CN114782479A - 一种工业设备状态监控管理方法 - Google Patents

一种工业设备状态监控管理方法 Download PDF

Info

Publication number
CN114782479A
CN114782479A CN202210689223.8A CN202210689223A CN114782479A CN 114782479 A CN114782479 A CN 114782479A CN 202210689223 A CN202210689223 A CN 202210689223A CN 114782479 A CN114782479 A CN 114782479A
Authority
CN
China
Prior art keywords
connected domain
target connected
target
value
monitoring
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
CN202210689223.8A
Other languages
English (en)
Other versions
CN114782479B (zh
Inventor
徐洁茹
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.)
Jiangsu Le'er Environmental Technology Co ltd
Original Assignee
Jiangsu Le'er Environmental 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 Jiangsu Le'er Environmental Technology Co ltd filed Critical Jiangsu Le'er Environmental Technology Co ltd
Priority to CN202210689223.8A priority Critical patent/CN114782479B/zh
Publication of CN114782479A publication Critical patent/CN114782479A/zh
Application granted granted Critical
Publication of CN114782479B publication Critical patent/CN114782479B/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
    • G06T7/187—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
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

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

Abstract

本发明涉及移动通信技术领域，提出了一种工业设备状态监控管理方法，包括：获取运输车停止后的监控图像；获取目标型号钢卷连通域；确定监控图像中的目标连通域，标记非目标连通域；得到每个非目标连通域的区域均匀度；若区域均匀度大于或等于设定的阈值，将像素点的灰度值调整为非目标连通域的灰度均值；否则，得到非目标连通域每行像素点调整后的灰度值；得到非目标连通域的编码数据；得到目标连通域中像素点的位置权重值；得到目标连通域的编码数据；将压缩后的监控图像发送到控制端；根据解压后监控图像中的目标连通域的位置对天车进行控制。本发明提高了生产效率，同时使得数据传输量小。

Description

一种工业设备状态监控管理方法
技术领域
本发明涉及移动通信技术领域，具体涉及一种工业设备状态监控管理方法。
背景技术
在工业化生产过程中，工业设备是生产企业运输材料的重要手段之一，而对于工业设备的控制管理是企业生产的关键。而在钢铁产业中，钢卷库区是钢铁生产流程的重要区域，是运输钢铁材料的的地点，而天车是库区最重要的运输钢卷的工业设备，用于进行出库、入库、倒垛的操作，因此，天车的智能控制是钢铁产业智能化生产的关键。
对于天车工业设备的控制，传统的天车控制方法是通过工作人员操纵控制杆完成的，这会造成工人劳动强度大、生产效率低，还会出现安全问题等。因此，为了减少成本，提高生产效率，实现天车的智能化控制，需要一种智能化的天车控制方法。
在钢铁工厂中，为了保障生产效率，以及对各类情况进行应急处理，往往会在工厂的重要区域加装监控摄像头。因此本案中通过监控数据对库区钢卷位置进行识别，然后实现天车的智能控制。然而，在监控视频的传输过程中，由于本身数据量大，且带宽问题，会产生数据丢失，数据大量冗余以及传输速度过慢等问题，在实现天车的智能控制中，造成天车的错误控制，降低生产效率，更严重的会造成生产事故。因此本发明通过采集钢卷库区的监控图像，根据目标连通域和非目标连通域图像的特征，通过对不同区域的图像结合不同的编码方法对监控图像进行动态编码，传输至控制端中，利用神经网络来实现天车的智能控制。
发明内容
本发明提供一种工业设备状态监控管理方法，以解决现有的效率低的问题。
本发明的一种工业设备状态监控管理方法，采用如下技术方案，包括：
获取运输车停止到指定位置后的监控图像；
对监控图像进行处理得到监控图像中的所有钢卷连通域，根据运输钢卷的型号获取所有钢卷连通域中的目标型号钢卷连通域；
通过监控图像中运输车的位置和每个目标型号钢卷连通域的中心点坐标以及目标型号钢卷的需求数量确定监控图像中所有钢卷连通域中的目标连通域，将监控图像中的其余钢卷连通域标记为非目标连通域；
通过每个非目标连通域中所有像素点的灰度值得到每个非目标连通域的区域均匀度；
若非目标连通域的区域均匀度大于或等于设定的均匀度阈值，将该非目标连通域中所有像素点的灰度值调整为该非目标连通域的灰度均值；否则，通过该非目标连通域每行像素点的最大灰度值和最小灰度值、该行像素点的灰度平均值、非目标连通域的灰度最大值和最小值得到监控图像中该非目标连通域每行像素点调整后的灰度值；
对监控图像中调整灰度值后的每个非目标连通域进行游程编码得到所有非目标连通域的编码数据；
通过每个目标连通域中心点的坐标和各像素点的坐标得到每个目标连通域中各像素点的位置权重值；
利用每个目标连通域中各像素点的位置权重值作为霍夫曼编码中像素值出现概率对监控图像中的目标连通域进行霍夫曼编码，得到目标连通域的编码数据；
利用所有非目标连通域和目标连通域的编码数据对监控图像进行压缩；并将压缩后的监控图像发送到控制端；
控制端对接收到的压缩后的监控图像进行解压，根据解压后监控图像中的目标连通域的位置对天车进行控制吊装目标钢卷到运输车上。
进一步的，所述的一种工业设备状态监控管理方法，利用每个目标连通域中各像素点的位置权重值作为霍夫曼编码中像素值出现概率对监控图像中的目标连通域进行霍夫曼编码的方法为：
将每个目标连通域中所有像素点的位置权重值中两个最小的位置权重值进行相加，得到新的位置权重值；
在得到新的位置权重值后的所有位置权重值中再一次选取两个最小的位置权重值进行相加，重复进行该步骤，得到霍夫曼编码树；
对霍夫曼编码树的所有节点进行编码，用“0”表示编码树每一层的左节点，用“1”表示编码树每一层的右节点，完成监控图像中每一个目标连通域的编码。
进一步的，所述的一种工业设备状态监控管理方法，得到目标连通域的编码数据后，还包括：
对监控图像中所有目标连通域和非目标连通域以外的区域进行游程编码。
进一步的，所述的一种工业设备状态监控管理方法，得到监控图像中运输车的位置的方法为：
利用连续帧监控图像两两做差确定运输车移动的最后一帧监控图像，通过最后一帧监控图像和其前一帧监控图像得到差异区域，对差异区域在运输车移动的最后一帧监控图像中的对应位置进行角点检测，得到运输车最后位置的角点；
对运输车最后位置的角点进行凸包检测，确定构成凸包的角点，通过构成凸包的角点的坐标得到运输车的位置。
进一步的，所述的一种工业设备状态监控管理方法，非目标连通域的区域均匀度的表达式为：
Figure DEST_PATH_IMAGE001
式中：
Figure 194561DEST_PATH_IMAGE002
表示第
Figure 521156DEST_PATH_IMAGE003
个非目标连通域的区域均匀度，
Figure 628789DEST_PATH_IMAGE004
表示第
Figure 102627DEST_PATH_IMAGE003
个非目标连通域中第
Figure 759742DEST_PATH_IMAGE004
个像素点，
Figure 926412DEST_PATH_IMAGE005
表示第
Figure 521342DEST_PATH_IMAGE003
个非目标连通域的像素点数量，
Figure 565915DEST_PATH_IMAGE006
表示第
Figure 313422DEST_PATH_IMAGE003
个非目标连通域中第
Figure 634682DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 966175DEST_PATH_IMAGE007
表示第
Figure 31083DEST_PATH_IMAGE003
个非目标连通域的灰度均值。
进一步的，所述的一种工业设备状态监控管理方法，非目标连通域每行像素点调整后的灰度值的表达式为：
Figure 367517DEST_PATH_IMAGE008
式中：
Figure DEST_PATH_IMAGE009
表示非目标连通域中第
Figure 717070DEST_PATH_IMAGE010
行像素点调整后的灰度值，
Figure 37324DEST_PATH_IMAGE011
表示第
Figure 640344DEST_PATH_IMAGE003
个非目标连通域中第
Figure 392137DEST_PATH_IMAGE010
行像素点的灰度最大值，
Figure 805932DEST_PATH_IMAGE012
表示第
Figure 114947DEST_PATH_IMAGE003
个非目标连通域中第
Figure 521657DEST_PATH_IMAGE010
行像素点的灰度最小值，
Figure 832684DEST_PATH_IMAGE013
表示第
Figure 932227DEST_PATH_IMAGE003
个非目标连通域中第
Figure 194450DEST_PATH_IMAGE010
行像素点的灰度平均值，
Figure 404851DEST_PATH_IMAGE014
表示第
Figure 835964DEST_PATH_IMAGE003
个非目标连通域中的灰度最大值，
Figure 358606DEST_PATH_IMAGE015
表示第
Figure 390015DEST_PATH_IMAGE003
个非目标连通域中的灰度最小值。
进一步的，所述的一种工业设备状态监控管理方法，目标连通域中各像素点的位置权重值的表达式为：
Figure 889261DEST_PATH_IMAGE016
式中：
Figure 938994DEST_PATH_IMAGE017
表示第
Figure 645919DEST_PATH_IMAGE018
个目标连通域中第
Figure 649778DEST_PATH_IMAGE019
个像素点的位置权重值，
Figure 454180DEST_PATH_IMAGE020
表示第
Figure 577994DEST_PATH_IMAGE018
个目标连通域中第
Figure 940973DEST_PATH_IMAGE019
个像素点的坐标，
Figure 681396DEST_PATH_IMAGE021
表示第
Figure 286558DEST_PATH_IMAGE018
个目标连通域的中心点坐标。
本发明的有益效果是：本发明将钢卷连通域划分为目标连通域和非目标连通域，根据非目标连通域的区域均匀度的大小对像素点的灰度值进行调整，对调整灰度值的非目标连通域进行游程编码；同时计算目标连通域中每个像素点的位置权重值，利用目标连通域像素点的位置权重值，采用改进的霍夫曼编码方法对目标连通域进行编码，从而得到监控图像的编码数据，将该数据传输到控制端中实现对天车的控制。本发明对不同区域采用不同的编码方法，相对于现有技术，使得传输的数据量更小；相对于现有技术，本发明提高了生产效率，同时节省劳动力。
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为本发明的一种工业设备状态监控管理方法的实施例的流程示意图；
图2为目标型号钢卷区域及其边界点的示意图。
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。
实施例1
本发明的一种工业设备状态监控管理方法的实施例，如图1所示，包括：
本发明的主要目的是：利用图像分析技术对监控视频的图像集进行数字化编码，保证对应的目标连通域的图像不会失真，而对于非目标连通域图像传输更快，传输效率越高，并通过神经网络来实现钢铁库区的天车智能控制。
本发明的场景为：当运输车到达指定运卸点后，工作人员需要在手持端设备中输入需要运输的钢卷型号，并根据运输车与目标型号钢卷的位置区域，确定该区域内最近的钢卷位置，并在手持端中实时显示位置特征点。然后工作人员点击该位置，再将监控图像以及位置特征点传输至天车控制服务器中，实现天车的智能控制。
在本实施例中，需要在库区的特定位置设置监控摄像头，从而可以实时监控库区的情况，而对天车进行智能调控的数据集是库区监控视频。监控摄像的安装位置，需要能完整地检测到库区的钢卷运输情况。
在厂房天车的轨道下安装监控摄像头，使得可以完整地监控到钢卷所在位置和运输车位置。在运输钢卷之前，记录库区所有存放钢卷的位置,并还需要在天车的主车和小车上分别布置移动传感器，就可以获取天车的运动位置，方便接下来的运算。
本发明还需要构建工作人员手持端实时监控图像通讯设备，用于确定需要运输的特定型号的钢卷信息及位置。内容包括：数据库管理模块、监控图像传输模块、监控图像显示模块、天车智能控制分析模块。其中数据库管理模块的目的是用于存储、查询、调控各型号钢卷位置信息等，其中不同型号钢卷对应的位置区域信息在钢卷入库前已确定并储存在数据库中；监控图像传输模块的目的是用于监控图像数据；监控图像显示模块的目的是用于显示接收到的实时监控数据，以及目标型号钢卷的位置信息数据；天车智能控制分析模块用于将分析出来的需要运输的钢卷位置信息发送至天车控制服务器端中，用于智能控制天车。
依据钢卷运输流程，可以将监控图像集分为3部分：运输前图像、运输中图像、运输后图像。在运输前图像中，得到的多帧图像中钢卷位置没有发生变化，因此对此时的监控图像采用游程编码；当运输车到达指定运卸点后，工作人员需要在手持端设备中输入需要运输的钢卷型号，并根据运输车与目标型号钢卷的位置区域，确定该区域内最近的钢卷位置，并在手持端中实时显示位置特征点。然后工作人员点击该位置，再将监控图像以及位置特征点传输至天车控制服务器中；当前目标钢卷运输结束后，若还需要提取下一目标钢卷，则仍然是通过移动图像确定目标，对监控图像进行动态编码传输到天车控制服务器端；若不再运输钢卷，则天车回归至初始区域中。对于监控图像的划分，根据图像中运输车到达和运输车离开进行划分。
本实施例中采用动态编码方法对监控图像进行编码，结合监控图像中目标连通域和非目标连通域的图像特征提取重要区域，进行动态编码，相较于传统编码过程，并没有考虑图像的特征，比如霍夫曼编码过程中仅考虑灰度级的统计概率进行编码。接下来的步骤以运输中的图像动态编码过程进行说明，具体为：
在对天车进行智能控制的过程中，首先运输车到达停车区域，然后确定需要运输的钢卷的型号，并根据数据库中确定各个型号相对应的库区位置；然后结合钢卷的信息对监控图像数据进行处理；最后将监控图像数据传输至服务器终端中，进行解码，并结合天车的运动轨迹
Figure 281190DEST_PATH_IMAGE022
、运输车位置对天车进行智能调控。
101、获取运输车停止到指定位置后的监控图像。
由于运输车的位置是未知的，同时运输车所在区域在监控图像中相对于其他位置区域是运动的。因此，通过帧差法对连续帧图像进行计算确定运输车最后的移动位置。在运输车移动过程中，连续帧图像之间会存在差异，差异处即为运输车的移动位置区域；若运输车到达最后位置，则该帧图像之后的其他帧图像，就不会存在差异。
将连续帧的监控图像两两相减，得到第
Figure 533180DEST_PATH_IMAGE005
帧图像和第
Figure 735798DEST_PATH_IMAGE023
帧图像的差异区域，从而计算第
Figure 364226DEST_PATH_IMAGE005
帧图像和第
Figure 446320DEST_PATH_IMAGE023
帧图像的差异区域面积
Figure 885523DEST_PATH_IMAGE024
（差异区域面积为差异区域像素点个数
Figure 334959DEST_PATH_IMAGE025
），得到差异区域面积集合
Figure 284854DEST_PATH_IMAGE026
。考虑到误差的影响，设置差异区域面积阈值
Figure 254078DEST_PATH_IMAGE027
，若差异区域面积大于该阈值，则表明仍存在差异，继续下一帧差异区域面积计算；若小于该阈值，则表明该两帧图像并没有差异，表明运输车已到最终位置，则对应的当前帧图像即为运输车移动的最后一帧图像，即为运输车停止到指定位置后的监控图像。
通过上述步骤中获得的当前帧（运输车移动的最后一帧）图像和其前一帧图像计算得到差异区域图像，该差异区域为运输车移动的最后区域；对当前帧（运输车移动的最后一帧）图像的该差异区域进行角点检测，得到的角点即为运输车的最后位置。
对上一步得到的角点进行凸包检测，选取所有角点中最外围的角点构成凸包。对凸包进行计算，得到运输车的中心，运输车的中心计算表达式为：
Figure 644608DEST_PATH_IMAGE028
式中：
Figure 96187DEST_PATH_IMAGE029
分别表示凸包上的角点坐标，
Figure 613887DEST_PATH_IMAGE030
表示凸包上角点的个数，
Figure DEST_PATH_IMAGE031
表示运输车的中心点坐标。
102、对监控图像进行处理得到监控图像中的所有钢卷连通域，根据运输钢卷的型号获取所有钢卷连通域中的目标型号钢卷连通域。
通过工作人员的手持端通讯设备输入需要运输的钢卷的型号信息，根据数据库中不同型号钢卷对应的不同位置区域信息，确定目标型号在监控图像中的位置区域范围，本案中通过
Figure 532558DEST_PATH_IMAGE032
来记录目标型号钢卷区域的四个边界点，示意图如图2所示。
对监控图像进行加权平均灰度化处理，得到对应的灰度图。由于钢卷区域与周边环境区域存在明显的灰度差异，因此，根据
Figure 313563DEST_PATH_IMAGE033
阈值选取方法，对监控图像的灰度图进行阈值分割得到二值图。对二值图进行形态学开运算，依此可以得到每个钢卷连通域。通过目标型号钢卷在监控图像中的区域得到所有钢卷连通域中的目标型号钢卷连通域。
103、通过监控图像中运输车的位置和每个目标型号钢卷连通域的中心点坐标以及目标型号钢卷的需求数量确定监控图像中所有钢卷连通域中的目标连通域，将监控图像中的其余钢卷连通域标记为非目标连通域。
对目标型号钢卷连通域进行分析计算中心点坐标，得到每个连通域的中心点坐标。其中连通域分析为公知技术，在本实施例中不再赘述。
对所有目标型号钢卷连通域的中心点坐标进行分析计算，计算每个中心点和运输车中心点坐标
Figure 737591DEST_PATH_IMAGE034
之间的距离
Figure 291938DEST_PATH_IMAGE035
，得到距离序列
Figure 970175DEST_PATH_IMAGE036
,
Figure 436929DEST_PATH_IMAGE037
表示目标型号钢卷连通域的个数比较目标型号钢卷连通域对应的距离值的大小，根据目标型号钢卷的需求数量，从小到大选取目标型号钢卷连通域作为目标连通域，将监控图像中的其余钢卷连通域标记为非目标连通域。
根据上步骤确定得到的目标连通域即为天车抓取的目标，即为目标钢卷。确定天车目标所对应的连通域，与原图像进行覆盖，得到原图像的天车目标钢卷，将其亮度值调整为
Figure 600450DEST_PATH_IMAGE038
（其调整大小可以根据实施者具体设置，让其在手持端中明显表示即可）发送至工作人员手持端中，工作人员点击该点即可。
在天车运行过程中，需要能实时地监控目标钢卷区域（即目标连通域），并且传输到智能控制系统对天车进行控制，因此需要对该目标连通域进行无损传输。在图像动态压缩编码的过程中，需要对目标连通域无损保留细节，而对于非目标连通域可以减少细节，这样可以极大地减少数据的冗余，并且增加了压缩效率。对图像中非目标连通域采用游程编码的方式进行数据压缩，可以极大地减少数据冗余。
104、通过每个非目标连通域中所有像素点的灰度值得到每个非目标连通域的区域均匀度。
对于钢卷库区的监控灰度图像，存在区域均匀性，前述步骤对二值图进行形态学开运算，得到每个钢卷连通域，此处对得到的钢卷连通域与原图相乘，得到钢卷区域图像，由于已经确定出目标钢卷，故可以将钢卷区域（连通域）图像分为各个目标连通域和各个非目标连通域。
对于各个非目标连通域，统计每个非目标连通域的灰度值，以第
Figure 178062DEST_PATH_IMAGE003
个非目标连通域的灰度值为例，第
Figure 241964DEST_PATH_IMAGE003
个非目标连通域的灰度值为
Figure 863307DEST_PATH_IMAGE039
，计算该连通域的区域均匀度
Figure 996348DEST_PATH_IMAGE002
。在该连通域内，灰度值差异越小，区域均匀度越大。第
Figure 128383DEST_PATH_IMAGE003
个非目标连通域的区域均匀度
Figure 30480DEST_PATH_IMAGE002
的计算公式为：
Figure 102952DEST_PATH_IMAGE040
式中：
Figure 723290DEST_PATH_IMAGE004
表示第
Figure 659016DEST_PATH_IMAGE003
个非目标连通域中第
Figure 664887DEST_PATH_IMAGE004
个像素点，
Figure 909923DEST_PATH_IMAGE006
为第
Figure 299447DEST_PATH_IMAGE003
个非目标连通域中第
Figure 274750DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 417018DEST_PATH_IMAGE007
为第
Figure 583689DEST_PATH_IMAGE003
个非目标连通域的灰度均值，
Figure 427886DEST_PATH_IMAGE005
为该连通域的像素点数量。
105、若非目标连通域的区域均匀度大于或等于设定的均匀度阈值，将该非目标连通域中所有像素点的灰度值调整为该非目标连通域的灰度均值；否则，通过该非目标连通域每行像素点的最大灰度值和最小灰度值、该行像素点的灰度平均值、非目标连通域的灰度最大值和最小值得到监控图像中该非目标连通域每行像素点调整后的灰度值；
当区域均匀度越大时，表明该区域越均匀，在进行编码的时候需要调整的量就越小；均匀度越小，表明该区域越不均匀，在进行编码的时候需要调整的量就越大。设置均匀度阈值
Figure 954682DEST_PATH_IMAGE041
，若当前区域的区域均匀度大于或等于该阈值，可将该区域灰度值统一为该区域的灰度均值即可；若区域均匀度小于该阈值时，需要挨个对该区域的灰度值进行调整。
在区域均匀度小于均匀度阈值时，对区域灰度值进行调整具体为：通过计算非目标连通域中每一行的调整阈值，并计算该行中每个像素点与该行的调整阈值的差值得到调整大小。其中第
Figure 436610DEST_PATH_IMAGE010
行像素点的调整阈值
Figure 757870DEST_PATH_IMAGE009
的计算公式为：
Figure 92293DEST_PATH_IMAGE042
式中，
Figure 642354DEST_PATH_IMAGE011
和
Figure 493635DEST_PATH_IMAGE012
分别表示第
Figure 235064DEST_PATH_IMAGE003
个非目标连通域中第
Figure 539006DEST_PATH_IMAGE010
行像素点的灰度最大值和灰度最小值；
Figure 892758DEST_PATH_IMAGE013
是第
Figure 864125DEST_PATH_IMAGE010
行像素点的灰度平均值；
Figure 44964DEST_PATH_IMAGE014
和
Figure 586935DEST_PATH_IMAGE015
分别表示第
Figure 728067DEST_PATH_IMAGE003
个非目标连通域的灰度最大值和最小值。
根据第
Figure 803208DEST_PATH_IMAGE010
行像素点的调整阈值，将第
Figure 637172DEST_PATH_IMAGE010
行像素点的灰度值调整为
Figure 932018DEST_PATH_IMAGE009
。
通过上述相同方法，对第
Figure 648477DEST_PATH_IMAGE003
个非目标连通域其它行像素点的灰度值进行调整。
106、对监控图像中调整灰度值后的每个非目标连通域进行游程编码得到所有非目标连通域的编码数据。
对于非目标连通域，采用游程编码的方式进行编码。由于上述步骤已经将非目标连通域中每行像素点的灰度值调整为相同的值，因此，可以将该连通域中每一行压缩为两个字节的数。例如，图像中该连通域某一行像素点的灰度值为：
Figure 328857DEST_PATH_IMAGE043
该行共有50列数据，可以通过游程编码压缩为
Figure 520673DEST_PATH_IMAGE044
，该压缩将
Figure 302815DEST_PATH_IMAGE045
压缩为两个字节的数据。
107、通过每个目标连通域中心点的坐标和各像素点的坐标得到每个目标连通域中各像素点的位置权重值。
由先验知识可以得知钢卷图像是固定形状的图像，因此得到的目标连通域也为固定的图像。为了计算目标连通域各个像素点的位置权重值，以该目标连通域的中心点为中心（该中心设置权重值为最大，本实施例设置为位置权重值
Figure 100263DEST_PATH_IMAGE046
），计算该目标连通域内所有像素点距这个中心的欧式距离。像素点距离中心越近，位置权重越大；距离中心越远，位置权重越小。其中，位置权重值的计算公式为：
Figure 917041DEST_PATH_IMAGE047
式中：
Figure 342075DEST_PATH_IMAGE020
表示第
Figure 595202DEST_PATH_IMAGE018
个目标连通域中第
Figure 632559DEST_PATH_IMAGE019
个像素点的坐标，
Figure 21952DEST_PATH_IMAGE021
为该目标连通域的中心点坐标，
Figure 151975DEST_PATH_IMAGE017
为该目标连通域第
Figure 908710DEST_PATH_IMAGE019
个像素点的位置权重值。
108、利用每个目标连通域中各像素点的位置权重值作为霍夫曼编码中像素值出现概率对监控图像中的目标连通域进行霍夫曼编码，得到目标连通域的编码数据。
对于目标连通域，采用霍夫曼编码的方式进行区域编码。由于上述步骤已经得到目标连通域内所有像素点的位置权重值，本实施例对现有的霍夫曼编码进行改进，将原有的像素值出现概率用像素点的位置权重值替换，将两个最小的位置权重值进行相加，得到一个新的位置权重值，并进行下一次最小值相加计算，直到到达根节点，依此建立了霍夫曼编码树，对编码树的所有节点进行编码，用“0”和“1”分别表示编码树每一层的左节点和右节点，通过该方式，对目标连通域进行区域编码。
本实施例分别对一张监控图像中非目标连通域和目标连通域采用两种编码方式。
得到目标连通域的编码数据后，还包括：对监控图像中所有目标连通域和非目标连通域以外的区域进行游程编码。
依此操作，对运输过程中的所有监控图像进行编码。
对于运输前或运输后的图像，由于在此些图像中，库区的钢卷并未发生移动，因此采用非目标连通域的编码方法进行游程编码即可。
109、利用所有非目标连通域和目标连通域的编码数据对监控图像进行压缩；并将压缩后的监控图像发送到控制端。
通过以上步骤得到编码后的监控图像，将这些数据传输到控制端中。
110、控制端对接收到的压缩后的监控图像进行解压，根据解压后监控图像中的目标连通域的位置对天车进行控制吊装目标钢卷到运输车上。
控制端对接收到的压缩后的监控图像进行解压，获取目标钢卷的位置、运输车位置、以及天车的移动轨迹来训练神经网络。其中目标钢卷的位置是通过控制端解压后的监控图像得到的，而运输车的位置是固定的，也可以通过监控图像得到，天车的移动轨迹是通过天车上的传感器得到的，以此训练控制神经网络，实现天车的智能控制。其中神经网络采用全连接（FC）网络，输入参数为：目标钢卷位置、运输车位置、天车目前位置
Figure 310610DEST_PATH_IMAGE048
，输出参数为：天车移动量大小。训练数据为多帧监控图像、天车传感器数据、专业控制人员确定的天车移动量大小。
根据训练出来的神经网络，实时控制天车的移动。
本发明将钢卷连通域划分为目标连通域和非目标连通域，根据非目标连通域的区域均匀度的大小对像素点的灰度值进行调整，对调整灰度值的非目标连通域进行游程编码；同时计算目标连通域中每个像素点的位置权重值，利用目标连通域像素点的位置权重值，采用改进的霍夫曼编码方法对目标连通域进行编码，从而得到监控图像的编码数据，将该数据传输到控制端中实现对天车的控制。本发明对不同区域采用不同的编码方法，相对于现有技术，使得传输的数据量更小；相对于现有技术，本发明提高了生产效率，同时节省劳动力。
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)

1.一种工业设备状态监控管理方法，其特征在于，包括：
获取运输车停止到指定位置后的监控图像；
对监控图像进行处理得到监控图像中的所有钢卷连通域，根据运输钢卷的型号获取所有钢卷连通域中的目标型号钢卷连通域；
通过监控图像中运输车的位置和每个目标型号钢卷连通域的中心点坐标以及目标型号钢卷的需求数量确定监控图像中所有钢卷连通域中的目标连通域，将监控图像中的其余钢卷连通域标记为非目标连通域；
通过每个非目标连通域中所有像素点的灰度值得到每个非目标连通域的区域均匀度；
若非目标连通域的区域均匀度大于或等于设定的均匀度阈值，将该非目标连通域中所有像素点的灰度值调整为该非目标连通域的灰度均值；否则，通过该非目标连通域每行像素点的最大灰度值和最小灰度值、该行像素点的灰度平均值、非目标连通域的灰度最大值和最小值得到监控图像中该非目标连通域每行像素点调整后的灰度值；
对监控图像中调整灰度值后的每个非目标连通域进行游程编码得到所有非目标连通域的编码数据；
通过每个目标连通域中心点的坐标和各像素点的坐标得到每个目标连通域中各像素点的位置权重值；
利用每个目标连通域中各像素点的位置权重值作为霍夫曼编码中像素值出现概率对监控图像中的目标连通域进行霍夫曼编码，得到目标连通域的编码数据；
利用所有非目标连通域和目标连通域的编码数据对监控图像进行压缩；并将压缩后的监控图像发送到控制端；
控制端对接收到的压缩后的监控图像进行解压，根据解压后监控图像中的目标连通域的位置对天车进行控制吊装目标钢卷到运输车上。
2.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，利用每个目标连通域中各像素点的位置权重值作为霍夫曼编码中像素值出现概率对监控图像中的目标连通域进行霍夫曼编码的方法为：
将每个目标连通域中所有像素点的位置权重值中两个最小的位置权重值进行相加，得到新的位置权重值；
在得到新的位置权重值后的所有位置权重值中再一次选取两个最小的位置权重值进行相加，重复进行该步骤，得到霍夫曼编码树；
对霍夫曼编码树的所有节点进行编码，用“0”表示编码树每一层的左节点，用“1”表示编码树每一层的右节点，完成监控图像中每一个目标连通域的编码。
3.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，得到目标连通域的编码数据后，还包括：
对监控图像中所有目标连通域和非目标连通域以外的区域进行游程编码。
4.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，得到监控图像中运输车的位置的方法为：
利用连续帧监控图像两两做差确定运输车移动的最后一帧监控图像，通过最后一帧监控图像和其前一帧监控图像得到差异区域，对差异区域在运输车移动的最后一帧监控图像中的对应位置进行角点检测，得到运输车最后位置的角点；
对运输车最后位置的角点进行凸包检测，确定构成凸包的角点，通过构成凸包的角点的坐标得到运输车的位置。
5.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，非目标连通域的区域均匀度的表达式为：
Figure 944243DEST_PATH_IMAGE001
式中：
Figure 547394DEST_PATH_IMAGE002
表示第
Figure 878887DEST_PATH_IMAGE003
个非目标连通域的区域均匀度，
Figure 943795DEST_PATH_IMAGE004
表示第
Figure 545809DEST_PATH_IMAGE003
个非目标连通域中第
Figure 37970DEST_PATH_IMAGE004
个像素点，
Figure 594110DEST_PATH_IMAGE005
表示第
Figure 479020DEST_PATH_IMAGE003
个非目标连通域的像素点数量，
Figure 434076DEST_PATH_IMAGE006
表示第
Figure 626633DEST_PATH_IMAGE003
个非目标连通域中第
Figure 417872DEST_PATH_IMAGE004
个像素点的灰度值，
Figure 637632DEST_PATH_IMAGE007
表示第
Figure 447194DEST_PATH_IMAGE003
个非目标连通域的灰度均值。
6.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，非目标连通域每行像素点调整后的灰度值的表达式为：
Figure 297469DEST_PATH_IMAGE008
式中：
Figure 156097DEST_PATH_IMAGE009
表示非目标连通域中第
Figure 366498DEST_PATH_IMAGE010
行像素点调整后的灰度值，
Figure 797611DEST_PATH_IMAGE011
表示第
Figure 786164DEST_PATH_IMAGE003
个非目标连通域中第
Figure 83154DEST_PATH_IMAGE010
行像素点的灰度最大值，
Figure 582399DEST_PATH_IMAGE012
表示第
Figure 635062DEST_PATH_IMAGE003
个非目标连通域中第
Figure 810829DEST_PATH_IMAGE010
行像素点的灰度最小值，
Figure 549109DEST_PATH_IMAGE013
表示第
Figure 101313DEST_PATH_IMAGE003
个非目标连通域中第
Figure 5552DEST_PATH_IMAGE010
行像素点的灰度平均值，
Figure 368532DEST_PATH_IMAGE014
表示第
Figure 577796DEST_PATH_IMAGE003
个非目标连通域中的灰度最大值，
Figure 451468DEST_PATH_IMAGE015
表示第
Figure 695367DEST_PATH_IMAGE003
个非目标连通域中的灰度最小值。
7.根据权利要求1所述的一种工业设备状态监控管理方法，其特征在于，目标连通域中各像素点的位置权重值的表达式为：
Figure 229248DEST_PATH_IMAGE016
式中：
Figure 706235DEST_PATH_IMAGE017
表示第
Figure 334662DEST_PATH_IMAGE018
个目标连通域中第
Figure 449380DEST_PATH_IMAGE019
个像素点的位置权重值，
Figure 137850DEST_PATH_IMAGE020
表示第
Figure 562185DEST_PATH_IMAGE018
个目标连通域中第
Figure 994303DEST_PATH_IMAGE019
个像素点的坐标，
Figure 963528DEST_PATH_IMAGE021
表示第
Figure 88478DEST_PATH_IMAGE018
个目标连通域的中心点坐标。
CN202210689223.8A 2022-06-17 2022-06-17 一种工业设备状态监控管理方法 Active CN114782479B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210689223.8A CN114782479B (zh) 2022-06-17 2022-06-17 一种工业设备状态监控管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210689223.8A CN114782479B (zh) 2022-06-17 2022-06-17 一种工业设备状态监控管理方法

Publications (2)

Publication Number Publication Date
CN114782479A true CN114782479A (zh) 2022-07-22
CN114782479B CN114782479B (zh) 2022-09-02

Family

ID=82421932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210689223.8A Active CN114782479B (zh) 2022-06-17 2022-06-17 一种工业设备状态监控管理方法

Country Status (1)

Country Link
CN (1) CN114782479B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998887A (zh) * 2022-08-08 2022-09-02 山东精惠计量检测有限公司 一种电能计量表智能识别方法
CN115866251A (zh) * 2023-02-22 2023-03-28 浙江鼎立实业有限公司 基于语义分割的图像信息快速传输方法
CN116823975A (zh) * 2023-08-31 2023-09-29 华洋通信科技股份有限公司 一种煤矿数据优化存储方法
CN116828209A (zh) * 2023-08-30 2023-09-29 华洋通信科技股份有限公司 一种矿下智能视频监控数据传输方法及系统
CN116958909A (zh) * 2023-09-20 2023-10-27 山东通广电子股份有限公司 基于网格化管控的视频监控系统及监控方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800107A (zh) * 2012-07-06 2012-11-28 浙江工业大学 一种基于改进最小交叉熵的运动目标检测方法
CN106952244A (zh) * 2017-03-28 2017-07-14 中航视嘉（北京）技术有限公司 一种图像亮度的自动调整方法及装置
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统
CN109190742A (zh) * 2018-08-23 2019-01-11 华中科技大学 一种基于灰度特征的编码特征点的解码方法
CN112257721A (zh) * 2020-12-08 2021-01-22 常州微亿智造科技有限公司 一种基于Fast ICP的图像目标区域匹配方法
CN112819788A (zh) * 2021-02-01 2021-05-18 上海悦易网络信息技术有限公司 一种图像稳定性检测方法及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800107A (zh) * 2012-07-06 2012-11-28 浙江工业大学 一种基于改进最小交叉熵的运动目标检测方法
CN106952244A (zh) * 2017-03-28 2017-07-14 中航视嘉（北京）技术有限公司 一种图像亮度的自动调整方法及装置
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统
CN109190742A (zh) * 2018-08-23 2019-01-11 华中科技大学 一种基于灰度特征的编码特征点的解码方法
CN112257721A (zh) * 2020-12-08 2021-01-22 常州微亿智造科技有限公司 一种基于Fast ICP的图像目标区域匹配方法
CN112819788A (zh) * 2021-02-01 2021-05-18 上海悦易网络信息技术有限公司 一种图像稳定性检测方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯一鸣: "基于物联网和工业云的选矿设备状态监控系统", 《计算机集成制造系统》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114998887A (zh) * 2022-08-08 2022-09-02 山东精惠计量检测有限公司 一种电能计量表智能识别方法
CN114998887B (zh) * 2022-08-08 2022-10-11 山东精惠计量检测有限公司 一种电能计量表智能识别方法
CN115866251A (zh) * 2023-02-22 2023-03-28 浙江鼎立实业有限公司 基于语义分割的图像信息快速传输方法
CN115866251B (zh) * 2023-02-22 2023-06-02 浙江鼎立实业有限公司 基于语义分割的图像信息快速传输方法
CN116828209A (zh) * 2023-08-30 2023-09-29 华洋通信科技股份有限公司 一种矿下智能视频监控数据传输方法及系统
CN116828209B (zh) * 2023-08-30 2023-10-31 华洋通信科技股份有限公司 一种矿下智能视频监控数据传输方法及系统
CN116823975A (zh) * 2023-08-31 2023-09-29 华洋通信科技股份有限公司 一种煤矿数据优化存储方法
CN116823975B (zh) * 2023-08-31 2023-12-12 华洋通信科技股份有限公司 一种煤矿数据优化存储方法
CN116958909A (zh) * 2023-09-20 2023-10-27 山东通广电子股份有限公司 基于网格化管控的视频监控系统及监控方法
CN116958909B (zh) * 2023-09-20 2023-12-22 山东通广电子股份有限公司 基于网格化管控的视频监控系统及监控方法

Also Published As

Publication number Publication date
CN114782479B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114782479B (zh) 一种工业设备状态监控管理方法
WO2023134791A2 (zh) 一种环境安防工程监测数据管理方法及系统
CN110225341A (zh) 一种任务驱动的码流结构化图像编码方法
CN112565777B (zh) 基于深度学习模型视频数据传输方法、系统、介质及设备
CN103971381A (zh) 一种多目标跟踪系统及方法
CN115456868B (zh) 一种消防演练系统数据管理方法
CN116095347B (zh) 基于视频分析的建筑工程安全施工方法及系统
CN102098495A (zh) 基于图像识别技术的山体滑坡智能监控装置及其监控方法
CN114913465A (zh) 一种基于时序注意力模型的动作预测方法
CN112381031A (zh) 基于卷积神经网络的实时在线受电弓羊角检测方法
CN108875555A (zh) 基于神经网络的视频兴趣区域和显著目标提取与定位系统
CN109379590B (zh) 一种脉冲序列压缩方法及系统
CN109474825B (zh) 一种脉冲序列压缩方法及系统
CN116567246A (zh) Avc编码方法和装置
CN103824308A (zh) 一种无线多媒体传感器网络中的图像处理方法
CN114202726A (zh) 一种基于自监督学习的输电线路场景目标检测方法
CN112183474B (zh) 一种钢铁行业基于5g+人工智能的视频盘库方法及系统
CN115866251B (zh) 基于语义分割的图像信息快速传输方法
CN115278255B (zh) 一种用于力量器械安全管理的数据存储系统
CN111817902B (zh) 一种控制带宽的方法和系统
CN116600118B (zh) 一种基于混合特征多模态分析的视频采集参数优化方法
CN117880520B (zh) 一种用于机车乘务员值乘标准化监控的数据管理方法
Tymochko et al. Method of coding predictable frames with the account of management mechanisms for improving the quality of video information's service
CN116229308A (zh) 一种基于边缘算法的视频流数据识别方法及处理系统
CN115086663B (zh) 一种基于深度强化学习的多摄像头实时视频传输方法

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
GR01 Patent grant
GR01 Patent grant