论文部分内容阅读
在现有的焦炉机车自动控制系统中,高粉尘、电磁干扰、车身震荡等现场因素使得目前的定位技术如无线传感、红外激光对射、旋转编码器等未能达到预想的效果,焦化行业的发展依然受到人工操作的低效性和不可靠性、恶劣生产环境等因素制约。随着机器视觉技术和嵌入式技术的逐步成熟,在焦炉机车无人化操作的市场趋势下,研究焦炉机车智能监控系统中的关键算法有着重要的现实意义。本文以嵌入式的机器视觉技术在焦炉自动化的应用为背景,现场调查并分析了焦炉机车智能监控系统的具体需求,并采集了大量的图像和视频信息作为实验样本,由此开展了焦炉炉号识别和炉门前的运动人体目标检测算法的研究。在焦炉炉号识别算法中,本文首先采用Sobel边缘检测的方法进行炉号定位,并且在传统Sobel算子的基础上增加了两个方向模板,选取四个梯度幅度值的平均值作为像素点的新灰度值;其次,得到精确的边缘信息后将炉号图像二值化,并采用垂直投影法实现炉号单个字符的分割,同时根据炉号图像的特征提出了校验机制来提高算法的可靠性;最后,设计了BP神经网络分类器来实现炉号单个字符的识别,并针对正常、多灰尘、烟雾、光照变化等各种情景选用大量的现场图像对网络进行了训练和测试,并且达到了指定的误差0.01的标准。在炉门前的运动人体目标检测算法中,本文采用分块建模的思想将图像进行非均匀的分块处理,针对图像小块建立混合高斯模型,并且在背景减除法的基础结合帧间差分法,利用连续三帧图像差值的平均值来评估光线等环境的变化,弥补了背景减除法对光线变化敏感的不足,同时引入背景记忆参数提出了一种有效的背景模型更新机制。从实验仿真结果来看,本文算法的改进有效地抑制了环境突变的影响,降低了人体运动目标长时间静止而融入背景的风险,明显改善了人体运动目标的检测结果。本文的研究解决了焦炉机车智能监控系统中的两大关键的问题,通过对焦炉机车和工况的监控,可以弥补现有焦炉机车定位系统的缺陷,确保了焦化生产的安全性,也为焦炉机车无人化操作打下了良好的基础。