CN116221231B - 一种高精度油缸位移检测方法及液压油缸 - Google Patents

Abstract

本发明公开了一种高精度油缸位移检测方法及液压油缸，包括：设置异步时域视觉传感器，将异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄；使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列；将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声；计算图像的二维直方图并对比标准图像的二维直方图；计算图像与标准图像的绝对值距离，在候选图像挑选最匹配的标准图像得到油缸位移情况。本发明噪声的识别更稳定，对时间域与空间域的计算规模进行分解，加快算法的处理效率，同时考虑图像矩阵逐个像素点与像素点邻域的信息，为后续与标准图像的匹配提供更丰富的细节，实现高精度的油缸位移检测。

Description

一种高精度油缸位移检测方法及液压油缸

技术领域

本发明涉及油缸位移检测的技术领域，尤其涉及一种高精度油缸位移检测方法及液压油缸。

背景技术

高精度液压油缸位移检测是指使用技术手段对油缸的位移进行精确测量的过程。油缸位移检测常用于机械设备的维护和保养，是保证机械设备正常运行的重要手段之一。异步时域视觉传感器有低成本、占用空间小以及更换便捷等特点，目前已被搭载在液压油缸上用于实现油缸的位移测量。然而，异步时域视觉传感器获取的图像存在一定噪声干扰，会对油缸的位移精确测量产生影响。其次，常见的基于异步时域视觉传感器的测量方法仅直接使用获取到的图像单个像素信息，未将邻域信息考虑在内，从而无法实现高精度的油缸位移监测。

发明内容

有鉴于此，本发明提供一种高精度油缸位移检测方法及液压油缸，目的在于：（1）通过使用异步时域视觉传感器测量油缸的位移，并使用时空变长滤波方法去除传感器获取图像的噪声。（2）通过使用二维直方图的匹配方法，同时考虑了图像矩阵逐个像素点与像素点邻域的信息，可以获得更加精确的测量结果，从而提高机械设备的维护和保养效率。

实现上述目的，本发明提供的一种高精度油缸位移检测方法，包括以下步骤：

S1：设置异步时域视觉传感器，将异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄；

S2：使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列；

S3：将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声；

S4：计算图像的二维直方图并对比标准图像的二维直方图；

S5：计算图像与标准图像的绝对值距离，结合S4中的候选图像挑选最匹配的标准图像得到油缸位移情况。

作为本发明的进一步改进方法：

可选地，所述S1步骤中设置异步时域视觉传感器，将异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄，包括：

准备好安装异步时域视觉传感器所需的工具。在安装异步时域视觉传感器之前，需要检查油缸内部的环境是否干净、无污染物。如果发现有污染物存在，应先清理干净。最后将异步时域视觉传感器安装在油缸缸体的侧壁，以便能够对油缸内部进行拍摄。

可选地，所述S2步骤中使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列，包括：

异步时域视觉传感器记录的每一个事件格式为：

；

其中，x,y表示该事件在所属像素阵列的横纵坐标位置，p为事件的极性（1表示有变动发生，0表示无变动发生），t为事件时间戳。

可选地，所述S3步骤中将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声，包括：

异步视觉传感器事件序列合并为图像的流程为：

初始化像素级缓冲栈，缓冲栈的大小为图像的尺寸，即，每个像素点对应一个缓冲栈。每个像素点的缓冲栈存储着该像素点接收到的事件序列。

当异步视觉传感器采集到事件时，需要将其存储到对应像素点的缓冲栈中。

在缓冲栈中，同一像素点的事件序列按照时间戳进行排序。通过遍历缓冲栈中的事件序列，累加事件的极性，从而得到图像中的像素值。

可选的，对事件序列合并后获得的图像进行时空变长滤波，所述滤波流程为：

S31：根据异步时域视觉传感器预先设定的像素阵列的大小初始化图像矩阵，即，遍历事件序列中的所有事件，使用事件的位置信息/>和极性信息/>来更新图像矩阵，常见的更新方式为：

；

其中i表示像素序号，i=1,2,…, .

S32：对图像矩阵进行空间域去噪。当新事件发生时，对新事件所对应的图像矩阵位置的变长8邻域像素进行检测：

；

其中，，表示以b为长度的8邻域，/>函数用于识别像素在相邻时间点间事件内是否有事件发生，有事件发生值为1，没有事件发生则为0。

S33：对图像矩阵进行时间域去噪。当新事件发生时，对新事件所对应的图像矩阵位置的时间维进行检测：

；

其中，t为事件时间戳，，表示当前事件时间戳之前的事件发生时间，h的值决定了时间维度的步长为奇数还是偶数，/>函数用于识别像素在指定的时间域内是否有事件发生，有事件发生值为1，没有事件发生则为0。

S34：综合空间域与时间域的信息对图像矩阵进行滤波，滤波方式为：

；

通过在更新事件前对该事件所在位置的空间与时间维度的历史事件信息进行整合，从而判断当前发生的时间是否为噪声所产生。若判定为噪声导致的事件，则维持图像矩阵该位置像素值不变，否则可将当前事件记录至图像矩阵中。

可选地，所述S4步骤中计算图像的二维直方图并对比标准图像的二维直方图，包括：

S41：计算图像矩阵以每一个像素点为中心窗口范围内的平均值：

；

其中，，/>表示向下取整，W为窗口大小。

S42：定义一个大小的正方形矩阵表示二维直方图，矩阵的横坐标表示图像矩阵像素的值，纵坐标表示对应的像素经过S41计算得到的窗口内的值。正方形矩阵每一个点的值/>代表组合/>出现的频率，/>的计算方式是：

；

其中，代表/>出现的次数。

S43：比对当前图像矩阵的二维直方图与标准图像的二维直方图，比对方式为计算二者的交叉熵：

；

其中，Q为标准图像的二维直方图，D为两个直方图之间的交叉熵。标准图像由异步时域视觉传感器在正常使用时所记录的事件组成的图像矩阵及其对应的油缸位移。

最匹配的标准图像会使交叉熵的值最小，对当前图像与所有标准图像计算出的交叉熵从小到大排序，选取前10张标准图像作为候选位置。

可选地，所述S5步骤中计算图像与标准图像的绝对值距离，结合S4中的候选图像挑选最匹配的标准图像得到油缸位移情况，包括：

S51：计算图像和10张候选标准图像每个像素的距离，计算方式为：

；

其中，I表示图像矩阵，U表示标准图像矩阵，表示像素位置i表示像素序号，i=1,2,…, />。/>表示图像与标准图像在像素位置/>处的距离；

S52：计算整张图像的总距离，计算方式为：

；

其中，E代表综合整张图像个像素位置绝对距离的和，用以衡量图像与标准图像的差异，如果总距离小，则说明图像与对比的标准图像相似度高，反之则说明相似度低。

最匹配的标准图像会使综合考虑交叉熵和绝对值距离后的值达到最小的状态，因此最终选取的标准图像的方法为：

若存在标准图像的交叉熵和绝对值距离均在所有候选标准图像中最小，则该标准图像即位最终选取的标准图像；

若不存在交叉熵和绝对值距离均为最小的标准图像，则计算加权指标进行对比，加权指标的计算方式为：

；

其中，和/>分别为绝对值距离的最小值和最大值；/>和/>分别为交叉熵的最小值和最大值。选取值最小的G所对应的标准图像作为最终选取的标准图像，该标准图像所对应的油缸位移即为此时刻的油缸位移。

本发明还公开一种高精度油缸，用于实现所述上述的高精度油缸位移检测方法，包括：油缸；

异步时域视觉传感器，所述异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄；使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列；

噪声消除模块：将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声；

比对模块：计算图像的二维直方图并对比标准图像的二维直方图，计算图像和标准图像的绝对值距离；

位移计算模块：根据最匹配的标准图像得到油缸位移情况。

本发明的有益效果为：

本发明提出的一种高精度油缸位移检测方法及液压油缸，该技术提出时空变长滤波方法剔除图像中的噪声，时空变长滤波方法同时考虑了异步时域视觉传感器在记录事件时对应的图像矩阵在时间域和空间域历史事件的情况，使得噪声的识别更为稳定、可靠。变长滤波则对时间域与空间域的计算规模进行分解，有利于实现并行计算，加快算法的处理效率。同时，本发明提出了基于二维直方图的匹配方法，二维直方图同时考虑了图像矩阵逐个像素点与像素点邻域的信息，结合绝对值距离信息，为后续与标准图像的匹配提供了更丰富的细节，从而实现高精度的油缸位移检测。

附图说明

图1为本发明一实施例的一种高精度油缸位移检测方法流程图。

具体实施方式

下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

为了实现上述目的，本发明提供了一种高精度油缸位移检测方法及液压油缸，如图1所示包括以下步骤：

S1：设置异步时域视觉传感器，将异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄：

准备好安装异步时域视觉传感器所需的工具。在安装异步时域视觉传感器之前，需要检查油缸内部的环境是否干净、无污染物。如果发现有污染物存在，应先清理干净。最后将异步时域视觉传感器安装在油缸缸体的侧壁，以便能够对油缸内部进行拍摄。S2：使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列：

异步时域视觉传感器记录的每一个事件格式为：

；

其中，x,y表示该事件在所属像素阵列的横纵坐标位置，p为事件的极性（1表示有变动发生，0表示无变动发生），t为事件时间戳。

S3：将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声：

异步视觉传感器事件序列合并为图像的流程为：

初始化像素级缓冲栈，缓冲栈的大小为图像的尺寸，即，每个像素点对应一个缓冲栈。每个像素点的缓冲栈存储着该像素点接收到的事件序列。

当异步视觉传感器采集到事件时，需要将其存储到对应像素点的缓冲栈中。

在缓冲栈中，同一像素点的事件序列按照时间戳进行排序。通过遍历缓冲栈中的事件序列，累加事件的极性，从而得到图像中的像素值。

可选的，对事件序列合并后获得的图像进行时空变长滤波，所述滤波流程为：

S31：根据异步时域视觉传感器预先设定的像素阵列的大小初始化图像矩阵，即，本实施例中M=500，N=1500。遍历事件序列中的所有事件，使用事件的位置信息和极性信息/>来更新图像矩阵，使用的更新方式为：

；

其中i表示像素序号，i=1,2,…, .

S32：对图像矩阵进行空间域去噪。当新事件发生时，对新事件所对应的图像矩阵位置的变长8邻域像素进行检测：

；

其中，，表示以b为长度的8邻域，b的取值范围为1，2，3，/>函数用于识别像素在相邻时间点间事件内是否有事件发生，有事件发生值为1，没有事件发生则为0。

S33：对图像矩阵进行时间域去噪。当新事件发生时，对新事件所对应的图像矩阵位置的时间维进行检测：

；

其中，t为事件时间戳，，表示当前事件时间戳之前的事件发生时间，h的值决定时间维度的步长为奇数还是偶数，因此h的取值为1，2，/>函数用于识别像素在指定的时间域内是否有事件发生，有事件发生值为1，没有事件发生则为0。

S34：综合空间域与时间域的信息对图像矩阵进行滤波，滤波方式为：

；

通过在更新事件前对该事件所在位置的空间与时间维度的历史事件信息进行整合，从而判断当前发生的时间是否为噪声所产生。若判定为噪声导致的事件，则维持图像矩阵该位置像素值不变，否则可将当前事件记录至图像矩阵中。

与传统的视觉传感器不同，异步视觉传感器仅在像素值发生改变时才会产生事件输出，因此异步视觉传感器在捕捉图像时，像素值变化的次数较多，但像素值本身的变化较小，使得异步视觉传感器对噪声较为敏感。综合空间和时间维度记录的信息后再对异步视觉传感器图像进行滤波，能够参考更多历史事件进行判断，从而达到更精准的噪声去除效果。

S4：计算图像的二维直方图并对比标准图像的二维直方图：

S41：计算图像矩阵以每一个像素点为中心窗口范围内的平均值：

；

其中，，/>表示向下取整，W为窗口大小，本实施例中为5。

S42：定义一个大小的正方形矩阵表示二维直方图，矩阵的横坐标表示图像矩阵像素的值，纵坐标表示对应的像素经过S41计算得到的窗口内的值；正方形矩阵每一个点的值/>代表组合/>出现的频率，/>的计算方式是：

；

其中，代表/>出现的次数。

S43：比对当前图像矩阵的二维直方图与标准图像的二维直方图，比对方式为计算二者的交叉熵：

；

其中，Q为标准图像的二维直方图。标准图像由异步时域视觉传感器在正常使用时所记录的事件组成的图像矩阵及其对应的油缸位移。

最匹配的标准图像会使交叉熵的值最小，对当前图像与所有标准图像计算出的交叉熵从小到大排序，选取前10张标准图像作为候选位置。

S5：计算图像与标准图像的绝对值距离，结合S4中的候选图像挑选最匹配的标准图像得到油缸位移情况：

S51：计算图像和10张候选标准图像每个像素的距离，计算方式为：

；

其中，I表示图像矩阵，U表示标准图像矩阵，表示像素位置i表示像素序号，i=1,2,…, />。 />表示图像与标准图像在像素位置/>处的距离；

S52：计算整张图像的总距离，计算方式为：

；

其中，E代表综合整张图像个像素位置绝对距离的和，用以衡量图像与标准图像的差异，如果总距离小，则说明图像与对比的标准图像相似度高，反之则说明相似度低。

最匹配的标准图像会使综合考虑交叉熵和绝对值距离后的值达到最小的状态，因此最终选取的标准图像的方法为：

若存在标准图像的交叉熵和绝对值距离均在所有候选标准图像中最小，则该标准图像即位最终选取的标准图像；

若不存在交叉熵和绝对值距离均为最小的标准图像，则计算加权指标进行对比，加权指标的计算方式为：

；

其中，和/>分别为绝对值距离的最小值和最大值；/>和/>分别为交叉熵的最小值和最大值。选取值最小的G所对应的标准图像作为最终选取的标准图像，该标准图像所对应的油缸位移即为此时刻的油缸位移。

本发明还公开一种液压油缸，用于实现所述上述的高精度油缸位移检测方法，包括：油缸；

异步时域视觉传感器，所述异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄；使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列；

噪声消除模块：将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声；

比对模块：计算图像的二维直方图并对比标准图像的二维直方图，计算图像和标准图像的绝对值距离；

位移计算模块：根据最匹配的标准图像得到油缸位移情况。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种高精度油缸位移检测方法，其特征在于，包括以下步骤：

S1：设置异步时域视觉传感器，将异步时域视觉传感器安装在油缸缸体的侧壁，使其对油缸内部进行拍摄；

S2：使用所述异步时域视觉传感器记录油缸内部变化信息，获取事件序列；

S3：将所述事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声，包括：

异步视觉传感器事件序列合并为图像的流程为：

初始化像素级缓冲栈，缓冲栈的大小为图像的尺寸，即，每个像素点对应一个缓冲栈；每个像素点的缓冲栈存储着该像素点接收到的事件序列；

当异步视觉传感器采集到事件时，将其存储到对应像素点的缓冲栈中；

在缓冲栈中，同一像素点的事件序列按照时间戳进行排序；通过遍历缓冲栈中的事件序列，累加事件的极性，从而得到图像中的像素值；

所述S3步骤中对事件序列合并后获得的图像进行时空变长滤波，所述滤波步骤为：

S31：根据异步时域视觉传感器预先设定的像素阵列的大小初始化图像矩阵，即，遍历事件序列中的所有事件，使用事件的位置信息/>和极性信息/>来更新图像矩阵，更新为：

；

其中i表示像素序号，i=1,2,…, ；

S32：对图像矩阵进行空间域去噪：当新事件发生时，对新事件所对应的图像矩阵位置的变长8邻域像素进行检测：

；

其中，，表示以b为长度的8邻域，/>函数用于识别像素在相邻时间点间事件内是否有事件发生，有事件发生值为1，没有事件发生则为0；

S33：对图像矩阵进行时间域去噪：当新事件发生时，对新事件所对应的图像矩阵位置的时间维进行检测：

；

其中，t为事件时间戳，，表示当前事件时间戳之前的事件发生时间，h的值决定时间维度的步长为奇数还是偶数，/>函数用于识别像素在指定的时间域内是否有事件发生，有事件发生值为1，没有事件发生则为0；

S34：综合空间域与时间域的信息对图像矩阵进行滤波，滤波方式为：

；

通过在更新事件前对该事件所在位置的空间与时间维度的历史事件信息进行整合，从而判断当前发生的时间是否为噪声所产生；若判定为噪声导致的事件，则维持图像矩阵该位置像素值不变，否则可将当前事件记录至图像矩阵中；

S4：计算所述图像的二维直方图并对比标准图像的二维直方图，包括：

S41：计算图像矩阵以每一个像素点为中心窗口范围内的平均值：

；

其中，，/>表示向下取整，W为窗口大小；

S42：使用一个大小的正方形矩阵表示二维直方图，矩阵的横坐标表示图像矩阵像素的值，纵坐标表示对应的像素经过S41计算得到的窗口内的值；正方形矩阵每一个点的值/>代表组合/>出现的频率，/>的计算方式是：

；

其中，代表/>出现的次数；

S43：比对当前图像矩阵的二维直方图与标准图像的二维直方图，比对方式为计算二者的交叉熵：

；

其中，Q为标准图像的二维直方图，D为两个直方图之间的交叉熵，标准图像由异步时域视觉传感器在正常使用时所记录的事件组成的图像矩阵及其对应的油缸位移；

最匹配的标准图像会使交叉熵的值最小，对当前图像与所有标准图像计算出的交叉熵从小到大排序，选取前10张标准图像作为候选位置；

S5：计算图像与标准图像的绝对值距离，结合S4中的候选图像挑选最匹配的标准图像得到油缸位移情况。

2.根据权利要求1所述的高精度油缸位移检测方法，其特征在于，所述S2步骤使用所述异步时域视觉传感器记录油缸内部变化信息，获取事件序列，包括：

所述异步时域视觉传感器记录的事件格式为：

；

其中，x,y表示该事件在所属像素阵列的横纵坐标位置，p为事件的极性，t为事件时间戳。

3.根据权利要求1所述的高精度油缸位移检测方法，其特征在于，所述S5步骤中计算图像与标准图像的绝对值距离，包括：

S51：计算图像和10张候选标准图像每个像素的距离，计算方式为：

；

其中，I表示图像矩阵，U表示标准图像矩阵，表示像素位置i表示像素序号，i=1,2,…, />，/>表示图像与标准图像在像素位置/>处的距离；

S52：计算整张图像的总距离，计算方式为：

；

其中，E代表综合整张图像个像素位置绝对距离的和，用以衡量图像与标准图像的差异，如果总距离小，则说明图像与对比的标准图像相似度高，反之则说明相似度低。

4.根据权利要求3所述的高精度油缸位移检测方法，其特征在于，所述S5步骤中结合S4中的候选图像挑选最匹配的标准图像得到油缸位移情况，包括：

若存在标准图像的交叉熵和绝对值距离均在所有候选标准图像中最小，则该标准图像即位最终选取的标准图像；

若不存在交叉熵和绝对值距离均为最小的标准图像，则计算加权指标进行对比，加权指标的计算方式为：

；

其中，和/>分别为绝对值距离的最小值和最大值；/>和/>分别为交叉熵的最小值和最大值，选取值最小的G所对应的标准图像作为最终选取的标准图像，该标准图像所对应的油缸位移即为此时刻的油缸位移。

5.一种液压油缸，其特征在于，用于实现所述权利要求1-4任意一项所述的高精度油缸位移检测方法，包括：油缸；

异步时域视觉传感器，所述异步时域视觉传感器安装在油缸缸体的侧壁，使其能够对油缸内部进行拍摄；使用异步时域视觉传感器记录油缸内部变化信息，获取事件序列；

噪声消除模块：将事件序列合并为图像并使用时空变长滤波方法剔除图像中的噪声；

比对模块：计算图像的二维直方图并对比标准图像的二维直方图，计算图像和标准图像的绝对值距离；

位移计算模块：匹配标准图像得到油缸位移情况。