法 |
| CN117218112A (zh) * | 2023-11-03 | 2023-12-12 | 江苏森途信息技术有限公司 | 一种基于视频分析的危废仓库超量识别系统及方法 |
| CN117218112B (zh) * | 2023-11-03 | 2024-02-06 | 江苏森途信息技术有限公司 | 一种基于视频分析的危废仓库超量识别系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tahmid et al. | Density based smart traffic control system using canny edge detection algorithm for congregating traffic information | |
| CN111311630B (zh) | 在仓储管理中通过视频智能统计货物数量的方法和系统 | |
| CN111179232A (zh) | 基于图像处理的钢筋尺寸检测系统及方法 | |
| US20230005176A1 (en) | Throwing position acquisition method and apparatus, computer device and storage medium | |
| CN103366569A (zh) | 实时抓拍交通违章车辆的方法及系统 | |
| CN101826228A (zh) | 基于背景估计的公交乘客运动目标检测方法 | |
| CN110686649A (zh) | 一种基于机器视觉的危险废物库存量变化的检测方法 | |
| CN102663362A (zh) | 一种基于灰度特征的运动目标检测方法 | |
| CN104866842A (zh) | 一种人体目标入侵检测方法 | |
| CN107657260B (zh) | 一种输电线路周边环境中地面隐患的检测方法 | |
| CN103793921A (zh) | 一种运动目标提取方法及装置 | |
| CN111967473B (zh) | 基于图像分割和模板匹配的粮库仓储情况监测方法、设备和介质 | |
| Miura et al. | The examination of the image correction of the moving-object detection for low illumination video image | |
| CN112070740A (zh) | 一种基于bim的港口堆场积水成像方法、系统及控制设备 | |
| CN111967323A (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
| Balcilar et al. | Extracting vehicle density from background estimation using Kalman filter | |
| CN111767904B (zh) | 一种交通事件检测方法、装置、终端及存储介质 | |
| CN104820818A (zh) | 一种移动物体的快速识别方法 | |
| KR101158728B1 (ko) | 실시간 전경 영상 검출시스템 및 방법 | |
| CN114842223A (zh) | 进出库识别方法、设备及计算机可读存储介质 | |
| CN112149683A (zh) | 夜视环境下活物检测方法及装置 | |
| CN111754477A (zh) | 基于动态候选区多尺度图像的铁路周界异物入侵检测方法 | |
| CN110674778A (zh) | 一种高分辨视频图像目标检测方法及装置 | |
| CN112347841B (zh) | 一种基于深度学习的矸石充填捣实机构防碰撞应用方法 | |
| CN103259964A (zh) | 视频动态目标捕捉的图像信号滤波方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200114 |