一种基于机器视觉和深度学习的防打保龄的方法和系统技术方案

本发明专利技术提供一种基于机器视觉和深度学习的防打保龄的方法，包括如下步骤：利用设置在大梁和小车上的摄像头采集得到RGB图像；将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；当判定结果为出现防打保龄，则触发当前呗位的保护；本发明专利技术提出一种基于机器视觉和深度学习的防打保龄的方法，通过机器视觉的手段，结合改进的尺度不变特征变换算法以及改进的boost分类模型能够精确快速地判定防打保龄的情况，实现安全生产。

【技术实现步骤摘要】
一种基于机器视觉和深度学习的防打保龄的方法和系统
本专利技术涉及龙门吊检测领域，特别是指一种基于机器视觉和深度学习的防打保龄的方法和系统。
技术介绍
轮胎式集装箱门式起重机，简称龙门吊作为堆场集装箱起重设备，在集装箱码头得到广泛应用，但随着集装箱码头和堆场起重机的快速发展，在装卸集装箱的过程中是否精准安全，直接关系到码头生产效率的高低和经济效益。在龙门吊作业过程中，有时会因为吊具起升高度不够而发生“打保龄”事故，这不仅会造成集装箱箱体和箱内获取、拖车、托架损坏，而且会造成人员伤亡，并在一定程度上限制龙门吊作业效率的提高。目前，针对在堆场内，在起重机起带箱或者不带箱时，起升未到足够高度的情况下，动小车从而造成吊具撞翻前后邻近的集装箱的问题，现有技术一般采用激光扫描的手段，通过实时进行扫描小车前后方集装箱高度和位置，控制小车速度和停止以实现防撞保护。但目前通过激光手段仍存在盲区问题导致扫描不全，司机无法准确判断，使得安全事故频有发生，无法达到安全生产的要求。
技术实现思路
本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于机器视觉和深度学习的防打保龄的方法，通过机器视觉的手段，结合改进的尺度不变特征变换算法以及改进的boosting分类模型能够精确快速地判定防打保龄的情况，实现安全生产。本专利技术采用如下技术方案：本专利技术实施例一方面提供一种基于机器视觉和深度学习的防打保龄的方法，包括如下步骤：利用设置在大梁和小车上的摄像头采集得到RGB图像；将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；当判定结果为出现防打保龄，则触发当前呗位的保护。具体地，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：在待处理的RGB图像选取两个点；以这两个点为一条对角线，确定出一个矩形区域。具体地，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；根据特征点领域的像素梯度分布情况求出特征点的稳定方向。具体地，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。具体地，改进的boosting分类模型，具体为：由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器以串行方式排列组成Boosting分类器，所述基分类器包括：随机森林、支持向量机、决策树、朴素贝叶斯，随机梯度下降。本专利技术实施例另一方面提供一种基于机器视觉和深度学习的防打保龄的系统，包括如下：获取图像单元：利用设置在大梁和小车上的摄像头采集得到RGB图像；图像预处理和特征提取单元：将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；判定单元：将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；执行单元：当判定结果为出现防打保龄，则触发当前呗位的保护。具体地，图像预处理和特征提取单元，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：在待处理的RGB图像选取两个点；以这两个点为一条对角线，确定出一个矩形区域。具体地，图像预处理和特征提取单元，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；根据特征点领域的像素梯度分布情况求出特征点的稳定方向。具体地，图像预处理和特征提取单元，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。具体地，判定单元中，改进的boosting分类模型，具体为：由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器以串行方式排列组成Boosting分类器，所述基分类器包括：随机森林、支持向量机、决策树、朴素贝叶斯和随机梯度下降。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：(1)利用设置在大梁和小车上的摄像头采集得到RGB图像；将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；当判定结果为出现防打保龄，则触发当前呗位的保护；本专利技术提出一种基于机器视觉和深度学习的防打保龄的方法，通过机器视觉的手段，结合改进的尺度不变特征变换算法以及改进的boosting分类模型能够精确快速地判定防打保龄的情况，实现安全生产。(2)本专利技术提出了改进的尺度不变特征变换算法，不会对原图像进行下采样，仅仅是改变滤波器模版尺寸来获得不同尺度的图像，另外，通过积分图像和计算Hessian矩阵进行极值点检测的方式，提高了算法的执行效率。(3)本专利技术提出的改进的Boosting分类模型，结合Bagging和Boosting两种集成技术的优点，Bagging分类器又以随机森林、支持向量机、决策树、随机梯度下降、朴素贝叶斯为基础，利用基分类器的多样性，充分提高了分类模型的准确性。附图说明图1为本专利技术实施例提供的一种基于机器视觉和深度学习的防打保龄的方法流程图；图2为本专利技术实施例在小车前后位置安装摄像头的示意图；图3为本专利技术实施例在大车的大梁中间安装180度广角摄像头的示意图；图4为本专利技术实施例摄像头拍摄的图像；图4(a)是大梁中间安装180度广角摄像头视角拍摄的图像，图4(b)是小车前摄像头视角拍摄的图像，图4(c)是小车后摄像头视角拍摄的图像；图5为本专利技术实施例提供的一种基于机器视觉和深度学习的防打保龄的系统框图。具体实施方式本专利技术提出一种基于机器视觉和深度学习的防打保龄的方法，利用设置在大梁和小车上的摄像头采集得到RGB图像；将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图本文档来自技高网...

【技术保护点】
1.一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，包括如下步骤：/n利用设置在大梁和小车上的摄像头采集得到RGB图像；/n将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；/n将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；/n当判定结果为出现防打保龄，则触发当前呗位的保护。/n

【技术特征摘要】
1.一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，包括如下步骤：
利用设置在大梁和小车上的摄像头采集得到RGB图像；
将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；
将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；
当判定结果为出现防打保龄，则触发当前呗位的保护。


2.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：
在待处理的RGB图像选取两个点；
以这两个点为一条对角线，确定出一个矩形区域。


3.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：
建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；
寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；
根据特征点领域的像素梯度分布情况求出特征点的稳定方向。


4.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：
当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。


5.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，改进的boosting分类模型，具体为：
由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器以串行方式排列组成Boosting分类器，所述基分类器包括：随机森林、支持向量机、决策树、朴素贝叶斯，随机梯度下降。


6.一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，包...

【专利技术属性】
技术研发人员：张强，陈志辉，刘键涛，魏秋新，
申请(专利权)人：福建电子口岸股份有限公司，
类型：发明
国别省市：福建;35