CN1609894A - 基于虚拟多传感器融合的钢材支数在线计数系统及方法 - Google Patents

Abstract

本发明公开了一种基于虚拟多传感器融合的钢材支数在线计数系统及方法。系统由计算机系统、摄像和恒光源装置、接近开关、数码显示器和开关面板组成。利用本发明的计数方法可以实现对不同型号不同规格的钢材支数实现在线计数。这种方法受现场干扰影响小，通用性强，可用于复杂恶劣环境中的对类似于钢材的、有截面信息的产品进行在线数量检测，且检测准确，运行可靠。

Description

基于虚拟多传感器融合的钢材支数在线计数系统及方法

技术领域

本发明涉及图像处理、计算机视觉、模式识别、在线检测等领域，尤其涉及一种基于虚拟多传感器融合的钢材支数在线计数系统及方法。

背景技术

在线视觉检测是利用计算机视觉原理，综合图像处理、模式识别和人工智能等技术对物体的运动、形状、姿态进行分析以及对物体几何尺寸等物理参数进行准确的非接触在线检测的过程。但由于工业现场条件非常恶劣，如空气中的杂质(如烟雾、灰尘、水气等)、工业设备振动引起的视觉装置的振动、环境中光照和电磁辐射等干扰都会对传感器获取的图像等信息造成很大的损失或畸变，这给在线视觉检测带来很大的困难，使检测准确性和可靠性难以保证。为了提高在线视觉检测的准确性，多传感器(如雷达、声纳、CCD摄像机、红外以及激光探测器等)图像信息融合的技术被应用到在线视觉检测。

多传感器信息融合最大的特点就是信息冗余、信息互补和信息实时，其优点就是能减少数据量及其计算量，提高检测的准确性。但是传感器的增多必将提高成本、降低系统可靠性、增加设备。同时在工业应用中，对传感器的选择受到许多诸如工业现场环境特点、被测对象特性以及投资成本等条件的限制，这使得多传感器及其相关信息融合技术在工业生产中难以被广泛应用。

D-S证据理论常被选择用来解决那些古典Bayesian方法由于缺乏概率分布模型或准确数学分析无效的问题。具体思想为：设识别框架Ω为有限集，其幂集为2^Ω，定义了一个集函数m：2^Ω→[0，1]，满足：(1)m(φ)＝0；(2)对于AΩ，m(A)≥0，且 $\underset{A\⋐2^{\mathrm{\Ω}}}{\mathrm{\Σ}}m\left(A\right)=1.$ 称m(A)为Ω上A的基本概率赋值。对于任一子集AΩ，分别定义其信任函数和似真函数分别为 $\mathrm{Bel}\left(A\right)=\underset{B\⋐A}{\mathrm{\Σ}}m\left(B\right)$ 和 $\mathrm{Pl}\left(A\right)=1-\mathrm{Bel}\left(\stackrel{\‾}{A}\right)=\underset{B\∩A\≠\mathrm{\φ}}{\mathrm{\Σ}}m\left(B\right),$ 其中 A＝Ω-A。信任函数Bel(A)表示支持A的总信任的最小值，似真函数Pl(A)表示不否定A的信任程度，是支持A的总的总信任最大值。得D-S证据理论融合规则的一般形式。该方法在信息融合时对所有传感器给予了相同的置信，这种等置信的方法仅适用于所有传感器在识别框架上的各自的概率能够同时地反映不确定性和确定性的情况。而实际上很难满足上述要求，有文献提出了加权D-S证据理论融合算法，即：假定已知一个传感器在类似的情况中如何工作的历史，则可以用历史估计的正确率作为确定传感器当前观测估计值的置信程度(用ω_i表示)，即得到加权D-S证据理论融合算法。加权D-S证据理论融合算法虽然解决了多传感器在识别框架上各自概率确定和不确定的问题以及观测准确性不同的问题，可加权系数是由历史数据计算所确定，不能及时地反映当前证据的信任函数变化。为了解决这类问题，本文提出了自适应系数权D-S证据理论融合算法。

炼钢企业的螺纹钢生产线在成品打捆时需要对每一捆中钢材根数进行准确计数，但在轧制过程中由于成品率难于控制，炼钢工业生产现场非常恶劣，生产车间内存在各种随机干扰，螺纹钢材生产线上温度特别高，所以一直很难找到合适的传感器完成自动计数，由工人手工计数。这不仅使生产成本很高，而且计数结果易受到值班人员的注意力、反应速度、疲劳以及责任心等因素的影响。目前有个别生产先引进了机械式钢材支数计数系统，但由于机械系统故障率高、钢材成品很长加上高温较软，所以机械式系统准确性也很低。

目前国内外尚没有基于虚拟多传感器信息融合的特别是自适应权系数D-S证据理论融合方法的计算机视觉系统，也没有基于这种系统的钢材支数在线自动计数方法。

发明内容

本发明的目的在于针对现有技术中工业现场图像易受各种干扰、在线视觉检测准确性差的不足，提供一种基于虚拟多传感器融合的钢材支数在线计数系统及方法。

本发明的目的是通过以下技术方案来实现的：

一种基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，它包括：一计算机系统，它主要由计算机、图像采集转换卡和数据采集卡组成，一摄像和恒光源装置，一接近开关，一数码显示器，一开关面板，所述摄像和恒光源装置、接近开关、数码显示器、开关面板分别与计算机系统相连。

一种应用上述钢材支数在线计数系统的计数方法，其特征在于，包括以下步骤：

(1)获取图像：计算机将摄像头输出数据通过图像采集卡转换成图像数字信号，得到一幅480×570×32Bits的彩色图像。

(2)转换成灰度图：将上述480×570×32Bits的彩色图像转换成480×570×8Bits灰度图。

(3)获取特征图：将上述灰度图分别用Canny边缘算子、邻域平均值算子和梯度Sobel算子运算进行变换获得相应的特征图。

(4)训练匹配器模板：将获取的有钢材端面的实时图转换成灰度图并存入到计算机硬盘上；用图形处理软件ACDSee5.0以上版本打开，在其编辑器中用m×m的模板将有端面的钢材剪切，让端面正好在此模板正中间，重复该过程获得x幅模板图，计算这x幅模板，得到匹配器模板。

(5)确定自适应权系数：对特征图输出信息的相关特征进行统计，由当前的统计结果与给定的加权系数共同作用决定当前的权系数。

(6)搜索特征量并确定其基本信度：将上述特征图和灰度图在相同的位置同时扫描，获得相应的特征，根据特征量得到相应检测对象的基本信度。

(7)确定模板匹配相似度：利用匹配技术确定匹配器模板和指定区域的相似度及基本信度。

(8)合成基本信度并作出判断：自适应权系数D-S证据融合算法计算最终的信度，根据最终的信度判断该区域有无钢材。

(9)优化屏蔽搜索区域：屏蔽搜索到钢材的区域，避免重复搜索。

(10)获得钢材总支数：依次搜索特征图，累加有钢材截面的总数，即得到原始实时图像中的钢材总支数。

本发明具有以下技术效果：

(1)本发明研制出了可适用于复杂恶劣的工业环境中自动采集稳定实时图像的硬件机械系统，借助设计的特殊结构，降低了外界诸如光线、震动、抖动、辐射等对图像的干扰。

(2)本发明提出了虚拟多传感器的概念及其自适应权系数D-S证据理论融合方法，使信息融合过程中的信任函数由历史数据和当前实时图像统计特征决定，使得在不增加传感器和对传感器要求的情况下在线视觉检测系统的可靠性和准确性同时得到保证。

(3)本发明可以在线无接触地自动检测钢材支数的智能系统，对某炼钢工业生产过程在线检测，该系统检测的方法具有快速准确、抗干扰能力强、适用范围宽以及不需要多个传感器等优点，完全能满足工业应用要求。

附图说明

图1是本发明的系统结构组成示意图；

图2是图1的摄像和恒定光源装置构成示意图；

图3是本发明的系统具体实现示意图；

图4是图像搜索过程示意图；

图5是窗口模板在特征图中的搜索过程示意图；

图6是特征点计算选取示意图；

图7是搜索区域优化计算示意图；

图8是各个特征信度函数计算示意图；

图9是数码显示器显示内容示意图。

具体实现方式

下面根据附图详细说明本发明。

如图1所示，本发明的基于虚拟多传感器信息融合的钢材支数在线计数系统主要包括：接近开关、摄像和恒光源装置(包括云台及其控制器)、数码显示器、计算机系统、开关面板；其中，计算机系统包括工业控制计算机、图像采集转换卡和数据采集卡，摄像和恒光源装置、接近开关、开关面板、数码显示器分别与计算机系统相连。工业现场被测的钢材运行信号通过接近开关输入到计算机系统，钢材截面信息通过摄像和恒光源装置输入到计算机系统，计算机系统将计数结果显示在数码显示器上，现场工作人员根据实际工况通过开关面板干预计算机系统工作情况。

如图2所示，摄像和恒光源装置主要由设置同在一个箱体内的恒定光源4、折光吊链5和摄像头3组成，用以得到灰度相对稳定的图像。摄像头采用高分辨率线阵CCD摄像头，摄像头上装有可调节的镜头。接近开关可采用红外接近开关。本发明的基于虚拟多传感器信息融合的钢材支数在线计数系统的工作过程如下：当有被测对象2将要经过摄像和恒光源装置时，计算机系统通过接近开关1得到相应的信号，在经过适当的时间延时，计算机系统将摄像头2的信号转换成数字图像信号，并存入到计算机指定的内存中。经过计算机处理，获得该图像中的钢材支数，并将结果显示在数码显示器上，操作人员根据显示结果进行现场打捆。

开关面板为六个常开触点的按钮开关面板，6个按钮分别为：暂停按钮、开始按钮、停止按钮、加一按钮、减一按钮和清零按钮，它们的功能分别为：暂停计数、开始计数、停止计数、支数加1、支数减1、系统清零。根据现场情况通过开关面板随时干预系统工作状态。

数码显示器可以采用LED数码显示器。其显示内容如图9所示，四组数字由左到右分别表示本捆当前支数、标准整捆支数、当前图像中支数和本捆需加减支数。

下面结合附图3和4详细描述本发明的具体实现步骤如下：

1)获取图像

计算机系统对生产线传输带控制台工作状态实时监测，如图1所示。当传输带有动作信号时，转而对接近开关状态监测，如图2所示。如有信号时，计算机系统将摄像机输出数据通过图像采集卡转换成图像数字信号，得到一幅480×570×32Bits的彩色图像，并存储到内存中。

2)转换成灰度图

将480×570×32Bits的彩色图像转换成480×570×8Bits灰度图。彩色图像每个像素占4个字节，分别为蓝rgbBxue、绿rgbGreen、红rgbRed、保留值rgbReserved，转换成灰度图后每个像素只占一个字节。转换灰度值rgbGrayVaxue公式为：

rgbGrayValue＝0.299×rgbRed+0.587×rgbGreen+0.114×rgbBlue得到了一幅灰度图。

3)获取特征图

上一步骤获得的灰度图分别用Canny边缘算子、邻域平均值算子和梯度Sobel算子运算进行变换获得相应的特征图，分别存储在内存中另外三个内存区域中。

3.1)Canny算子进行边缘检测获得边缘特征图

对灰度图像I(x，y)用f(x，y)表示灰度值，完成Canny算子操作，在三个优化准则下依次实现了图像噪声Gaussian滤波、计算图像方向导数、计算梯度的幅值、抑止图像局部梯度非最大点、利用磁滞现象搜索到所有边界，从而得到原始灰度图像的边缘特征图。有关参数及函数选择：

二维函数的梯度定义为：

$G\left[f(x,y)\right]=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]=\left[\begin{array}{c}\underset{\mathrm{\Δx}\→0}{\lim }\frac{f(x+\mathrm{\Δx},y)-f(x,y)}{\mathrm{\Δx}}\\ \underset{\mathrm{\Δy}\→0}{\lim }\frac{f(x,y+\mathrm{\Δy})-f(x,y)}{\mathrm{\Δy}}\end{array}\right]$

(1)图像噪声滤波由二维Gaussian滤波器实现：

$G(x,y)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}\exp (-\frac{{(x-x_0)}^2+{(y-y_0)}^2}{{2\mathrm{\σ}}^2})$

其中σ为滤波器标准偏差，在这里其值为0.3。(x₀，y₀)为滤波器均值，x₀＝0，y₀＝0。

(2)用Sobel算子计算方向梯度，梯度幅值： $\left|G\right[f(x,y)\left]\right|=\sqrt{{\left[G_x\right]}^2+{\left[G_y\right]}^2}$

以行方向为参考的梯度方向为： $\mathrm{\θ}(x,y)=\arctan \left[\frac{G_y}{G_x}\right]$

Sobex算子的模板为： $G_x=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right],$ $G_y=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right].$

(3)给定参数：高斯滤波的标准方差：0.3；低阈值和高阈值之比：0.4；高阈值占图像像素总数之比：0.89。

(4)边界跟踪过程中，对8邻域像素查询，给定查询顺序为：

x方向：{-1，-1，-1，0，1，1，1，0}；

y方向：{-1，0，1，1，1，0，-1，-1}。

3.2)邻域平均值算子处理获得去除噪声的灰度图像去除噪声后的灰度值为：

其中threshoxd为一指定灰度阈值，其特征值为120。M为邻域中像素总数，邻域S为N×N，取N＝3，M＝14，选取Gaussian模板为： $G_x=\frac{1}{16}\×\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right],$ 在计算中分解成一个水平模板和一个竖直模板，以提高运算速度，即为

$G_x=\frac{1}{16}\×\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right]=\frac{1}{16}\×\left[\begin{array}{ccc}1& 2& 1\end{array}\right]\×\left[\begin{array}{c}1\\ 2\\ 1\end{array}\right].$

3.3)Sobel算子进行梯度计算获得梯度分布特征图

在指定方向上用Sobel算子计算方向梯度，梯度幅值：

$\left|G\right[f(x,y)\left]\right|=\sqrt{{\left[G_x\right]}^2+{\left[G_y\right]}^2}$

以行方向为参考的梯度方向为： $\mathrm{\θ}(x,y)=\arctan \left[\frac{G_y}{G_x}\right]$

Sobel算子的模板为： $G_{R-L}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right],$ $G_{T-B}=\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$ $G_{R-T-L-B}=\left[\begin{array}{ccc}0& -1& -2\\ 1& 0& -1\\ 2& 1& 0\end{array}\right],$ $G_{L-T-R-B}=\left[\begin{array}{ccc}2& 1& 0\\ 1& 0& -1\\ 0& -1& -2\end{array}\right],$ 四个模板分别对应左右、上下、左上角—右下角、左下角—右上角方向上使用的模板。获得指定方向上的梯度分别特征图，方向如图6所示。

4)训练匹配器模板

匹配器模板训练首先必须进行离线训练，运行中还可在线训练。将特定时间段采集的有钢材端面的实时图用上述步骤进行变换、去除噪声，得到灰度图将其存入到计算机硬盘上。用图形处理软件ACDSee5.0以上版本打开，在其编辑器中用m×m的模板将有端面的钢材剪切，让端面正好在此模板正中间，重复该过程获得x幅模板图。其中m为被测钢材的直径，x为样本容量。训练好的模板灰度为

$g_{m-\mathrm{offline}}(x,y)=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{f}_i(x,y),$ 其中f_i(x，y)为第i个样本在(x，y)点的灰度值。同样的现场应用过程中随时可以进行训练模板，得到在线模板灰度为：

$g_{m-\mathrm{online}}(x,y)=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{f}_i(x,y),$ 最后得到的匹配器模板T为：

$t_m(x,y)=\frac{1}{2}(g_{m-\mathrm{offline}}(x,y)+g_{m-\mathrm{online}}(x,y)).$ 亦可单独使用上面的模板。

5)确定自适应权系数

根据每个虚拟传感器输出信息的特征，首先对其输出信息的相关特征进行统计，由当前的统计结果与已知的加权系数共同作用决定当前的权系数，即

                ρ_i＝f(σ_i，ω_i)

式中：σ_i表示第i个虚拟传感器输出特征信息统计量，选择特征信息统计量必须满足信任函数的要求，与σ_i之间的对应关系可按具体要求选择，这里选为

                σ_i＝1/(1+e^-n/ki)

式中：n为真实的统计量(灰度均值)，k_i为具体特征量修正系数，以保证满足信任函数的要求。对ρ的计算可选择为

                ρ_i＝σ_i×ω_i

ω_i根据实时图像测量的对象特征确定(i＝1，2，3，4)。

6)搜索特征量并确定其基本信度

定义了一个空白窗口模板T(s，t)，s、t分别为模板左上顶点在特征图中的位置。模板大小为n×n，其中n＝1.2×D。D为所检测对象钢材截面直径。让该模板在上述步骤中获得的三幅特征图(边缘特征图、去噪灰度图、灰度梯度分布图)和原始灰度图中相同的位置同时扫描，将该模板覆盖的图像定义为子图像F(s，t)，如图5所示。在扫描过程中可以获得相应的特征，根据每个特征可以得到在该制图像中是否有相应的检测对象(如钢材截面)的基本信度。

定义Θ为一个识别框架，且2^Θ→[0，1]。m为基本信度分配。

6.1)边缘特征基本信度

C_Canny-edges定义为边缘决定的解集合，C_Canny-edges∈2^Θ，C_Canny-edges＝{有，没有，不确定}， $\stackrel{\‾}{C_{\mathrm{Canny\; edges}}}=1-C_{\mathrm{Canny}-\mathrm{edges}}.$ 边缘特征基本信度分配：

$m_1\left(C_{\mathrm{Canny\; edges}}\right)=\frac{N_{\mathrm{measured}}-N_{\mathrm{lower}-\mathrm{limit}}}{N_{\mathrm{higher}-\mathrm{limit}}-N_{\mathrm{lower}-\mathrm{limit}}}.$

其中N_measured为特征子图像中指定点上实际测得的边缘个数；N_lower-limit为特征子图像中有钢材截面时应有的截面边缘点最少个数；N_higher-limit为特征子图像中有钢材截面时应有的截面边缘点最多个数。根据指定点个数，两个已知数为N_lower-limit＝6，N_higher-limit＝16。此外，如果N_measured＜6，则m₁(C_Canny edges)＝0；如果m₁(C_Canny edges)＞16，则m₁(C_Canny edges)＝1。基本信度分配数值量化关系如图8(a)所示。

6.2)子图像指定区域灰度均值基本信度C_average定义为子图像指定区域灰度均值决定的解集，C_average∈2^Θ，

C_average＝{有，没有，不确定}， $\stackrel{\‾}{C_{\mathrm{average}}}=2^{\mathrm{\Θ}}-C_{\mathrm{average}}.$ 区域灰度基本信度分配：

$m_2\left(C_{\mathrm{average}}\right)=\frac{G_{\mathrm{measured}}-G_{\mathrm{lower}-\mathrm{limit}}}{G_{\mathrm{higher}-\mathrm{limit}}-G_{\mathrm{lower}-\mathrm{limit}}}$

其中G_measured为特征子图像中指定点上实际测得的边缘个数；G_lower-limit为特征子图像中有钢材截面时应有的截面边缘点最少个数；G_higher-limit为特征子图像中有钢材截面时应有的截面边缘点最多个数。根据指定点个数，两个已知数为G_lower-limit＝120，G_higher-limit＝240。此外，如果G_measured＜120，则m₂(C_average)＝0；如果G_measured＞240，则m₂(C_average)＝1。基本信度分配数值量化关系如图8(b)所示。

6.3)子图像指定区域灰度梯度分布基本信度

C_gradient定义为子图像指定区域灰度均值决定的解集，C_gradiente∈2^Θ，

C_gradient＝{有，没有，不确定}， $\stackrel{\‾}{C_{\mathrm{grad}\mathrm{ient}}}=2^{\mathrm{\Θ}}-C_{\mathrm{grad}\mathrm{ient}}.$

区域灰度梯度基本信度分配：

$m_3\left(C_{\mathrm{grad}\mathrm{ient}}\right)=\frac{D_{\mathrm{measured}}-D_{\mathrm{lower}-\mathrm{limit}}}{D_{\mathrm{higher}-\mathrm{limit}}-D_{\mathrm{lower}-\mathrm{limit}}}$

其中D_measured为特征子图像中指定区域灰度梯度实际测值数；D_lower-limit为特征子图像中指定区域灰度梯度满足的条件的最小值；D_higher-limit为特征子图像中指定区域灰度梯度满足的条件的最大值。并且，如果D_measured＜10，则m₃(C_gradient)＝1；如果D_measured＞30，则m₃(C_gradient)＝0。基本信度分配数值量化关系如图8(c)所示。

7)确定模板匹配相似度

应用步骤4)中训练所得的模板，利用匹配技术中模板计算模板T和指定区域子图像S相似程度来进一步确定子图像中是否为一个钢材端面。归一化的相似性测度：

$R(i,j)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{S}^{i,j}(m,n)T(m,n)}{\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{\left[S^{i,j}(m,n)\right]}^2\right)\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{\left[T(m,n)\right]}^2\right)}}}$

区域相似度基本信度分配：m₄(C_{similar-degree})＝S(i，j)其中S(i，j)特特征子图像中指定区域实际计算得到的相似度。基本信度分配数值量化关系如图8(d)所示。

8)合成基本信度并得到准确判断

得到自适应的权系数以及同一识别框架上的基于不同证据的信度函数，然后用D-S证据合成法则计算最终的信度值，计算公式为：

$=m_1\left(A_1\right)\⊕\·\·\·\⊕m_k\left(A_k\right)$

其中i＝1，2，3，4。

最后得到判定：if m(A)＞＝m(threshoxd)then a rod is found，

              exse no rod exists in the searched area.

在实际判决时m(threshoxd)＝0.925。

9)优化屏蔽搜索区域

根据所搜索的钢材直径，如果按上述确定所搜索的区域已经是钢材截面，为了提高搜索效率，避免重复搜索，计算该截面上的边界，并推导出与这些边界相切的另外的钢材截面的模板顶点的轨迹：

(x-i)²+(y-j)²＝R²

其中(i，j)为当前覆盖当前区域的顶点坐标，R为钢材截面半径，(x，y)为另外钢材截面上覆盖的模板顶点坐标。然后该圆下半部分以点(i，i)为中心垂直分割，其左半部分全部屏蔽，作为不再搜索区域；右半部分作上特殊标志，表示此区域不再作为搜索区域顶点，但该区域的边界、灰度、灰度梯度等信息均保留，以免将有用信息屏蔽。过程如图8所示。

10)得到钢材总支数

依次搜索完用虚拟多传感器获得的特征图，累加有钢材截面的总数，即得到原始实时图像中的钢材总支数。整个原理及其实现过程如图5所示。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，它包括：

一计算机系统，它主要由计算机、图像采集转换卡和数据采集卡组成，

一摄像和恒光源装置，

一接近开关，

一数码显示器，

一开关面板，

所述摄像和恒光源装置、接近开关、数码显示器、开关面板分别与计算机系统相连。

2.根据权利要求1所述的基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，所述摄像和恒光源装置由设置在同一个箱体内的恒定光源、折光吊链和摄像头组成，

3.根据权利要求2所述的基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，所述摄像头为高分辨率线阵CCD摄像头，摄像头上装有可调节的镜头。

4.根据权利要求1所述的基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，所述接近开关为红外接近开关。

5.根据权利要求1所述的基于虚拟多传感器融合的钢材支数在线计数系统，其特征在于，所述数码显示器为LED数码显示器。

6.一种应用权利要求1所述的钢材支数在线计数系统的计数方法，其特征在于，包括以下步骤：

(1)获取图像：计算机将摄像头输出数据通过图像采集卡转换成图像数字信号，得到一幅480×570×32Bits的彩色图像。

(2)转换成灰度图：将上述480×570×32Bits的彩色图像转换成480×570×8Bits灰度图。

(3)获取特征图：将上述灰度图分别用Canny边缘算子、邻域平均值算子和梯度Sobel算子运算进行变换获得相应的特征图。

(4)训练匹配器模板：将获取的有钢材端面的实时图转换成灰度图并存入到计算机硬盘上；用图形处理软件ACDSee5.0以上版本打开，在其编辑器中用m×m的模板将有端面的钢材剪切，让端面正好在此模板正中间，

(5)重复该过程获得x幅模板图，计算这x幅模板，得到匹配器模板。

(6)确定自适应权系数：对特征图输出信息的相关特征进行统计，由当前的统计结果与给定的加权系数共同作用决定当前的权系数。

(7)搜索特征量并确定其基本信度：将上述特征图和灰度图在相同的位置同时扫描，获得相应的特征，根据特征量得到相应检测对象的基本信度。

(8)确定模板匹配相似度：利用匹配技术确定匹配器模板和指定区域的相似度及基本信度。

(9)合成基本信度并作出判断：自适应权系数D-S证据融合算法计算最终的信度，根据最终的信度判断该区域有无钢材。

(10)优化屏蔽搜索区域：屏蔽搜索到钢材的区域，避免重复搜索。

(11)获得钢材总支数：依次搜索特征图，累加有钢材截面的总数，即得到原始实时图像中的钢材总支数。

7.据权利要求6所述的计数方法，其特征在于，所述步骤(5)中，确定自适应权系数的具体方法为：根据每个虚拟传感器输出信息的特征，首先对其输出信息的相关特征进行统计，由当前的统计结果与根据先验知识给定的加权系数共同作用确定出定当前实时图的权系数。

8.根据权利要求6所述的计数方法，其特征在于，所述训练匹配器模板的具体步骤为：

(1)离线训练匹配器模板；

(2)在线训练匹配器模板；

(3)获得匹配器模板：

$t_m(x,y)=\frac{1}{2}(g_{m-\mathrm{offline}}(x,y)+g_{m-\mathrm{online}}(x,y)).$

9.根据权利要求6所述的计数方法，其特征在于，所述搜索特征量并确定其基本信度的具体步骤为：

(1)定义Θ为一个识别框架，且2^Θ→[0，1]，其中m为基本信度分配；

(2)边缘特征基本信度分配：

$m_1\left(C_{\mathrm{Canny\; edges}}\right)=\frac{N_{\mathrm{measured}}-N_{\mathrm{lower}-\mathrm{limit}}}{N_{\mathrm{higher}-\mathrm{limit}}-N_{\mathrm{lower}-\mathrm{limit}}};$

(3)子图像指定区域灰度均值基本信度分配：

$m_2\left(C_{\mathrm{average}}\right)=\frac{G_{\mathrm{measured}}-G_{\mathrm{lower}-\mathrm{limit}}}{G_{\mathrm{higher}-\mathrm{limit}}-G_{\mathrm{lower}-\mathrm{limit}}};$

(4)子图像指定区域灰度梯度分布基本信度：

$m_3\left(C_{\mathrm{grad}\mathrm{ient}}\right)=\frac{D_{\mathrm{measured}}-D_{\mathrm{lower}-\mathrm{limit}}}{D_{\mathrm{higher}-\mathrm{limit}}-D_{\mathrm{lower}-\mathrm{limit}}};$

(5)模板匹配相似度及其基本信度分配的确定：m₄(C_{similar-degree})＝S(i，j)，其中S(i，j)为归一化的相似性测度：

$S(i,j)=\frac{\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{S}^{i,j}(m,n)T(m,n)}{\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}\right[S^{i,j}(m,n){]}^2)\sqrt{\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{M}{\mathrm{\Σ}}}\right[T(m,n){]}^2)}}}.$

10.根据权利要求6所述的基于虚拟多传感器信息融合的钢材支数在线计数方法，其特征在于，所述搜索区域的优化屏蔽为：如果步骤(8)确定所搜索的区域已经是钢材截面，对当前此区域进行屏蔽，作为不再搜索区域。

Images