CN114494304A - 一种智能的干洗车厢内部物料快速疏导方法 - Google Patents

一种智能的干洗车厢内部物料快速疏导方法 Download PDF

Info

Publication number
CN114494304A
CN114494304A CN202210401083.XA CN202210401083A CN114494304A CN 114494304 A CN114494304 A CN 114494304A CN 202210401083 A CN202210401083 A CN 202210401083A CN 114494304 A CN114494304 A CN 114494304A
Authority
CN
China
Prior art keywords
gray
connected domain
garbage
pixel points
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.)
Granted
Application number
CN202210401083.XA
Other languages
English (en)
Other versions
CN114494304B (zh
Inventor
焦兴健
宋媛媛
宋宁宁
张宝生
崔红光
祝玉鲁
田国政
孟庆辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Shiweipu Environmental Protection Technology Co ltd
Original Assignee
Shandong Shiweipu Environmental Protection Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Shiweipu Environmental Protection Technology Co ltd filed Critical Shandong Shiweipu Environmental Protection Technology Co ltd
Priority to CN202210401083.XA priority Critical patent/CN114494304B/zh
Publication of CN114494304A publication Critical patent/CN114494304A/zh
Application granted granted Critical
Publication of CN114494304B publication Critical patent/CN114494304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及人工智能技术领域，具体涉及一种智能的干洗车厢内部物料快速疏导方法，通过获取干洗车路径上的道路的灰度图像，计算出每个像素点的灰度波动程度，根据波动程度对像素点的灰度值进行加权操作，得到道路灰度图像中的垃圾像素点，阈值分割后得到所有垃圾像素点的连通域，根据连通域内像素点的灰度值和灰度均值得到该连通域内像素点的灰度相似性，将灰度相似性小于阈值的连通域进行标记，根据梯度幅值对标记连通域进行分割为多个子连通域，根据相邻两子连通域的梯度变化得到关联程度并进行子连通域进行合并，根据垃圾连通域的数量和面积对干洗车厢内部压缩装置进行的时间和功率控制，方法提高了箱体利用率又节约了资源。

Description

一种智能的干洗车厢内部物料快速疏导方法
技术领域
本申请涉及人工智能领域，具体涉及一种智能的干洗车厢内部物料快速疏导方法。
背景技术
道路清扫车是集路面清扫、垃圾回收和运输为一体的新型高效清扫设备。简单的说就是在专用汽车底盘上改装道路清扫功能的扫地车型，车辆除底盘发动机外，另外加装一个副发动机，四把扫刷由液压马达带动工作，带风机、垃圾箱、水箱等多种配套设备。这种全新的车型可一次完成地面清扫、马路道牙边清扫、马路道牙清洗及清扫后对地面的洒水等工作，适用于各种气候和不同干燥路面的清扫作业。对于其中的道路干洗车类型，车辆通常会采用吸尘器的方式对路面上的灰尘杂物进行吸收，从而保持路面的整洁。
路面干洗车主要对路面上的灰尘杂物进行吸收，包括灰尘、树叶、碎纸屑、塑料袋、石子等各种路面垃圾，对于这些垃圾的收取，主要是通过吸尘器源源不断的进行吸取，最终输送至车身自带的垃圾箱中，这样在垃圾箱的进料口处，隔一段时间就会堆积大量的垃圾，导致后续垃圾清理的效率较低，而车身所带垃圾箱还存在大量可用空间，导致车身自带箱体的利用率低，进而导致干洗车辆的工作强度增加，同时造成资源的浪费。
发明内容
本发明提供一种智能的干洗车厢内部物料快速疏导方法，解决干洗车厢内部物料无法及时疏导的问题，采用如下技术方案：
获取干洗车路径上的道路的灰度图像，选取灰度图像中频数最大的灰度值作为背景灰度值；
利用滑窗计算出灰度图像中每个像素点的灰度波动程度；
根据每个像素点的波动程度对灰度图像中原像素点的灰度值进行加权操作，得到灰度差异增强的道路灰度图像；
对灰度差异增强的道路灰度图像进行阈值分割得到垃圾像素点；
获取灰度差异增强的道路灰度图像中垃圾像素点的连通域，将连通域与道路灰度原图进行掩膜操作，得到道路灰度原图中的垃圾灰度图像；
根据垃圾灰度图像中每个连通域内像素点的灰度值和灰度值均值计算出该连通域内像素点的灰度相似性，将灰度相似性小于阈值的连通域进行标记；
获取标记连通域中像素点的梯度幅值和梯度方向，使用基于梯度幅值的区域生长法将标记的连通域进行分割为多个子连通域；
根据每个子连通域中每个像素点的梯度方向得到每个子连通域的梯度变化的主方向；
根据相邻两子连通域的梯度变化的主方向得到相邻两子连通域的关联程度，将关联程度大于阈值的相邻两子连通域进行合并，得到标记连通域中的每个垃圾的连通域；
根据垃圾灰度图像中所有垃圾连通域的数量和面积对干洗车厢内部压缩装置的时间和功率进行控制。
所述每个像素点的灰度波动程度的获取方法如下：
以像素点为中心，建立
Figure 100002_DEST_PATH_IMAGE001
大小的滑窗进行滑动遍历灰度图像所有像素点；
得到每个像素点的灰度波动程度
Figure 100002_DEST_PATH_IMAGE002
，计算方法为：
Figure 314785DEST_PATH_IMAGE003
式中，
Figure 100002_DEST_PATH_IMAGE004
为滑窗中第
Figure 418876DEST_PATH_IMAGE004
个像素点，
Figure 100002_DEST_PATH_IMAGE005
为滑窗中第
Figure 339559DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 100002_DEST_PATH_IMAGE006
为滑窗中所有像素点灰度值均值。
所述对灰度图像中原像素点的灰度值进行加权操作的方法为：
Figure 100002_DEST_PATH_IMAGE007
式中，
Figure 100002_DEST_PATH_IMAGE008
为原像素点加权后的灰度值，当
Figure 859402DEST_PATH_IMAGE008
≥255时，其值修改为255，
Figure 100002_DEST_PATH_IMAGE009
为背景灰度值，
Figure 657463DEST_PATH_IMAGE005
为原像素点原本的灰度值。
所述连通域内像素点的灰度相似性计算方法为：
Figure 100002_DEST_PATH_IMAGE010
式中，
Figure 100002_DEST_PATH_IMAGE011
为连通域的灰度相似性，
Figure 100002_DEST_PATH_IMAGE012
为连通域中像素点的个数，
Figure 100002_DEST_PATH_IMAGE013
为连通域中第
Figure 73400DEST_PATH_IMAGE005
个灰度值的频数，
Figure 100002_DEST_PATH_IMAGE014
为连通域中第
Figure 278117DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 929547DEST_PATH_IMAGE006
为连通域中像素点的灰度值均值。
所述每个子连通域的梯度变化的主方向获取方法为：
Figure 100002_DEST_PATH_IMAGE015
式中，
Figure 100002_DEST_PATH_IMAGE016
为子连通域的梯度变化的主方向向量，
Figure 100002_DEST_PATH_IMAGE017
为子连通域中每个像素点的梯度方向向量，
Figure 100002_DEST_PATH_IMAGE018
为子连通域中所有像素点的梯度方向向量之和，
Figure 100002_DEST_PATH_IMAGE019
为子连通域中的像素点数量。
所述相邻两子连通域的关联程度的获取方法为：
计算两个相邻子连通域的梯度变化的主方向向量之间的余弦相似度，将余弦相似度作为相邻子连通域的关联程度。
所述对干洗车厢内部压缩装置的时间和功率进行控制的方法如下：
设置压缩装置的启动时间：
Figure 100002_DEST_PATH_IMAGE020
式中，
Figure 100002_DEST_PATH_IMAGE021
为压缩装置的启动时间，
Figure 100002_DEST_PATH_IMAGE022
为图像中的垃圾连通域个数，
Figure 100002_DEST_PATH_IMAGE023
为第
Figure 582114DEST_PATH_IMAGE005
个垃圾连通域的面积，
Figure 44319DEST_PATH_IMAGE017
为干洗车的运行速度；
设置垃圾总面积阈值
Figure 100002_DEST_PATH_IMAGE024
，当干洗车厢内第
Figure 100002_DEST_PATH_IMAGE025
时刻的垃圾总面积达到
Figure 454441DEST_PATH_IMAGE024
时，干洗车厢体内物料在进料口大量堆积，此时启动压缩装置，对物料进行压缩；
设置压缩装置功率：
Figure 100002_DEST_PATH_IMAGE026
式中，
Figure 100002_DEST_PATH_IMAGE027
为当前时刻的压缩功率，
Figure 100002_DEST_PATH_IMAGE028
为正常情况下的压缩功率，
Figure DEST_PATH_IMAGE029
为垃圾总数量。
本发明的有益效果是：
通过获取干洗车路径上的道路的灰度图像，计算出灰度图像中每个像素点的灰度波动程度，根据每个像素点的波动程度对灰度图像中原像素点的灰度值进行加权操作，得到加权后的道路灰度图像，将加权后的道路灰度图像中灰度值大于背景灰度值的像素点作为垃圾像素点，进一步进行阈值分割，得到所有垃圾像素点的连通域，计算出该连通域内像素点的灰度相似性，将灰度相似性小于阈值的连通域进行标记，对标记连通域中像素点的梯度幅值和梯度方向，使用基于梯度幅值的区域生长法对标记连通域进行分割为多个子连通域，根据相邻两子连通域的梯度变化的主方向得到相邻两子连通域的关联程度，进行合并，得到灰度图像中的每个垃圾的连通域，根据图像中每个垃圾连通域对干洗车厢内部压缩装置进行控制，既避免了物料堆积堵塞入口，提高了箱体利用率又合理调整干洗车功率，节约了资源。
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，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种智能的干洗车厢内部物料快速疏导方法的流程示意图；
图2是本发明的一种智能的干洗车厢内部物料快速疏导方法的城市道路垃圾示意图；
图3是本发明的一种智能的干洗车厢内部物料快速疏导方法的梯度方向示意图。
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。
本发明的一种智能的干洗车厢内部物料快速疏导方法的实施例，如图1所示，包括：
步骤一：获取干洗车路径上的道路的灰度图像，选取灰度图像中频数最大的灰度值作为背景灰度值；
该步骤的目的是布置相机，采集道路图像，作为后续分析处理的基础。
本实施例的应用场景为清理城市道路垃圾的干洗车，其中，城市道路垃圾如图2所示。
本实施例在路面干洗车车头安装相机，相机采集待作业路面图像，对采集到的图像进行处理，计算待作业路面的脏污程度，通过路面脏污程度与垃圾分布情况控制干洗车自带垃圾箱体内压缩装置的功率，达到对不同脏污程度路段与不同分布类型的垃圾进行精确的压缩，达到箱体空间利用率最大化。
需要说明的是：
（1）摄像头的安装角度：
当道路清扫车作业时，摄像机在拍摄到垃圾物后需将信息反馈到上装系统控制器，继而调节执行机构工作功率，因此需保证该段时间内清扫车行走的距离不超过上装执行机构到垃圾物所在位置的水平距离，至少需保证：
Figure DEST_PATH_IMAGE030
其中，𝑎为摄像机与吸口的水平距离，
Figure 988190DEST_PATH_IMAGE031
为摄像机安装位置与视野起点之间的水平距离；
Figure DEST_PATH_IMAGE032
为道路清扫车的车速；t为识别垃圾及上装功率调节所需时间。
（2）摄像头的安装位置：
需满足视野起始点处的视角宽度不小于作业宽度，则需满足下列关系式：
Figure DEST_PATH_IMAGE033
其中，
Figure DEST_PATH_IMAGE034
为摄像机安装位置与视野起点之间的水平距离；
Figure DEST_PATH_IMAGE035
为摄像机的安装高度；
Figure DEST_PATH_IMAGE036
为摄像机水平视场角，水平视场角与摄像机焦距有关，经验值为为 37°；
Figure DEST_PATH_IMAGE037
为清扫车的作业宽度。
至此，通过布置相机，调节干洗车相机安装角度与干洗车的运行速度，对待作业路面进行图像采集，并将获取的图像转换为灰度图像。
其中，灰度图中的背景灰度值的获取方法为：
由于道路路面表面平滑，且垃圾覆盖面积远远小于道路面积，故所属道路的像素点数量多，且所属道路的像素点灰度值相近，故建立灰度直方图，计算每个灰度值的频率，即：
Figure DEST_PATH_IMAGE038
式中
Figure DEST_PATH_IMAGE039
表示第
Figure 26422DEST_PATH_IMAGE005
个灰度值出现的频率，
Figure DEST_PATH_IMAGE040
表示第
Figure 643217DEST_PATH_IMAGE005
个灰度值对应像素点出现的频数，
Figure DEST_PATH_IMAGE041
表示图像像素点的总个数，选取频率最大的灰度值作为背景灰度值
Figure 822526DEST_PATH_IMAGE009
。
步骤二：利用滑窗计算出灰度图像中每个像素点的灰度波动程度；根据每个像素点的波动程度对灰度图像中原像素点的灰度值进行加权操作，得到灰度差异增强的道路灰度图像；
该步骤的目的是，分析像素点的灰度与背景灰度值的差异，并进一步通过加权操作增强背景灰度值与目标灰度值的区别。
需要说明的是，由于垃圾的类型不同，垃圾的灰度值也不同，即存在灰度值大于或小于背景灰度值的垃圾，也存在灰度值与背景灰度值相似的垃圾，故仅通过灰度信息对垃圾进行分割会导致分割结果不准确。通过分析可知，道路为相对光滑的平面，而垃圾掉落在道路表面，故存在垃圾的地方由于空间透视关系会存在灰度差，即存在较大的灰度波动。故计算像素点的波动程度。
其中，像素点的波动程度计算方法为：
以一像素点为中心点，建立划窗，划窗大小为
Figure 815759DEST_PATH_IMAGE001
，
Figure 662492DEST_PATH_IMAGE022
经验值取
Figure 466500DEST_PATH_IMAGE022
=3，计算划窗中像素点的灰度波动程度，即：
Figure 664263DEST_PATH_IMAGE003
式中，
Figure 461187DEST_PATH_IMAGE002
表示灰度图中像素点的波动程度，
Figure 224743DEST_PATH_IMAGE022
表示划窗边长，
Figure 465232DEST_PATH_IMAGE005
表示划窗中第
Figure 87974DEST_PATH_IMAGE004
个像素点的灰度值。划窗中像素点灰度波动越大，即该划窗中心像素点更有可能为垃圾所属像素点。
其中，利用像素点的灰度波动程度对灰度图像中原像素点的灰度值进行加权操作的方法为：
Figure 236059DEST_PATH_IMAGE007
式中,I表示加权后的灰度值，当I≥255时，其值修改为255，
Figure 306652DEST_PATH_IMAGE009
表示背景灰度值，
Figure 718042DEST_PATH_IMAGE005
表示像素点原本灰度值，通过加权，增强了像素点的灰度差异，增大背景与目标的区别，得到灰度增强的道路灰度图像。
步骤三：对灰度差异增强的道路灰度图像进行阈值分割得到垃圾像素点；获取灰度差异增强的道路灰度图像中垃圾像素点的连通域，将连通域与道路灰度原图进行掩膜操作，得到道路灰度原图中的垃圾灰度图像；
该步骤的目的是，通过增大背景与目标差异后的道路灰度图像得到所有垃圾的连通域，得到原图中对应的垃圾灰度图像。
其中，垃圾像素点获取方法为：
采用最大类间方差法对灰度差异增强的道路灰度图像进行分割，得到灰度差异增强的道路灰度图像中的垃圾像素点。
其中，道路灰度原图中的垃圾灰度图像获取方法为：
将分割后得到的垃圾像素点的连通域与道路灰度图原图进行掩膜操作，得到道路灰度原图中对应的垃圾灰度图像。
步骤四：根据垃圾灰度图像中每个连通域内像素点的灰度值和灰度值均值计算出该连通域内像素点的灰度相似性，将灰度相似性小于阈值的连通域进行标记；
该步骤的目的是，对同一个连通域中的垃圾像素点的灰度进行分析，若灰度相似程度高则该连通域内可能是一个垃圾，没有混合其他垃圾，若灰度像素程度低，则该连通域可能混合其他垃圾。
其中，连通域内像素点的灰度相似性计算方法为：
Figure 624818DEST_PATH_IMAGE010
式中，
Figure 514276DEST_PATH_IMAGE011
为连通域的灰度相似性，
Figure 704955DEST_PATH_IMAGE012
为连通域中像素点的个数，
Figure 21667DEST_PATH_IMAGE013
为连通域中第
Figure 415739DEST_PATH_IMAGE005
个灰度值的频数，
Figure 108889DEST_PATH_IMAGE014
为连通域中第
Figure 888495DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 641687DEST_PATH_IMAGE006
为连通域中像素点的灰度值均值。
需要说明的是，对于一个连通域，其内部灰度相似性越高，则说明该连通域中为同一垃圾的概率越大，灰度相似性越差，说明该连通域越有可能为多个垃圾堆叠在一起。
其中，标记连通域的获得方法为：
设置连通域的灰度相似性
Figure 523055DEST_PATH_IMAGE011
经验值为
Figure DEST_PATH_IMAGE042
，当连通域的灰度相似性
Figure 738005DEST_PATH_IMAGE011
的值小于等于0.6时，对此类连通域进行标记，可得到垃圾灰度图像中的标记连通域。
步骤五：获取标记连通域中像素点的梯度幅值和梯度方向，使用基于梯度幅值的区域生长法将标记的连通域进行分割为多个子连通域；
该步骤的目的是，对可能存在多个垃圾的连通域进行分析，因为对于同一个连通域，可能存在多个垃圾，当垃圾堆叠在一起时分割出的连通域为一个，但其真实垃圾类型为不同类型的垃圾，故仅通过连通域进行后续控制会导致控制效果不佳，故需对连通域进行分析。
其中，连通域像素点的梯度方向与幅值获取方法为：
利用sobel算子计算标记连通域中所有像素点
Figure DEST_PATH_IMAGE043
，
Figure DEST_PATH_IMAGE044
方向的梯度
Figure DEST_PATH_IMAGE045
，则像素点的梯度幅值
Figure DEST_PATH_IMAGE046
，获取整个标记连通域中所以像素点的梯度幅值与梯度方向。其对应的梯度方向为
Figure DEST_PATH_IMAGE047
，如图3所示。
其中，子连通域的获取方法为：
根据梯度幅值对标记连通域再次进行分割：设定梯度幅值阈值，经验值
Figure DEST_PATH_IMAGE048
，当梯度幅值大于20时，对此类像素点进行标记；采用基于梯度幅值的区域生长法进行分割，将标记连通域分割为多个子连通域。
步骤六：根据每个子连通域中每个像素点的梯度方向得到每个子连通域的梯度变化的主方向；根据相邻两子连通域的梯度变化的主方向得到相邻两子连通域的关联程度，将关联程度大于阈值的相邻两子连通域进行合并，得到标记连通域中的每个垃圾的连通域；
该步骤的目的是，计算相邻子连通域的梯度方向相似性。
需要说明的是，对于同一个垃圾而言，即使自身灰度值存在差异，但由于其位姿大致相同，故相邻的区域梯度方向相似，而不同的垃圾由于位姿与灰度均不同，则相邻（重叠或遮挡）区域的梯度方向相似性差，故计算相邻区域的方向梯度相似性，若相似则说明此二区域关联程度高，将其合并为一个区域，继续计算合并后区域与其相邻区域的相似性，直至不符合关联程度时停止。
其中，每个子连通域的梯度变化的主方向获取方法为：
Figure 247484DEST_PATH_IMAGE015
式中，
Figure 905998DEST_PATH_IMAGE016
为子连通域的梯度变化的主方向向量，
Figure 523930DEST_PATH_IMAGE017
为子连通域中每个像素点的梯度方向向量，
Figure 558882DEST_PATH_IMAGE018
为子连通域中所有像素点的梯度方向向量之和，
Figure 329392DEST_PATH_IMAGE019
为子连通域中的像素点数量。
其中，关联程度计算方法为：
Figure DEST_PATH_IMAGE049
式中，
Figure DEST_PATH_IMAGE050
为两相邻子连通域之间的关联程度，通过两个子连通域的梯度变化主方向向量之间的余弦相似度表示，
Figure DEST_PATH_IMAGE051
、
Figure DEST_PATH_IMAGE052
表示标记连通域中相邻两子连通域的梯度变化主方向向量，当关联程度
Figure 283442DEST_PATH_IMAGE050
的值大于等于0.7时，合并子连通域。
通过合并操作，得到标记连通域中的每个垃圾的连通域。
步骤七：根据垃圾灰度图像中所有垃圾连通域的数量和面积对干洗车厢内部压缩装置的时间和功率进行控制。
该步骤的目的是，根据道路图像中的垃圾数量和面积对压缩装置进行控制，通过控制压缩装置的压缩功率与压缩时间达到最佳压缩效果。
其中，垃圾灰度图像中所有垃圾连通域包括：
垃圾灰度图像中未标记的垃圾连通域和垃圾灰度图像中标记的连通域经过分割（步骤五）、合并（步骤六）后得到的垃圾连通域。
其中，控制压缩装置的压缩时间与压缩功率的方法如下：
（1）设置压缩装置启停时间：
Figure DEST_PATH_IMAGE053
式中，
Figure 857511DEST_PATH_IMAGE021
表示压缩装置的启动时间，
Figure 696154DEST_PATH_IMAGE022
表示图像中垃圾连通域个数，
Figure 55592DEST_PATH_IMAGE023
表示第
Figure 305176DEST_PATH_IMAGE005
个垃圾的面积，
Figure 382854DEST_PATH_IMAGE017
表示干洗车运行速度，当干洗车厢内第
Figure 25187DEST_PATH_IMAGE025
时刻的垃圾总面积达到
Figure 504710DEST_PATH_IMAGE024
时，
Figure 738246DEST_PATH_IMAGE024
经验值取
Figure 755749DEST_PATH_IMAGE024
=800,即垃圾像素点的总个数为800时，此时判定干洗车厢体内物料在进料口大量堆积，此时启动压缩装置，对物料进行压缩。
因为，道路图像脏污程度越高，且图像中大块垃圾越多，说明进料口发生堵塞的概率越大，隔一段时间就会堆积大量的垃圾，此时需要对吸入的垃圾进行压缩，在干洗车厢体内安装压缩装置，通过脏污程度控制压缩强度与压缩装置启停时间。
（2）设置压缩装置功率：
压缩功率随大块垃圾的数量增加而增大，大块垃圾进入箱体后，容易与其他物料堆叠形成大量空隙，占用箱体更多的空间，故通过压缩时可以压缩跟多的空间，由于堆叠受力强度增加，故需要的压缩强度大，压缩功率为：
Figure DEST_PATH_IMAGE054
式中,
Figure 201774DEST_PATH_IMAGE027
表示当前时刻压缩功率，
Figure 535803DEST_PATH_IMAGE028
正常情况下的压缩功率，压缩装置的经验压缩功率为
Figure DEST_PATH_IMAGE055
，n表示大块垃圾的数量，
Figure 861611DEST_PATH_IMAGE029
表示一段时刻内垃圾总数量。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种智能的干洗车厢内部物料快速疏导方法，其特征在于，包括：
获取干洗车路径上的道路的灰度图像，选取灰度图像中频数最大的灰度值作为背景灰度值；
利用滑窗计算出灰度图像中每个像素点的灰度波动程度；
根据每个像素点的波动程度对灰度图像中原像素点的灰度值进行加权操作，得到灰度差异增强的道路灰度图像；
对灰度差异增强的道路灰度图像进行阈值分割得到垃圾像素点；
获取灰度差异增强的道路灰度图像中垃圾像素点的连通域，将连通域与道路灰度原图进行掩膜操作，得到道路灰度原图中的垃圾灰度图像；
根据垃圾灰度图像中每个连通域内像素点的灰度值和灰度值均值计算出该连通域内像素点的灰度相似性，将灰度相似性小于阈值的连通域进行标记；
获取标记连通域中像素点的梯度幅值和梯度方向，使用基于梯度幅值的区域生长法将标记的连通域进行分割为多个子连通域；
根据每个子连通域中每个像素点的梯度方向得到每个子连通域的梯度变化的主方向；
根据相邻两子连通域的梯度变化的主方向得到相邻两子连通域的关联程度，将关联程度大于阈值的相邻两子连通域进行合并，得到标记连通域中的每个垃圾的连通域；
根据垃圾灰度图像中所有垃圾连通域的数量和面积对干洗车厢内部压缩装置的时间和功率进行控制。
2.根据权利要求1所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述每个像素点的灰度波动程度的获取方法如下：
以像素点为中心，建立
Figure DEST_PATH_IMAGE001
大小的滑窗进行滑动遍历灰度图像所有像素点；
得到每个像素点的灰度波动程度
Figure DEST_PATH_IMAGE002
，计算方法为：
Figure 427782DEST_PATH_IMAGE003
式中，
Figure DEST_PATH_IMAGE004
为滑窗中第
Figure 615180DEST_PATH_IMAGE004
个像素点，
Figure DEST_PATH_IMAGE005
为滑窗中第
Figure 787405DEST_PATH_IMAGE004
个像素点的灰度值，
Figure DEST_PATH_IMAGE006
为滑窗中所有像素点灰度值均值。
3.根据权利要求2所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述对灰度图像中原像素点的灰度值进行加权操作的方法为：
Figure DEST_PATH_IMAGE007
式中，
Figure DEST_PATH_IMAGE008
为原像素点加权后的灰度值，当
Figure 221797DEST_PATH_IMAGE008
≥255时，其值修改为255，
Figure DEST_PATH_IMAGE009
为背景灰度值，
Figure 785197DEST_PATH_IMAGE005
为原像素点原本的灰度值。
4.根据权利要求1所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述连通域内像素点的灰度相似性计算方法为：
Figure DEST_PATH_IMAGE010
式中，
Figure DEST_PATH_IMAGE011
为连通域的灰度相似性，
Figure DEST_PATH_IMAGE012
为连通域中像素点的个数，
Figure DEST_PATH_IMAGE013
为连通域中第
Figure 432079DEST_PATH_IMAGE005
个灰度值的频数，
Figure DEST_PATH_IMAGE014
为连通域中第
Figure 209542DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 955781DEST_PATH_IMAGE006
为连通域中像素点的灰度值均值。
5.根据权利要求1所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述每个子连通域的梯度变化的主方向获取方法为：
Figure DEST_PATH_IMAGE015
式中，
Figure DEST_PATH_IMAGE016
为子连通域的梯度变化的主方向向量，
Figure DEST_PATH_IMAGE017
为子连通域中每个像素点的梯度方向向量，
Figure DEST_PATH_IMAGE018
为子连通域中所有像素点的梯度方向向量之和，
Figure DEST_PATH_IMAGE019
为子连通域中的像素点数量。
6.根据权利要求5所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述相邻两子连通域的关联程度的获取方法为：
计算两个相邻子连通域的梯度变化的主方向向量之间的余弦相似度，将余弦相似度作为两相邻子连通域的关联程度。
7.根据权利要求1所述的一种智能的干洗车厢内部物料快速疏导方法，其特征在于，所述对干洗车厢内部压缩装置的时间和功率进行控制的方法如下：
设置压缩装置的启动时间：
Figure DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
为压缩装置的启动时间，
Figure DEST_PATH_IMAGE022
为图像中的垃圾连通域个数，
Figure DEST_PATH_IMAGE023
为第
Figure 847878DEST_PATH_IMAGE005
个垃圾连通域的面积，
Figure 688663DEST_PATH_IMAGE017
为干洗车的运行速度；
设置垃圾总面积阈值
Figure DEST_PATH_IMAGE024
,当干洗车厢内第
Figure DEST_PATH_IMAGE025
时刻的垃圾总面积达到
Figure 789475DEST_PATH_IMAGE024
时，干洗车厢体内物料在进料口大量堆积，此时启动压缩装置，对物料进行压缩；
设置压缩装置功率：
Figure DEST_PATH_IMAGE026
式中，
Figure DEST_PATH_IMAGE027
为当前时刻的压缩功率，
Figure DEST_PATH_IMAGE028
为正常情况下的压缩功率，N为垃圾总数量。
CN202210401083.XA 2022-04-18 2022-04-18 一种智能的干洗车厢内部物料快速疏导方法 Active CN114494304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210401083.XA CN114494304B (zh) 2022-04-18 2022-04-18 一种智能的干洗车厢内部物料快速疏导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210401083.XA CN114494304B (zh) 2022-04-18 2022-04-18 一种智能的干洗车厢内部物料快速疏导方法

Publications (2)

Publication Number Publication Date
CN114494304A true CN114494304A (zh) 2022-05-13
CN114494304B CN114494304B (zh) 2022-07-01

Family

ID=81489364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210401083.XA Active CN114494304B (zh) 2022-04-18 2022-04-18 一种智能的干洗车厢内部物料快速疏导方法

Country Status (1)

Country Link
CN (1) CN114494304B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272376A (zh) * 2022-09-27 2022-11-01 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN115601670A (zh) * 2022-12-12 2023-01-13 合肥恒宝天择智能科技有限公司（Cn） 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871639A (zh) * 2019-03-07 2019-06-11 吉林大学 一种基于视觉感知技术的清扫车作业功率计算装置及方法
CN110172941A (zh) * 2019-06-14 2019-08-27 莆田市烛火信息技术有限公司 一种智慧城市道路环卫系统
DE102020002799A1 (de) * 2020-05-11 2020-08-13 Daimler Ag Verfahren und Vorrichtung zur automatischen Ermittlung von Positionen von neben der Fahrbahn abgestellter Abfallbehälter
CN111767822A (zh) * 2020-06-23 2020-10-13 浙江大华技术股份有限公司 垃圾检测方法以及相关设备、装置
CN114359416A (zh) * 2022-03-17 2022-04-15 山东水利建设集团有限公司 一种建筑物外墙空鼓渗漏异常检测及定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871639A (zh) * 2019-03-07 2019-06-11 吉林大学 一种基于视觉感知技术的清扫车作业功率计算装置及方法
CN110172941A (zh) * 2019-06-14 2019-08-27 莆田市烛火信息技术有限公司 一种智慧城市道路环卫系统
DE102020002799A1 (de) * 2020-05-11 2020-08-13 Daimler Ag Verfahren und Vorrichtung zur automatischen Ermittlung von Positionen von neben der Fahrbahn abgestellter Abfallbehälter
CN111767822A (zh) * 2020-06-23 2020-10-13 浙江大华技术股份有限公司 垃圾检测方法以及相关设备、装置
CN114359416A (zh) * 2022-03-17 2022-04-15 山东水利建设集团有限公司 一种建筑物外墙空鼓渗漏异常检测及定位方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272376A (zh) * 2022-09-27 2022-11-01 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN115272376B (zh) * 2022-09-27 2022-12-20 山东鑫科来信息技术有限公司 基于机器视觉的浮动打磨头控制方法
CN115601670A (zh) * 2022-12-12 2023-01-13 合肥恒宝天择智能科技有限公司（Cn） 基于人工智能和高分辨率遥感影像的松材线虫病监测方法
CN115601670B (zh) * 2022-12-12 2023-03-24 合肥恒宝天择智能科技有限公司 基于人工智能和高分辨率遥感影像的松材线虫病监测方法

Also Published As

Publication number Publication date
CN114494304B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114494304B (zh) 一种智能的干洗车厢内部物料快速疏导方法
CN109288455B (zh) 垃圾清扫方法及装置
CN113761970B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
CN104036262B (zh) 一种lpr车牌筛选识别的方法和系统
WO2020093767A1 (zh) 用于环卫作业的机器人的控制方法、装置以及机器人
CN101064011A (zh) 基于小波变换的复杂背景中的车牌提取方法
CN110287884A (zh) 一种辅助驾驶中压线检测方法
CN109858331A (zh) 自动驾驶清洁车垃圾识别清理方法
CN109800752A (zh) 一种基于机器视觉的汽车车牌字符分割识别算法
CN113822094B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
CN107610147A (zh) 一种废弃薄膜加筋风积沙地基处理方法
CN113822095B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
CN107729814A (zh) 一种检测车道线的方法及装置
CN113673274A (zh) 道路边界检测方法、装置、计算机设备和存储介质
CN1760888A (zh) 利用星载sar多时相图像识别地表变化的方法
Peel et al. Some aspects of road sweeping vehicle automation
CN111652033A (zh) 基于OpenCV的车道线检测方法
Min et al. Research on visual algorithm of road garbage based on intelligent control of road sweeper
CN111160153B (zh) 一种基于图像处理的路面排水监测评估方法及系统
CN110889342B (zh) 一种减速带的识别方法
CN110476599B (zh) 渔场水草自动清理系统的自动清理方法
CN103996028A (zh) 一种车辆行为识别方法
WO2021184665A1 (zh) 自动工作系统、自动行走设备及其控制方法及计算机可读存储介质
US20240013548A1 (en) Obstacle recognition method, apparatus, and device, medium and weeding robot
Wang et al. Detection of lane lines on both sides of road based on monocular camera

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