CN112033293B - 机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 - Google Patents
机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 Download PDFInfo
- Publication number
- CN112033293B CN112033293B CN202010805549.3A CN202010805549A CN112033293B CN 112033293 B CN112033293 B CN 112033293B CN 202010805549 A CN202010805549 A CN 202010805549A CN 112033293 B CN112033293 B CN 112033293B
- Authority
- CN
- China
- Prior art keywords
- shield tail
- boundary
- visual
- pixel
- duct piece
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/14—Measuring arrangements characterised by the use of optical techniques for measuring distance or clearance between spaced objects or spaced apertures
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,通过于管片上设定多个有效边界特征点,并对千斤顶近距离和远距离分别进行现场标定和图像标定,以各有效边界特征点的现场标定和图像标定为依据计算图像的变化规律,进一步计算千斤顶任意行程下的图像参数,根据图像的变化规律及图像参数建立自动跟踪管片有效边界特征点模型。本发明以千斤顶行程作为自变量,可自动跟踪垂直运动水平位移管片的有效边界特征点,为图像分析软件及图数工具提供搜索的定量位置,抑制了因CCD相机安装调试的视场角偏差而导致的检测偏差,提高盾尾间隙检测的可靠性。
Description
技术领域
本发明涉及一种盾构施工质量和安全监测技术领域,尤其涉及一种机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法。
背景技术
对于盾构法隧道施工,要求必须严格监控盾尾间隙的数值,为指导盾构纠偏和管片纠偏策略提供基础信息,以确保隧道施工质量和安全。
目前大部分盾构施工是在推完一环和拼完一环后人工用直尺测量和记录盾尾间隙。但是,人工测量盾尾间隙费时费力、测量准确性不稳定。
针对上述问题,现有技术利用纯机器视觉盾尾间隙装置来实现对盾尾间隙的自动检测,传统的检测方法为:
方法1、无参照物的盾尾间隙自动检测方法,在盾构掘进过程中利用CCD相机实时拍摄管片图像,并于管片图像上建立CCD坐标系,实现了在千斤顶伸缩状态时对盾尾间隙的自动检测;但是,在实际工程应用中有各种影响机器视觉盾尾间隙检测准确性的因素,增加了图像辨识和数据分析的难度;
方法2、针对方法1的问题,该方法提供了一种机器视觉盾尾间隙检测图像网格特征点可靠性过滤方法,通过在管片上定义特征点,利用CCD相机拍摄管片图像,并由图数工具搜索辨识特征点,然后对特征点处像素信息进行解析,求出盾尾间隙,解决了视场范围盾尾内壁无有效参考边界信息时运动管片检测盾尾间隙的技术难题,提高了检测的可靠性;但是,由于CCD相机的现场安装位置狭小且工况恶劣,使得CCD相机的姿态调试较难确保CCD的视场角(包括方向角、倾斜角和旋转角)与管片断面中心线的位置完全正对,当管片运动时,管片上定义的各特征点在运动图像上的位置肯会发生较大偏移,进而影响检测精度。
发明内容
为克服现有技术所存在的缺陷,本发明提供了一种机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,可方便的自动跟踪垂直运动管片上的有效边界特征点、抑制因CCD相机安装调试的视场角偏差而导致的检测偏差,提高盾尾间隙检测的可靠性。
为实现上述目的,本发明采用的技术方案是:一种机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,包括以下步骤:
a、于管片上设定j条平行于管片断面中心线的可视边界,且j条可视边界中包括至少一对分别位于所述管片断面中心线的左侧的左可视边界以及位于所述管片断面中心线的右侧的右可视边界;于每条所述可视边界上设定k个特征点,所述k为大于0的自然数;
b、将CCD相机安装在两盾尾千斤顶之间,并使所述CCD相机正对管片断面,将所述千斤顶推顶至近距离x0处,利用所述CCD相机获取近距离图像;将所述千斤顶推顶至远距离x1处,利用所述CCD相机获取远距离图像;
c、先从所述近距离图像上获取各所述特征点的第一横轴像素le[j,k]0和第一纵轴像素h[j,k]0;然后从所述远距离图像上找到各所述特征点,并获取各所述特征点在所述远距离图像上的第二横轴像素le[j,k]1和第二纵轴像素h[j,k]1;
d、将所述千斤顶推顶至距离x处,以任一对左右可视边界为基准,计算当前有效盾尾间隙,包括如下步骤:
d-1、计算各所述特征点的纵轴跟踪目标像素h[j,k]:
Kh[j,k]=(h[j,k]1-h[j,k]0)/(x1-x0) (1)
h[j,k]=Kh[j,k]*(x-x0)+h[j,k]0 (2)
其中,Kh[j,k]代表函数关系中的特征点高度初始化比例系数;
d-2、计算各所述特征点的横轴跟踪目标像素Le[j,k]:
当所述特征点在所述左可视边界上时,
Le[j,k]=0.5(dz[j,k]-d)Y[j,k]/w+Y[j,k]) (3)
当所述特征点在所述右可视边界上时,
Le[j,k]=0.5((d-dz[j,k])Y[j,k]/w+Y[j,k]) (4)
其中,dz[j,k]代表左右可视边界上第k个特征点所对应的盾尾间隙动态初始化参数;d代表上一检测周期有效盾尾间隙;Y[j,k]代表所述左右可视边界上第k个特征点所对应的当前像素宽度;w代表与当前所述像素宽度Y[j,k]相对应的实际宽度;
d-3、利用图数工具以左可视边界或右可视边界上的第k个特征点的横轴跟踪目标像素Le[j,k]及纵轴跟踪目标像素h[j,k]为跟踪目标、以一定步长在CCD相机的当前图像上向相应所述左可视边界或所述右可视边界前进并搜索所述特征点;
若找到所述特征点,则获取所述特征点的当前实际横轴像素Le[j,k]t;
若未找到所述特征点,则将所述当前实际横轴像素Le[j,k]t赋值为0;
d-4、计算所述特征点所对应的视觉盾尾间隙d[j,k]:
当所述特征点位于所述左可视边界上时,
d[j,k]=dz[j,k]+{(Y[j,k]-2Le[j,k]t)w}/Y[j,k] (5)
当所述特征点位于所述右可视边界上时,
d[j,k]=dz[j,k]+{(2Le[j,k]t-Y[j,k])w}/Y[j,k] (6)。
本发明通过于管片上设定多个有效边界特征点,并对千斤顶近距离和远距离分别进行现场标定和图像标定,以各有效边界特征点的现场标定和图像标定为依据计算图像的变化规律,进一步计算千斤顶任意行程下的图像参数,根据图像的变化规律及图像参数建立自动跟踪管片有效边界特征点模型,可实现自动跟踪垂直运动水平位移管片的有效边界特征点,为图像分析软件及图数工具提供搜索的定量位置,抑制了因CCD相机安装调试的视场角偏差而导致的检测偏差,提高了盾尾间隙检测的可靠性。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
在进行步骤d时,循环步骤d-3,直至得到所述左可视边界或所述右可视边界上的所有特征点的当前实际横轴像素Le[j,k]t;
在进行步骤d-4时,计算出所述所有特征点所分别对应的视觉盾尾间隙d[j,k],然后在多个所述视觉盾尾间隙d[j,k]中筛选出一个作为所述当前有效盾尾间隙。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:采用重心法在多个所述视觉盾尾间隙d[j,k]中筛选出一个作为所述当前有效盾尾间隙。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
所述步骤d-2中的所述当前像素宽度Y[j,k]根据如下公式计算得出:
Y[j,k]0=R[j,k]0+L[j,k]0 (7)
Y[j,k]1=R[j,k]1+L[j,k]1 (8)
a[j,k]=(Y[j,k]0*x0-Y[j,k]1*x1)/(Y[j,k]0-Y[j,k]1) (9)
b[j,k]=Y[j,k]0*(x0-a[j,k]) (10)
Y[j,k]=b[j,k]/(x-a[j,k]) (11)
其中,R[j,k]0和R[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时所述右可视边界上的第k个特征点的第一横轴像素Le[j,k]0的绝对值和Le[j,k]1的绝对值;L[j,k]0和L[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时所述左可视边界上的第k个特征点的第一横轴像素Le[j,k]0的绝对值和Le[j,k]1的绝对值;Y[j,k]0和Y[j,k]1代表千斤顶分别推顶至近距离x0处和推顶至远距离x1处时,所述右可视边界与所述左可视边界上第k个特征点所对应的像素宽度值;a[j,k]代表函数关系中的距离系数,b[j,k]代表函数关系中的像素系数。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
在进行所述步骤b时,人工测量所述千斤顶推顶至近距离x0处的近距离盾尾间隙dm0以及将所述千斤顶推顶至远距离x1处的远距离盾尾间隙dm1;
所述步骤d-2中的所述盾尾间隙动态初始化参数dz[j,k]根据如下公式计算得出:
d[j,k]0=dm0-(R[j,k]0-L[j,k]0)w/(R[j,k]0+L[j,k]0) (12)
d[j,k]1=dm1-(R[j,k]1-L[j,k]1)w/(R[j,k]1+L[j,k]1) (13)
Kd[j,k]=(d[j,k]1-d[j,k]0)/(x1-x0) (14)
dz[j,k]=Kd[j,k]*(x-x0)+d[j,k]0 (15)
其中,d[j,k]0和d[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时左右可视边界上的第k个特征点所对应的盾尾间隙初始化参数;Kd[j,k]代表函数关系中的盾尾间隙初始化比例系数;w代表与当前所述像素宽度Y[j,k]相对应的实际宽度。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
在进行步骤d-3之前,遵循所述CCD相机的近大远小原则,初始化图数工具,设j条可视边界的k个特征点中,第m条可视边界上的第n个特征点距离CCD坐标的横轴最近,则以第m条可视边界上的第n个特征点所对应的像素宽度Y[m,n]为基准,计算所述图数工具的工具宽Tw和工具高Th:
Tw=Tkw*Y[m,n] (16)
Th=Tkh*Tw (17)
其中,Tkw代表工具宽的初始化比例系数,Tkh代表工具高的初始化比例系数,且Tkw和Tkh为人工设置在计算机中的常数;
在进行步骤d-3时,所述步长为所述工具宽Tw的一定比例值。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
在步骤d-3中,若未找到所述特征点,则利用所述图数工具在横轴跟踪目标像素最小限值Le_min[j,k]至横轴跟踪目标像素最大限制Le_max[j,k]范围内重新搜索一遍:
若找到所述特征点,则获取所述特征点的当前实际横轴像素Le[j,k]t;
若未找到所述特征点,则将所述当前实际横轴像素Le[j,k]t赋值为0。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:
在步骤d-3中,所述横轴跟踪目标像素最小限值Le_min[j,k]是通过将已知的最小盾尾间隙dmin作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k];
所述横轴跟踪目标像素最大限值Le_max[j,k]是通过将已知的最大盾尾间隙dmax作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k]。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:所述可视边界线的数量为两条及以上,至少包括管片的左边界线和右边界线。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的进一步改进在于:j条所述可视边界上的j*k个特征点呈矩阵网格点状布置。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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的前提下,还可以根据这些附图获得其他的附图。
图1示出了机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法中特征点的示例性布局示意图1。
图2示出了机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法中特征点的示例性布局示意图2。
图3示出了千斤顶推动管片至近距离x0时CCD相机的拍摄范围示意图。
图4示出了千斤顶推动管片至远距离x1时CCD相机的拍摄范围示意图。
图5示出了千斤顶推动管片至近距离x0时CCD相机拍摄的近距离图像模型示意图。
图6示出了千斤顶推动管片至远距离x1时CCD相机拍摄的远距离图像模型示意图。
图7示出了本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
下面结合附图和具体实施例对本发明做进一步详细的说明。
本发明通过于管片上设定多个有效边界特征点,并对千斤顶近距离和远距离分别进行现场标定和图像标定,以各有效边界特征点的现场标定和图像标定为依据计算图像的变化规律,进一步计算千斤顶任意行程下的图像参数,根据图像的变化规律及图像参数建立自动跟踪管片有效边界特征点模型,可以自动跟踪垂直运动水平位移管片的有效边界特征点,为图像分析软件及图数工具提供搜索的定量位置,抑制了因CCD相机安装调试的视场角偏差而导致的检测偏差,提高了盾尾间隙检测的可靠性。
本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法的具体实施如下:
步骤a:设可视边界及特征点;于管片上设定j条平行于管片断面中心线的可视边界,且j条可视边界中包括至少一对位于所述管片断面中心线的左侧的左可视边界以及位于所述管片断面中心线的右侧的右可视边界;于每条所述可视边界上设定k个特征点,所述k为大于0的自然数;
对于可视边界的设定,主要根据管片断面的结构来确定,通常管片的左边界线和右边界线为典型的可视边界,另外,为了防水,管片断面上指定位置处还粘贴有平行于管片断面中心线的橡胶条,而且该橡胶条的颜色通常为黑色,可清晰识别,故橡胶条也可以作为可视边界。
具体来说,为了便于对特征点进行定位和标记,定义:j条可视边界自管片的左侧至右侧以j值顺序编号(即从左至右的可视边界依次为第1条,第2条,……,第j条);j条所述可视边界上的k个特征点自管片的上部至下部以k值进行顺序编号(即从上至下的第1个,第2个,……,第k个)。
例如图1,图1示出了特征点的一种布局示意图,可视边界的数量为2条,选自管片的左边界和右边界,左边界为左可视边界j=1,右边界为右可视边界j=2,左右边界至管片断面中心线所在位置O的实际距离分别为L和R,每条可视边界上设有7个特征点,共计2*7=14个特征点;
例如图2,图2示出了特征点的另一种布局示意图,可视边界的数量为3条,选自管片的左边界线、右边界线和橡胶条,左边界线和橡胶条为两条左可视边界j=1和j=2,右边界线为右可视边界j=3,左右边界线至管片断面中心线所在位置O的实际距离分别为L和R,橡胶条至管片断面中心线所在位置O的实际距离为Lr,,每条可视边界上设有7个特征点,共计3*7=21个特征点。
步骤b:现场标定;将CCD相机安装在两盾尾千斤顶之间,并使该CCD相机正对管片断面,将该千斤顶推顶至近距离x0处,利用该CCD相机获取近距离图像pic0;将该千斤顶推顶至远距离x1处,利用该CCD相机获取远距离图像pic1;
具体来说,在该步骤中,首先对各特征点进行现场标定,即,于管片上对应于每个特征点的位置粘贴贴纸,并于贴纸上标记记号B(j,k),该B(j,k)代表第j条可视边界上的第k个特征点;
选取600mm~2850mm的定焦镜头CCD相机,使其焦距满足0.7米到2.8米范围图像清晰,能覆盖盾构掘进过程中管片相对镜头垂直运动范围;将该CCD相机设于与管片相对的两个千斤顶之间,使该CCD相机镜头朝向该管片的管片断面中心线所在位置O并对中,将该CCD相机固定在千斤顶根部的盾构圆周结构体上;调节该CCD相机的视场角(方向角、倾斜角、旋转角);设定该CCD相机的有效物距范围覆盖盾构掘进过程中管片垂直运动的全范围;
然后分别将千斤顶推顶至近距离x0(即千斤顶的伸缩状态)处和x1(即千斤顶的伸长状态)处,获得初始化状态的近距离图像pic0(如图3和图5所示)和远距离图像pic1(如图4和图6所示)。
步骤c:对图像进行标定;先从该近距离图像pic0上获取各该特征点的第一横轴像素le[j,k]0和第一纵轴像素h[j,k]0;然后从该远距离图像pic1上找到各该特征点,并获取各该特征点在该远距离图像上的第二横轴像素le[j,k]1和第二纵轴像素h[j,k]1。
步骤d:将该千斤顶推顶至距离x处,以任一对左可视边界和右可视边界为基准,计算当前有效盾尾间隙,包括如下步骤:
步骤d-1:计算各该特征点的纵轴跟踪目标像素h[j,k]:
Kh[j,k]=(h[j,k]1-h[j,k]0)/(x1-x0) (1)
h[j,k]=Kh[j,k]*(x-x0)+h[j,k]0 (2)
其中,Kh[j,k]代表函数关系中的特征点高度初始化比例系数;
步骤d-2:计算各该特征点的横轴跟踪目标像素Le[j,k]:
当该特征点在该左可视边界上时,
Le[j,k]=0.5(dz[j,k]-d)Y[j,k]/w+Y[j,k]) (3)
当该特征点在该右可视边界上时,
Le[j,k]=0.5((d-dz[j,k])Y[j,k]/w+Y[j,k]) (4)
其中,dz[j,k]代表左、右可视边界上第k个特征点所对应的初始化盾尾间隙;d代表上一检测周期有效盾尾间隙(第一次计算时可使用已知的人工测量数据);Y[j,k]代表该对左右可视边界上第k个特征点所对应的当前像素宽度;w代表该与当前所述像素宽度Y[j,k]相对应的实际宽度(即该对左右可视边界之间的实际宽度);
具体来说,由大量的实验数据分析证明,CCD坐标系(像素值)与盾构坐标系(相距)不是传统的距离之间的线性比例关系,而是非线形关系,且关系近似为双曲线,故,该步骤中的该当前像素宽度Y[j,k]根据如下公式计算得出:
Y[j,k]0=R[j,k]0+L[j,k]0 (7)
Y[j,k]1=R[j,k]1+L[j,k]1 (8)
a[j,k]=(Y[j,k]0*x0-Y[j,k]1*x1)/(Y[j,k]0-Y[j,k]1) (9)
b[j,k]=Y[j,k]0*(x0-a[j,k]) (10)
Y[j,k]=b[j,k]/(x-a[j,k]) (11)
其中,R[j,k]0和R[j,k]1代表在该千斤顶分别推顶至近距离x0处和推顶至远距离x1处时右可视边界上的第k个特征点的第一横轴像素,分别取自Le[j,k]0的绝对值和Le[j,k]1的绝对值;L[j,k]0和L[j,k]1代表在该千斤顶分别推顶至近距离x0处和推顶至远距离x1处时左可视边界上的第k个特征点的第一横轴像素,分别取自Le[j,k]0的绝对值和Le[j,k]1的绝对值;Y[j,k]0和Y[j,k]1分别代表千斤顶推顶至近距离x0和推顶至远距离x1处时,所述右可视边界与所述左可视边界上第k个特征点所对应的像素宽度值;a[j,k]代表函数关系中的距离系数,b[j,k]代表函数关系中的像素系数。
进一步地,该步骤中的该盾尾间隙动态初始化参数dz[j,k]根据如下公式计算得出:
d[j,k]0=dm0-(R[j,k]0-L[j,k]0)w/(R[j,k]0+L[j,k]0) (12)
d[j,k]1=dm1-(R[j,k]1-L[j,k]1)w/(R[j,k]1+L[j,k]1) (13)
Kd[j,k]=(d[j,k]1-d[j,k]0)/(x1-x0) (14)
dz[j,k]=Kd[j,k]*(x-x0)+d[j,k]0 (15)
其中,d[j,k]0和d[j,k]1代表在该千斤顶分别推顶至近距离x0处和推顶至远距离x1处时左右可视边界上的第k个特征点所对应的盾尾间隙初始化参数;Kd[j,k]代表函数关系中的盾尾间隙初始化比例系数;w代表与该当前像素宽度Y[j,k]相对应的实际宽度。
对于CCD的视场角与管片断面中心线的位置O完全正对的情况下,该当前视觉盾尾间隙dz[j,k]即为该特征点所对应的当前检测周期的盾尾间隙值;但由于CCD相机的现场安装位置狭小且工况恶劣,使得CCD相机的姿态调试较难确保CCD的视场角与管片断面中心线的位置O完全正对,当管片运动时,管片上定义的各特征点在运动图像上的位置可能会发生较大偏移,进而影响检测精度。
因此,本方法在进行完步骤d-2之后,还进行如下特征点动态跟踪步骤:
步骤d-3:利用图数工具以该左可视边界或该右可视边界上的第k个特征点的横轴跟踪目标像素(取自Le[j,k])及纵轴跟踪目标像素(取自h[j,k])为跟踪目标、以一定步长在CCD相机的当前图像上向相应该左可视边界或该右可视边界前进并搜索该特征点;
若找到该特征点,则获取该特征点的当前实际横轴像素Le[j,k]t;
若未找到该特征点,则将该当前实际横轴像素Le[j,k]t赋值为0。
具体来说,由于CCD相机拍摄的图片具有近大远小原则,如图3和图4所示,图3仅能拍摄部分管片断面,而图4可以拍摄到完整管片断面,故,图3的各特征点显示会较图4的大;为了使图数工具可以适配于运动管片的图像,在进行该步骤之前,遵循该CCD相机的近大远小的线性规律,初始化该图数工具,设j条可视边界的k个特征点中,第m条可视边界上的第n个特征点距离该CCD坐标的横轴最近,则以第m条可视边界上的第n个特征点所对应的的像素宽度Y[m,n]为基准,计算该图数工具的工具宽Tw和工具高Th:
Tw=Tkw*Y[m,n] (16)
Th=Tkh*Tw (17)
其中,Tkw代表工具宽的初始化比例系数,Tkh代表工具高的初始化比例系数,且Tkw和Tkh为人工设置在计算机中的常数;
在进行该步骤时,以工具宽Tw的一定比例值进行搜索,优选该比例值为0.5。
步骤d-4:得到实际横轴像素Le[j,k]t之后,计算该特征点所对应的视觉盾尾间隙d[j,k]:
当该特征点位于该左可视边界上时,
d[j,k]=dz[j,k]+{(Y[j,k]-2Le[j,k]t)w}/Y[j,k] (5)
当该特征点位于该右可视边界上时,
d[j,k]=dz[j,k]+{(2Le[j,k]t-Y[j,k])w}/Y[j,k] (6)
将该视觉盾尾间隙d[j,k]作为该当前有效盾尾间隙,同时可以用该当前有效盾尾间隙覆盖该上一检测周期有效盾尾间隙d,以供下一个检测周期使用。
本发明的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,通过于管片上设定j*k个有效边界特征点,并对千斤顶近距离x0和远距离x1分别进行现场标定和图像标定,以各有效边界特征点的现场标定和图像标定为依据计算图像的变化规律,进一步计算千斤顶任意行程x下的图像参数,根据图像的变化规律及图像参数建立自动跟踪管片有效边界特征点模型,可自动跟踪垂直运动水平位移管片的有效边界特征点,为图像分析软件及图数工具提供搜索的定量位置,抑制了因CCD相机安装调试的视场角偏差而导致的检测偏差,提高盾尾间隙检测的可靠性。
由于盾构施工环境复杂,管片可能会受环境影响而导致部分特征点模糊或可视边界无法清晰辨认,CCD相机也有可能因发生逆光或光斑图像等影响对部分特征点的准确定位;
为了防止搜索的特征点因受到上述因素干扰而导致计算的当前有效盾尾间隙不准确,作为一较佳实施方式:在进行步骤d时,循环步骤d-3,直至得到该左可视边界或该右可视边界上的所有特征点的当前实际横轴像素Le[j,k]t;
在进行步骤d-4时,计算出该所有特征点所分别对应的视觉盾尾间隙d[j,k],然后在多个该视觉盾尾间隙d[j,k]中筛选出一个作为该当前有效盾尾间隙。
具体来说,对于多个该视觉盾尾间隙d[j,k]的筛选,可以采用平均法在多个该视觉盾尾间隙d[j,k]中选择一个最接近平均值的值,也可采用重心法,通过反复与平均值相比较、过滤掉最大值和最小值的方式,得到最优值。
作为一较佳实施方式:在步骤d-3中,若未找到该特征点,则利用该图数工具在横轴跟踪目标像素最小限值Le_min[j,k]至横轴跟踪目标像素最大限制Le_max[j,k]范围内重新搜索一遍:
若找到该特征点,则获取该特征点的当前实际横轴像素Le[j,k]t;若未找到该特征点,则将该当前实际横轴像素Le[j,k]t赋值为0。
具体来说,在该步骤中,该横轴跟踪目标像素最小限值Le_min[j,k]是通过将已知的最小盾尾间隙dmin作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k];
该横轴跟踪目标像素最大限值Le_max[j,k]是通过将已知的最大盾尾间隙dmax作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k]。
通过上述实施方式,增加了搜索范围和搜索次数,以增大找到该特征点的概率,进而得到更加准确的盾尾间隙值。
作为一较佳实施方式,为了便于检测跟踪,设特征点呈矩阵网格点状,各竖边j上的k各特征点在水平方向上一一对齐。
下面结合具体实施例,对本发明机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法进行如下说明:
步骤a:按照图2的特征点布局设定可视边界和特征点,并设定特征点呈矩阵网格点状;
步骤b:于管片上每个特征点出粘贴纸,并在贴纸上标记记号B[j,k],j=1~3,k=1~7,安装CCD相机,获取近距离图像pic0和远距离图像pic1,人工测量近距离盾尾间隙dm0和远距离盾尾间隙dm1。
步骤c:以近距离图像pic0上显示的各特征点为交点,将近距离图像pic0纵向8等分,7组特征点(k)在近距离时定义为平行近距离图像pic0的CCD坐标轴,以CCD像素1280x640为例,获得两条左可视边界j=1和j=2分别与7个水平直线的交点的第一横轴像素L[1,k]0和L[2,k]0、第一纵轴像素h[1,k]0和h[2,k]0以及相应交点处贴纸上的位置标记B[1,k]和B[2,k];获得右可视边界j=3与7个水平直线的交点的第一横轴像素绝对值L3,k]0、第一纵轴像素h[3,k]0以及相应交点处贴纸上的位置标记B[3,k];
在远距离图像pic1上根据位置标记B[1,k]、B[2,k]、B[3,k]找到各特征点,并分别获取各特征点于远距离图像pic1上的第二横轴像素绝对值L[1,k]1、L[2,k]1、L[3,k]1以及第二纵轴像素h[1,k]1、h[2,k]1、h[3,k]1。
步骤d:将千斤顶推顶至距离x处,以左可视边界j=1(或左可视边界j=2)和右可视边界j=3为基准,计算当前有效盾尾间隙:
步骤d-1:将x0、x1、h[j,k]0、h[j,k]1,k=1~7代入到公式(1)和公式(2)中,计算得出纵轴跟踪目标像素h[j,k]。
步骤d-2:将x0、x1、Le[j,k]0、Le[j,k]1,k=1~7代入到公式(7)~(11)中,计算得出左右可视边界上第k个特征点的环间的像素宽度Y[j,k];其中:当选择左可视边界j=1时,L[j,k]0=|Le[1,k]0|,L[j,k]1=|Le[1,k]1|;当选择左可视边界j=2时,L[j,k]0=|Le[2,k]0|,L[j,k]1=|Le[2,k]1|;而R[j,k]0=|Le[3,k]0|,R[j,k]1=|Le[3,k]1|。
进一步地,将x0、x1、dm0、dm1、w、Le[j,k]0、Le[j,k]1,k=1~7代入到公式(12)~(15)中,计算得出盾尾间隙动态初始化参数dz[j,k];其中:当选择左可视边界j=1时,w=L+R;当选择左可视边界j=2时,w=Lr+R。
最后,将dz[j,k]、Y[j,k]、w以及上一检测周期有效盾尾间隙值d代入到公式(3)和公式(4)中,计算得出各特征点的横轴跟踪目标像素Le[j,k]。
步骤d-3,初始化图数工具,设定工具宽的初始化比例系数Tkw和工具高的初始化比例系数Tkh,设距离CCD坐标系横轴最近的高层为k=4,将Tkw、Tkh、Y[1,4]代入到公式(16)和公式(17)中,计算得出图数工具的工具宽Tw和工具高Th,使图数工具遵满足CCD相机的近大远小原则。
以左可视边界j=1(或左可视边界j=2)和右可视边界j=3上的第k个特征点的横轴跟踪目标像素le[j,k]和纵轴跟踪目标像素h[j,k]为跟踪目标,以0.5Tw为步长在CCD相机的当前图像上沿横轴向相应可视边界前进并搜索特征点B[j,k],当搜索到特征点B[j,k]后,获取该特征点B[j,k]的实际横轴像素Le[j,k]t;当前进至超过相应可视边界后仍未搜索到该特征点B[j,k]时,将d=dm0和d=dm1分别代入到公式(3)和公式(4)中,计算得到Le_min[j,k]和Le_max[j,k],然后利用图数工具在Le_min[j,k]至Le_max[j,k]范围内沿横轴方向重新搜索一遍,当搜索到特征点B[j,k]时,获取实际横轴像素Le[j,k]t;当仍未搜索到特征点B[j,k]时,再将Le[j,k]t赋值为0。
重复步骤d-3,直至得到相应可视边界上的所有7个特征点B[j,k]的当前实际横轴像素Le[j,k]t。
步骤d-4:将Le[j,k]t、dz[j,k]、Y[j,k]以及w代入到公式(5)和公式(6)中,计算得出上述所有7个特征点B[j,k]分别对应的视觉盾尾间隙d[j,k],利用重心法对d[j,k]进行筛选,得到当前有效盾尾间隙,并将该当前有效盾尾间隙覆盖上一检测周期有效盾尾间隙d,以备下一个检测周期计算用。
上述特征点跟踪方法可以通过编程软件实现,初始化各种参数并建立各计算模块,通过千斤顶向前推动来触发程序启动,按需调用参数并循环进行搜索和当前有效盾尾间隙的输出,实现对各特征点的自动跟踪以及对当前有效盾尾间隙的实时测量。
以上该仅是本发明的较佳实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (10)
1.一种机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于,包括以下步骤:
a、于管片上设定j条平行于管片断面中心线的可视边界,且j条可视边界中包括至少一对分别位于所述管片断面中心线的左侧的左可视边界以及位于所述管片断面中心线的右侧的右可视边界;于每条所述可视边界上设定k个特征点,所述k为大于0的自然数;
b、将CCD相机安装在两盾尾千斤顶之间,并使所述CCD相机正对管片断面,将所述千斤顶推顶至近距离x0处,利用所述CCD相机获取近距离图像;将所述千斤顶推顶至远距离x1处,利用所述CCD相机获取远距离图像;
c、先从所述近距离图像上获取各所述特征点的第一横轴像素le[j,k]0和第一纵轴像素h[j,k]0;然后从所述远距离图像上找到各所述特征点,并获取各所述特征点在所述远距离图像上的第二横轴像素le[j,k]1和第二纵轴像素h[j,k]1;
d、将所述千斤顶推顶至距离x处,以任一对左右可视边界为基准,计算当前有效盾尾间隙,包括如下步骤:
d-1、计算各所述特征点的纵轴跟踪目标像素h[j,k]:
Kh[j,k]=(h[j,k]1-h[j,k]0)/(x1-x0) (1)
h[j,k]=Kh[j,k]*(x-x0)+h[j,k]0 (2)
其中,Kh[j,k]代表函数关系中的特征点高度初始化比例系数;
d-2、计算各所述特征点的横轴跟踪目标像素Le[j,k]:
当所述特征点在所述左可视边界上时,
Le[j,k]=0.5(dz[j,k]-d)Y[j,k]/w+Y[j,k]) (3)
当所述特征点在所述右可视边界上时,
Le[j,k]=0.5((d-dz[j,k])Y[j,k]/w+Y[j,k]) (4)
其中,dz[j,k]代表左右可视边界上第k个特征点所对应的盾尾间隙动态初始化参数;d代表上一检测周期有效盾尾间隙;Y[j,k]代表所述左右可视边界上第k个特征点所对应的当前像素宽度;w代表与当前所述像素宽度Y[j,k]相对应的实际宽度;
d-3、利用图数工具以左可视边界或右可视边界上的第k个特征点的横轴跟踪目标像素Le[j,k]及纵轴跟踪目标像素h[j,k]为跟踪目标、以一定步长在CCD相机的当前图像上向相应所述左可视边界或所述右可视边界前进并搜索所述特征点;
若找到所述特征点,则获取所述特征点的当前实际横轴像素Le[j,k]t;
若未找到所述特征点,则将所述当前实际横轴像素Le[j,k]t赋值为0;
d-4、计算所述特征点所对应的视觉盾尾间隙d[j,k]:
当所述特征点位于所述左可视边界上时,
d[j,k]=dz[j,k]+{(Y[j,k]-2Le[j,k]t)w}/Y[j,k] (5)
当所述特征点位于所述右可视边界上时,
d[j,k]=dz[j,k]+{(2Le[j,k]t-Y[j,k])w}/Y[j,k] (6)。
2.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
在进行步骤d时,循环步骤d-3,直至得到所述左可视边界或所述右可视边界上的所有特征点的当前实际横轴像素Le[j,k]t;
在进行步骤d-4时,计算出所述所有特征点所分别对应的视觉盾尾间隙d[j,k],然后在多个所述视觉盾尾间隙d[j,k]中筛选出一个作为所述当前有效盾尾间隙。
3.如权利要求2所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:采用重心法在多个所述视觉盾尾间隙d[j,k]中筛选出一个作为所述当前有效盾尾间隙。
4.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
所述步骤d-2中的所述当前像素宽度Y[j,k]根据如下公式计算得出:
Y[j,k]0=R[j,k]0+L[j,k]0 (7)
Y[j,k]1=R[j,k]1+L[j,k]1 (8)
a[j,k]=(Y[j,k]0*x0-Y[j,k]1*x1)/(Y[j,k]0-Y[j,k]1) (9)
b[j,k]=Y[j,k]0*(x0-a[j,k]) (10)
Y[j,k]=b[j,k]/(x-a[j,k]) (11)
其中,R[j,k]0和R[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时所述右可视边界上的第k个特征点的第一横轴像素Le[j,k]0的绝对值和Le[j,k]1的绝对值;L[j,k]0和L[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时所述左可视边界上的第k个特征点的第一横轴像素Le[j,k]0的绝对值和Le[j,k]1的绝对值;Y[j,k]0和Y[j,k]1代表千斤顶分别推顶至近距离x0处和推顶至远距离x1处时,所述右可视边界与所述左可视边界上第k个特征点所对应的像素宽度值;a[j,k]代表函数关系中的距离系数,b[j,k]代表函数关系中的像素系数。
5.如权利要求4所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
在进行所述步骤b时,人工测量所述千斤顶推顶至近距离x0处的近距离盾尾间隙dm0以及将所述千斤顶推顶至远距离x1处的远距离盾尾间隙dm1;
所述步骤d-2中的所述盾尾间隙动态初始化参数dz[j,k]根据如下公式计算得出:
d[j,k]0=dm0-(R[j,k]0-L[j,k]0)w/(R[j,k]0+L[j,k]0) (12)
d[j,k]1=dm1-(R[j,k]1-L[j,k]1)w/(R[j,k]1+L[j,k]1) (13)
Kd[j,k]=(d[j,k]1-d[j,k]0)/(x1-x0) (14)
dz[j,k]=Kd[j,k]*(x-x0)+d[j,k]0 (15)
其中,d[j,k]0和d[j,k]1代表在所述千斤顶分别推顶至近距离x0处和推顶至远距离x1处时左右可视边界上的第k个特征点所对应的盾尾间隙初始化参数;Kd[j,k]代表函数关系中的盾尾间隙初始化比例系数;w代表与当前所述像素宽度Y[j,k]相对应的实际宽度。
6.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
在进行步骤d-3之前,遵循所述CCD相机的近大远小原则,初始化图数工具,设j条可视边界的k个特征点中,第m条可视边界上的第n个特征点距离CCD坐标的横轴最近,则以第m条可视边界上的第n个特征点所对应的像素宽度Y[m,n]为基准,计算所述图数工具的工具宽Tw和工具高Th:
Tw=Tkw*Y[m,n] (16)
Th=Tkh*Tw (17)
其中,Tkw代表工具宽的初始化比例系数,Tkh代表工具高的初始化比例系数,且Tkw和Tkh为人工设置在计算机中的常数;
在进行步骤d-3时,所述步长为所述工具宽Tw的一定比例值。
7.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
在步骤d-3中,若未找到所述特征点,则利用所述图数工具在横轴跟踪目标像素最小限值Le_min[j,k]至横轴跟踪目标像素最大限制Le_max[j,k]范围内重新搜索一遍:
若找到所述特征点,则获取所述特征点的当前实际横轴像素Le[j,k]t;
若未找到所述特征点,则将所述当前实际横轴像素Le[j,k]t赋值为0。
8.如权利要求7所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:
在步骤d-3中,所述横轴跟踪目标像素最小限值Le_min[j,k]是通过将已知的最小盾尾间隙dmin作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k];
所述横轴跟踪目标像素最大限值Le_max[j,k]是通过将已知的最大盾尾间隙dmax作为有效盾尾间隙d代入到公式(3)或公式(4)中计算得出的Le[j,k]。
9.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:所述可视边界的数量为两条及以上,至少包括管片的左边界线和右边界线。
10.如权利要求1所述的机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法,其特征在于:j条所述可视边界上的j*k个特征点呈矩阵网格点状布置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805549.3A CN112033293B (zh) | 2020-08-12 | 2020-08-12 | 机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805549.3A CN112033293B (zh) | 2020-08-12 | 2020-08-12 | 机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112033293A CN112033293A (zh) | 2020-12-04 |
CN112033293B true CN112033293B (zh) | 2021-12-28 |
Family
ID=73577983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805549.3A Active CN112033293B (zh) | 2020-08-12 | 2020-08-12 | 机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112033293B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114413775B (zh) * | 2022-03-28 | 2022-07-01 | 天津恒度量子精密仪器技术有限公司 | 一种基于双线激光视觉的盾构机盾尾间隙测量方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210893017U (zh) * | 2019-10-30 | 2020-06-30 | 上海米度测量技术有限公司 | 一种盾构机盾尾间隙动态实时测量装置 |
CN111457851A (zh) * | 2020-04-14 | 2020-07-28 | 中国铁建重工集团股份有限公司 | 一种盾构机盾尾间隙测量系统及方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1037684A (ja) * | 1996-07-22 | 1998-02-10 | Maeda Corp | シールド掘削機 |
JP2002231412A (ja) * | 2001-01-31 | 2002-08-16 | Ngk Spark Plug Co Ltd | スパークプラグの製造方法及び製造装置 |
JP5139740B2 (ja) * | 2007-07-23 | 2013-02-06 | 大成建設株式会社 | テールクリアランス自動計測システムおよびテールクリアランス自動計測方法 |
JP5179842B2 (ja) * | 2007-11-15 | 2013-04-10 | 株式会社フジタ | テールクリアランス測定装置 |
CN101876533B (zh) * | 2010-06-23 | 2011-11-30 | 北京航空航天大学 | 一种显微立体视觉校准方法 |
CN102297660B (zh) * | 2011-05-20 | 2013-05-01 | 同济大学 | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 |
CN102445157A (zh) * | 2011-09-21 | 2012-05-09 | 上海隧道工程股份有限公司 | 盾构间隙测量系统 |
US10438081B2 (en) * | 2015-10-30 | 2019-10-08 | Texas Instruments Incorporated | Automatic feature point detection for calibration of multi-camera systems |
CN106053110B (zh) * | 2016-06-01 | 2018-08-24 | 同济大学 | 一种用于盾构隧道模型试验的管环模型设计方法 |
CN106989683B (zh) * | 2017-04-20 | 2019-04-02 | 同济大学 | 一种盾构机盾尾间隙视觉测量方法 |
CN110081827B (zh) * | 2019-05-30 | 2021-02-05 | 上海隧道工程有限公司 | 机器视觉无参照物的盾尾间隙自动检测方法 |
CN110726373A (zh) * | 2019-10-30 | 2020-01-24 | 上海米度测量技术有限公司 | 一种盾构机盾尾间隙动态实时测量装置 |
-
2020
- 2020-08-12 CN CN202010805549.3A patent/CN112033293B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210893017U (zh) * | 2019-10-30 | 2020-06-30 | 上海米度测量技术有限公司 | 一种盾构机盾尾间隙动态实时测量装置 |
CN111457851A (zh) * | 2020-04-14 | 2020-07-28 | 中国铁建重工集团股份有限公司 | 一种盾构机盾尾间隙测量系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112033293A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104282020B (zh) | 一种基于目标运动轨迹的车辆速度检测方法 | |
CN110243300B (zh) | 基于机器视觉技术的盾尾间隙测量方法及系统 | |
CN111855664A (zh) | 一种可调节隧道病害三维检测系统 | |
CN111457848B (zh) | 通过相邻监测点间坐标变化而测定位移量的方法及系统 | |
CN102027316B (zh) | 具有任意几何形状的物体的外形的获取 | |
CN113008195B (zh) | 一种基于空间点云的三维曲面距离测量方法及系统 | |
CN112033293B (zh) | 机器视觉盾尾间隙检测自动跟踪管片有效边界特征点方法 | |
CN112598755A (zh) | 一种基于凿岩台车的掌子面智能分析方法 | |
CN112686889A (zh) | 基于单目视觉自动标签的液压支架推进度检测方法及系统 | |
CN111612849A (zh) | 一种基于流动车辆的摄像机标定方法及系统 | |
CN114565510A (zh) | 一种车道线距离检测方法、装置、设备及介质 | |
CN114964007A (zh) | 一种焊缝尺寸视觉测量与表面缺陷检测方法 | |
CN113435442B (zh) | 水位测量方法、装置、水尺及电子设备 | |
CN110081828B (zh) | 机器视觉盾尾间隙检测图像网格特征点可靠性过滤方法 | |
CN113888641A (zh) | 一种基于机器视觉和深度学习的立木胸径测量方法 | |
CN116929336A (zh) | 一种基于最小误差的激光反光柱slam建图方法 | |
CN116626040A (zh) | 一种轨道与隧道的病变检测方法 | |
EP4173473A1 (en) | Plant dimension measuring method | |
CN115797411A (zh) | 一种利用机器视觉在线识别水电站电缆桥架形变的方法 | |
CN117928386B (zh) | 一种便携式双目接触网几何参数检测系统及方法 | |
CN113516081A (zh) | 一种通过深度学习图像识别技术实现虚拟水尺识别水位的方法 | |
CN114170400A (zh) | 基于三维点云的液压支架群空间直线度测量与调整方法 | |
CN111724340A (zh) | 农田地头边界线视觉检测方法及系统 | |
CN116309606B (zh) | 一种基于机器视觉的钢筋弯曲角度校准方法及系统 | |
CN115597513B (zh) | 云台相机动态组网的隧道变形测量系统、方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |