基于計(jì)算機(jī)視覺的輸煤皮帶人員跌落裝置的設(shè)計(jì)與實(shí)現(xiàn)

楊勇 盧銀輝

摘要： 在火電廠輸煤系統(tǒng)中，其輸煤系統(tǒng)沿線分布有大量機(jī)電設(shè)備，例如碎煤機(jī)、落煤筒、輸煤皮帶等。在日常生產(chǎn)活動(dòng)中，偶發(fā)人員意外跌落在輸煤皮帶上，若不能及時(shí)停機(jī)，該人員可能會(huì)被送入碎煤機(jī)或者落煤筒，會(huì)對(duì)人員以及設(shè)備安全帶來威脅。針對(duì)人員跌落，現(xiàn)場(chǎng)多采用傳統(tǒng)的保護(hù)開關(guān)（拉繩開關(guān)）來進(jìn)行人員的安全防護(hù)，其檢測(cè)的范圍以及有效性均較差，滿足不了實(shí)際需求。因此，本文設(shè)計(jì)了一種計(jì)算機(jī)視覺的嵌入式輸煤智能檢測(cè)防護(hù)裝置，該裝置采集現(xiàn)場(chǎng)視頻，利用計(jì)算機(jī)視覺相關(guān)算法識(shí)別出跌落人員特征，判斷是否有人員跌落的情況發(fā)生。

【關(guān)鍵詞】計(jì)算機(jī)視覺 計(jì)算機(jī)視覺 嵌入式

Opencv是一個(gè)在業(yè)界被廣泛應(yīng)用的跨平臺(tái)計(jì)算機(jī)視覺庫。其擁有強(qiáng)大的跨平臺(tái)、多語言支持能力，已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域最影響力的研發(fā)工具之一。目前，opencv已經(jīng)成功應(yīng)用到多個(gè)領(lǐng)域，例如人臉識(shí)別、車牌識(shí)別、智慧交通、智慧城市等。本文在充分學(xué)習(xí)與研究opencv視覺庫的基礎(chǔ)上，并結(jié)合火電廠輸煤系統(tǒng)的工藝要求特點(diǎn)，成功將其移植至嵌入式平臺(tái)。

目前國(guó)內(nèi)火電廠輸煤系統(tǒng)中，輸煤系統(tǒng)采用程控系統(tǒng)遠(yuǎn)方控制，安裝了完善的視頻監(jiān)控系統(tǒng)，但對(duì)皮帶的運(yùn)行情況由值班員人工監(jiān)視和判斷，還沒有智能檢測(cè)保護(hù)系統(tǒng)的成功應(yīng)用案例。傳統(tǒng)的人員跌落檢測(cè)裝置為傳統(tǒng)的機(jī)械式檢測(cè)裝置，需要跌落人員觸碰到機(jī)械開關(guān)方可觸發(fā)緊急停車。本文在研究opencv有關(guān)算法的基礎(chǔ)上，提出了滿足本項(xiàng)目所需的人員跌落檢測(cè)智能算法，并設(shè)計(jì)了輸煤系統(tǒng)智能檢測(cè)防護(hù)裝置硬件，有效檢測(cè)人員跌落等意外，亦為將來輸煤系統(tǒng)無人值守提供了前提基礎(chǔ)。

1 系統(tǒng)軟件設(shè)計(jì)

基于計(jì)算機(jī)視覺的智能防護(hù)裝置，一般利用從攝像機(jī)獲取的監(jiān)控視頻，采用幀間差分法、光流法以及背景差分法等算法，實(shí)現(xiàn)人形目標(biāo)的檢測(cè)，但傳統(tǒng)的檢測(cè)算法無法適應(yīng)輸煤系統(tǒng)復(fù)雜的現(xiàn)場(chǎng)條件，輸煤現(xiàn)場(chǎng)往往設(shè)備種類繁雜，空間分布廣泛，而且現(xiàn)場(chǎng)照明條件較差，為人員跌落的檢測(cè)帶來了困難。

幀間差分法：該方法對(duì)視頻流中的相鄰幀做差分運(yùn)算，從而得到運(yùn)動(dòng)物體。但該方法在處理運(yùn)動(dòng)緩慢的物體時(shí)，幀間差分運(yùn)算容易將物體當(dāng)做背景圖像處理，丟失部分邊緣特征，從而降低檢測(cè)的準(zhǔn)確率。

背景差分法：該方法是事先設(shè)定一幀圖像作為背景，然后將視頻流中的每一幀圖像與背景圖像做差分運(yùn)算，從而識(shí)別出運(yùn)動(dòng)物體。但是，該方法適合光線穩(wěn)定、場(chǎng)景單一的場(chǎng)合，對(duì)于背景中有運(yùn)動(dòng)物體的復(fù)雜場(chǎng)景，該方法存在缺陷。

光流法：運(yùn)動(dòng)物體在視頻算法的轉(zhuǎn)換下，形成光流場(chǎng)，再通過分析光流場(chǎng)中特征點(diǎn)來獲取運(yùn)動(dòng)物體的輪廓特征。但該算法計(jì)算復(fù)雜、對(duì)硬件有較高要求，難以獲得廣泛應(yīng)用。

本文模擬了人員跌落的具體過程，并總結(jié)了在檢測(cè)過程中的特點(diǎn)與難點(diǎn)，提出了一種優(yōu)化幀間差分法。該算法的實(shí)現(xiàn)步驟是截取視頻碼流中連續(xù)的多幀圖像，并對(duì)任意相鄰兩幀做差分運(yùn)算，然后對(duì)運(yùn)算結(jié)果做圖像后處理和二值化運(yùn)算。最后再將每一個(gè)像素點(diǎn)得到的二值圖像進(jìn)行邏輯與運(yùn)算，從而獲得人形目標(biāo)的輪廓信息。

本文中提出的人員跌落檢測(cè)算法主要包含圖像預(yù)處理、基于混合高斯的背景建模、改進(jìn)型幀間差分法、邊緣檢測(cè)等算法組成。具體步驟如下：

（1）對(duì)原始視頻碼流中的視頻幀進(jìn)行去噪、二值化處理。

（2）利用本文提出的改進(jìn)型幀間差分法對(duì)前序操作處理后的視頻幀做差分處理。

（3）將前序操作得到的差分運(yùn)算結(jié)果進(jìn)行混合高斯建模。

（4）模型初始化完成后，判斷差分結(jié)果是否與某一時(shí)刻建立的高斯背景模型相匹配，若匹配，則設(shè)為初始點(diǎn)；不匹配則更新高斯背景模型。

（5）形態(tài)學(xué)生長(zhǎng)以及邊緣檢測(cè)。

算法實(shí)現(xiàn)流程如圖l。

混合高斯建模完成后，用視頻序列幀逐次與其做差分運(yùn)算，接著為得到的像素點(diǎn)建立混合高斯模型，在對(duì)模型完成初始化之后，選取優(yōu)先級(jí)較大的高斯分布作為背景模型合成的依據(jù)。經(jīng)過混合高斯模型的運(yùn)算處理，便可得到人形目標(biāo)的二值圖像。為了獲取準(zhǔn)確的人形目標(biāo)，亦可對(duì)含有人形目標(biāo)的相鄰幀進(jìn)行邏輯運(yùn)算，并對(duì)圖像進(jìn)行去噪處理以及形態(tài)學(xué)生長(zhǎng)，結(jié)合邊緣檢測(cè)算法，提高人形識(shí)別準(zhǔn)確度。

2 系統(tǒng)硬件設(shè)計(jì)

該智能檢測(cè)裝置采用Cortex A9為中央處理器，包含視頻采集單元、LED照明單元、IPS硬屏顯示單元、緊急制動(dòng)單元、FLASH存儲(chǔ)模塊、profibus通信單元等。通過視頻采集單元將現(xiàn)場(chǎng)視頻數(shù)據(jù)傳輸至中央處理器，中央處理器利用改進(jìn)型幀間差分算法，檢測(cè)出人形目標(biāo)，立即輸出緊急制動(dòng)信號(hào)，停止設(shè)備運(yùn)行，并利用profibus通信單元最終將檢測(cè)結(jié)果傳輸至控制室上位機(jī)。而FLASH存儲(chǔ)模塊可將輸煤皮帶人員跌落檢測(cè)防護(hù)裝置運(yùn)行過程中產(chǎn)生的關(guān)鍵數(shù)據(jù)存儲(chǔ)與管理。

2.1 中央處理器

中央控制器采用三星Cortex-A9架構(gòu)四核處理器S 5P4418，該CPU主頻1.4GHz，采用32為指令集。其具有豐富的外設(shè)接口和IO資源，便于功能的擴(kuò)展。本文設(shè)計(jì)了基于上述芯片的最小系統(tǒng)，包含電源轉(zhuǎn)換電路、以太網(wǎng)接口等。其中電源電路采用AC轉(zhuǎn)DC電源模塊以及ASM1117-3.3電源芯片，該電路實(shí)現(xiàn)了AC220V轉(zhuǎn)換為DC5V以及DC3.3V，從而為中央處理器供電，亦可為板載的其他外設(shè)供電。其具備的良好導(dǎo)熱性以及可靠性，滿足了火電廠輸煤系統(tǒng)的惡劣生產(chǎn)環(huán)境。

在上述中央處理器中搭建LINUX+QT+OPENCV編譯環(huán)境，將基于改進(jìn)型幀間差分法的計(jì)算機(jī)視覺算法交叉編譯并最終移植到嵌入式控制器。

2.2 視頻采集單元

視頻采集單元包含數(shù)字?jǐn)z像機(jī)和以太網(wǎng)接口電路，其中以太網(wǎng)接口電路采用w5500作為以太網(wǎng)協(xié)議芯片。數(shù)字?jǐn)z像機(jī)架設(shè)于輸煤皮帶正上方，調(diào)節(jié)位置和角度，使其覆蓋較大視野范圍；同時(shí)，利用LED燈改善現(xiàn)場(chǎng)照明條件，保證成像質(zhì)量。當(dāng)有人員跌落至輸煤皮帶時(shí)，視頻采集單元將采集到的圖像傳輸至中央處理器。

2.3 IPS硬屏顯示單元

輸煤系統(tǒng)智能檢測(cè)防護(hù)裝置初始安裝完成后，需要進(jìn)行參數(shù)標(biāo)定和監(jiān)控區(qū)域設(shè)置。同時(shí)考慮到輸煤現(xiàn)場(chǎng)的惡劣環(huán)境，本文選用IPS電容屏，支持觸控操作，免去現(xiàn)場(chǎng)設(shè)備使用鍵鼠的弊端。該顯示屏利用USART串行接口與中央處理器相連接，且其內(nèi)部集成了部分控制功能，因此可降低中央處理器負(fù)荷，降低了二次開發(fā)難度。

2.4 緊急制動(dòng)單元

緊急制動(dòng)單元包含2路繼電器輸出，其中l(wèi)路為常開節(jié)點(diǎn)，1路為常閉接點(diǎn)。上述繼電器輸出接入現(xiàn)場(chǎng)設(shè)備的急?？刂苹芈?。當(dāng)檢測(cè)到有人員跌落發(fā)生時(shí)，中央處理器便控制繼電器輸出，實(shí)現(xiàn)輸煤皮帶的緊急停車，防止意外發(fā)生。

2.5 profibus通信單元

Profibus總線技術(shù)在輸煤系統(tǒng)中被廣泛應(yīng)用，實(shí)際生產(chǎn)活動(dòng)總，一般沿著輸煤工藝路線，鋪設(shè)profibus專用通信電纜。因此，基于便于融入輸煤現(xiàn)場(chǎng)現(xiàn)有控制系統(tǒng)便利性以及節(jié)省電纜的原因，本文采用profibus總線通信作為輸煤系統(tǒng)智能檢測(cè)防護(hù)裝置與控制管理中心的通信手段。利用西門子VPC3芯片，實(shí)現(xiàn)了profibus通信，該芯片以SPI接口方式與中央控制器相連接。

3 試驗(yàn)

本文在火電廠輸煤系統(tǒng)中選取了一處輸煤皮帶，用衣物模擬人體，檢測(cè)了改進(jìn)型算法的有效性，可成功檢出落在輸煤皮帶上的衣物。

4 小結(jié)

本文設(shè)計(jì)的以opencv為基礎(chǔ)的輸煤系統(tǒng)智能檢測(cè)防護(hù)裝置，結(jié)構(gòu)緊湊、集成化程度高，不僅便于安裝，又節(jié)省了大量傳統(tǒng)的防護(hù)開關(guān)，實(shí)現(xiàn)了輸煤皮帶人員跌落的智能檢測(cè)，為未來實(shí)現(xiàn)無人值守、無人電廠奠定了基礎(chǔ)。

參考文獻(xiàn)

[1]朱迎春，基于智能視頻分析的視頻監(jiān)控系統(tǒng)研究[D].廣州：中山大學(xué)，2010.

[2]吳寧，基于流媒體技術(shù)的視頻監(jiān)控與分析系統(tǒng)[D].湖南大學(xué)，2007.

[3]周從亞，視頻監(jiān)控系統(tǒng)中媒體流傳輸技術(shù)研究與實(shí)現(xiàn)[D].南京郵電大學(xué)，2010.

[4]劉運(yùn)余，無人值守邊防哨卡智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)[D].南京理工大學(xué)，2013.

[5]張鋮.視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤研究[D].河北科技大學(xué)，2012.