基于機器視覺的帶式輸送機帶速檢測方法的研究

劉莉莉，苗長云

(天津工業(yè)大學(xué)電子與信息工程學(xué)院，天津 300387)

0 引言

帶式輸送機是一種現(xiàn)代化生產(chǎn)中連續(xù)運輸設(shè)備，具有運量大、運距遠(yuǎn)、能耗小、運費低、效率高、運行平穩(wěn)、裝卸方便、適合于散料運輸?shù)葍?yōu)點，與汽車、火車一起成為三大主力工業(yè)運輸工具，已被廣泛應(yīng)用于煤炭、礦山、港口、電力、冶金、化工等領(lǐng)域[1-2]。

為了保證帶式輸送機安全運行，監(jiān)測帶式輸送機的打滑、超速等運行狀態(tài)以及調(diào)速控制，需要檢測帶式輸送機的帶速。目前常用的帶式輸送機的帶速檢測方法采用接觸式滾輪速度傳感器檢測帶式輸送機的帶速，接觸式檢測易損壞、可靠性差，并且易劃傷輸送帶；滾輪打滑、跳動或滾輪表面粘有物料周長發(fā)生變化，帶速檢測準(zhǔn)確性差。

本文針對帶式輸送機帶速檢測方法中存在可靠性和準(zhǔn)確性差等問題，提出了一種基于機器視覺的帶式輸送機帶速檢測的方法，提高了帶速檢測的精度、速度和可靠性，在煤炭、礦山、港口、電力和化工等領(lǐng)域具有廣泛的應(yīng)用前景[3]。

1 基于機器視覺的帶式輸送機帶速檢測設(shè)計方案

基于機器視覺的帶式輸送機帶速檢測方法如圖1所示。對序列圖像中每相鄰兩圖像做基于特征粗匹配，利用隨機抽樣一致算法剔除誤匹配點進(jìn)行精確匹配，讀取兩圖像精確匹配坐標(biāo)，計算輸送帶平均像素位移。根據(jù)圖像坐標(biāo)系與世界坐標(biāo)系的映射關(guān)系，得出圖像中每像素所代表的物理尺寸，即得出輸送帶運行的實際位移與速度。

圖1 帶式輸送機帶速檢測軟件設(shè)計方案框圖

2 相機標(biāo)定

基于機器視覺計算帶式輸送機輸送帶的位移以像素為單位，若將像素單位轉(zhuǎn)化為物理單位，則需對相機進(jìn)行標(biāo)定。相機標(biāo)定分為線性標(biāo)定與非線性標(biāo)定[4]，本文選用面陣CCD相機，鏡頭畸變較小，故可簡化標(biāo)定流程，選用線性標(biāo)定方法。將相機垂直于輸送帶固定，在較短時間內(nèi)，相鄰幀圖像受光照變化、運動狀態(tài)等影響可忽略不計，每幀圖像成像大小固定不變。根據(jù)針孔成像模型，二維圖像尺寸與三維空間物體實際尺寸之間存在線性關(guān)系。設(shè)輸送帶上有2點A、B,在三維空間中對應(yīng)其實際物理距離為d0(mm)，在二維成像空間對應(yīng)的像素距離為d1(pixel)。則d0、d1存在一定的線性關(guān)系，設(shè)參數(shù)k為二者的放大倍數(shù)，即

d0=kd1

(1)

相機標(biāo)定的主要目的是獲取k值，通過多次標(biāo)定實驗，獲得k值，進(jìn)而建立二維空間像面位移與三維空間實際位移之間的關(guān)系。

3 基于SURF-ORB算法的輸送帶上表面圖像匹配算法

針對帶式輸送機輸送帶圖像特征不顯著、重疊區(qū)域不明顯等缺點，提出一種適用于帶式輸送機圖像的匹配算法，該算法結(jié)合了SURF算法檢測特征點的穩(wěn)定性、高效性與ORB算法快速的優(yōu)越性。并通過定義圖像感興趣區(qū)域以加快算法運行速度。本文匹配算法大致分為4個部分：定義圖像感興趣區(qū)域、SURF特征提取、基于SURF特征點構(gòu)建ORB特征描述、相似性度量。

3.1 感興趣區(qū)域

感興趣區(qū)域ROI是從圖像中選擇一個圖像區(qū)域作為關(guān)注的焦點，圖像從大圖像變成小圖像區(qū)域。由于相機視角FOV較大，每幀圖像間存在無效區(qū)域，增加了圖像處理時間。根據(jù)輸送帶圖像特點，定義輸送帶圖像特征顯著部分作為感興趣區(qū)域，僅對感興趣區(qū)域特征匹配，縮減圖像匹配搜索范圍，顯著地減少了圖像配準(zhǔn)的運行時間。

3.2 SURF特征提取

SURF具有很強的魯棒性以及更高的運算速度，比SIFT算法快3倍以上[5]，SURF是基于Hessian矩陣進(jìn)行特征點檢測。Hessian矩陣行列式局部最大值是圖像特征點所在的位置。設(shè)圖像I中的某點x=(x,y)，在該點x處，尺度為σ的Hessian矩陣H(x,σ)定義為

(2)

Hessian矩陣行列式的極大值點處即為特征點，用盒狀濾波器(Dxx、Dxy、Dyy)近似替代高斯二階微分算子(Lxx、Lxy、Lxy)得到Hessian矩陣行列式為

det(Happrox)=DxxDyy-(ωDxy)2

(3)

式中ω為權(quán)值，用以平衡因近似所帶來的誤差，其值約為0.9。

為保證尺度不變性，通過建立圖像堆，在每一層圖像上應(yīng)用不同尺寸大小的盒狀濾波器模板得到濾波響應(yīng)值，通過式(3)得到所有像素的Hessian矩陣的行列式，基于這些行列式找出特征點，首先選取閾值，去掉行列式值低的像素，保留最強的響應(yīng)值。然后使用3×3×3模板在三維空間進(jìn)行非極大值抑制，最后應(yīng)用插值法找到亞像素精度的特征點位置。

3.3 基于SURF特征點構(gòu)建ORB描述

SURF特征描述運用的是浮點數(shù)，通過歐式距離進(jìn)行匹配，大量的浮點數(shù)運算增加了更大的內(nèi)存開銷，導(dǎo)致匹配時間長，耗費資源。為彌補這些缺點，二進(jìn)制描述子被提出，二進(jìn)制描述子采用二進(jìn)制的特征向量，節(jié)省了大量的存儲空間。ORB特征描述子便是一種二進(jìn)制碼串形式的描述子，經(jīng)研究表明，其算法效率比SIFT快2個數(shù)量級，比SURF快1個數(shù)量級。計算速度上是SIFT的100倍，是SURF的10倍[6]。它的主要思想是圖像特征點鄰域可以用相對少量的灰度對比來表達(dá)，首先以特征點為中心定義一個大小為S×S(31×31)的補丁區(qū)域，在該區(qū)域內(nèi)，以某種特定的方式選擇nd個像素點對。然后比較每個像素點對之間的灰度值：

(4)

式中p(x)為在圖像塊x處的灰度值。

最后把補丁區(qū)域內(nèi)所有點對的比較結(jié)果串成一個二值位字符串的形式，從而形成該特征點的描述符B：

(5)

當(dāng)n=128、256、512時(通常選擇256)，在運算速度，空間占位和準(zhǔn)確性上可以達(dá)到最佳效果。ORB中，為實現(xiàn)旋轉(zhuǎn)不變性，使用了steered BRIEF算子，特征點鄰域構(gòu)成圖像塊的主方向為θ，其對應(yīng)的旋轉(zhuǎn)矩陣Rθ與以特征點為中心的鄰域內(nèi)的n對點集D為

(6)

旋轉(zhuǎn)矩陣為

(7)

經(jīng)旋轉(zhuǎn)后得到新的點對Dθ=RθD，最終得到變換后的描述子為

fn(p,θ)=B(p)|(xi,yi)∈Dθ

(8)

3.4 相似性度量

經(jīng)上述過程可知，圖像中提取到的特征點由二值化的位符號串描述，用漢明距離測量兩個描述符的相似程度，兩個字符串按位進(jìn)行異或操作，統(tǒng)計1的個數(shù)，該數(shù)即為兩個字符串的漢明距離。其公式為

(9)

式中n為描述符的位數(shù)；x與y分別為兩圖像的某個特征點；x[i]和y[i]分別為特征點描述符的第i位。

通過設(shè)定閾值h(0.8)，當(dāng)相似度大于h時，代表匹配成功。由于基于漢明距離進(jìn)行匹配可能存在誤匹配，利用RANSAC算法[7]對粗匹配進(jìn)行提純，將正確匹配的點稱為內(nèi)點，錯誤匹配的點稱為外點，該算法即是剔除外點的過程。通過找到一個最佳的3×3的單應(yīng)性矩陣，獲得兩幀圖像之間的坐標(biāo)變換關(guān)系。其關(guān)系式為

(10)

式中：(x,y)和(x′,y′)分別為匹配圖像與待匹配圖像的特征點坐標(biāo)。

單應(yīng)性矩陣有8個未知參數(shù)，至少需要4個不共線的匹配點對。RANSAC算法具體步驟：

(1)隨機抽取樣本集中4個不共線的點對，計算變換矩陣H；

(2)利用變換矩陣H計算剩余匹配點之間的距離d；

(3)設(shè)閾值e，當(dāng)d小于閾值則為內(nèi)點，否則為外點；

(4)設(shè)定最大迭代次數(shù)N，當(dāng)?shù)螖?shù)大于N，則退出，否則，重復(fù)上述步驟。

4 帶式輸送機帶速計算

對序列圖像每相鄰兩幀圖像進(jìn)行精確匹配后，讀取每個匹配點對的坐標(biāo)，設(shè)有n個正確匹配點對，兩圖像對應(yīng)的特征點坐標(biāo)分別為(xi,yi)和(xi′,yi′)，輸送帶的平均像素位移l為

(11)

設(shè)每兩幀圖像拍攝間隔為Δt，輸送帶速度為v，由相機標(biāo)定結(jié)果可知輸送帶實際物理位移與像素位移的線性關(guān)系，則輸送帶速度計算公式為

(12)

式中k為相機標(biāo)定中獲取的放大倍數(shù)。

5 實驗與結(jié)果分析

本文算法的準(zhǔn)確性需進(jìn)行實驗驗證[8]，搭建實驗環(huán)境，設(shè)置拍攝時間間隔為100 ms，采集帶式輸送機輸送帶上表面序列圖像，進(jìn)行實驗，并將機器視覺測量的帶式輸送機速度與帶式輸送機監(jiān)控系統(tǒng)終端傳感器顯示的速度作對比。重點分析圖像匹配結(jié)果以及該算法測速的穩(wěn)定性和可靠性。

5.1 圖像匹配結(jié)果分析

經(jīng)大量實驗表明，本文算法可精確對輸送帶序列圖像進(jìn)行匹配。隨機選取序列圖像中的兩幅圖像，如圖2(a)與圖2(b)，運用本文算法對輸送帶圖像進(jìn)行實驗，匹配結(jié)果如圖2(c)所示。

(a)帶式輸送機圖像1

(b)帶式輸送機圖像2

(c)本文算法匹配結(jié)果

將改進(jìn)后的算法與ORB算法作對比，以圖2(a)、圖2(b)為例，匹配算法比較結(jié)果如表1所示，當(dāng)ORB算法進(jìn)行匹配時無正確匹配點對，本文提出的算法匹配結(jié)果有57對正確匹配點，且耗時與ORB算法相當(dāng)。

表1 匹配算法比較

5.2 測速結(jié)果分析

本文選用面陣相機，對采集的3種不同速度下的序列圖像進(jìn)行實驗。當(dāng)帶式輸送機穩(wěn)定工作后，采集運動的帶式輸送機輸送帶上表面圖像，應(yīng)用本文算法計算帶式輸送機帶速，選取實驗室?guī)捷斔蜋C終端監(jiān)控系統(tǒng)中傳感器測量的平均速度作對比，計算其測速誤差。非接觸式機器視覺測速與傳感器平均速度值對比如表2所示，基于機器視覺的測量方法與傳統(tǒng)的速度傳感器方法誤差統(tǒng)計圖如圖3所示。

表2 機器視覺測速與傳感器速度對比 m/s

圖3 本文測量速度與傳感器顯示速度的誤差

由實驗可知，表2選取的3組序列圖像測量帶速的平均誤差分別是-4.344 、35.78 、-15.56mm/s。經(jīng)多次實驗驗證，整體平均誤差控制在-50～50mm/s之間。圖3為傳感器測量與機器視覺測量結(jié)果瞬時誤差，在速度較大時，瞬時誤差可控制在-0.2～0.2之間。在采集圖像的過程中，兩幀圖像由于亮度差異等不可控因素導(dǎo)致匹配失敗，使得測速結(jié)果誤差較大，針對此問題，本文采用最小二乘法對測量速度進(jìn)行擬合，將誤測的速度剔除。綜上所述，本文測速方法與傳感器測速方法保持了較好的一致性，其穩(wěn)定性與可靠性強于速度傳感器，具有很高的精確度，彌補了傳感器測速易受外界環(huán)境影響的缺陷。

6 結(jié)束語

對于帶式輸送機傳感器測速的局限性，提出一種基于機器視覺的測速方法，該方法具有非接觸式、不干擾帶式輸送機運行過程、精確度高等特點，充分利用帶式輸送機運行狀態(tài)的連續(xù)性與序列圖像成像特點，高精度計算出帶式輸送機的速度，通過理論分析與實驗結(jié)果表明，該測速算法在輸送帶領(lǐng)域運用的可行性與可靠性，具有較好的實用推廣價值。