CN116129364B - 一种皮带集控系统 - Google Patents

一种皮带集控系统 Download PDF

Info

Publication number
CN116129364B
CN116129364B CN202310402197.0A CN202310402197A CN116129364B CN 116129364 B CN116129364 B CN 116129364B CN 202310402197 A CN202310402197 A CN 202310402197A CN 116129364 B CN116129364 B CN 116129364B
Authority
CN
China
Prior art keywords
edge line
gray
image
equipment
linear
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
CN202310402197.0A
Other languages
English (en)
Other versions
CN116129364A (zh
Inventor
孙华
孙善金
张营
郑兆宗
于清璨
郑德聚
邱雷明
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 Shankuang Machinery Co ltd
Original Assignee
Shandong Shankuang 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 Shandong Shankuang Machinery Co ltd filed Critical Shandong Shankuang Machinery Co ltd
Priority to CN202310402197.0A priority Critical patent/CN116129364B/zh
Publication of CN116129364A publication Critical patent/CN116129364A/zh
Application granted granted Critical
Publication of CN116129364B publication Critical patent/CN116129364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Facsimile Image Signal Circuits (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种皮带集控系统，包括：采集图像，提取图像中的设备直线边缘线段；获取设备直线边缘线段受光照不均匀影响的程度以及调整系数因子，基于设备直线边缘线段的长度和调整系数因子获得形态学顶帽变换结构元素尺寸大小的调整系数；根据调整系数获得的结构元素尺寸大小自适应的形态学顶帽变换算法，进行图像的增强处理以及皮带的集中控制。本发明解决了形态学顶帽变化的结构元素大小的自适应问题，大大提高了对图像细节增强效果，并防止了图像边缘被破坏。

Description

一种皮带集控系统
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种皮带集控系统。
背景技术
我国煤矿大多采用了皮带运输机，随着计算机技术和通信技术的发展，皮带运输系统经过视频、声音、广播、人员定位等现代化功能的升级改造，呈现出一套集实时监测、就地显示、语音报警、远程控制于一体的煤流运输集中控制系统，实现了降低煤矿事故率、缩短故障处理时间以及提高煤矿生产效率的技术目标。为了实现对皮带运输煤矿过程中的情况结合图像监测进行集控，目前会对煤矿井下的皮带进行视频监控，然而由于煤矿井下照度低、强光干扰多会导致监控视频图像光照不均匀，容易出现目标检测失误等问题，从而无法有效的观察矿井内部状态，无法及时做出反馈，影响皮带运输机的全自动化控制。
因此对于获取的皮带运输时的监控视频图像，需要利用图像处理技术进行增强处理，避免视频图像中的照度不均问题，目前图像处理技术中去除光照不均匀时，常用的方法为形态学顶帽变换，但当形态学结构元素形状不变时，结构元素尺寸较小会导致去除不均匀光照的效果较差，而结构元素尺寸较大会对图像本身造成较大的影响。
本发明通过分析煤矿井下灰度图像的特征，自适应选取所需的结构元素尺寸进行形态学顶帽变换，获取高质量的煤矿井下灰度图像，保障集控系统获取数据的准确性，实现皮带运输机的集中控制。
发明内容
本发明提供一种皮带集控系统，以解决现有的问题。
本发明的一种皮带集控系统采用如下技术方案：
本发明一个实施例提供了一种皮带集控系统，该系统包括以下模块：
图像采集模块：利用监控摄像机采集煤矿井下图像；
图像分析模块1：获取图像暗区域中符合线性的设备直线边缘线段，统计所有符合线性的设备直线边缘线段上像素灰度值的种类数量，获得关于像素灰度值的种类数量的符合线性的设备直线边缘线段集合，记为第一集合，计算第一集合中所有符合线性的设备直线边缘线段的灰度值的种类数量的均值，记为第一阈值，获取第一集合中所有像素灰度值的种类数量大于第一阈值的符合线性的设备直线边缘线段集合，称为沿巷道方向受光照影响的边缘线段，记为第二集合；
获取第二集合中边缘线段的灰度值和灰度值频率，并根据灰度值和灰度值频率获得灰度值的影响程度因子和拟合直线斜率，根据影响程度因子和拟合直线斜率获得沿巷道方向受光照影响的边缘线段的受光照不均匀影响的程度；
图像分析模块2：利用设备直线边缘线段的平移操作获取设备直线边缘线段与相邻侧区域的灰度均值，并计算设备直线边缘线段与相邻侧区域的灰度均值之间的差异，获得灰度均值差异因子，根据灰度均值差异因子和受光照不均匀影响的程度获得调整系数因子；
将沿巷道方向受光照影响的边缘线段的像素点数量记为可信度；
根据设备直线边缘线段的调整系数因子和可信度获得形态学顶帽变换的结构元素尺寸调整系数，再根据结构元素尺寸调整系数获得结构元素尺寸以及可根据图像调整尺寸大小的形态学顶帽变换结构元素；
图像处理模块：利用可根据图像调整结构元素尺寸大小的形态学顶帽变换结构元素对煤矿井下不均匀光照图像进行处理校正，获得处理校正后的图像；
图像控制模块：根据改进后形态学顶帽变换算法处理的结果图像得到准确的监控视频数据，实现皮带运输机的集中控制。
进一步的，所述第一集合，获取方法如下：
利用监控摄像机采集煤矿井下灰度图像，利用Canny边缘检测以及霍夫直线检测获取暗区域中符合线性的设备直线边缘线段，统计所有符合线性的设备直线边缘线段上像素灰度值的种类数量，获得关于像素灰度值的种类数量的符合线性的设备直线边缘线段集合，记为第一集合。
进一步的，所述受光照不均匀影响的程度，获取方法如下：
统计第二集合中各元素对应的边缘线段的灰度值种类数量和灰度值出现的频率，以灰度值大小和灰度值出现频率作为横纵坐标的样本点集，利用最小二乘法拟合样本点集的直线，获得拟合直线以及拟合直线斜率；
将第二集合中各元素进行归一化处理，获得影响程度因子；
计算影响程度因子与拟合直线斜率的乘积，作为受光照不均匀影响的程度。
进一步的，所述调整系数因子，获取方法如下：
将沿巷道方向受光照影响的边缘线段沿其垂线方向，向两侧平移一个像素点距离，计算沿巷道方向受光照影响的边缘线段和移动后相邻侧设备直线边缘线段上像素点的灰度均值，记沿巷道方向受光照影响的边缘线段的灰度均值为第一均值，移动后相邻侧设备直线边缘线段上像素点的灰度均值为第二均值和第三均值，将第二均值和第三均值中的最小值记为第四均值；
根据第一均值与第四均值的差值绝对值获得灰度均值差异因子；
将受光照不均匀影响的程度与灰度均值差异因子的乘积作为沿巷道方向受光照影响的边缘线段所需结构元素尺寸的调整系数因子。
进一步的，所述结构元素尺寸调整系数，获取方法如下：
Figure SMS_1
其中，可信度
Figure SMS_2
表示煤矿井下灰度图像中暗区域内第j个符合沿巷道方向的设备 直线边缘线段的长度，即该设备直线边缘线段上的像素点数量，调整系数因子
Figure SMS_3
表示煤矿 井下灰度图像中暗区域内第j个符合沿巷道方向的设备直线边缘线段所需结构元素尺寸的 调整系数因子；
Figure SMS_4
表示结构元素尺寸调整系数，J表示暗区域内符合沿巷道方向的设备直线 边缘线段的数量。
进一步的，所述结构元素尺寸，获取方法如下：
将结构元素尺寸调整系数乘以常数8作为可调整尺寸因子；
Figure SMS_5
其中，
Figure SMS_6
表示该煤矿井下灰度图像所需结构元素尺寸的调整系数，
Figure SMS_7
表示向下取 整，记常数8为可调整尺寸因子，常数3为基础尺寸，K表示结构元素尺寸。
进一步的，所述监控视频数据，获取方法如下：
利用所述结构元素尺寸大小的形态学顶帽变换结构元素对所采集煤矿井下灰度图像进行形态学顶帽变换处理，对图像进行校正增强，获得处理校正后的煤矿井下灰度图像以及监控视频数据。
本发明的技术方案的有益效果是：本发明通过阈值分割获取需要增强的图像暗区域，结合设备边缘的线性特征，获取受不均匀光照影响的沿巷道方向分布的设备直线边缘线段，分析各设备直线边缘线段本身特征和其背景的对比特征，获取各设备直线边缘线段所需结构元素尺寸的调整系数，进而对形态学顶帽变换的结构元素尺寸进行自适应调节，获取最佳的结构元素尺寸，利用改进后自适应结构元素尺寸的形态学顶帽变换，对煤矿井下不均匀光照图像进行校正的过程中增强光照不充分区域内的细节信息，并防止图像边缘被破坏。
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为本发明一种皮带集控系统的系统框架图；
图2为本发明一种皮带集控系统的步骤流程图。
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皮带集控系统，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皮带集控系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种皮带集控系统的系统框架图，该系统包括以下模块：
图像采集模块：利用煤矿内的监控摄像机采集煤矿井下图像，获得RGB煤矿井下图像。
图像分析模块1：对所获取RGB煤矿井下图像进行灰度化处理并根据大津法阈值进行分割获取暗区域，根据暗区域中在相邻区域上灰度差异以及边缘线段自身的灰度大小获取对形态学的结构元素尺寸大小进行调节的受光照不均匀影响的程度。
图像分析模块2：计算获取暗区域中设备直线边缘线段与相邻侧区域的灰度均值差异，根据灰度均值差异和受光照不均匀影响的程度获得对形态学结构元素尺寸大小进行调节的调整系数因子。
图像处理模块：利用调整系数对形态学结构元素的基础尺寸大小进行调节，获得尺寸调节后的形态学结构元素，并利用尺寸调节后的形态学结构元素对灰度图像进行处理，获得处理校正后的图像。
图像控制模块：将处理校正后的煤矿井下图像利用以太网传输到井上的主控制站进行图像数据分析，实现皮带运输机的全自动控制。
进一步的，如图2所示，图像分析模块具体的步骤包括：
步骤S001，将煤矿井下图像进行灰度化处理，并利用阈值分割获取煤矿井下图像中的暗区域。
对煤矿井下皮带运输机附近的监控摄像机采集的煤矿井下图像进行灰度化处理，获得煤矿井下灰度图像。
利用大津法阈值分割获取需要增强的煤矿井下图像的暗区域，由于本实施例主要是通过形态学顶帽变换突显煤矿井下灰度图像中暗区域内的边缘细节信息，因此首先利用大津算法求取图像的最佳分割阈值T，取灰度值小于T的像素点为暗区域，其它像素点为亮区域。
然后结合煤矿井下灰度图像中巷道内的设备边缘的线性特征，获取受不均匀光照影响的沿巷道方向的设备直线边缘线段。
分析各设备直线边缘线段本身特征和其背景的对比特征，计算各设备直线边缘线段所需结构元素尺寸的调整系数，进而以表示各设备直线边缘线段可信度的长度为为权值，加权求和计算煤矿井下灰度图像所需结构元素尺寸的调整系数，获取最佳的结构元素尺寸，利用该结构元素对煤矿井下灰度图像进行形态学顶帽变换，校正不均匀光照和突显暗区域内的细节特征。
步骤S002，获得煤矿井下灰度图像中暗区域内沿巷道分布的设备直线边缘线段，对设备直线边缘线段灰度进行分析获得设备直线边缘线段受光照不均匀影响的程度，进而获得调整系数因子。
具体的步骤包括：
煤矿井下照度低、强光干扰多会导致监控视频图像光照不均匀，且煤矿井下灰度图像主体偏暗，图像细节被淹没在暗区域中，从而无法有效的观察矿井内部状态影响皮带运输机的控制。而常用的去除光照不均匀的方式为形态学顶帽变换，但当结构元素形状不变时，结构元素尺寸较小会导致去除不均匀光照的效果较差，结构元素尺寸较大会对图像本身造成较大的影响。因此本实施例通过设计一种自适应选取结构元素尺寸的形态学顶帽变换对不均匀光照的煤矿井下灰度图像进行校正，并突显暗区域内的细节信息。
为了皮带运输机的集中控制，需要获取清晰的巷道内皮带、电缆、通风、排水和进水管道等设备的边缘细节信息，而这些边缘存在线性特征。
故利用Canny算法获取暗区域内的边缘线段，令边缘像素点为1，其他像素点为0，再利用霍夫直线检测提取其中符合线性的设备直线边缘线段。
统计获取暗区域内各符合线性的设备直线边缘线段上的像素灰度值的种类数量 S，获得第一集合
Figure SMS_8
，其中
Figure SMS_9
表示暗区域内第n个符合线性的设备直线边 缘线段上像素灰度值的种类数量S，N表示符合线性的设备直线边缘线段的数量。
已知皮带运输巷道的照明主要来源于巷道顶部的定点光源，故沿巷道方向的设备 直线边缘线段上的像素灰度值会随着靠近光源逐渐变大，而垂直于巷道方向的设备直线边 缘线段上的像素点与光源位置相似，即灰度值相似。因此计算第一集合
Figure SMS_10
的均值
Figure SMS_11
，记为第一阈值，取第一集合
Figure SMS_12
中大于第 一阈值
Figure SMS_13
的数据对应的设备直线边缘线段表示沿巷道方向受光照影响的边缘线段为第 二集合
Figure SMS_14
，其体现了当前煤矿井下灰度图像中暗区域内重要边缘细节受 点光源影响的特征，且由于一个设备直线边缘线段应属于同一物体，由于矿井下光照不均 匀，该设备直线边缘线段上像素点的灰度值存在差异，故当该设备直线边缘线段上像素点 的灰度值数量S越大，说明该设备直线边缘线段体现的不均匀光照特征越多，其越重要。
然后取第二集合
Figure SMS_15
中对应的设备直线边缘线段，获取该设备直 线边缘线段上的像素的灰度值，并统计每个灰度值在这个灰度值集合中出现的频率，以灰 度值大小和灰度值出现频率作为横纵坐标，使用最小二乘法进行直线拟合，获得拟合直线 的斜率
Figure SMS_16
，由此可知该设备直线边缘线段受光照不均匀影响的程度
Figure SMS_17
为：
Figure SMS_18
其中，拟合直线斜率
Figure SMS_19
表示该设备直线边缘线段上的像素灰度值以及灰度值出现 的频率作为离散点进行直线拟合获得的拟合直线斜率，
Figure SMS_20
表示该设备直线边缘线段上的像 素灰度值的种类数量，影响程度因子
Figure SMS_21
表示对
Figure SMS_22
的归一化处理；受光照不均匀影响的程度
Figure SMS_23
表示沿巷道方向受光照影响的边缘线段中第j个边缘线段受光照不均匀影响的程度。
拟合直线斜率
Figure SMS_24
体现了该设备直线边缘线段上点光源造成的亮度逐渐变化的剧烈 程度，
Figure SMS_25
体现了该设备直线边缘线段上不均匀光照特征量，故用影响程度因子
Figure SMS_26
和拟合直 线斜率
Figure SMS_27
的乘积表示该设备直线边缘线段受光照不均匀影响的程度，即受光照不均匀影响 的程度
Figure SMS_28
值越大，需要较大的结构元素，提高不均匀光照的校正效果。
已知形态学顶帽变换中用开运算消除暗背景下的较亮区域，再用原图减去开运算 结果来突显暗区域内的细节信息。而受光照不均匀影响的程度
Figure SMS_29
只体现了暗区域内边缘细 节本身受不均匀光照的影响，因此需要进一步通过各设备直线边缘线段与对应的暗区域内 的背景差异，获取各设备直线边缘线段所需结构元素尺寸。而煤矿井下灰度图像中暗区域 内的背景多为黑色的煤壁。
因此将第二集合
Figure SMS_32
中的设备直线边缘线段沿其垂线方向，分别 向两侧平移一个像素点距离，计算设备直线边缘线段以及移动后两设备直线边缘线段上像 素点的灰度均值分别为第一均值
Figure SMS_34
、第二均值
Figure SMS_37
和第三均值
Figure SMS_31
，取移动后两设备直线边 缘线段上像素点的灰度均值
Figure SMS_35
和
Figure SMS_36
中最小的灰度均值记为第四均值
Figure SMS_38
，第四均值
Figure SMS_30
为 该设备直线边缘线段对应的煤壁背景，则沿巷道方向受光照影响的边缘线段所需结构元素 尺寸的调整系数因子
Figure SMS_33
为：
Figure SMS_39
其中受光照不均匀影响的程度
Figure SMS_40
表示沿巷道方向受光照影响的边缘线段中第j个 边缘线段受光照不均匀影响的程度，第一均值
Figure SMS_41
和第四均值
Figure SMS_42
分别表示沿巷道方向受光照 影响的边缘线段中第j个边缘线段的灰度值的均值和其对应的煤壁背景灰度均值。e为自然 常数。
受光照不均匀影响的程度
Figure SMS_43
表示沿巷道方向受光照影响的边缘线段中第j个边缘 线段受光照不均匀影响的程度，其值越大，需要较大的结构元素，提高不均匀光照的校正效 果。灰度均值差异
Figure SMS_44
表示第j个边缘线段的灰度与煤壁背景灰度均值的差异，其值越 大，则形态学顶帽变换时该设备直线边缘线段突显的程度越大，因此需要较小的结构元素， 防止结构元素尺寸较大对图像边缘细节造成较大的影响。
另外根据灰度均值差异
Figure SMS_45
获得背景特征
Figure SMS_46
。
故用表示沿巷道方向受光照影响的边缘线段的受光照不均匀影响的程度
Figure SMS_47
和表示 该设备直线边缘线段与其对应暗区域内的背景特征
Figure SMS_48
的乘积表示该设备直线边缘 线段所需结构元素尺寸的调整系数。用以在提高不均匀光照的校正效果的同时保护图像边 缘细节特征。
步骤S003，根据调整系数因子获得形态学顶帽变换结构元素尺寸调整系数，进而得到可根据图像调整尺寸大小的形态学顶帽变换结构元素。
具体的步骤包括：
同理获取煤矿井下灰度图像中暗区域内各符合沿巷道方向的设备直线边缘线段 所需结构元素尺寸的调整系数因子B，获得集合
Figure SMS_49
，其中
Figure SMS_50
表示暗区域内 第j个符合沿巷道方向的设备直线边缘线段所需结构元素尺寸的调整系数因子B，J表示暗 区域内符合沿巷道方向的设备直线边缘线段的数量。
进一步的，将获取的符合沿巷道方向的设备直线边缘线段所需结构元素尺寸的调 整系数因子集合
Figure SMS_51
利用线性归一化得到归一化调整系数因子以及归一 化调整系数因子集合
Figure SMS_52
。
另外，统计获取煤矿井下灰度图像中暗区域中第j个沿巷道方向的设备直线边缘 线段的长度C，即该设备直线边缘线段上的像素点数量
Figure SMS_53
。
根据设备直线边缘线段上的像素点数量
Figure SMS_54
和结构元素尺寸的调整系数因子B获取 该煤矿井下灰度图像所需结构元素尺寸调整系数
Figure SMS_55
为：
Figure SMS_56
其中，可信度
Figure SMS_57
表示煤矿井下灰度图像中暗区域内第j个符合沿巷道方向的设备 直线边缘线段的长度，即该设备直线边缘线段上的像素点数量，调整系数因子
Figure SMS_58
表示煤矿 井下灰度图像中暗区域内第j个符合沿巷道方向的设备直线边缘线段所需结构元素尺寸的 调整系数因子；
Figure SMS_59
表示结构元素尺寸调整系数，J表示暗区域内符合沿巷道方向的设备直线 边缘线段的数量。
调整系数
Figure SMS_60
表示煤矿井下灰度图像中暗区域内第j个符合沿巷道方向的设备直线 边缘线段所需结构元素尺寸的调整系数因子，其值越大，所需结构元素尺寸越大。另外，
Figure SMS_61
也 可以表示该设备直线边缘线段为真正沿巷道方向的可信度，根据图像的拍摄角度可知，沿 巷道方向的直线边缘的长度应较长，而这些沿巷道方向的设备直线边缘线段多为重要的设 备、管道边缘，且较好的体现了不均匀光照的影响，以及提供分析的数据量较多，故
Figure SMS_62
越大对 应的
Figure SMS_63
越可信。因此以归一化可信度
Figure SMS_64
为权值对
Figure SMS_65
进行加权求和，获取该煤矿井下灰度 图像所需结构元素尺寸的调整系数。
本实施例设定结构元素为正方形，且最大尺寸为11，最小尺寸为3，实时者可根据 实际需求自行设定，则该煤矿井下灰度图像中第j个符合沿巷道方向的设备直线边缘线段 所需的结构元素尺寸
Figure SMS_66
为：
Figure SMS_67
其中
Figure SMS_68
表示该煤矿井下灰度图像所需结构元素尺寸的调整系数，
Figure SMS_69
表示向下取整， 记常数8为可调整尺寸因子，常数3为基础尺寸，为了保证结构元素尺寸为奇数，当结构元素 尺寸K为偶数时，令结构元素尺寸K加1。
传统的形态学顶帽变换，当结构元素形状固定时，结构元素尺寸较小导致去除不均匀光照和突显暗区域细节信息的效果较差，而结构元素尺寸较大会对图像边缘造成较大的影响。本实施例先通过阈值分割获取需要增强的图像暗区域，然后结合煤矿井下巷道内的设备边缘的线性特征，获取受不均匀光照影响的沿巷道方向的设备直线边缘线段，分析各设备直线边缘线段本身特征和其背景的对比特征，计算各设备直线边缘线段所需结构元素尺寸的调整系数，进而以表示各设备直线边缘线段可信度的长度为权值，加权求和计算煤矿井下灰度图像所需结构元素尺寸的调整系数，获取最佳的结构元素尺寸，在形态学顶帽变换对煤矿井下不均匀光照图像进行校正的过程中突显暗区域内的细节信息，并防止图像边缘被破坏。
步骤S004，利用可根据图像调整结构元素尺寸大小的改进形态学顶帽变换算法对煤矿井下不均匀光照图像进行处理校正。
具体的步骤包括：
利用上述中获取的结构元素尺寸K，对所采集的煤矿井下灰度图像进行形态学顶帽变换处理。
则该图像进行形态学顶帽变换的过程为：
Figure SMS_70
其中F表示煤矿井下灰度图像，
Figure SMS_71
表示形态学开运算操作，
Figure SMS_72
表示尺寸为K的正方形 结构元素，
Figure SMS_73
表示形态学顶帽变换后的煤矿井下灰度图像。此外公知技术，不做解释。
至此获取不均匀光照校正后，且突显暗区域内细节特征的高质量煤矿井下灰度图像。
图像控制模块：根据改进后形态学顶帽变换处理的结果图像得到准确的监控视频数据，实现皮带运输机的集中控制。
已知皮带运输机的集中控制系统根据井下的多个分控制站采集视频监控数据、传感器数据（所包括的传感器有：皮带速度传感器，温度传感器，跑偏传感器，堆煤传感器，烟雾传感器等）和人员定位数据等，再通过以太网将以上所述数据传输至井上的主控制站进行图像数据、传感器数据以及人员定位数据的分析，实现皮带运输机的全自动控制。
具体的数据分析方法为：
1.采集某一时刻某一位置的煤矿井下监控图像和同一时刻采集的传感器数据作为一个样本，同时由煤炭业的相关专业人员对带有传感器数据和人员定位数据以及监控图像进行人工打标签的方式，将皮带运输机的控制数据（该控制数据作为对皮带运输机的控制参数，保证皮带运输机在运输过程中出现跑偏也能稳定运行，且能够逐渐将跑偏情况校正为正常运行状态）作为人工标签赋予每个监控图像；那么采集大量不同时刻以及不同采集场景下的监控图像数据，得到大量的样本，并对这些样本标记标签，所有样本和标签构成ResNet卷积神经网络的数据集；
2.利用数据集对卷积神经网络进行训练，获取训练完成后的ResNet卷积神经网络；
3.将训练完成后的ResNet卷积神经网络投入煤矿采集工作中进行使用，保证输送机均是有煤自动运行，无煤自动停机，杜绝无煤空转现象，并在跑偏时可以稳定运输机运行，实现基于煤矿井下图像的皮带运输机的全自动集中控制。
因为煤矿井下照度低、强光干扰多会导致监控视频图像光照不均匀，且煤矿井下灰度图像主体偏暗，图像细节被淹没在暗区域中，从而无法有效的观察矿井内部状态，无法及时做出反馈，影响井皮带运输机的全自动化控制。因此本实施例通过步骤以获取不均匀光照校正后，且突显暗区域内细节特征的高质量煤矿井下灰度图像，为井上的主控制站提供了准确的图像数据支持，实现皮带运输机的智能集中控制。
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)

1.一种皮带集控系统，其特征在于，该系统包括以下模块：
图像采集模块：利用监控摄像机采集煤矿井下图像；
图像分析模块1：获取图像暗区域中符合线性的设备直线边缘线段，统计所有符合线性的设备直线边缘线段上像素灰度值的种类数量，获得关于像素灰度值的种类数量的符合线性的设备直线边缘线段集合，记为第一集合，计算第一集合中所有符合线性的设备直线边缘线段的灰度值的种类数量的均值，记为第一阈值，获取第一集合中所有像素灰度值的种类数量大于第一阈值的符合线性的设备直线边缘线段集合，称为沿巷道方向受光照影响的边缘线段，记为第二集合；
获取第二集合中边缘线段的灰度值和灰度值频率，并根据灰度值和灰度值频率获得灰度值的拟合直线斜率，将第二集合中各元素进行归一化处理，获得影响程度因子,根据影响程度因子和拟合直线斜率获得沿巷道方向受光照影响的边缘线段的受光照不均匀影响的程度；
图像分析模块2：利用设备直线边缘线段的平移操作获取设备直线边缘线段与相邻侧区域的灰度均值，并计算设备直线边缘线段与相邻侧区域的灰度均值之间的差异，获得灰度均值差异因子，根据灰度均值差异因子和受光照不均匀影响的程度获得调整系数因子；
将沿巷道方向受光照影响的边缘线段的像素点数量记为可信度；
根据设备直线边缘线段的调整系数因子和可信度获得形态学顶帽变换的结构元素尺寸调整系数，再根据结构元素尺寸调整系数获得结构元素尺寸以及可根据图像调整尺寸大小的形态学顶帽变换结构元素；
图像处理模块：利用可根据图像调整结构元素尺寸大小的形态学顶帽变换结构元素对煤矿井下不均匀光照图像进行处理校正，获得处理校正后的图像；
图像控制模块：根据改进后形态学顶帽变换算法处理的结果图像得到准确的监控视频数据，实现皮带运输机的集中控制。
2.根据权利要求1所述一种皮带集控系统，其特征在于，所述第一集合，获取方法如下：
利用监控摄像机采集煤矿井下灰度图像，利用Canny边缘检测以及霍夫直线检测获取暗区域中符合线性的设备直线边缘线段，统计所有符合线性的设备直线边缘线段上像素灰度值的种类数量，获得关于像素灰度值的种类数量的符合线性的设备直线边缘线段集合，记为第一集合。
3.根据权利要求1所述一种皮带集控系统，其特征在于，所述受光照不均匀影响的程度，获取方法如下：
统计第二集合中各元素对应的边缘线段的灰度值种类数量和灰度值出现的频率，以灰度值大小和灰度值出现频率作为横纵坐标的样本点集，利用最小二乘法拟合样本点集的直线，获得拟合直线以及拟合直线斜率；
计算影响程度因子与拟合直线斜率的乘积，作为受光照不均匀影响的程度。
4.根据权利要求1所述一种皮带集控系统，其特征在于，所述调整系数因子，获取方法如下：
将沿巷道方向受光照影响的边缘线段沿其垂线方向，向两侧平移一个像素点距离，计算沿巷道方向受光照影响的边缘线段和移动后相邻侧设备直线边缘线段上像素点的灰度均值，记沿巷道方向受光照影响的边缘线段的灰度均值为第一均值，移动后相邻侧设备直线边缘线段上像素点的灰度均值为第二均值和第三均值，将第二均值和第三均值中的最小值记为第四均值；
根据第一均值与第四均值的差值绝对值获得灰度均值差异因子；
将受光照不均匀影响的程度与灰度均值差异因子的乘积作为沿巷道方向受光照影响的边缘线段所需结构元素尺寸的调整系数因子。
5.根据权利要求1所述一种皮带集控系统，其特征在于，所述结构元素尺寸调整系数，获取方法如下：
Figure QLYQS_1
其中，可信度
Figure QLYQS_2
表示煤矿井下灰度图像中暗区域内第j个符合沿巷道方向的设备直线边缘线段的长度，即该设备直线边缘线段上的像素点数量，调整系数因子/>
Figure QLYQS_3
表示煤矿井下灰度图像中暗区域内第j个符合沿巷道方向的设备直线边缘线段所需结构元素尺寸的调整系数因子；/>
Figure QLYQS_4
表示结构元素尺寸调整系数，J表示暗区域内符合沿巷道方向的设备直线边缘线段的数量。
6.根据权利要求2所述一种皮带集控系统，其特征在于，所述结构元素尺寸，获取方法如下：
将结构元素尺寸调整系数乘以常数8作为可调整尺寸因子；
Figure QLYQS_5
其中，
Figure QLYQS_6
表示该煤矿井下灰度图像所需结构元素尺寸的调整系数，/>
Figure QLYQS_7
表示向下取整，记常数8为可调整尺寸因子，常数3为基础尺寸，K表示结构元素尺寸。
7.根据权利要求1所述一种皮带集控系统，其特征在于，所述监控视频数据，获取方法如下：
利用所述结构元素尺寸大小的形态学顶帽变换结构元素对所采集煤矿井下灰度图像进行形态学顶帽变换处理，对图像进行校正增强，获得处理校正后的煤矿井下灰度图像以及监控视频数据。
CN202310402197.0A 2023-04-17 2023-04-17 一种皮带集控系统 Active CN116129364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310402197.0A CN116129364B (zh) 2023-04-17 2023-04-17 一种皮带集控系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310402197.0A CN116129364B (zh) 2023-04-17 2023-04-17 一种皮带集控系统

Publications (2)

Publication Number Publication Date
CN116129364A CN116129364A (zh) 2023-05-16
CN116129364B true CN116129364B (zh) 2023-06-30

Family

ID=86306613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310402197.0A Active CN116129364B (zh) 2023-04-17 2023-04-17 一种皮带集控系统

Country Status (1)

Country Link
CN (1) CN116129364B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881915A (zh) * 2022-02-11 2022-08-09 西安电子科技大学 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN115908590A (zh) * 2022-10-13 2023-04-04 新疆青卫舜源信息科技有限公司 基于人工智能的数据智能采集方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100512374C (zh) * 2007-12-05 2009-07-08 北京航空航天大学 一种基于阈值分割的图像边缘检测方法
CN106548457B (zh) * 2016-10-14 2019-11-22 北京航空航天大学 一种利用多方向一阶偏导数的红外弱小目标检测方法
CN109961982B (zh) * 2018-07-24 2020-07-24 浙江企信检测有限公司 防鼠咬式温控器底座机构
CN113674201B (zh) * 2021-07-09 2024-07-26 福建南方路面机械股份有限公司 一种骨料粒径抽样监测方法
CN115205363A (zh) * 2022-07-15 2022-10-18 广东恒利混凝土制品有限公司 基于改进ResNet网络的传送带实时判空检测方法与系统
CN114998377B (zh) * 2022-08-05 2022-10-28 南京国盛华兴科技有限公司 一种图像的边缘检测方法、装置、电子设备及存储介质
CN115131375B (zh) * 2022-08-29 2022-11-18 南通富莱克流体装备有限公司 一种矿石自动分割方法
CN115127479A (zh) * 2022-09-02 2022-09-30 西安西动智能科技有限公司 一种基于机器视觉的胶辊螺纹在线检测及修正方法
CN115641329B (zh) * 2022-11-15 2023-04-07 武汉惠强新能源材料科技有限公司 一种锂电池隔膜缺陷检测方法及系统
CN115661822B (zh) * 2022-12-27 2023-03-21 苏州鸿安机械股份有限公司 一种用于输送机的远程控制系统及方法
CN115802056B (zh) * 2023-01-31 2023-05-05 南通凯沃智能装备有限公司 用于移动终端的用户数据压缩存储方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114881915A (zh) * 2022-02-11 2022-08-09 西安电子科技大学 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
CN115908590A (zh) * 2022-10-13 2023-04-04 新疆青卫舜源信息科技有限公司 基于人工智能的数据智能采集方法及系统

Also Published As

Publication number Publication date
CN116129364A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN106875373B (zh) 基于卷积神经网络剪枝算法的手机屏幕mura缺陷检测方法
CN114494210B (zh) 基于图像处理的塑料膜生产缺陷检测方法及系统
CN116630813B (zh) 一种公路路面施工质量智能检测系统
CN115131354A (zh) 一种基于光学手段的实验室用塑料薄膜缺陷检测方法
CN107038444A (zh) 一种指针式表盘的图像识别方法
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN118196068A (zh) 一种基于人工智能的纺织品印染质量监控系统
CN114511519A (zh) 一种基于图像处理的列车车底螺栓丢失检测方法
CN115862021B (zh) 基于yolo的水电站闸门自动识别方法
CN115019160A (zh) 一种工厂仓库入库物流智能控制方法
CN114782421A (zh) 基于产蛋异常检测的家禽兽医辅助系统
CN117830300A (zh) 一种基于视觉的燃气管道外观质量检测方法
CN116129364B (zh) 一种皮带集控系统
CN115526806A (zh) 基于人工智能的黑光图像自动校色方法
CN118172299B (zh) 一种用于提升城市勘测遥感图像质量的增强方法
CN117079197B (zh) 一种智慧工地管理方法及系统
CN118338134A (zh) 一种基于自适应调光技术的无人机辅助拍照方法及系统
CN116681879B (zh) 一种光学图像边界层转捩位置的智能判读方法
CN117593291A (zh) 一种基于fpga的卷积神经网络电缆缺陷检测方法
CN117496426A (zh) 基于互学习的预制梁工序识别方法及装置
CN113239806B (zh) 一种基于图像识别的幕墙板块识别方法及系统
CN111539329B (zh) 一种自适应的变电站指针仪表识别方法
CN113365400B (zh) 基于人工智能和视频分析的多时段路灯控制系统
CN118212478B (zh) 基于图像处理的建筑工程质量检测方法
CN114494869A (zh) 一种基于棚架式栽培水果的快速识别与逆光补偿装置

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