光照变化对螺栓识别影响的实验研究

宋世军，宋连玉，郝龙龙，乔彩风

(1.山东建筑大学机电工程学院，山东 济南 250101;2.山东富友有限公司，山东 济南 250101)

塔式起重机(以下简称塔机)高空作业的高危险性已经成为社会关注的重点问题，据统计，近几年我国塔机事故率呈逐年上升趋势，2006年为0.720%，2007年为0.790%，2008年为0.815%.塔机事故率连续多年居高不下，引起了政府的关切，多次发文强调要求加强管理.而塔机安装、拆卸过程中出现的事故占总事故的50%以上.所以设计研发一种解决塔机安装拆卸安全性的方法势在必行.

目前绝大多数的塔机安装过程缺乏监视、记录以及违规操作的警示和反馈功能，致使自觉或不自觉的违规操作的情况时有发生，有些禁止的操作动作无法得到控制，这就使塔机的安装过程的危险性进一步提高.安全监控系统里面的关键部分是从复杂多变的背景中分割识别出螺栓、销轴及踏步等特征目标的状态，而塔机安装拆卸过程中特征目标的各状态停留时间较短，这就对分割识别目标算法的运行时间提出了更高的要求.基于此，本文提出了一种以位图模型进行背景建模的方法，实验证明该方法处理图片的速度较快，更好地解决了运行时间受限的问题.

1 常用目标分割识别方法

中国农业大学的冯斌等人在水果分级检测技术的研究中提出了2种新的边缘检测算法:灰度邻域法和模板分析法，这种方法检测出的边缘清晰、连续，无需进一步细化和序列化处理，提高了系统处理速度［1］.但水果分级要求的背景比较单一，不能适用于背景复杂的图像分割识别.浙江大学的熊四昌在其博士毕业论文中引入了马尔可夫随机场的理论，并在此基础上建立马尔可夫随机场纹理模型进行工件表面纹理图像的分析.据此研究了纹理学特征分析的经典方法——灰度共生矩阵法，并结合工件表面图像，分析了工件表面纹理在归一化灰度共生矩阵中所表现出的特点［2］.但是此方法运算时间较长，难以满足螺栓识别监控的快速性需求.山东大学的常发亮等人提出了一种基于视觉的实时动态边缘检测方法，并将其应用在河道流量实时测量中，利用Hough(由Paul Hough提出)变换求取边缘方程，并依此在子像素分辨率下实时计算水面宽度和流量［3］.实际应用结果表明了该方法的有效性，但此种方法仅能够做到对线性目标分析识别的快速性、准确性，而本研究课题的特征目标螺栓的侧视图为矩形，用该方法处理需多次迭代，多个方向寻找目标特征，实时处理效果不好.

塔机安装是一个动态的过程，包括背景在内的所有元素均处于变化之中，这对算法的阈值设计提出了更高的要求.假设图像中的背景区域固定不动，在短时间内特征目标出现的前一刻，可以认为背景变化很小，甚至不发生变化.这种情况下，通常有2种方法进行特征目标检测:帧间差分法和背景相减法.帧间差分法能够适应环境的动态变化，实现实时的运动检测，但背景的剧烈变化或者光照变化会造成分割阈值难以确定，或者分割出的运动目标不完整.背景相减法最简单的实现方法是预先选取不含前景运动目标的背景图像，然后将当前帧与该背景图像相减［4］.但塔机安装过程中是在户外进行，背景肯定会发生变化，包括光照变化、远处有施工的电焊光照等大背景的影响以及标准节变旧出现斑驳等，导致这2种方法用在塔机安装过程中的特征目标的识别上不太理想，故需研究一种适应户外复杂环境下识别特征目标并且运行速度较快的算法.

2 位图模型获取特征算法

灰度图片的灰度值在计算机中由8位二进制数表示，其中高3位对图片的影响较大，最高位的影响是将图片分为高128和低128灰度，而1 d内自然背景中光照等对图片的影响是一个缓慢的过程，所以短期(一个采集背景和前景的周期)内对背景和前景的影响不会太大，为了提高特征识别的速度，本文实验仅用灰度图像的第5位、第6位作为研究对象.以下是位图模型的具体算法.

本文提出的位图模型获取特征算法的核心是:将图片的第5，6位的位图像作为模型的基本元素，运用统计原理得出同一个位置下背景的特征，然后进行二值化处理，由此建立的位图模型来作为背景模型.

图1 位图模型获取特征算法流程图Fig.1 Algorithm flowchart of obtaining the characteristics by bitmap model

位图模型获取特征的基本步骤共有5步，该算法实现的流程图如图1所示.

(1)获取图像.读取N幅背景图像及1幅目标图像.

(2)将图像转化为灰度图像，并求取背景图像的平均值图像.采用必要的幂次变换，以使目标的特征更加明确.

(3)求取位图像.分别读取平均值图像及目标图像的第5，6位的位图像(该位图像为二值化图像).

(4)背景建模.以这2位图像的平均值图像作为基本元素，进行背景建模.

(5)求取差值图像并做数学形态学处理.将目标图像与背景图像做差，后经过数学形态学处理得到最终处理图像结果.

3 位图模型获取特征算法有效性验证

欲实现塔机安装过程中的特征目标的实时监控，缩短目标识别的运行时间，本文首先通过缩小监控的视野范围的方法来实现，即将图像采集摄像头的窗口固定在本文所感兴趣的范围之内，这样做的目的是尽量消除外界因素对目标识别的影响，令影响识别的主要因素仅为光照的影响及标准节因长久使用而出现的斑驳.

3.1 位图法有效性验证Ⅰ(阴雨天情况)

3.1.1 图片获取方法

阶段1:每隔0.5 h将连接螺栓分成螺母拧紧、拧至一半、拧至底部、取下螺母、取下螺栓及重新装上螺栓螺母6个状态，每个状态保持至少录像10 s.

阶段2:从录像视频中按时间截取图片，从5:00到20:00每0.5 h截取1张螺母拧紧、3张取下螺栓的图片，并编上从1至31的序号.

图2是从图片组中的几幅具有代表性的图片.

以上3组图片分别是从5:30，12:30，16:30的视频中截取的.

3.1.2 位图法处理图片结果

按照上文中的位图法处理图片，得到的结果如图3所示.

图2 特征目标原图Fig.2 Original image of characteristic target

图3 位图法处理图片结果Fig.3 Results of dealing with image by bitmap method

图中的3组图片分别是原图图片的处理结果，前面的一幅是将处理的结果在原图中显示，图中红色矩形框即为处理出的螺栓的位置在原图中标出的结果.

3.1.3 图片处理结果归一化

为了验证位图法处理结果的稳定性，本文首先求出图3中2个矩形框在原图中的行坐标、列坐标值，然后分别将行坐标、列坐标按照下式进行坐标归一化.

式中:x_down_1为螺栓头部行坐标归一化值;x_down为螺栓头部的行坐标值;x_up_1为螺栓尾部的行坐标归一化值;x_up为螺栓尾部的行坐标值;y为螺栓头部和螺栓尾部的列坐标的平均值;y_1为螺栓头部和螺栓尾部的列坐标平均值的归一化值;m，n分别为原图像的行数、列数.

为了直观显示出该算法识别目标位置的稳定性，本文以各组图片的时间序号(自5.30至20.00每隔0.5 h一个时间序号，即时间序号为1—30)为曲线图的横坐标，以各坐标的归一化值为曲线图的纵坐标画图，结果如图 4，图 5，图6.

3.2 位图法有效性验证Ⅱ(晴天情况)

3.2.1 图片获取方法

阶段1:每隔15 min将连接螺栓分成有螺栓和卸下螺栓两个状态，每个状态保持至少录像20 s.

图4 行坐标x_down归一化值x_down_1变化曲线Fig.4 Curve of the line coordinates x_down_1

图5 行坐标x_up归一化值x_up_1变化曲线Fig.5 Curve of the line coordinates x_up_1

图6 列坐标y归一化值y_1变化曲线Fig.6 Curve of the column coordinate y_1

阶段2:从录像视频中按时间截取图片，从5:30到18:45每15 min截取1张装上螺栓、3张取下螺栓的图片，并编上从1—53的序号.

3.2.2 位图法处理图片结果

图7 不同前景图特征识别结果Fig.7 Feature recognition results of different prospects images

式中:y_down_1为螺栓头部纵坐标归一化值;y_down为螺栓头部的纵坐标值;y_up_1为螺栓尾部的纵坐标归一化值;y_up为螺栓尾部的纵坐标值.

将特征目标的坐标分别以式(1)，(2)进行坐标归一化，并将所得归一化结果作为曲线图的纵坐标，各图片组的序号为曲线图的横坐标画图结果见图8和图9.

图8 行坐标归一化值x_down_1，x_up_1变化曲线Fig.8 Curve of the line coordinates x_down_1，x_up_1

图9 列坐标归一化值y_down_1，y_up_1变化曲线Fig.9 Curve of the column coordinate y_down_1，y_up_1

通过以上阴雨天和晴天的2组实验，验证了位图法获取图片的方法是行之有效的.

5 结论

本文提出了一种基于位图模型的背景建模法，研究出一种户外工作大型设备的安装拆卸的监控方法，这种方法可以缩短分割识别目标特征所需的时间，提高监控仪的监控效率，大大降低大型设备安装拆卸的事故发生率.

该位图法可以很好地消除掉光照多变的影响，使检测分割结果能够实现户外安装监控的目的.本文的主要结论有以下2点:

(1)基于位图模型的背景建模可以快速、精确、有效地分割识别特征目标，并且运用位图可以有效地消除光照以及标准节的斑驳阴影.

(2)对于晴天的图片，为了减小其亮度相差大的特点，处理时采用了幂次处理，使目标的分割更加精确.

本研究的不足之处在于幂次处理时的幂次选择靠实验完成，缺乏与光照强度、图像亮度的关联性，后期研究的重点将转移到依据光照强度自行选择幂次的大小.

［1］冯斌.计算机视觉信息处理方法与水果分级检测技术研究［D］.北京:中国农业大学，2002.FENG Bin.One information processing method of detection of fruit classification technology research by computer vision［D］.Beijing:China Agricultural University，2002.

［2］熊四昌.基于计算机视觉的刀具磨损状态检测技术的研究［D］.杭州:浙江大学，2004.XIONG Sichang.One detectiono technology of tool wears state based on computer vision［D］.Hangzhou:Zhejiang University，2004.

［3］常发亮，马思乐，乔谊正.动态线边缘实时HOUGH变换检测及其在测流中的应用［J］.控制与决策，2004(12):1412－1415.CHANG Faliang，MA Sile，QIAO Yizheng.Dynamic line edge detection by HOUGH transform real-time and in flow measurement applications［J］.Control and Decision Making，2004(12):1412 －1415.

［4］冈萨雷斯.数字图像处理［M］.阮秋琦，译.第2版.北京:电子工业出版社，2005.GONZALEZ R C.Digital image processing［M］.RUAN Qiuqi，Translation.2ed.Peking:Electronic Industry Press，2005.