CN106096599A - 一种基于涂色块的内部集卡定位方法 - Google Patents

Abstract

本发明公开了一种基于涂色块的内部集卡定位方法，它是利用计算机视觉技术，通过识别涂色块来定位集卡。本发明通过采用上述技术与传统的人工作业相比，本发明使用计算机视觉技术解决了内部集卡的定位问题，改善了以人工引导为主的集装箱装卸工作模式，能够准确、及时的对集卡进行引导，并且能够极大提高集装箱的装卸效率，进一步实现了码头装卸集装箱自动化，节省了大量的人力成本，是一项改善生产和工作环境的多赢工程。

Description

一种基于涂色块的内部集卡定位方法

技术领域

本发明涉及一种利用计算机视觉技术来定位集卡的方法，尤其是针对通过识别涂色块来定位集卡的基于涂色块的内部集卡定位方法。

背景技术

随着港口货物吞吐量的急剧增加，船舶在港口的作业时间要求越来越短，对港口集装箱的装卸效率要求越来越高。在港口，内部集装箱卡车(以下简称内部集卡)是连接堆场与船舶的桥梁，因此，如何提高堆场内内部集卡的作业效率已成为重要问题。

为了提高放置效率，国内有一部分港口已在尝试使用新的定位方法，其中与本发明较为接近的技术方案包括：文献(GPS在集装箱航运物流中的应用分析。物流科技，2006)中提出基于GPS的定位方法，该方法将车的位置信息通过GPS卫星发送给运输公司的,运输公司的调度***通过通信卫星将指令传送给司机，从而实现对集卡的定位，该方法要求在所有内部集卡上装上GPS***，成本高并且定位精度难以达到集装箱箱***置误差为8cm的要求；文献(港口集装箱堆场内龙门吊的定位和集装箱管理***。制造业自动化，2011)中提出基于结合射频识别(RFID)与无线局域网的集卡定位方法，该方法在集卡上安装RFID发射器，三个基站通过复合网络通过处理收到的信号对集卡定位，虽然在精度上有所提高，但成本仍很高，并且RFID信号易受金属物件的干扰；文献(激光测距技术在集装箱拖车定位中的应用。港口装卸，2010)中提出基于激光的集卡定位方法，该方法通过激光扫描测距仪对车道的立体扫描，从大量的离散数据中计算得到挂车的大致轮廓，并计算出对位的基准点，以数字显示的方式提供给拖车司机相应的数据。该方法只能先将拖车开到预先设定好的位子，随后对集装箱的抓放工作都要由岸桥司机人工完成，完全无法实现放取集装箱的自动化需求。

综上所述，在实现集装箱的装卸时，现有的方案无法完全脱离人工操作，同时其定位精度难以满足内部集卡自动定位的要求，本发明针对这一不足提出了一种基于涂色块的内部集卡定位方法。

发明内容

为了克服现有内部集卡定位不准的不足，本发明提供了一种针对通过识别涂色块来定位集卡的基于涂色块的内部集卡定位方法。

所述的一种基于涂色块的内部集卡定位方法，其特征在于具体步骤如下：

步骤1：在内部集卡车头及车尾的中心位置分别涂上矩形的色块；

步骤2：利用吊具上的工业相机采集内部集卡车头位置图像；

步骤3：将图像转化为灰度图，其中图像的高度为height，宽度为width，单位为像素；

步骤4：对采集的图像进行中值滤波，对处理好的图像使用Laplace算子对图像进行锐化处理，再对图像使用形态学梯度提取边缘，获得图像G；

步骤5:根据图像G生成直方图H＝{n_i|i＝0,1,…,255}，其中n_i表示灰度值为i时的像素点的个数；

步骤6：根据式(1)～(4)确定二值化阈值threshold；

threshold＝μ(n_right-n_left)+n_left (1)

n_max＝max{n_i|i＝0,1,…,255} (4)其中，μ为事先选定的二值化阈值系数，μ∈[0.4,1]，n_max为图像直方图H中的最大值，n_left与n_right分别为直方图H中离n_max最近的满足公式(2)至(3)的取值；

步骤7：根据式(5)对图像G进行二值化得到图像G_f：

其中G(x,y)为图像在(x,y)处的灰度值，G_f(x,y)为图像在二值化后(x,y)出的灰度值；

步骤8：扫描整幅二值图像G_f，计算各白色区域的像素面积，过滤面积小于0.002*height*width的连通区域，得到连通区域的候选集合l＝{l_i|i＝1,2,…,m}，m为过滤后连通区域的总数；

步骤9：利用最小外接矩形算法，通过公式(6)计算各个连通区域l_i(i＝1,2,...,m)占其最小外接矩形r_i(i＝1,2,...,m)的面积百分比a_i(i＝1,2,...,m)；

a_i＝l_i/r_i (6)

步骤10：通过比较筛选出占外接矩形面积百分比最大的轮廓a_max，使其满足公式(7)，完成集卡涂色区域的识别；

a_max＝max{a₁,a₂,......,a_n} (7)

步骤11：找到与步骤10中a_max对应的轮廓l_max，提取该轮廓的外包矩形即为车头所涂色块,计算得到该矩形的中心点P₁；

步骤12：利用吊具上的工业相机采集内部集卡车尾位置图像，重复步骤2～11，可得到车尾所涂色块，进一计算得到其中心点P₂；

步骤13：基于双目视觉技术将P₁和P₂点转换成以吊具中心为原点的世界坐标系下的坐标，然后将吊具中心与P₁和P₂点连线的中点重合、吊具水平中心线与P₁P₂连线重合为准则，实现吊具对于内部集卡的定位。

本发明的有益效果为：与传统的人工作业相比，本发明通过使用计算机视觉技术解决了内部集卡的定位问题，改善了以人工引导为主的集装箱装卸工作模式，能够准确、及时的对集卡进行引导，并且能够极大提高集装箱的装卸效率，进一步实现了码头装卸集装箱自动化，节省了大量的人力成本，是一项改善生产和工作环境的多赢工程。

附图说明

图1为具体实施例示例的灰度图；

图2为图1使用滤波与锐化及数学形态学得到的边缘信息图像；

图3为图2的全局直方图并标记了阈值；

图4为经过图3中算出的阈值进行二值化后的图像；

图5为图4去掉其中较小的连通区域后的图像；

图6为图5取占外接矩形面积百分比最大的轮廓所得的处理结果图像；

图7为吊具、相机与集卡的坐标平面俯视图。

图中：1-集卡1，2-吊具，3-吊具水平中心线。

具体实施方式

下面结合实施例来详细阐述内部集卡定位方法的具体实施方法。应当理解，此处所描述的具体实例仅用于解释本发明，并不用于限定本发明。

如图1-7所示，本发明的一种基于涂色块的内部集卡定位方法，具体步骤如下：

步骤1：在内部集卡的挂车车头及车尾的中心位子涂上矩形的色块；

步骤2：利用吊具上的工业相机采集内部集卡车头位置图像；

步骤3：将步骤1)的图像转化为灰度图，其中图像的高度为height，宽度为width，单位为像素，处理结果参照图1；

步骤4：使用核为3*3的结构元对采集的图像进行中值滤波，对处理好的图像使用Laplace算子对图像进行锐化处理，再对图像使用核为3*3的结构元进行形态学梯度边缘提取，获得图像G，处理结果参照图2；

步骤5:根据图像G生成直方图H＝{n_i|i＝0,1,…,255}，其中n_i表示灰度值为i的像素点的个数；

步骤6：根据式(1)～(4)确定阈值threshold，处理后的结果参照图4；

threshold＝μ(n_right-n_left)+n_left (1)

n_max＝max{n_i|i＝0,1,…,255} (4)

μ为事先选定，μ∈[0.4,1]；μ的选择依据是要尽量使步骤4中的图像G的待检测区域有非常好的封闭性,在本实施例中，选择μ为0.5。

步骤7：根据式(5)对图像G进行二值化得到图像G_f：

处理后的结果参考图4。

步骤8：扫描整幅二值图像G_f，计算各白色区域的像素面积，过滤面积小于0.002*height*width的连通区域，得到连通区域的候选集合l＝{l_i|i＝1,2,…,m}，m为过滤后连通区域的总数，处理结果参考图5；

步骤9：利用最小外接矩形算法，通过公式(4)计算各个连通域l_i(i＝1,2,...,m)占其最小外接矩形r_i(i＝1,2,...,n)的面积百分比a_i(i＝1,2,...,m)；

a_i＝l_i/r_i (6)

步骤10：通过比较筛选出占外接矩形面积百分比最大的轮廓a_max，使其满足公式(7)，完成集卡涂色区域的识别。

a＝max{a₁,a₂,......,a_n} (7)

步骤11：找到与步骤10中a_max对应的轮廓l_max，提取该轮廓的外包矩形即为车头所涂色块,计算得到该矩形的中心点P₁，处理结果参照图6；

步骤12：利用吊具上的工业相机采集内部集卡车尾位置图像，重复步骤2～11，可得到车尾所涂色块，进一计算得到其中心点P₂；

步骤13：基于双目视觉技术将P₁和P₂点转换成以吊具2的中心为原点的世界坐标系下的坐标，然后将吊具2的中心与P₁和P₂点连线的中点重合、吊具水平中心线3与P₁P₂连线重合为准则，参照图7，可实现吊具2对于内部的集卡1的定位。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于涂色块的内部集卡定位方法，其特征在于具体步骤如下：

步骤1：在内部集卡车头及车尾的中心位置分别涂上矩形的色块；

步骤2：利用吊具上的工业相机采集内部集卡车头位置图像；

步骤3：将图像转化为灰度图，其中图像的高度为height，宽度为width，单位为像素；

步骤4：对采集的图像进行中值滤波，对处理好的图像使用Laplace算子对图像进行锐化处理，再对图像使用形态学梯度提取边缘，获得图像G；

步骤5:根据图像G生成直方图H＝{n_i|i＝0,1,…,255}，其中n_i表示灰度值为i时的像素点的个数；

步骤6：根据式(1)～(4)确定二值化阈值threshold；

threshold＝μ(n_right-n_left)+n_left (1)

$n_{left}=\left\{n_i\right|n_i\≤\frac{1}{3}{n}_{max},n_{i+1}>\frac{1}{3}{n}_{max}\}---\left(2\right)$

$n_{right}=\left\{n_i\right|n_i\≤\frac{1}{3}{n}_{max},n_{i-1}>\frac{1}{3}{n}_{max}\}---\left(3\right)$

n_max＝max{n_i|i＝0,1,…,255} (4)其中，μ为事先选定的二值化阈值系数，μ∈[0.4,1]，n_max为图像直方图H中的最大值，n_left与n_right分别为直方图H中离n_max最近的满足公式(2)至(3)的取值；

步骤7：根据式(5)对图像G进行二值化得到图像G_f：

$G_f(x,y)=\left\{\begin{array}{cc}0,& \begin{array}{cc}if& G(x,y)\≤threshold\end{array}\\ 255,& else\end{array}\right.---\left(5\right)$

其中G(x,y)为图像在(x,y)处的灰度值，G_f(x,y)为图像在二值化后(x,y)出的灰度值；

步骤8：扫描整幅二值图像G_f，计算各白色区域的像素面积，过滤面积小于0.002*height*width的连通区域，得到连通区域的候选集合l＝{l_i i＝1,2,…,m}，m为过滤后连通区域的总数；

步骤9：利用最小外接矩形算法，通过公式(6)计算各个连通区域l_i(i＝1,2,...,m)占其最小外接矩形r _i(i＝1,2,...,m)的面积百分比a_i(i＝1,2,...,m)；

a_i＝l_i/r_i (6)

步骤10：通过比较筛选出占外接矩形面积百分比最大的轮廓a_max，使其满足公式(7)，完成集卡涂色区域的识别；

a_max＝max{a₁,a₂,......,a_n} (7)

步骤11：找到与步骤10中a_max对应的轮廓l_max，提取该轮廓的外包矩形即为车头所涂色块,计算得到该矩形的中心点P₁；

步骤12：利用吊具上的工业相机采集内部集卡车尾位置图像，重复步骤2～11，可得到车尾所涂色块，进一计算得到其中心点P₂；

步骤13：基于双目视觉技术将P₁和P₂点转换成以吊具中心为原点的世界坐标系下的坐标，然后将吊具中心与P₁和P₂点连线的中点重合、吊具水平中心线与P₁P₂连线重合为准则，实现吊具对于内部集卡的定位。