本發(fā)明涉及電梯導(dǎo)軌檢測與校準，具體是指一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)電梯導(dǎo)軌的檢測與校準工作多依賴于人工操作，不僅效率低下，且難以保證檢測結(jié)果的準確性和一致性。人工檢測易受環(huán)境、人為因素等影響，導(dǎo)致誤差較大，難以滿足現(xiàn)代電梯制造業(yè)對高精度、高效率的要求。同時，隨著電梯技術(shù)的不斷發(fā)展，對導(dǎo)軌的直線度和平面度要求也越來越高，傳統(tǒng)檢測方法已無法滿足這一需求。現(xiàn)有技術(shù)中，雖然已有部分采用機器視覺技術(shù)的檢測設(shè)備，但大多存在圖像處理算法復(fù)雜度高、計算量大、實時性差等問題，且校準過程仍需人工干預(yù)，無法實現(xiàn)真正的全自動化。因此，開發(fā)一種高效、準確、自動化的電梯導(dǎo)軌檢測與校準系統(tǒng)顯得尤為重要。

技術(shù)實現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是：1)檢測精度低：傳統(tǒng)檢測方法易受環(huán)境、人為因素等影響，導(dǎo)致檢測精度低；2)效率低：人工檢測與校準過程耗時費力，無法滿足大規(guī)模生產(chǎn)需求；3)實時性差：現(xiàn)有機器視覺檢測設(shè)備往往存在計算量大、處理速度慢的問題，難以實現(xiàn)實時檢測；4)自動化程度低：校準過程仍需人工干預(yù)，無法完全實現(xiàn)自動化。

2、為解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案為：一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，包括基于系統(tǒng)架構(gòu)的圖像采集模塊、圖像預(yù)處理模塊、特征提取與匹配模塊、直線度與平面度計算模塊、校準執(zhí)行模塊，圖像采集模塊用于通過高分辨率相機捕獲電梯導(dǎo)軌的圖像數(shù)據(jù)；圖像預(yù)處理模塊對采集到的圖像進行去噪、增強對比度的預(yù)處理操作，以提高后續(xù)處理的準確性和效率；特征提取與匹配模塊利用圖像處理算法提取電梯導(dǎo)軌的邊緣、角點特征信息，并進行特征匹配，以確定導(dǎo)軌的準確位置與形狀；直線度與平面度計算模塊基于提取的特征信息，采用算法計算電梯導(dǎo)軌的直線度和平面度，判斷其是否符合設(shè)計要求；校準執(zhí)行模塊根據(jù)直線度與平面度的計算結(jié)果，控制機械臂或其他執(zhí)行機構(gòu)對電梯導(dǎo)軌進行自動校準，調(diào)整其位置與姿態(tài)，以達到預(yù)定的精度要求。

3、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：1)檢測精度高：通過高分辨率相機和先進的圖像處理算法，確保了對電梯導(dǎo)軌直線度和平面度的精確檢測，大大提高了檢測精度；2)效率高：實現(xiàn)了檢測與校準過程的自動化，大幅提高了工作效率，降低了人工成本；3)實時性強：優(yōu)化的圖像處理算法和高效的計算方式，確保了檢測結(jié)果的實時輸出，滿足了現(xiàn)代電梯制造業(yè)對實時性的要求；4)自動化程度高：校準過程無需人工干預(yù)，實現(xiàn)了從圖像采集到校準執(zhí)行的全自動化，提高了生產(chǎn)線的自動化水平。

4、進一步的，圖像采集模塊包括至少一個高分辨率相機，相機安裝于可調(diào)節(jié)的支架上，以適應(yīng)不同尺寸和形狀的電梯導(dǎo)軌檢測需求。

5、進一步的，圖像預(yù)處理模塊包含以下功能：1)去噪處理：采用中值濾波、高斯濾波算法對圖像進行去噪處理，去除圖像中的隨機噪聲和干擾；2)對比度增強：調(diào)整圖像的對比度，使電梯導(dǎo)軌的邊緣、角點特征更加突出，便于后續(xù)的特征提取。

6、進一步的，中值濾波去噪處理步驟包括：1)確定鄰域窗口大?。和ǔ＿x擇3x3、5x5奇數(shù)大小的窗口，以確保能夠準確找到中值；2)滑動窗口：將窗口在圖像上滑動，每次覆蓋圖像中的一個小區(qū)域；3)排序與取中值：對每個窗口內(nèi)的像素值進行排序，取中值作為窗口中心像素點的新灰度值；4)替換像素值：用排序后的中值替換窗口中心像素點的原始灰度值。

7、進一步的，高斯濾波去噪處理步驟包括：1)確定高斯核大小與標(biāo)準差：高斯核的大小和標(biāo)準差是影響濾波效果的重要參數(shù)，根據(jù)噪聲的嚴重程度和圖像的細節(jié)需求進行選擇；2)構(gòu)建高斯核：根據(jù)選定的大小和標(biāo)準差，構(gòu)建二維高斯核；3)卷積操作：將高斯核與圖像中的每個像素點及其鄰域進行卷積操作，計算加權(quán)平均值；4)替換像素值：用計算得到的加權(quán)平均值替換原像素點的灰度值。

8、進一步的，對比度增強功能采用直方圖調(diào)整或自動對比度調(diào)整兩種方式，其中：直方圖調(diào)整方式為：1)分析直方圖：首先，分析圖像的直方圖，了解圖像的亮度分布情況，直方圖顯示了圖像中各個亮度級別的像素數(shù)量，通過它可以判斷圖像的對比度是否足夠；2)拉伸直方圖：如果圖像的直方圖分布較窄，說明對比度較低，此時，可以通過拉伸直方圖的方法增加對比度，將直方圖最暗端和最亮端的像素向兩端擴展，同時壓縮中間部分的像素，從而使圖像的亮度范圍擴大，對比度增強；3)應(yīng)用調(diào)整：將調(diào)整后的直方圖應(yīng)用到原圖像上，得到對比度增強的圖像；自動對比度調(diào)整方式通過系統(tǒng)安裝的第三方圖像處理軟件來實現(xiàn)。

9、進一步的，特征提取與匹配模塊采用利用surf特征點提取算法，從預(yù)處理后的圖像中提取電梯導(dǎo)軌的邊緣、角點特征信息，采用ransac算法對提取的特征進行匹配，確定電梯導(dǎo)軌的準確位置與形狀。通過匹配結(jié)果，可以識別出導(dǎo)軌的偏差或缺陷；其中，surf算法使用hessian矩陣的行列式值作為特征點檢測的依據(jù)，并利用積分圖加速運算，步驟包括：1)特征點檢測：使用hessian矩陣的行列式值檢測特征點；2)特征點定位：通過特征點鄰近信息插補來定位特征點；3)方向定位：通過計算特征點周圍像素的哈爾小波變換來確定方向；4)特征描述子：生成64維的描述子，用于描述特征點周圍的圖像信息；ransac算法通過迭代的方式從包含異常數(shù)據(jù)的樣本中估計出數(shù)學(xué)模型參數(shù)，從而得到最佳的數(shù)據(jù)匹配結(jié)果，包含隨機選取樣本點、計算單應(yīng)性矩陣、評估內(nèi)點與外點、迭代優(yōu)化、確定電梯導(dǎo)軌的位置與形狀共五個步驟。

技術(shù)特征：

1.一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，包括基于系統(tǒng)架構(gòu)的圖像采集模塊(1)、圖像預(yù)處理模塊(2)、特征提取與匹配模塊(3)、直線度與平面度計算模塊(4)、校準執(zhí)行模塊(5)，其特征在于：所述圖像采集模塊(1)用于通過高分辨率相機捕獲電梯導(dǎo)軌的圖像數(shù)據(jù)；所述圖像預(yù)處理模塊(2)對采集到的圖像進行去噪、增強對比度的預(yù)處理操作，以提高后續(xù)處理的準確性和效率；所述特征提取與匹配模塊(3)利用圖像處理算法提取電梯導(dǎo)軌的邊緣、角點特征信息，并進行特征匹配，以確定導(dǎo)軌的準確位置與形狀；所述直線度與平面度計算模塊(4)基于提取的特征信息，采用算法計算電梯導(dǎo)軌的直線度和平面度，判斷其是否符合設(shè)計要求；所述校準執(zhí)行模塊(5)根據(jù)直線度與平面度的計算結(jié)果，控制機械臂或其他執(zhí)行機構(gòu)對電梯導(dǎo)軌進行自動校準，調(diào)整其位置與姿態(tài)，以達到預(yù)定的精度要求。

2.根據(jù)權(quán)利要求1所述的一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，其特征在于：所述圖像采集模塊(1)包括至少一個高分辨率相機，相機安裝于可調(diào)節(jié)的支架上，以適應(yīng)不同尺寸和形狀的電梯導(dǎo)軌檢測需求。

3.根據(jù)權(quán)利要求1所述的，其特征在于所述圖像預(yù)處理模塊(2)包含以下功能：1)去噪處理：采用中值濾波、高斯濾波算法對圖像進行去噪處理，去除圖像中的隨機噪聲和干擾；2)對比度增強：調(diào)整圖像的對比度，使電梯導(dǎo)軌的邊緣、角點特征更加突出，便于后續(xù)的特征提取。

4.根據(jù)權(quán)利要求3所述的一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，其特征在于所述中值濾波去噪處理步驟包括：1)確定鄰域窗口大?。和ǔ＿x擇3x3、5x5奇數(shù)大小的窗口，以確保能夠準確找到中值；2)滑動窗口：將窗口在圖像上滑動，每次覆蓋圖像中的一個小區(qū)域；3)排序與取中值：對每個窗口內(nèi)的像素值進行排序，取中值作為窗口中心像素點的新灰度值；4)替換像素值：用排序后的中值替換窗口中心像素點的原始灰度值。

5.根據(jù)權(quán)利要求3所述的一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，其特征在于所述高斯濾波去噪處理步驟包括：1)確定高斯核大小與標(biāo)準差：高斯核的大小和標(biāo)準差是影響濾波效果的重要參數(shù)，根據(jù)噪聲的嚴重程度和圖像的細節(jié)需求進行選擇；2)構(gòu)建高斯核：根據(jù)選定的大小和標(biāo)準差，構(gòu)建二維高斯核；3)卷積操作：將高斯核與圖像中的每個像素點及其鄰域進行卷積操作，計算加權(quán)平均值；4)替換像素值：用計算得到的加權(quán)平均值替換原像素點的灰度值。

6.根據(jù)權(quán)利要求3所述的一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，其特征在于所述對比度增強功能采用直方圖調(diào)整或自動對比度調(diào)整兩種方式，其中：直方圖調(diào)整方式為：1)分析直方圖：首先，分析圖像的直方圖，了解圖像的亮度分布情況，直方圖顯示了圖像中各個亮度級別的像素數(shù)量，通過它可以判斷圖像的對比度是否足夠；2)拉伸直方圖：如果圖像的直方圖分布較窄，說明對比度較低，此時，可以通過拉伸直方圖的方法增加對比度，將直方圖最暗端和最亮端的像素向兩端擴展，同時壓縮中間部分的像素，從而使圖像的亮度范圍擴大，對比度增強；3)應(yīng)用調(diào)整：將調(diào)整后的直方圖應(yīng)用到原圖像上，得到對比度增強的圖像；自動對比度調(diào)整方式通過系統(tǒng)安裝的第三方圖像處理軟件來實現(xiàn)。

7.根據(jù)權(quán)利要求1所述的一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，其特征在于：所述特征提取與匹配模塊(3)采用利用surf特征點提取算法，從預(yù)處理后的圖像中提取電梯導(dǎo)軌的邊緣、角點特征信息，采用ransac算法對提取的特征進行匹配，確定電梯導(dǎo)軌的準確位置與形狀。通過匹配結(jié)果，可以識別出導(dǎo)軌的偏差或缺陷；其中，surf算法使用hessian矩陣的行列式值作為特征點檢測的依據(jù)，并利用積分圖加速運算，步驟包括：1)特征點檢測：使用hessian矩陣的行列式值檢測特征點；2)特征點定位：通過特征點鄰近信息插補來定位特征點；3)方向定位：通過計算特征點周圍像素的哈爾小波變換來確定方向；4)特征描述子：生成64維的描述子，用于描述特征點周圍的圖像信息；ransac算法通過迭代的方式從包含異常數(shù)據(jù)的樣本中估計出數(shù)學(xué)模型參數(shù)，從而得到最佳的數(shù)據(jù)匹配結(jié)果，包含隨機選取樣本點、計算單應(yīng)性矩陣、評估內(nèi)點與外點、迭代優(yōu)化、確定電梯導(dǎo)軌的位置與形狀共五個步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種基于機器視覺的電梯導(dǎo)軌自動檢測與校準系統(tǒng)，包括基于系統(tǒng)架構(gòu)的圖像采集模塊、圖像預(yù)處理模塊、特征提取與匹配模塊、直線度與平面度計算模塊、校準執(zhí)行模塊。本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于：檢測精度高；效率高；實時性強；自動化程度高。

技術(shù)研發(fā)人員：王澤京,王瓊,王立寧,陳星,任亮
受保護的技術(shù)使用者：西安特種設(shè)備檢驗檢測院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2