CN115082507B - 一种路面切割机智能调控系统 - Google Patents

一种路面切割机智能调控系统 Download PDF

Info

Publication number
CN115082507B
CN115082507B CN202210861724.XA CN202210861724A CN115082507B CN 115082507 B CN115082507 B CN 115082507B CN 202210861724 A CN202210861724 A CN 202210861724A CN 115082507 B CN115082507 B CN 115082507B
Authority
CN
China
Prior art keywords
cutting
image
gray
value
road surface
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
Application number
CN202210861724.XA
Other languages
English (en)
Other versions
CN115082507A (zh
Inventor
李海川
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.)
LIAOCHENG YANGFINE JEONIL MACHINERY CO LTD
Original Assignee
LIAOCHENG YANGFINE JEONIL MACHINERY 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 LIAOCHENG YANGFINE JEONIL MACHINERY CO LTD filed Critical LIAOCHENG YANGFINE JEONIL MACHINERY CO LTD
Priority to CN202210861724.XA priority Critical patent/CN115082507B/zh
Publication of CN115082507A publication Critical patent/CN115082507A/zh
Application granted granted Critical
Publication of CN115082507B publication Critical patent/CN115082507B/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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

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

本发明涉及图像处理技术领域，具体涉及一种路面切割机智能调控系统，该系统包括控制端和检测端，图像采集模块，权重获取模块，滤波核获取模块，图像增强模块，深度判断模块，所述控制端，用于接收所述检测端获取的切割片切入路面的深度，判断当前切割片切入路面的深度是否切入过深或过浅，实时控制切割片切入路面的深度。本发明在机器视觉的基础上，通过对图像的增强，来优化智能调控切割机切入深度的调控效果，降低路面施工人员的工作难度。

Description

一种路面切割机智能调控系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种路面切割机智能调控系统。
背景技术
伴随着油动机械和电动机械的性能和需求日益增强，产品升级迫在眉睫，当前市场上的路面切割机大多没有设置用于控制切深的调节系统，几乎完全依赖工人的操作经验，显然准确性不高且比较耗费精力。而路面切割机工作路面不平，或是切割机行进速度过快，都可能会造成切割深度过大，极易造成地面碎裂。
为了实时调节路面切割机的切深，本领域技术人员通常给机器上安装监控镜头，用于监测切割机切齿没入地面的深度，来判断是否切深过大，及时降低功率或者对工人进行提醒。但是马路切割机常用于市政建设改选、路面维修施工、通讯工程埋设等室外作业。室外的环境光线往往驳杂，例如马路上频繁来往的行车、交安标志的金属反光等等，使得采集到的图像存在严重的模糊和噪声污染，会干扰切深的实时监控和调控效果。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种路面切割机智能调控系统，所采用的技术方案具体如下：
该系统包括控制端和检测端，所述检测端包括：
图像采集模块，用于获取切割片切入路面时的切割图像；将所述切割图像经灰度化处理获取切割灰度图；
权重获取模块，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数；根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重；
滤波核获取模块，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；根据均值滤波核在切割灰度图中遍历方向对所述切割灰度图进行游程，构建灰度游程矩阵；根据灰度游程矩阵中的元素值与其对应的游程长度获取均值滤波核的尺寸；
图像增强模块，用于将均值滤波核按照在切割灰度图中的遍历方向对切割灰度图进行遍历，根据均值滤波核中每个像素点的加权权重和灰度值进行均值滤波计算获取滤波后的图像；并对滤波后的图像进行直方图均衡化增强获取增强图像；
深度判断模块，用于对增强图像进行边缘检测获取切割片切入路面时的切口边缘；并根据切割片的轴心至切口边缘的垂线获取切割片切入路面的深度；
所述控制端，用于接收所述检测端获取的切割片切入路面的深度，判断当前切割片切入路面的深度是否切入过深或过浅，实时控制切割片切入路面的深度。
在一实施例中，所述权重获取模块包括：
概率密度函数获取单元，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数，其中，通过高斯概率密度函数计算每个灰度值对应的概率分布值绘制概率分布密度函数图像，概率分布密度函数图像中的横坐标表示随机变量，纵坐标表示概率分布值；
加权权重计算单元，用于根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重。
在一实施例中，所述加权权重计算单元中，每个像素点的加权权重计算公式如下：
Figure DEST_PATH_IMAGE001
式中，
Figure 964817DEST_PATH_IMAGE002
表示第
Figure 7859DEST_PATH_IMAGE003
个像素点灰度值的加权权重；
Figure 176935DEST_PATH_IMAGE004
表示第
Figure 938217DEST_PATH_IMAGE003
个像素点的灰度值；
Figure 716686DEST_PATH_IMAGE005
表示第
Figure 879814DEST_PATH_IMAGE003
个像素点灰度值的概率分布值；
Figure 360736DEST_PATH_IMAGE006
表示概率分布最大值；
Figure 327424DEST_PATH_IMAGE007
表示概率分布最大值对应的灰度值；
Figure 191475DEST_PATH_IMAGE008
表示最低权重值，其中
Figure 694263DEST_PATH_IMAGE009
；
Figure 375780DEST_PATH_IMAGE010
表示双曲正切函数。
在一实施例中，所述滤波核获取模块包括：
遍历方向单元，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；其中，采集切割图像时的角度方向包括在切割装置的后侧方采集切割图像时的角度方向、在切割装置的前侧方采集切割图像时的角度方向或在切割装置的正面方采集切割图像时的角度方向；
构建游程矩阵单元，根据均值滤波核在切割灰度图中遍历方向对所述切割灰度图进行游程构建灰度游程矩阵；其中，灰度游程矩阵中横向表示游程长度，纵向表示灰阶；所述灰阶包括30个灰阶；
均值滤波核尺寸计算单元，用于根据灰度游程矩阵中的元素值与其对应的游程长度计算获取均值滤波核的尺寸。
在一实施例中，所述遍历方向单元中根据在切割装置的后侧方采集切割图像时的角度方向获取均值滤波核在切割灰度图中遍历方向为45°。
在一实施例中，所述均值滤波核尺寸计算单元中所述均值滤波核的尺寸的计算公式如下：
Figure 846076DEST_PATH_IMAGE011
式中，
Figure 998971DEST_PATH_IMAGE012
表示均值滤波核的尺寸；j表示灰度游程矩阵中横向的游程长度，k表示灰度游程矩阵中纵向的灰阶；
Figure DEST_PATH_IMAGE013
表示每个j，k坐标对应的元素值；G表示横向的最大游程长度；
Figure 621844DEST_PATH_IMAGE014
表示元素值
Figure 84049DEST_PATH_IMAGE015
对应的横向游程长度；N表示灰度游程矩阵中的元素值r的总个数。
在一实施例中，所述图像增强模块中，所述均值滤波计算是以均值滤波核中每个像素点的加权权重和灰度值相乘作为加权项，并对均值滤波核中所有像素点对应的加权项进行加权求均，获取均值滤波核中目标像素点均值滤波降噪后的灰度值；
依次对切割灰度图中对每个像素点都进行均值滤波计算获取滤波后的图像。
在一实施例中，所述目标像素点均值滤波降噪后的灰度值的计算公式如下：
Figure 697433DEST_PATH_IMAGE016
式中，
Figure 931317DEST_PATH_IMAGE017
表示第
Figure 782598DEST_PATH_IMAGE003
个目标像素点经均值滤波降噪后的灰度值；
Figure 415705DEST_PATH_IMAGE012
表示均值滤波核的尺寸；
Figure 345746DEST_PATH_IMAGE004
表示第
Figure 89711DEST_PATH_IMAGE003
个目标像素点的灰度值；
Figure 795499DEST_PATH_IMAGE002
表示第
Figure 350239DEST_PATH_IMAGE003
个目标像素点灰度值的加权权重。
在一实施例中，所述深度判断模块中，所述切割片切入路面的深度的计算公式如下：
Figure 751265DEST_PATH_IMAGE018
式中，
Figure DEST_PATH_IMAGE019
表示切割片切入路面的深度；
Figure 908708DEST_PATH_IMAGE020
表示采集切割图像过程中切割片还未切入路面时切割片的轴心至路面的距离；
Figure 609948DEST_PATH_IMAGE021
，
Figure 568545DEST_PATH_IMAGE022
分别表示切割片的轴心至切口边缘的垂线交于切口处的横、纵坐标；
Figure 614124DEST_PATH_IMAGE023
，
Figure 699892DEST_PATH_IMAGE024
分别表示切割片的轴心处的横、纵坐标。
在一实施例中，所述控制端，用于接收所述检测端获取的切割片切入路面的深度，判断当前切割片切入路面的深度是否切入过深或过浅，实时控制切割片切入路面的深度。
本发明实施例至少具有如下有益效果：
本发明实施例提供了一种路面切割机智能调控系统，该系统包括检测端和控制端，控制端基于机器视觉，通过对切割片切入路面的切割图像进行增强处理获取清晰的切口边缘，再通过计算切割片的轴心至切口边缘的垂线获取切割片切入路面的深度，最后将控制端将获取的切入路面的深度传输至控制端，判断当前切割片切入路面的深度是否切入过深或过浅，进行实时控制切割片切入路面的深度，从而降低路面施工人员的工作难度。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种路面切割机智能调控系统的结构框图。
图2为切割片切入路面的画面和标定窗口示意图。
图3为高斯概率分布密度函数图。
图4为均值滤波核示图。
图5为滤波后的图像。
图6为增强图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种路面切割机智能调控系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种路面切割机智能调控系统的具体方案。
本发明实施例所针对的具体场景为：为了实时调节路面切割机的切入深度，给机器上安装监控镜头，用于监测切割机切齿切入路面的深度，来判断是否切深过大，及时降低功率或者对工人进行提醒。但是马路切割机常用于市政建设改选、路面维修施工、通讯工程埋设等室外作业。室外的环境光线往往驳杂，例如马路上频繁来往的行车、交安标志的金属反光等等，使得采集到的图像存在严重的模糊和噪声污染，会干扰切深的实时监控和调控效果。
本发明在机器视觉的基础上，提供了一种路面切割机智能调控系统，并用一系列增强算法，来优化智能调控切割机切入深度的调控效果，降低路面施工人员的工作难度。
参见图1所示，其示出了本发明一个实施例提供的一种路面切割机智能调控系统的结构框图，该系统包括控制端002和检测端001，检测端001与控制端002进行通信连接；检测端001包括：
图像采集模块10，用于获取切割片切入路面时的切割图像；将切割图像经灰度化处理获取切割灰度图；
需要说明的是，由于本实施例提供的系统为实时调节，因此需要将视频周期性截取为静态图像，截取周期根据相机帧数和切割机推进速度而定。具体获取切入路面的画面的采样周期
Figure 504905DEST_PATH_IMAGE025
计算公式如下：
Figure 276815DEST_PATH_IMAGE026
式中，
Figure 918011DEST_PATH_IMAGE027
代表路面切割机的推进速度，基本单位是1秒内推进若干距离，
Figure 322317DEST_PATH_IMAGE028
代表相机的拍摄帧数，即1秒内走过了若干帧静态画面，
Figure 358668DEST_PATH_IMAGE029
分式上下的分子、分母各消去单位时间，则代表每推进单位距离会被若干帧图像记录。静态画面采样周期
Figure 675380DEST_PATH_IMAGE025
小于等于
Figure 318720DEST_PATH_IMAGE029
时，路面切割机每个推进的单位距离中切片的状态，都可以用一帧静态画面来观察获得。
对采集的静态帧画面均进行常规灰度化，减少计算量，降低环境光线、色彩的影响。
在本实施例中，本实施例中的目的是提取路面切割机切片切入地面时的切入深度，因此对整张图像进行同样的去噪显然有点多余，且均值滤波窗口的尺度也应该优先考虑切片切入地面处的特征进行自适应。所以可以根据图像采集装置与切片相对静止的特点，提前标定镜头画面中切片片的位置，预设一个固定画面窗口，具体在图像采集模块中，切割图像是利用图像采集装置从切割机的一侧获取切割片切入路面的画面，根据图像采集装置与切割片相对静止的位置关系，参见图2所示，对获取画面中的切割片切入路面的位置提前通过标定窗口而获取的；其中，标定窗口内的画面即为切割图像。
对于图像采集装置的安装位置，需要清晰拍摄到切片没入地面时的状态，将其安装在切割机切割片的侧后方。其中，图像采集装置为摄像机或照相机等。
检测端001还包括权重获取模块20，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数；根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重；
需要说明的是，图像采集模块获取的切割图像为机器运行一段时间后从实时监测视频中采集的静态图像，可以看出图像中夹杂大量噪声，这是由于图像传感器运行时间过长、且环境光较暗而产生的，其中大多为高斯噪声，夹杂少量椒盐噪声。由于本实施例需要清晰的提取切片与地面交汇处的图像细节，而椒盐噪声属于离散噪声，其对提取目标区域的干扰比较小，本实施例主要是针对高斯噪声进行处理。
常规的滤波去噪有高斯滤波、中值滤波、均值滤波等。其中高斯滤波由于其在频域进行去噪的特性，并不能根据位置信息进行特定的局部自适应处理，因此去噪后图像整体平滑程度过高而中值滤波也不太适用高斯噪声的去除。因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。
高斯噪声的信号幅值近似正态分布，分布在每点像素上，其表达式为：
Figure 372389DEST_PATH_IMAGE030
式中，g为原图信号，v为噪声信号，两者的关系是独立的。这表示原图像信号如何变化与噪声无关，噪声不依赖图像信号，并且高斯噪声信号正态分布的均值为0，所以利用均值滤波可以削弱高斯噪声。其缺点是无法完全消除噪声而是削弱噪声，且与所有去噪滤波一样容易造成图像细节丢失、模糊。
因此，本实施例在均值滤波算法的基础上进行改进，使均值滤波去噪时尽可能多的保留图像细节。具体通过不同噪声对均值结果的影响程度分析，以及对均值滤波窗口尺度的自适应来优化算法缺陷，使均值滤波在保证去噪效果的同时，降低对图像的平滑、模糊程度。
在本实施例中，权重获取模块包括：
概率密度函数获取单元，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数，其中，通过高斯概率密度函数计算每个灰度值对应的概率分布值绘制概率分布密度函数图像，概率分布密度函数图像中的横坐标表示随机变量，纵坐标表示概率分布值；
加权权重计算单元，用于根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重。
需要说明的是，高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。在本实施例中将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数为：
Figure DEST_PATH_IMAGE031
式中，
Figure 620836DEST_PATH_IMAGE004
表示第i个像素点的灰度值；
Figure 722829DEST_PATH_IMAGE005
表示第i个像素点灰度值的概率分布值；
Figure 338619DEST_PATH_IMAGE032
表示随机变量
Figure 819147DEST_PATH_IMAGE004
的期望，
Figure 830091DEST_PATH_IMAGE033
表示
Figure 754185DEST_PATH_IMAGE004
的标准差；
Figure 840958DEST_PATH_IMAGE034
则为关于灰度变量
Figure 767588DEST_PATH_IMAGE004
的高斯正态分布函数；由于高斯噪声作为加噪声出现在每一个原图像像素点上，所以对整张图像的像素点灰度值进行计算，就得到整张图像的高斯概率分布密度函数图，参见图3所示。
图3中，表示灰度图中256×256个点的每一个点的灰度值是20的概率最大，是20之外的其他数值的概率逐渐减小。所以整副切割灰度图的出现灰度值为20左右的数量是最多的。
由于概率分布密度函数图像上分布最多的噪声像素点灰度值，在整张图像上进行均值滤波时，参与的概率最大，因此需要降低其对均值结果的影响力，即给其赋予一个较低的权值，而分布越少的噪声像素点灰度值，参与概率较小，那么适当给其较大的权值。为此，降低了分布较多噪声点对均值结果的影响，那么图像的平滑程度也会得到一定抑制，即使分布少噪声点的参与度增大，但就整体图像而言其影响力较小。
加权权重计算单元中，每个像素点的加权权重计算公式如下：
Figure 272519DEST_PATH_IMAGE001
式中，
Figure 226568DEST_PATH_IMAGE002
表示第
Figure 302103DEST_PATH_IMAGE003
个像素点灰度值的加权权重；
Figure 875167DEST_PATH_IMAGE004
表示第
Figure 624817DEST_PATH_IMAGE003
个像素点的灰度值；
Figure 375866DEST_PATH_IMAGE005
表示第
Figure 187964DEST_PATH_IMAGE003
个像素点灰度值的概率分布值；
Figure 282828DEST_PATH_IMAGE006
表示概率分布最大值；
Figure 496772DEST_PATH_IMAGE007
表示概率分布最大值对应的灰度值；
Figure 559668DEST_PATH_IMAGE008
表示最低权重值，其中
Figure 373909DEST_PATH_IMAGE009
；
Figure 180454DEST_PATH_IMAGE010
表示双曲正切函数；
Figure 248904DEST_PATH_IMAGE035
则表示任意随机变量
Figure 840291DEST_PATH_IMAGE004
与峰值处
Figure 253080DEST_PATH_IMAGE007
的横、纵元素所计算的范数值，其基本逻辑为：任意随机变量
Figure 971637DEST_PATH_IMAGE004
与峰值
Figure 143861DEST_PATH_IMAGE007
的差距越大，则代表其在整张图像上的局部求均值影响力越小，那么根据上述推理分析，应该给其一个稍高的加权权重，该差距体现在横、纵元素值上，因此用范数值表示。
Figure 656882DEST_PATH_IMAGE036
为归一化处理，在逻辑不变的前提下，将其取值限定在0-1之间，即任意随机变量
Figure 834266DEST_PATH_IMAGE004
与峰值
Figure 340202DEST_PATH_IMAGE007
的差距越大，计算的结果在0-1之间越大。
但唯有
Figure 383244DEST_PATH_IMAGE005
为峰值
Figure 693265DEST_PATH_IMAGE006
本身时，公式结果为0，然而我们降低
Figure 969395DEST_PATH_IMAGE007
的加权权重，但不是让其为0，因此设置一个最低权重值
Figure 498596DEST_PATH_IMAGE037
，
Figure 287823DEST_PATH_IMAGE037
的取值自行设定，本实施例设置
Figure 391914DEST_PATH_IMAGE009
，也就是在0-1权值取值范围中偏小即可。
检测端001还包括滤波核获取模块30，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；根据均值滤波核在切割灰度图中遍历方向对切割灰度图进行游程，构建灰度游程矩阵；根据灰度游程矩阵中的元素值与其对应的游程长度获取均值滤波核的尺寸；
滤波核获取模块包括：
遍历方向单元，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；其中，采集切割图像时的角度方向包括在切割装置的后侧方采集切割图像时的角度方向、在切割装置的前侧方采集切割图像时的角度方向或在切割装置的正面方采集切割图像时的角度方向；
遍历方向单元中根据在切割装置的后侧方采集切割图像时的角度方向获取均值滤波核在切割灰度图中遍历方向为45°；
构建游程矩阵单元，根据均值滤波核在切割灰度图中遍历方向对切割灰度图进行游程构建灰度游程矩阵；其中，灰度游程矩阵中横向表示游程长度，纵向表示灰阶；灰阶包括30个灰阶；
均值滤波核尺寸计算单元，用于根据灰度游程矩阵中的元素值与其对应的游程长度计算获取均值滤波核的尺寸。
需要说明的是，由于均值滤波的本质是将特定尺寸窗口内的灰度值加和求均，以均值来替代当前目标像素的灰度值，其窗口的尺寸越大，则越偏离原本真实的像素灰度，但窗口尺寸也不能太小，否则对噪声的削弱能力大幅度降低，因此均值滤波窗口尺寸的选择至关重要。
在本实施例中，对于目标提取的是一条直线形的边缘，因此仅限在标定窗口内，均值滤波的形状应为扁平状，因为直线边缘的像素点在均值滤波去噪时，参与求均的像素点应更多为该目标像素点，沿边缘直线方向上的那些同类像素点，而不是垂直于边缘方向的那些像素点。由于图像采集装置安装在路面切割机侧后方，因此标定窗口（黑色窗口）内的切片与地面切入时的角度为斜向，参见图2所示，本实施例在标定窗口外区域均值滤波的形状采用3*3的常规尺度，而在标定窗口内区域均值滤波的形状应设定为45°，并选取45°斜向的均值滤波核，参见图4所示。另外，图像采集镜头、切割机、地面相对静止，因此该滤波核方向可以设置为固定方向，因为图像可沿直线滑动的方向仅有8个，而45°为地面切线所在象限内唯一直线滑动的方向。
在本实施例中，已确定滤波核的方向以及形状，需要得到滤波核的尺寸，对标定窗口内的图像沿着45°方向进行游程，考虑到高斯噪声对图像影响较大，灰度分割时尽可能保留细节，因此将灰度分割为30个灰阶，构建灰度游程矩阵。得到灰度游程矩阵p（j，k），j为横向的游程长度，k为纵向的灰阶；每个j，k坐标对应一个元素值r，r表示元素数量。
具体的，均值滤波核尺寸计算单元中均值滤波核的尺寸的计算公式如下：
Figure 640493DEST_PATH_IMAGE038
式中，
Figure 989697DEST_PATH_IMAGE012
表示均值滤波核的尺寸；j表示灰度游程矩阵中横向的游程长度，k表示灰度游程矩阵中纵向的灰阶；
Figure 397544DEST_PATH_IMAGE013
表示每个j，k坐标对应的元素值；G表示横向的最大游程长度；
Figure 423269DEST_PATH_IMAGE014
表示元素值
Figure 644297DEST_PATH_IMAGE015
对应的横向游程长度；N表示灰度游程矩阵中的元素值r的总个数。
Figure 171093DEST_PATH_IMAGE039
为一组j，k对应的r值与其横坐标游程长度相乘；
Figure 308814DEST_PATH_IMAGE040
即为游程矩阵中所有r值与其横坐标游程长度相乘结果累加求均。
计算均值滤波核尺寸的逻辑为：标定窗口区域内，同一游程方向，连续像素点为相似灰度级的游程长度，进行加和求均，即为均值滤波核的尺寸长度，可以很大程度保证滤波核的加权求均结果与核内的像素点偏差较小，可以使图像的平滑程度得到控制，不至于图像信息全局模糊掉。
检测端001还包括图像增强模块40，用于将均值滤波核按照在切割灰度图中的遍历方向对切割灰度图进行遍历，根据均值滤波核中每个像素点的加权权重和灰度值进行均值滤波计算获取滤波后的图像；并对滤波后的图像进行直方图均衡化增强获取增强图像；
图像增强模块中，均值滤波计算是以均值滤波核中每个像素点的加权权重和灰度值相乘作为加权项，并对均值滤波核中所有像素点对应的加权项进行加权求均，获取均值滤波核中目标像素点均值滤波降噪后的灰度值；
依次对切割灰度图中对每个像素点都进行均值滤波计算获取滤波后的图像，参见图5所示。
目标像素点均值滤波降噪后的灰度值的计算公式如下：
Figure 256172DEST_PATH_IMAGE016
式中，
Figure 338398DEST_PATH_IMAGE017
表示第
Figure 278672DEST_PATH_IMAGE003
个目标像素点经均值滤波降噪后的灰度值；
Figure 756052DEST_PATH_IMAGE012
表示均值滤波核的尺寸；
Figure 389159DEST_PATH_IMAGE004
表示第
Figure 958680DEST_PATH_IMAGE003
个目标像素点的灰度值；
Figure 187799DEST_PATH_IMAGE002
表示第
Figure 300111DEST_PATH_IMAGE003
个目标像素点灰度值的加权权重；
Figure 228753DEST_PATH_IMAGE041
表示均值滤波核内所有像素点加权求和求均的结果。
需要说明的是，单行滤波由于仅根据单方向两侧的像素灰度求均获得，在常规图像上存在的问题是有可能出现层状差异，但对于本实施例中的切口图像，本身就是层状，则不存在此类问题。
在本实施例中，获取的滤波后的图像仍会出现平滑、模糊现象，但切片处的细节信息得到了一定程度保留，再对图像进行直方图均衡化，参见图6所示，获取增强图像，增强对比度，提升细节信息。
检测端001还包括深度判断模块50，用于对增强图像进行边缘检测获取切割片切入路面时的切口边缘；并根据切割片的轴心至切口边缘的垂线获取切割片切入路面的深度。
在本实施例中，增强图像已经可以较好的提取切口的边缘信息，利用Canny算子进行切割机切片与地面切口处的边缘信息；然后以切片轮轴处为参考点，过该点做垂直于切口的垂线，计算切割片切入的深度；深度判断模块中，切割片切入路面的深度的计算公式如下：
Figure 899950DEST_PATH_IMAGE018
式中，
Figure 182027DEST_PATH_IMAGE019
表示切割片切入路面的深度；
Figure 273480DEST_PATH_IMAGE020
表示采集切割图像过程中切割片还未切入路面时切割片的轴心至路面的距离；
Figure 999122DEST_PATH_IMAGE021
，
Figure 153022DEST_PATH_IMAGE022
分别表示切割片的轴心至切口边缘的垂线交于切口处的横、纵坐标；
Figure 363424DEST_PATH_IMAGE023
，
Figure 935482DEST_PATH_IMAGE024
分别表示切割片的轴心处的横、纵坐标。
Figure 81292DEST_PATH_IMAGE042
则表示垂线的距离；
本实施例提供的系统中，控制端，用于接收检测端获取的切割片切入路面的深度，判断当前切割片切入路面的深度是否切入过深或过浅，实时控制切割片切入路面的深度。
具体的，该系统可根据切深的大小，调节切割机的功率，并可以设定阈值T，若切深异常过大，则通过控制端警告施工人员立刻停机检查。
综上，本发明实施例提供了一种路面切割机智能调控系统，该系统包括检测端和控制端，控制端基于机器视觉，通过对切割片切入路面的切割图像进行增强处理获取清晰的切口边缘，再通过计算切割片的轴心至切口边缘的垂线获取切割片切入路面的深度，最后将控制端将获取的切入路面的深度传输至控制端，判断当前切割片切入路面的深度是否切入过深或过浅，进行实时控制切割片切入路面的深度，从而降低路面施工人员的工作难度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，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 (8)

1.一种路面切割机智能调控系统，其特征在于，该系统包括控制端和检测端，所述检测端包括：
图像采集模块，用于获取切割片切入路面时的切割图像；将所述切割图像经灰度化处理获取切割灰度图；
权重获取模块，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数；根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重；
每个像素点的加权权重计算公式如下：
Figure 585715DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE003
表示第
Figure DEST_PATH_IMAGE005
个像素点灰度值的加权权重；
Figure 923287DEST_PATH_IMAGE006
表示第
Figure 880878DEST_PATH_IMAGE005
个像素点的灰度值；
Figure DEST_PATH_IMAGE007
表示第
Figure 506638DEST_PATH_IMAGE005
个像素点灰度值的概率分布值；
Figure 967707DEST_PATH_IMAGE008
表示概率分布最大值；
Figure DEST_PATH_IMAGE009
表示概率分布最大值对应的灰度值；
Figure 787764DEST_PATH_IMAGE010
表示最低权重值，其中
Figure DEST_PATH_IMAGE011
；
Figure 186647DEST_PATH_IMAGE012
表示双曲正切函数；
滤波核获取模块，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；根据均值滤波核在切割灰度图中遍历方向对所述切割灰度图进行游程，构建灰度游程矩阵；根据灰度游程矩阵中的元素值与其对应的游程长度获取均值滤波核的尺寸；
图像增强模块，用于将均值滤波核按照在切割灰度图中的遍历方向对切割灰度图进行遍历，根据均值滤波核中每个像素点的加权权重和灰度值进行均值滤波计算获取滤波后的图像；并对滤波后的图像进行直方图均衡化增强获取增强图像；
深度判断模块，用于对增强图像进行边缘检测获取切割片切入路面时的切口边缘；并根据切割片的轴心至切口边缘的垂线获取切割片切入路面的深度；
所述控制端，用于接收所述检测端获取的切割片切入路面的深度，判断当前切割片切入路面的深度是否切入过深或过浅，实时控制切割片切入路面的深度。
2.根据权利要求1所述的路面切割机智能调控系统，其特征在于，所述权重获取模块包括：
概率密度函数获取单元，用于将切割灰度图中的每个像素点的灰度值作为高斯随机变量构建高斯概率密度函数，其中，通过高斯概率密度函数计算每个灰度值对应的概率分布值绘制概率分布密度函数图像，概率分布密度函数图像中的横坐标表示随机变量，纵坐标表示概率分布值；
加权权重计算单元，用于根据切割灰度图中的每个像素点的灰度值与其通过高斯概率密度函数计算的概率分布值，获取每个像素点的加权权重。
3.根据权利要求1所述的路面切割机智能调控系统，其特征在于，所述滤波核获取模块包括：
遍历方向单元，用于根据采集切割图像时的角度方向获取均值滤波核，并获取均值滤波核在切割灰度图中遍历方向；其中，采集切割图像时的角度方向包括在切割装置的后侧方采集切割图像时的角度方向、在切割装置的前侧方采集切割图像时的角度方向或在切割装置的正面方采集切割图像时的角度方向；
构建游程矩阵单元，根据均值滤波核在切割灰度图中遍历方向对所述切割灰度图进行游程构建灰度游程矩阵；其中，灰度游程矩阵中横向表示游程长度，纵向表示灰阶；所述灰阶包括30个灰阶；
均值滤波核尺寸计算单元，用于根据灰度游程矩阵中的元素值与其对应的游程长度计算获取均值滤波核的尺寸。
4.根据权利要求3所述的路面切割机智能调控系统，其特征在于，所述遍历方向单元中根据在切割装置的后侧方采集切割图像时的角度方向获取均值滤波核在切割灰度图中遍历方向为45°。
5.根据权利要求3所述的路面切割机智能调控系统，其特征在于，所述均值滤波核尺寸计算单元中所述均值滤波核的尺寸的计算公式如下：
Figure 399453DEST_PATH_IMAGE014
式中，
Figure DEST_PATH_IMAGE015
表示均值滤波核的尺寸；j表示灰度游程矩阵中横向的游程长度，k表示灰度游程矩阵中纵向的灰阶；
Figure 433137DEST_PATH_IMAGE016
表示每个j，k坐标对应的元素值；G表示横向的最大游程长度；
Figure DEST_PATH_IMAGE017
表示元素值
Figure 657052DEST_PATH_IMAGE018
对应的横向游程长度；N表示灰度游程矩阵中的元素值r的总个数。
6.根据权利要求1所述的路面切割机智能调控系统，其特征在于，所述图像增强模块中，所述均值滤波计算是以均值滤波核中每个像素点的加权权重和灰度值相乘作为加权项，并对均值滤波核中所有像素点对应的加权项进行加权求均，获取均值滤波核中目标像素点均值滤波降噪后的灰度值；
依次对切割灰度图中对每个像素点都进行均值滤波计算获取滤波后的图像。
7.根据权利要求6所述的路面切割机智能调控系统，其特征在于，所述目标像素点均值滤波降噪后的灰度值的计算公式如下：
Figure 572924DEST_PATH_IMAGE020
式中，
Figure DEST_PATH_IMAGE021
表示第
Figure 58263DEST_PATH_IMAGE005
个目标像素点经均值滤波降噪后的灰度值；
Figure 510235DEST_PATH_IMAGE015
表示均值滤波核的尺寸；
Figure 219565DEST_PATH_IMAGE006
表示第
Figure 622734DEST_PATH_IMAGE005
个目标像素点的灰度值；
Figure 708501DEST_PATH_IMAGE003
表示第
Figure 746471DEST_PATH_IMAGE005
个目标像素点灰度值的加权权重。
8.根据权利要求1所述的路面切割机智能调控系统，其特征在于，所述深度判断模块中，所述切割片切入路面的深度的计算公式如下：
Figure DEST_PATH_IMAGE023
式中，
Figure 813653DEST_PATH_IMAGE024
表示切割片切入路面的深度；
Figure DEST_PATH_IMAGE025
表示采集切割图像过程中切割片还未切入路面时切割片的轴心至路面的距离；
Figure 877686DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
分别表示切割片的轴心至切口边缘的垂线交于切口处的横、纵坐标；
Figure 439249DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
分别表示切割片的轴心处的横、纵坐标。
CN202210861724.XA 2022-07-22 2022-07-22 一种路面切割机智能调控系统 Active CN115082507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210861724.XA CN115082507B (zh) 2022-07-22 2022-07-22 一种路面切割机智能调控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210861724.XA CN115082507B (zh) 2022-07-22 2022-07-22 一种路面切割机智能调控系统

Publications (2)

Publication Number Publication Date
CN115082507A CN115082507A (zh) 2022-09-20
CN115082507B true CN115082507B (zh) 2022-11-18

Family

ID=83242993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210861724.XA Active CN115082507B (zh) 2022-07-22 2022-07-22 一种路面切割机智能调控系统

Country Status (1)

Country Link
CN (1) CN115082507B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661147B (zh) * 2022-12-26 2023-03-28 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) 基于机器视觉的计量检测数据识别方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5949905A (en) * 1996-10-23 1999-09-07 Nichani; Sanjay Model-based adaptive segmentation
CN101615286A (zh) * 2008-06-25 2009-12-30 中国科学院自动化研究所 一种基于图像灰度游程直方图分析的盲信息隐藏检测方法
CN103578110A (zh) * 2013-11-12 2014-02-12 河海大学 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法
CN103914811A (zh) * 2014-03-13 2014-07-09 中国科学院长春光学精密机械与物理研究所 一种基于高斯混合模型的图像增强算法
WO2016165064A1 (zh) * 2015-04-14 2016-10-20 中国科学院自动化研究所 基于多视角学习的鲁棒性前景检测方法
CN107169962A (zh) * 2017-05-16 2017-09-15 西安电子科技大学 基于空间密度约束核模糊聚类的灰度图像快速分割方法
CN109712146A (zh) * 2018-12-14 2019-05-03 广东水利电力职业技术学院（广东省水利电力技工学校） 一种基于直方图的em多阈值图像分割方法及装置
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
WO2019232945A1 (zh) * 2018-06-08 2019-12-12 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN112348831A (zh) * 2020-11-05 2021-02-09 中国石油大学(华东) 基于机器学习的页岩sem图像分割方法
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法
CN113240693A (zh) * 2021-04-27 2021-08-10 珠海埃克斯智能科技有限公司 芯片切割控制方法、系统、设备及计算机可读存储介质
CN113326865A (zh) * 2021-04-15 2021-08-31 东南大学 一种基于深度学习的高速公路路面病害三维信息检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927366B (zh) * 2021-05-10 2021-07-16 中南大学 一种沥青路面构造深度测量方法
CN114742727B (zh) * 2022-03-31 2023-05-05 南通电博士自动化设备有限公司 一种基于图像平滑的噪声处理方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5949905A (en) * 1996-10-23 1999-09-07 Nichani; Sanjay Model-based adaptive segmentation
CN101615286A (zh) * 2008-06-25 2009-12-30 中国科学院自动化研究所 一种基于图像灰度游程直方图分析的盲信息隐藏检测方法
CN103578110A (zh) * 2013-11-12 2014-02-12 河海大学 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法
CN103914811A (zh) * 2014-03-13 2014-07-09 中国科学院长春光学精密机械与物理研究所 一种基于高斯混合模型的图像增强算法
WO2016165064A1 (zh) * 2015-04-14 2016-10-20 中国科学院自动化研究所 基于多视角学习的鲁棒性前景检测方法
CN107169962A (zh) * 2017-05-16 2017-09-15 西安电子科技大学 基于空间密度约束核模糊聚类的灰度图像快速分割方法
WO2019232945A1 (zh) * 2018-06-08 2019-12-12 平安科技（深圳）有限公司 图像处理方法、装置、计算机设备及存储介质
CN109712146A (zh) * 2018-12-14 2019-05-03 广东水利电力职业技术学院（广东省水利电力技工学校） 一种基于直方图的em多阈值图像分割方法及装置
CN110443806A (zh) * 2019-04-30 2019-11-12 浙江大学 一种基于目标增强处理的水面透明漂浮危化品图像分割方法
CN110728668A (zh) * 2019-10-09 2020-01-24 中国科学院光电技术研究所 一种小目标形态保持的空域高通滤波器
CN112348831A (zh) * 2020-11-05 2021-02-09 中国石油大学(华东) 基于机器学习的页岩sem图像分割方法
CN113326865A (zh) * 2021-04-15 2021-08-31 东南大学 一种基于深度学习的高速公路路面病害三维信息检测系统
CN113240693A (zh) * 2021-04-27 2021-08-10 珠海埃克斯智能科技有限公司 芯片切割控制方法、系统、设备及计算机可读存储介质
CN113096123A (zh) * 2021-05-07 2021-07-09 湘潭大学 一种多模糊推理级联的底火侧面缺陷分类和受损程度分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A block restriction method using guided image filter for Local Histogram Equalization;Po-Hsiung Lin等;《2015 IEEE International Conference on Consumer Electronics》;20150824;1-2 *
SAR Image Despeckling Based on Local Homogeneous-Region Segmentation by Using Pixel-Relativity Measurement;Hongxiao Feng等;《IEEE Transactions on Geoscience and Remote Sensing》;20110731;第49卷(第7期);2724-2737 *
基于图像分析的成捆钢筋端面识别与计数方法研究;严星;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190715;第2019年卷(第7期);C038-905 *
金刚石切割线质量视觉检测系统与应用研究;刘晓敏;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20210415;第2021年卷(第4期);B015-192 *

Also Published As

Publication number Publication date
CN115082507A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN106548463B (zh) 基于暗通道与Retinex的海雾图像自动去雾方法及系统
CN109829876B (zh) 基于机器视觉的链板缺陷在线检测装置及方法
CN101901473B (zh) 单帧图像自适应去雾增强方法
CN106530246A (zh) 基于暗通道与非局部先验的图像去雾方法及系统
CN113034452B (zh) 一种焊件轮廓检测方法
CN117522870B (zh) 基于机器视觉的航空发动机零部件的缺陷智能检测方法
CN103020914B (zh) 基于空间连续性原理的快速图像去雾方法
CN101964108B (zh) 基于实时在线系统的叶片田间图像边缘提取方法及其系统
CN111462066B (zh) 一种基于机器视觉的螺纹参数检测方法
CN108765336A (zh) 基于暗亮原色先验与自适应参数优化的图像去雾方法
CN115082507B (zh) 一种路面切割机智能调控系统
CN111062293B (zh) 一种基于深度学习的无人机森林火焰识别方法
WO2021109697A1 (zh) 字符分割方法、装置以及计算机可读存储介质
CN106780486A (zh) 一种钢板表面缺陷图像提取方法
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN103295225B (zh) 弱光照条件下的列车转向架边缘检测方法
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN105812618B (zh) 一种运动检测方法及运动检测装置
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN115359053A (zh) 一种金属板材缺陷智能检测方法及系统
CN116630321B (zh) 基于人工智能的桥梁健康智能监测系统
CN116152749B (zh) 基于数字孪生的齿轮磨损智能监测方法
CN111753749A (zh) 一种基于特征匹配的车道线检测方法
CN115909256B (zh) 基于道路视觉图像的道路病害检测方法
CN113034379A (zh) 天候天时自适应的快速图像清晰化处理方法

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