專利名稱：一種鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本實(shí)用新型涉及圖像處理、計(jì)算機(jī)視覺、模式識(shí)別、在線檢測(cè)等領(lǐng)域，尤其涉及一種基于虛擬多傳感器融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)。
背景技術(shù)：
在線視覺檢測(cè)是利用計(jì)算機(jī)視覺原理，綜合圖像處理、模式識(shí)別和人工智能等技術(shù)對(duì)物體的運(yùn)動(dòng)、形狀、姿態(tài)進(jìn)行分析以及對(duì)物體幾何尺寸等物理參數(shù)進(jìn)行準(zhǔn)確的非接觸在線檢測(cè)的過程。但由于工業(yè)現(xiàn)場(chǎng)條件非常惡劣，如空氣中的雜質(zhì)(如煙霧、灰塵、水氣等)、工業(yè)設(shè)備振動(dòng)引起的視覺裝置的振動(dòng)、環(huán)境中光照和電磁輻射等干擾都會(huì)對(duì)傳感器獲取的圖像等信息造成很大的損失或畸變，這給在線視覺檢測(cè)帶來很大的困難，使檢測(cè)準(zhǔn)確性和可靠性難以保證。為了提高在線視覺檢測(cè)的準(zhǔn)確性，多傳感器(如雷達(dá)、聲納、CCD攝像機(jī)、紅外以及激光探測(cè)器等)圖像信息融合的技術(shù)被應(yīng)用到在線視覺檢測(cè)。
多傳感器信息融合最大的特點(diǎn)就是信息冗余、信息互補(bǔ)和信息實(shí)時(shí)，其優(yōu)點(diǎn)就是能減少數(shù)據(jù)量及其計(jì)算量，提高檢測(cè)的準(zhǔn)確性。但是傳感器的增多必將提高成本、降低系統(tǒng)可靠性、增加設(shè)備。同時(shí)在工業(yè)應(yīng)用中，對(duì)傳感器的選擇受到許多諸如工業(yè)現(xiàn)場(chǎng)環(huán)境特點(diǎn)、被測(cè)對(duì)象特性以及投資成本等條件的限制，這使得多傳感器及其相關(guān)信息融合技術(shù)在工業(yè)生產(chǎn)中難以被廣泛應(yīng)用。
D-S證據(jù)理論常被選擇用來解決那些古典Bayesian方法由于缺乏概率分布模型或準(zhǔn)確數(shù)學(xué)分析無效的問題。具體思想為設(shè)識(shí)別框架Ω為有限集，其冪集為2Ω，定義了一個(gè)集函數(shù)m2Ω→[0，1]，滿足(1)m(Φ)＝0；(2)對(duì)于AΩ，m(A)≥0，且 m(A)＝1。稱m(A)為Ω上A的基本概率賦值。對(duì)于任一子集AΩ，分別定義其信任函數(shù)和似真函數(shù)分別為Bel(A)=ΣB⋐Am(B)]]>和Pl(A)=1-Bel(A‾)=ΣB∩A≠φm(B),]]>其中＝Ω-A。信任函數(shù)Bel(A)表示支持A的總信任的最小值，似真函數(shù)Pl(A)表示不否定A的信任程度，是支持A的總的總信任最大值。得D-S證據(jù)理論融合規(guī)則的一般形式。該方法在信息融合時(shí)對(duì)所有傳感器給予了相同的置信，這種等置信的方法僅適用于所有傳感器在識(shí)別框架上的各自的概率能夠同時(shí)地反映不確定性和確定性的情況。而實(shí)際上很難滿足上述要求，有文獻(xiàn)提出了加權(quán)D-S證據(jù)理論融合算法，即假定已知一個(gè)傳感器在類似的情況中如何工作的歷史，則可以用歷史估計(jì)的正確率作為確定傳感器當(dāng)前觀測(cè)估計(jì)值的置信程度(用ωi表示)，即得到加權(quán)D-S證據(jù)理論融合算法。加權(quán)D-S證據(jù)理論融合算法雖然解決了多傳感器在識(shí)別框架上各自概率確定和不確定的問題以及觀測(cè)準(zhǔn)確性不同的問題，可加權(quán)系數(shù)是由歷史數(shù)據(jù)計(jì)算所確定，不能及時(shí)地反映當(dāng)前證據(jù)的信任函數(shù)變化。為了解決這類問題，本文提出了自適應(yīng)系數(shù)權(quán)D-S證據(jù)理論融合算法。
煉鋼企業(yè)的螺紋鋼生產(chǎn)線在成品打捆時(shí)需要對(duì)每一捆中鋼材根數(shù)進(jìn)行準(zhǔn)確計(jì)數(shù)，但在軋制過程中由于成品率難于控制，煉鋼工業(yè)生產(chǎn)現(xiàn)場(chǎng)非常惡劣，生產(chǎn)車間內(nèi)存在各種隨機(jī)干擾，螺紋鋼材生產(chǎn)線上溫度特別高，所以一直很難找到合適的傳感器完成自動(dòng)計(jì)數(shù)，由工人手工計(jì)數(shù)。這不僅使生產(chǎn)成本很高，而且計(jì)數(shù)結(jié)果易受到值班人員的注意力、反應(yīng)速度、疲勞以及責(zé)任心等因素的影響。目前有個(gè)別生產(chǎn)先引進(jìn)了機(jī)械式鋼材支數(shù)計(jì)數(shù)系統(tǒng)，但由于機(jī)械系統(tǒng)故障率高、鋼材成品很長(zhǎng)加上高溫較軟，所以機(jī)械式系統(tǒng)準(zhǔn)確性也很低。
目前國(guó)內(nèi)外尚沒有基于虛擬多傳感器信息融合的特別是自適應(yīng)權(quán)系數(shù)D-S證據(jù)理論融合方法的計(jì)算機(jī)視覺系統(tǒng)，也沒有基于這種系統(tǒng)的鋼材支數(shù)在線自動(dòng)計(jì)數(shù)方法。
實(shí)用新型內(nèi)容本實(shí)用新型的目的在于針對(duì)現(xiàn)有技術(shù)中工業(yè)現(xiàn)場(chǎng)圖像易受各種干擾、在線視覺檢測(cè)準(zhǔn)確性差的不足，提供一種基于虛擬多傳感器融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)。
本實(shí)用新型的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的一種基于虛擬多傳感器融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，它包括一計(jì)算機(jī)系統(tǒng)，它主要由計(jì)算機(jī)、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡組成，一攝像和恒光源裝置，一接近開關(guān)，一數(shù)碼顯示器，一開關(guān)面板，所述攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器、開關(guān)面板分別與計(jì)算機(jī)系統(tǒng)相連。
本實(shí)用新型具有以下技術(shù)效果(1)本實(shí)用新型研制出了可適用于復(fù)雜惡劣的工業(yè)環(huán)境中自動(dòng)采集穩(wěn)定實(shí)時(shí)圖像的硬件機(jī)械系統(tǒng)，借助設(shè)計(jì)的特殊結(jié)構(gòu)，降低了外界諸如光線、震動(dòng)、抖動(dòng)、輻射等對(duì)圖像的干擾。
(2)本實(shí)用新型可以在線無接觸地自動(dòng)檢測(cè)鋼材支數(shù)的智能系統(tǒng)，對(duì)某煉鋼工業(yè)生產(chǎn)過程在線檢測(cè)，該系統(tǒng)檢測(cè)的方法具有快速準(zhǔn)確、抗干擾能力強(qiáng)、適用范圍寬以及不需要多個(gè)傳感器等優(yōu)點(diǎn)，完全能滿足工業(yè)應(yīng)用要求。


圖1是本實(shí)用新型的系統(tǒng)結(jié)構(gòu)組成示意圖；圖2是圖1的攝像和恒定光源裝置構(gòu)成示意圖；圖3是本實(shí)用新型的系統(tǒng)具體實(shí)現(xiàn)示意圖；圖4是圖像搜索過程示意圖；圖5是窗口模板在特征圖中的搜索過程示意圖；圖6是特征點(diǎn)計(jì)算選取示意圖；圖7是搜索區(qū)域優(yōu)化計(jì)算示意圖；圖8是各個(gè)特征信度函數(shù)計(jì)算示意圖；圖9是數(shù)碼顯示器顯示內(nèi)容示意圖。
具體實(shí)現(xiàn)方式下面根據(jù)附圖詳細(xì)說明本實(shí)用新型。
如圖1所示，本實(shí)用新型的基于虛擬多傳感器信息融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)主要包括接近開關(guān)、攝像和恒光源裝置(包括云臺(tái)及其控制器)、數(shù)碼顯示器、計(jì)算機(jī)系統(tǒng)、開關(guān)面板；其中，計(jì)算機(jī)系統(tǒng)包括工業(yè)控制計(jì)算機(jī)、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡，攝像和恒光源裝置、接近開關(guān)、開關(guān)面板、數(shù)碼顯示器分別與計(jì)算機(jī)系統(tǒng)相連。工業(yè)現(xiàn)場(chǎng)被測(cè)的鋼材運(yùn)行信號(hào)通過接近開關(guān)輸入到計(jì)算機(jī)系統(tǒng)，鋼材截面信息通過攝像和恒光源裝置輸入到計(jì)算機(jī)系統(tǒng)，計(jì)算機(jī)系統(tǒng)將計(jì)數(shù)結(jié)果顯示在數(shù)碼顯示器上，現(xiàn)場(chǎng)工作人員根據(jù)實(shí)際工況通過開關(guān)面板干預(yù)計(jì)算機(jī)系統(tǒng)工作情況。
如圖2所示，攝像和恒光源裝置主要由設(shè)置同在一個(gè)箱體內(nèi)的恒定光源4、折光吊鏈5和攝像頭3組成，用以得到灰度相對(duì)穩(wěn)定的圖像。攝像頭采用高分辨率線陣CCD攝像頭，攝像頭上裝有可調(diào)節(jié)的鏡頭。接近開關(guān)可采用紅外接近開關(guān)。本實(shí)用新型的基于虛擬多傳感器信息融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)的工作過程如下當(dāng)有被測(cè)對(duì)象2將要經(jīng)過攝像和恒光源裝置時(shí)，計(jì)算機(jī)系統(tǒng)通過接近開關(guān)1得到相應(yīng)的信號(hào)，在經(jīng)過適當(dāng)?shù)臅r(shí)間延時(shí)，計(jì)算機(jī)系統(tǒng)將攝像頭2的信號(hào)轉(zhuǎn)換成數(shù)字圖像信號(hào)，并存入到計(jì)算機(jī)指定的內(nèi)存中。經(jīng)過計(jì)算機(jī)處理，獲得該圖像中的鋼材支數(shù)，并將結(jié)果顯示在數(shù)碼顯示器上，操作人員根據(jù)顯示結(jié)果進(jìn)行現(xiàn)場(chǎng)打捆。
開關(guān)面板為六個(gè)常開觸點(diǎn)的按鈕開關(guān)面板，6個(gè)按鈕分別為暫停按鈕、開始按鈕、停止按鈕、加一按鈕、減一按鈕和清零按鈕，它們的功能分別為暫停計(jì)數(shù)、開始計(jì)數(shù)、停止計(jì)數(shù)、支數(shù)加1、支數(shù)減1、系統(tǒng)清零。根據(jù)現(xiàn)場(chǎng)情況通過開關(guān)面板隨時(shí)干預(yù)系統(tǒng)工作狀態(tài)。
數(shù)碼顯示器可以采用LED數(shù)碼顯示器。其顯示內(nèi)容如圖9所示，四組數(shù)字由左到右分別表示本捆當(dāng)前支數(shù)、標(biāo)準(zhǔn)整捆支數(shù)、當(dāng)前圖像中支數(shù)和本捆需加減支數(shù)。
以下結(jié)合附圖3和4詳細(xì)描述本實(shí)用新型的具體實(shí)現(xiàn)步驟如下1)獲取圖像計(jì)算機(jī)系統(tǒng)對(duì)生產(chǎn)線傳輸帶控制臺(tái)工作狀態(tài)實(shí)時(shí)監(jiān)測(cè)，如圖1所示。當(dāng)傳輸帶有動(dòng)作信號(hào)時(shí)，轉(zhuǎn)而對(duì)接近開關(guān)狀態(tài)監(jiān)測(cè)，如圖2所示。如有信號(hào)時(shí)，計(jì)算機(jī)系統(tǒng)將攝像機(jī)輸出數(shù)據(jù)通過圖像采集卡轉(zhuǎn)換成圖像數(shù)字信號(hào)，得到一幅480×570×32Bits的彩色圖像，并存儲(chǔ)到內(nèi)存中。
2)轉(zhuǎn)換成灰度圖將480×570×32Bits的彩色圖像轉(zhuǎn)換成480×570×8Bits灰度圖。彩色圖像每個(gè)像素占4個(gè)字節(jié)，分別為藍(lán)rgbBxue、綠rgbGreen、紅rgbRed、保留值rgbReserved，轉(zhuǎn)換成灰度圖后每個(gè)像素只占一個(gè)字節(jié)。轉(zhuǎn)換灰度值rgbGray Vaxue公式為rgbGrayValue＝0.299×rgbRed+0.587×rgbGreen+0.114×rgbBlue得到了一幅灰度圖。
3)獲取特征圖上一步驟獲得的灰度圖分別用Canny邊緣算子、鄰域平均值算子和梯度Sobel算子運(yùn)算進(jìn)行變換獲得相應(yīng)的特征圖，分別存儲(chǔ)在內(nèi)存中另外三個(gè)內(nèi)存區(qū)域中。
3.1)Canny算子進(jìn)行邊緣檢測(cè)獲得邊緣特征圖對(duì)灰度圖像I(x，y)用f(x，y)表示灰度值，完成Canny算子操作，在三個(gè)優(yōu)化準(zhǔn)則下依次實(shí)現(xiàn)了圖像噪聲Gaussian濾波、計(jì)算圖像方向?qū)?shù)、計(jì)算梯度的幅值、抑止圖像局部梯度非最大點(diǎn)、利用磁滯現(xiàn)象搜索到所有邊界，從而得到原始灰度圖像的邊緣特征圖。有關(guān)參數(shù)及函數(shù)選擇二維函數(shù)的梯度定義為G[f(x,y)]=GxGy=∂f∂x∂f∂y=limΔx→0f(x+Δx,y)-f(x,y)ΔxlimΔy→0f(x,y+Δy)-f(x,y)Δy]]>(1)圖像噪聲濾波由二維Gaussian濾波器實(shí)現(xiàn)G(x,y)=12πσ2exp(-(x-x0)2+(y-y0)22σ2)]]>其中σ為濾波器標(biāo)準(zhǔn)偏差，在這里其值為0.3。(x0，y0)為濾波器均值，x0＝0，y0＝0。
(2)用Sobel算子計(jì)算方向梯度，梯度幅值|G[f(x,y)]|=[Gx]2+[Gy]2]]>以行方向?yàn)閰⒖嫉奶荻确较驗(yàn)?amp;theta;(x,y)=arctan[GyGx]]]>Sobex算子的模板為Gx=10-120-210-1,Gy=-1-2-1000121.]]>(3)給定參數(shù)高斯濾波的標(biāo)準(zhǔn)方差0.3；低閾值和高閾值之比0.4；高閾值占圖像像素總數(shù)之比0.89。
(4)邊界跟蹤過程中，對(duì)8鄰域像素查詢，給定查詢順序?yàn)閤方向{-1，-1，-1，0，1，1，1，0}；y方向{-1，0，1，1，1，0，-1，-1}。
3.2)鄰域平均值算子處理獲得去除噪聲的灰度圖像去除噪聲后的灰度值為g(x,y)=1MΣ(m,n)∈Sf(m,n)if|f(x,y)-1MΣ(m,x)∈Sf(m,n)|>thresholdf(x,y)else]]>其中threshoxd為一指定灰度閾值，其特征值為120。M為鄰域中像素總數(shù)，鄰域S為N×N，取N＝3，M＝14，選取Gaussian模板為Gx=116×121242121,]]>在計(jì)算中分解成一個(gè)水平模板和一個(gè)豎直模板，以提高運(yùn)算速度，即為Gx=116×121242121=116×121×121.]]>3.3)Sobel算子進(jìn)行梯度計(jì)算獲得梯度分布特征圖在指定方向上用Sobel算子計(jì)算方向梯度，梯度幅值|G[f(x,y)]|=[Gx]2+[Gy]2]]>以行方向?yàn)閰⒖嫉奶荻确较驗(yàn)?amp;theta;(x,y)=arctan[GyGx]]]>Sobel算子的模板為GR-L=10-120-210-1,GT-B=-1-2-1000121]]>GR-T-L-B=0-1-210-1210,GL-T-R-B=21010-10-1-2,]]>四個(gè)模板分別對(duì)應(yīng)左右、上下、左上角—右下角、左下角—右上角方向上使用的模板。獲得指定方向上的梯度分別特征圖，方向如圖6所示。
4)訓(xùn)練匹配器模板匹配器模板訓(xùn)練首先必須進(jìn)行離線訓(xùn)練，運(yùn)行中還可在線訓(xùn)練。將特定時(shí)間段采集的有鋼材端面的實(shí)時(shí)圖用上述步驟進(jìn)行變換、去除噪聲，得到灰度圖將其存入到計(jì)算機(jī)硬盤上。用圖形處理軟件ACDSee5.0以上版本打開，在其編輯器中用m×m的模板將有端面的鋼材剪切，讓端面正好在此模板正中間，重復(fù)該過程獲得x幅模板圖。其中m為被測(cè)鋼材的直徑，x為樣本容量。訓(xùn)練好的模板灰度為gm-offline(x,y)=1lΣi=1lfi(x,y),]]>其中fi(x，y)為第i個(gè)樣本在(x，y)點(diǎn)的灰度值。
同樣的現(xiàn)場(chǎng)應(yīng)用過程中隨時(shí)可以進(jìn)行訓(xùn)練模板，得到在線模板灰度為
gm-online(x,y)=1lΣi=1lfi(x,y),]]>最后得到的匹配器模板T為tm(x,y)=12(gm-offline(x,y)+gm-online(x,y)).]]>亦可單獨(dú)使用上面的模板。
5)確定自適應(yīng)權(quán)系數(shù)根據(jù)每個(gè)虛擬傳感器輸出信息的特征，首先對(duì)其輸出信息的相關(guān)特征進(jìn)行統(tǒng)計(jì)，由當(dāng)前的統(tǒng)計(jì)結(jié)果與已知的加權(quán)系數(shù)共同作用決定當(dāng)前的權(quán)系數(shù)，即ρi＝f(σi，ωi)式中σi表示第i個(gè)虛擬傳感器輸出特征信息統(tǒng)計(jì)量，選擇特征信息統(tǒng)計(jì)量必須滿足信任函數(shù)的要求，與σi之間的對(duì)應(yīng)關(guān)系可按具體要求選擇，這里選為σi＝1/(1+e-n/ki)式中n為真實(shí)的統(tǒng)計(jì)量(灰度均值)，ki為具體特征量修正系數(shù)，以保證滿足信任函數(shù)的要求。對(duì)ρi的計(jì)算可選擇為ρi＝σi×ωiωi根據(jù)實(shí)時(shí)圖像測(cè)量的對(duì)象特征確定(i＝1，2，3，4)。
6)搜索特征量并確定其基本信度定義了一個(gè)空白窗口模板T(s，t)，s、t分別為模板左上頂點(diǎn)在特征圖中的位置。模板大小為n×n，其中n＝1.2×D。D為所檢測(cè)對(duì)象鋼材截面直徑。讓該模板在上述步驟中獲得的三幅特征圖(邊緣特征圖、去噪灰度圖、灰度梯度分布圖)和原始灰度圖中相同的位置同時(shí)掃描，將該模板覆蓋的圖像定義為子圖像F(s，t)，如圖5所示。在掃描過程中可以獲得相應(yīng)的特征，根據(jù)每個(gè)特征可以得到在該制圖像中是否有相應(yīng)的檢測(cè)對(duì)象(如鋼材截面)的基本信度。
定義Θ為一個(gè)識(shí)別框架，且2Θ→[0，1]。m為基本信度分配。6.1)邊緣特征基本信度CCanny-edges定義為邊緣決定的解集合，CCanny-edges∈2Θ，CCanny-edges＝{有，沒有，不確定)，CCanny edges‾=1-CCanny-edges.]]>邊緣特征基本信度分配m1(CCanny edges)=Nmeasured-Nlower-limitNhigher-limit-Nlower-limit.]]>其中Nmeasured為特征子圖像中指定點(diǎn)上實(shí)際測(cè)得的邊緣個(gè)數(shù)；Nlower-limit為特征子圖像中有鋼材截面時(shí)應(yīng)有的截面邊緣點(diǎn)最少個(gè)數(shù)；Nhigher-limit為特征子圖像中有鋼材截面時(shí)應(yīng)有的截面邊緣點(diǎn)最多個(gè)數(shù)。根據(jù)指定點(diǎn)個(gè)數(shù)，兩個(gè)已知數(shù)為Nlower-limit＝6，Nhigher-limit＝16。此外，如果Nmeasured＜6，則m1(CCanny edges)＝0；如果m1(CCanny edges)＞16，則m1(CCanny edges)＝1?；拘哦确峙鋽?shù)值量化關(guān)系如圖8(a)所示。
6.2)子圖像指定區(qū)域灰度均值基本信度Caverage定義為子圖像指定區(qū)域灰度均值決定的解集，Caverage∈2Θ，Caverage＝{有，沒有，不確定)，Caverage‾=2Θ-Caverage.]]>區(qū)域灰度基本信度分配m2(Caverage)=Gmeasured-Glower-limitGhigher-limit-Glower-limit]]>其中Gmeasured為特征子圖像中指定點(diǎn)上實(shí)際測(cè)得的邊緣個(gè)數(shù)；Glower-limit為特征子圖像中有鋼材截面時(shí)應(yīng)有的截面邊緣點(diǎn)最少個(gè)數(shù)；Ghigher-limit為特征子圖像中有鋼材截面時(shí)應(yīng)有的截面邊緣點(diǎn)最多個(gè)數(shù)。根據(jù)指定點(diǎn)個(gè)數(shù)，兩個(gè)已知數(shù)為Glower-limit＝120，Ghigher-limit＝240。此外，如果Gmeasured＜120，則m2(Caverage)＝0；如果Gmeasured＞240，則m2(Caverage)＝1。基本信度分配數(shù)值量化關(guān)系如圖8(b)所示。
6.3)子圖像指定區(qū)域灰度梯度分布基本信度Cgradient定義為子圖像指定區(qū)域灰度均值決定的解集，Cgradiente∈2Θ，Cgradient＝{有，沒有，不確定}，Cgradient‾=2Θ-Cgradient.]]>區(qū)域灰度梯度基本信度分配m3(Cgradient)=Dmeasured-Dlower-limitDhigher-limitDlower-limit]]>其中Dmeasured為特征子圖像中指定區(qū)域灰度梯度實(shí)際測(cè)值數(shù)；Dlower-limit為特征子圖像中指定區(qū)域灰度梯度滿足的條件的最小值；Dhigher-limit為特征子圖像中指定區(qū)域灰度梯度滿足的條件的最大值。并且，如果Dmeasure＜10，則m3(Cgradient)＝1；如果Dmeasured＞30，則m3(Cgradient)＝0?；拘哦确峙鋽?shù)值量化關(guān)系如圖8(c)所示。
7)確定模板匹配相似度應(yīng)用步驟4)中訓(xùn)練所得的模板，利用匹配技術(shù)中模板計(jì)算模板T和指定區(qū)域子圖像S相似程度來進(jìn)一步確定子圖像中是否為一個(gè)鋼材端面。歸一化的相似性測(cè)度
R(i,j)=Σm=1MΣn=1MSi,j(m,n)T(m,n)(Σm=1MΣn=1M[Si,j(m,n)]2)(Σm=1MΣn=1M[T(m,n)]2)]]>區(qū)域相似度基本信度分配m4(Csimilar-degree)＝S(i，j)其中S(i，j)特特征子圖像中指定區(qū)域?qū)嶋H計(jì)算得到的相似度?；拘哦确峙鋽?shù)值量化關(guān)系如圖8(d)所示。
8)合成基本信度并得到準(zhǔn)確判斷得到自適應(yīng)的權(quán)系數(shù)以及同一識(shí)別框架上的基于不同證據(jù)的信度函數(shù)，然后用D-S證據(jù)合成法則計(jì)算最終的信度值，計(jì)算公式為m(A)=ΣA1,..,A4⋐Ω∩i=14Ai=Aρ1m1(A1)...ρkmk(Ak)1-ΣA1,..,A4⋐Ω∩i=14Ai=φρ1m1(A1)...ρkmk(Ak)]]>＝m1(A1)…mk(Ak)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.
在實(shí)際判決時(shí)m(threshoxd)＝0.925。
9)優(yōu)化屏蔽搜索區(qū)域根據(jù)所搜索的鋼材直徑，如果按上述確定所搜索的區(qū)域已經(jīng)是鋼材截面，為了提高搜索效率，避免重復(fù)搜索，計(jì)算該截面上的邊界，并推導(dǎo)出與這些邊界相切的另外的鋼材截面的模板頂點(diǎn)的軌跡(x-i)2+(y-j)2＝R2其中(i，j)為當(dāng)前覆蓋當(dāng)前區(qū)域的頂點(diǎn)坐標(biāo)，R為鋼材截面半徑，(x，y)為另外鋼材截面上覆蓋的模板頂點(diǎn)坐標(biāo)。然后該圓下半部分以點(diǎn)(i，j)為中心垂直分割，其左半部分全部屏蔽，作為不再搜索區(qū)域；右半部分作上特殊標(biāo)志，表示此區(qū)域不再作為搜索區(qū)域頂點(diǎn)，但該區(qū)域的邊界、灰度、灰度梯度等信息均保留，以免將有用信息屏蔽。過程如圖8所示。
10)得到鋼材總支數(shù)依次搜索完用虛擬多傳感器獲得的特征圖，累加有鋼材截面的總數(shù)，即得到原始實(shí)時(shí)圖像中的鋼材總支數(shù)。整個(gè)原理及其實(shí)現(xiàn)過程如圖5所示。
上述實(shí)施例用來解釋說明本實(shí)用新型，而不是對(duì)本實(shí)用新型進(jìn)行限制，在本實(shí)用新型的精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本實(shí)用新型作出的任何修改和改變，都落入本實(shí)用新型的保護(hù)范圍。
權(quán)利要求1.一種鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，它包括一計(jì)算機(jī)系統(tǒng)，它主要由計(jì)算機(jī)、圖像采集轉(zhuǎn)換卡和數(shù)據(jù)采集卡組成，一攝像和恒光源裝置，一接近開關(guān)，一數(shù)碼顯示器，一開關(guān)面板，所述攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器、開關(guān)面板分別與計(jì)算機(jī)系統(tǒng)相連。
2.根據(jù)權(quán)利要求1所述的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，所述攝像和恒光源裝置由設(shè)置在同一個(gè)箱體內(nèi)的恒定光源、折光吊鏈和攝像頭組成。
3.根據(jù)權(quán)利要求2所述的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，所述攝像頭為高分辨率線陣CCD攝像頭，攝像頭上裝有可調(diào)節(jié)的鏡頭。
4.根據(jù)權(quán)利要求1所述的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，所述接近開關(guān)為紅外接近開關(guān)。
5.根據(jù)權(quán)利要求1所述的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)，其特征在于，所述數(shù)碼顯示器為L(zhǎng)ED數(shù)碼顯示器。
專利摘要本實(shí)用新型公開了一種基于虛擬多傳感器融合的鋼材支數(shù)在線計(jì)數(shù)系統(tǒng)。系統(tǒng)由計(jì)算機(jī)系統(tǒng)、攝像和恒光源裝置、接近開關(guān)、數(shù)碼顯示器和開關(guān)面板組成。受現(xiàn)場(chǎng)干擾影響小，通用性強(qiáng)，可用于復(fù)雜惡劣環(huán)境中的對(duì)類似于鋼材的、有截面信息的產(chǎn)品進(jìn)行在線數(shù)量檢測(cè)，且檢測(cè)準(zhǔn)確，運(yùn)行可靠。
文檔編號(hào)G06M1/00GK2739709SQ20042009002
公開日2005年11月9日 申請(qǐng)日期2004年9月10日 優(yōu)先權(quán)日2004年9月10日
發(fā)明者張宏建, 漆隨平, 駱志堅(jiān) 申請(qǐng)人:浙江大學(xué)