CN115620045A - 一种无人天车钢卷倾斜检测方法 - Google Patents
一种无人天车钢卷倾斜检测方法 Download PDFInfo
- Publication number
- CN115620045A CN115620045A CN202211146623.0A CN202211146623A CN115620045A CN 115620045 A CN115620045 A CN 115620045A CN 202211146623 A CN202211146623 A CN 202211146623A CN 115620045 A CN115620045 A CN 115620045A
- Authority
- CN
- China
- Prior art keywords
- steel coil
- inclination
- image
- overhead traveling
- traveling crane
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Control And Safety Of Cranes (AREA)
Abstract
本发明涉及一种无人天车钢卷倾斜检测方法,属于冶金自动化生产方法技术领域。本发明的技术方案是:通过天车下摄像头获取钢卷图像,通过基于深度学习的图像分类方法,采用目前图像分类领域精准度领先的卷积神经网络模型,结合钢卷倾斜图像数据集进行模型训练,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故。本发明的有益效果是:通过在厂区及无人天车下方加装摄像头,利用摄像头实时捕获的视频流进行若干安全状态的判定,避免发生人车碰撞事故,实现全方位的智能安防监控,保障厂区作业安全。
Description
技术领域
本发明涉及一种无人天车钢卷倾斜检测方法,属于冶金自动化生产方法技术领域。
背景技术
无人天车是以全自动天车运行代替人工操作天车的一种全新的天车作业方式。无人天车控制方法是随企业物流的发展,信息化的逐步完善的产物,无人天车自动化技术的提高,可以显著提高生产及运输效率。而无人天车系统存在抓取第二层钢卷时,第二层钢卷发生倾斜的问题。在无人天车抓取第二层钢卷发生倾斜的情况下,如果无法及时发现并且调整抓取钢卷位置,可能会造成钢卷损坏、天车损坏的问题隐患。
发明内容
本发明目的是提供一种无人天车钢卷倾斜检测方法,通过在厂区及无人天车下方加装摄像头,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故,有效地解决了背景技术中存在的上述问题。
本发明的技术方案是:一种无人天车钢卷倾斜检测方法,包含以下步骤:通过天车下摄像头获取钢卷图像,通过基于深度学习的图像分类方法,采用目前图像分类领域精准度领先的卷积神经网络模型,结合钢卷倾斜图像数据集进行模型训练,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故。
具体步骤如下:
步骤a、当无人天车放卷完成并夹钳打开后,且在夹钳提升前,给系统发送信号,系统接收信号并拍摄正下方抓取到的钢卷图像,对于该图像进行固定尺度裁剪;
步骤b、利用卷积层提取图像中的各种特征,包括边缘、线条和纹理底层特征;
步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接;
步骤d、对最终得到的特征图进行全连接,获取二维的特征向量,利用该特征向量进行二分类钢卷倾斜检测,判断抓取状态是否正常;
步骤e、对于网络中的输出,如果分类结果为正例,即状态不正常,发现了倾斜,通过信号方式送给无人天车系统,产生钢卷倾斜报警。
所述步骤b中,采用基于深度学习的卷积神经网络模型算法,应用基于残差网络的卷积神经网络模型进行钢卷特征的提取。
所述步骤c中,利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的训练与计算,保证实现精准快速的钢卷倾斜检测。
本发明的有益效果是:通过在厂区及无人天车下方加装摄像头,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故。
附图说明
图1是本发明实施例的作业区域摄像头捕获的实时视频流图像;
图2是本发明实施例的检测钢卷倾斜的卷积神经网络模型组成架构图;
图3是本发明的系统流程图。
具体实施方式
为了使发明实施案例的目的、技术方案和优点更加清楚,下面将结合实施案例中的附图,对本发明实施案例中的技术方案进行清晰的、完整的描述,显然,所表述的实施案例是本发明一小部分实施案例,而不是全部的实施案例,基于本发明中的实施案例,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案例,都属于本发明保护范围。
一种无人天车钢卷倾斜检测方法,包含以下步骤:通过天车下摄像头获取钢卷图像,通过基于深度学习的图像分类方法,采用目前图像分类领域精准度领先的卷积神经网络模型,结合钢卷倾斜图像数据集进行模型训练,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故。
具体步骤如下:
步骤a、当无人天车放卷完成并夹钳打开后,且在夹钳提升前,给系统发送信号,系统接收信号并拍摄正下方抓取到的钢卷图像,对于该图像进行固定尺度裁剪;
步骤b、利用卷积层提取图像中的各种特征,包括边缘、线条和纹理底层特征;
步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接;
步骤d、对最终得到的特征图进行全连接,获取二维的特征向量,利用该特征向量进行二分类钢卷倾斜检测,判断抓取状态是否正常;
步骤e、对于网络中的输出,如果分类结果为正例,即状态不正常,发现了倾斜,通过信号方式送给无人天车系统,产生钢卷倾斜报警。
所述步骤b中,采用基于深度学习的卷积神经网络模型算法,应用基于残差网络的卷积神经网络模型进行钢卷特征的提取。
所述步骤c中,利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的训练与计算,保证实现精准快速的钢卷倾斜检测。
在实际应用中,本发明包括如下步骤:
步骤a、当无人天车放卷完成、夹钳打开后,且在夹钳提升前,给本系统发送信号,本系统接收信号并拍摄正下方抓取到的钢卷图像,对于该图像进行固定尺度裁剪。
主要代码如下:
#define MAX_DY 30000
#define MIN_DY 3000
#define AREA_DIS 2500
#define AREA_CHK 2000
#define offset 500
#define Right_offset 2500
#define Left_offset 1500
int jpasspnt();
void DequeueMsg();
int Init();
int before_dy_chk(int, int);
int danger_get();
void data_set(int);
int Safe_jpasspnt();
int Proc_infwalkways();
int safe_danger_get(int dong_idx,int f_dx,int f_dy,int t_dx,int t_dy);
int safe_passpt=0;
struct
{
int dx;
int dy;
} passup[5];
struct
{
int dx;
int dy;
} passdn[5];
struct
{
int dx;
int dy;
} passup_[5];
struct
{
int dx;
int dy;
} passdn_[5];
struct
{
int dx;
int dy;
} safe_passup[5];
步骤b、利用卷积层提取图像中的各种特征,包括边缘,线条,纹理等底层特征。
采用基于深度学习的卷积神经网络模型算法,应用基于残差网络的卷积神经网络模型进行钢卷特征的提取。
主要代码如下:
UCHAR Qmsg[BUFSIZE];
char gc104[10];
char gc301[10];
truct
{
struct
{
char front_x [7];
char front_y [7];
char rear_x [7];
char rear_y [7];
} walkways_area[5];
} Setdong[2];
int main()
{
int i = 0;
int k = 0;
int aa;
char oldcar;
int fault_dxy[8];
strcpy(APPNAME, "JPASSPNT");
sprintf(logfp, "JPASSPNT PROCESS START");
_LOG_PRINT(APPNAME, 'I', "main", logfp);
if ( Init() == FAILURE )
{
exit( 0 );
}
while( GM->process[JPASSPNT].flag != 'D' )
{
memset (Qmsg, 0x00, sizeof(Qmsg));
if ((Qbytes = _msg_rcv(Q_MY, &SndP, Qmsg, BUFSIZE)) > 0)
{
sprintf(logfp, "[%d]Message recv [%s]", SndP, Qmsg);
_LOG_PRINT(APPNAME, 'I', "main", logfp);
sprintf(gc104, "%.3sGC104", GM->sys.yardbtp);
sprintf(gc301, "%.3sGC301", GM->sys.yardbtp);
DequeueMsg();
}
_Wait ( 0.3 );
}
_ProcessDown(JPASSPNT);
return( 0 );
}
步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接。
利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的训练与计算,保证实现精准快速的钢卷倾斜检测。
主要代码如下:
int Init()
{
int errno, returnCode;
int i;
if( _IsProcessExist( "JPASSPNT" ))
return(FAILURE);
setsid();
chdir( "/" );
umask( 0 );
signal( SIGCHLD, SIG_IGN );
signal( SIGHUP, SIG_IGN );
signal( SIGABRT, _Exit);
signal( SIGTERM, _Exit);
signal( SIGINT, _Exit);
if ( !_shm_mapping() )
{
sprintf(logfp, " Global Mapping FAILURE!");
_LOG_PRINT(APPNAME, 'I', "Init", logfp);
return( FAILURE );
}
if ( ( Q_MY = _msg_open( JPASSPNT ) ) < 0 )
{
sprintf(logfp, "JPASSPNT Message Queue Create ERROR!");
_LOG_PRINT(APPNAME, 'I', "Init", logfp);
return( FAILURE );
}
for ( i = 0; i < MAX_CRANE; i++ )
{
Q_CRANE[i] = _msg_open( CRSNDXXX+i );
}
sprintf(logfp, "JPASSPNT Message Queue Create SUCCESS!!!!");
_LOG_PRINT(APPNAME, 'I', "Init", logfp);
_ProcessAlive( JPASSPNT, APPNAME);
_msg_reading( Q_MY );
Proc_infwalkways();
return( SUCCESS );
}
void DequeueMsg()
{
int f_dx, f_dy, t_dx, t_dy, re_dy, re_pass, i;
UCHAR test[BUFSIZE];
char temp[10];
int vas_dong;
int ido;
passpt = 0;
safe_passpt=0;
}
步骤d、对最终得到的特征图进行全连接,获取二维的特征向量,利用该特征向量进行二分类钢卷倾斜检测,判断抓取状态是否正常。
主要代码如下:
void data_set(int gbn)
{
int i;
char temp[10];
for(i = 0; i < 5; i++)
{
if(gbn == 1)
{
sprintf(temp, "%06d", passup[i].dx);
memcpy(plcgc104.up_move[i].cr_up_dx, temp, 6);
if(passup[i].dy == 17500 && passup[i].dx == 27500 && from_dy >17500)
{
sprintf(temp, "%05d", from_dy);
memcpy(plcgc104.up_move[i].cr_up_dy, temp, 5);
sprintf(logfp, "1111from DY[%d] to DY[%d]", from_dy, to_dy);
_LOG_PRINT(APPNAME, 'I', "danger_get", logfp);
}
else
{
sprintf(temp, "%05d", passup[i].dy);
memcpy(plcgc104.up_move[i].cr_up_dy, temp, 5);
}
sprintf(temp, "%06d", passdn[i].dx);
memcpy(plcgc104.dn_move[i].cr_dn_dx, temp, 6);
if(passdn[i].dy == 17500 && passdn[i].dx == 27500 && from_dy >17500)
{
sprintf(temp, "%05d", from_dy);
memcpy(plcgc104.dn_move[i].cr_dn_dy, temp, 5);
sprintf(logfp, "2222from DY[%d] to DY[%d]", from_dy, to_dy);
_LOG_PRINT(APPNAME, 'I', "danger_get", logfp);
}
else
{
sprintf(temp, "%05d", passdn[i].dy);
memcpy(plcgc104.dn_move[i].cr_dn_dy, temp, 5);
}
}
Else
步骤e、对于网络中的输出,如果分类结果为正例,即状态不正常,发现了倾斜,通过信号方式送给无人天车系统,产生钢卷倾斜报警。
主要代码如下:
count_up=0;
count_dn=0;
for(ido = 0; ido < 5; ido++)
{
/* if(passup_[ido].dx > 0 && passup_[ido].dy > 0)
{
count_up++;
}
if(passdn_[ido].dx > 0 && passdn_[ido].dy > 0)
{
count_dn++;
} */
if(passup[ido].dx > 0 && passup[ido].dy > 0)
{
count_up++;
}
if(passdn[ido].dx > 0 && passdn[ido].dy > 0)
{
count_dn++;
}
}
for(ido = 0; ido < 5; ido++)
{
if(safe_passup[ido].dx > 0 && safe_passup[ido].dy > 0)
{
safe_count_up++;
}
if(safe_passdn[ido].dx > 0 && safe_passdn[ido].dy > 0。
Claims (4)
1.一种无人天车钢卷倾斜检测方法,其特征在于包含以下步骤:通过天车下摄像头获取钢卷图像,通过基于深度学习的图像分类方法,采用目前图像分类领域精准度领先的卷积神经网络模型,结合钢卷倾斜图像数据集进行模型训练,使得天车抓取钢卷处于倾斜状态时,及时检测出钢卷倾斜状态并发送报警信号,防止钢卷掉落而造成事故。
2.根据权利要求1所述的一种无人天车钢卷倾斜检测方法,其特征在于:具体步骤如下:
步骤a、当无人天车放卷完成并夹钳打开后,且在夹钳提升前,给系统发送信号,系统接收信号并拍摄正下方抓取到的钢卷图像,对于该图像进行固定尺度裁剪;
步骤b、利用卷积层提取图像中的各种特征,包括边缘、线条和纹理底层特征;
步骤c、每个特征进行降采样, 在卷积层和降采样层进行残差计算, 重复卷积层和降采样的残差块连接;
步骤d、对最终得到的特征图进行全连接,获取二维的特征向量,利用该特征向量进行二分类钢卷倾斜检测,判断抓取状态是否正常;
步骤e、 对于网络中的输出,如果分类结果为正例,即状态不正常,发现了倾斜,通过信号方式送给无人天车系统,产生钢卷倾斜报警。
3.根据权利要求2所述的一种无人天车钢卷倾斜检测方法,其特征在于:所述步骤b中,采用基于深度学习的卷积神经网络模型算法,应用基于残差网络的卷积神经网络模型进行钢卷特征的提取。
4.根据权利要求2所述的一种无人天车钢卷倾斜检测方法,其特征在于:所述步骤c中,利用天车过程自动化系统的高性能GPU服务器进行神经网络模型的训练与计算,保证实现精准快速的钢卷倾斜检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146623.0A CN115620045A (zh) | 2022-09-20 | 2022-09-20 | 一种无人天车钢卷倾斜检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211146623.0A CN115620045A (zh) | 2022-09-20 | 2022-09-20 | 一种无人天车钢卷倾斜检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620045A true CN115620045A (zh) | 2023-01-17 |
Family
ID=84857823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211146623.0A Pending CN115620045A (zh) | 2022-09-20 | 2022-09-20 | 一种无人天车钢卷倾斜检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620045A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
-
2022
- 2022-09-20 CN CN202211146623.0A patent/CN115620045A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ki et al. | A traffic accident recording and reporting model at intersections | |
WO2019178851A1 (zh) | 一种基于深度学习的井盖缺失检测系统及方法 | |
CN115620045A (zh) | 一种无人天车钢卷倾斜检测方法 | |
CN103236181A (zh) | 一种基于机器视觉的交通信号灯状态监控系统及方法 | |
CN113255439B (zh) | 一种障碍物识别方法、装置、系统、终端及云端 | |
CN113763719A (zh) | 一种基于无人机的违法占用应急车道检测方法及系统 | |
CN114005074B (zh) | 交通事故的确定方法、装置及电子设备 | |
CN111445726A (zh) | 基于分布式视频监测的桥梁防撞预警的系统及方法 | |
CN210666820U (zh) | 一种基于dsp边缘计算的行人异常行为检测系统 | |
CN115909223A (zh) | 一种wim系统信息与监控视频数据匹配的方法和系统 | |
CN109387218A (zh) | 车载设备及道路维护辅助管理系统 | |
CN111105619A (zh) | 一种路侧逆向停车的判断方法及装置 | |
CN102622883A (zh) | 判定交通事件解除的方法及装置 | |
CN117391894A (zh) | 一种巡逻机器人协同违章取证方法、系统及介质 | |
CN114241781B (zh) | 一种基于车祸识别自动报警功能系统 | |
CN113112814B (zh) | 右转不停车的抓拍方法、抓拍设备及计算机存储介质 | |
CN116152753A (zh) | 车辆信息识别方法和系统、存储介质和电子装置 | |
CN117152945A (zh) | 处理交通事故的方法和系统、以及存储介质 | |
CN112860766B (zh) | 一种公交运行车次认定方法及装置 | |
CN104408942A (zh) | 车辆智能测速装置与方法 | |
CN115985106A (zh) | 一种基于图像识别和激光点云技术的货车违规监控方法 | |
CN112507993B (zh) | 一种异常驶离的检测方法、系统、电子设备及存储介质 | |
CN103496370A (zh) | 一种车道偏离预警方法 | |
CN114419925A (zh) | 一种车路协同的防碰预警系统和方法 | |
CN113378803A (zh) | 一种道路交通事故检测方法、装置、计算机及存储介质 |
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 |