一種基于涂色塊的內(nèi)部集卡定位方法
【專利摘要】本發(fā)明公開(kāi)了一種基于涂色塊的內(nèi)部集卡定位方法，它是利用計(jì)算機(jī)視覺(jué)技術(shù)，通過(guò)識(shí)別涂色塊來(lái)定位集卡。本發(fā)明通過(guò)采用上述技術(shù)與傳統(tǒng)的人工作業(yè)相比，本發(fā)明使用計(jì)算機(jī)視覺(jué)技術(shù)解決了內(nèi)部集卡的定位問(wèn)題，改善了以人工引導(dǎo)為主的集裝箱裝卸工作模式，能夠準(zhǔn)確、及時(shí)的對(duì)集卡進(jìn)行引導(dǎo)，并且能夠極大提高集裝箱的裝卸效率，進(jìn)一步實(shí)現(xiàn)了碼頭裝卸集裝箱自動(dòng)化，節(jié)省了大量的人力成本，是一項(xiàng)改善生產(chǎn)和工作環(huán)境的多贏工程。
【專利說(shuō)明】
一種基于涂色塊的內(nèi)部集卡定位方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種利用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)定位集卡的方法，尤其是針對(duì)通過(guò)識(shí)別涂 色塊來(lái)定位集卡的基于涂色塊的內(nèi)部集卡定位方法。
【背景技術(shù)】
[0002] 隨著港口貨物吞吐量的急劇增加，船舶在港口的作業(yè)時(shí)間要求越來(lái)越短，對(duì)港口 集裝箱的裝卸效率要求越來(lái)越高。在港口，內(nèi)部集裝箱卡車（以下簡(jiǎn)稱內(nèi)部集卡)是連接堆 場(chǎng)與船舶的橋梁，因此，如何提高堆場(chǎng)內(nèi)內(nèi)部集卡的作業(yè)效率已成為重要問(wèn)題。
[0003] 為了提高放置效率，國(guó)內(nèi)有一部分港口已在嘗試使用新的定位方法，其中與本發(fā) 明較為接近的技術(shù)方案包括:文獻(xiàn)(GPS在集裝箱航運(yùn)物流中的應(yīng)用分析。物流科技，2006) 中提出基于GPS的定位方法，該方法將車的位置信息通過(guò)GPS衛(wèi)星發(fā)送給運(yùn)輸公司的，運(yùn)輸 公司的調(diào)度系統(tǒng)通過(guò)通信衛(wèi)星將指令傳送給司機(jī)，從而實(shí)現(xiàn)對(duì)集卡的定位，該方法要求在 所有內(nèi)部集卡上裝上GPS定位器，成本高并且定位精度難以達(dá)到集裝箱箱體位置誤差為8cm 的要求;文獻(xiàn)(港口集裝箱堆場(chǎng)內(nèi)龍門(mén)吊的定位和集裝箱管理系統(tǒng)。制造業(yè)自動(dòng)化，2011)中 提出基于結(jié)合射頻識(shí)別(RFID)與無(wú)線局域網(wǎng)的集卡定位方法，該方法在集卡上安裝RFID發(fā) 射器，三個(gè)基站通過(guò)復(fù)合網(wǎng)絡(luò)通過(guò)處理收到的信號(hào)對(duì)集卡定位，雖然在精度上有所提高，但 成本仍很高，并且RFID信號(hào)易受金屬物件的干擾;文獻(xiàn)(激光測(cè)距技術(shù)在集裝箱拖車定位中 的應(yīng)用。港口裝卸，2010)中提出基于激光的集卡定位方法，該方法通過(guò)激光掃描測(cè)距儀對(duì) 車道的立體掃描，從大量的離散數(shù)據(jù)中計(jì)算得到掛車的大致輪廓，并計(jì)算出對(duì)位的基準(zhǔn)點(diǎn)， 以數(shù)字顯示的方式提供給拖車司機(jī)相應(yīng)的數(shù)據(jù)。該方法只能先將拖車開(kāi)到預(yù)先設(shè)定好的位 子，隨后對(duì)集裝箱的抓放工作都要由岸橋司機(jī)人工完成，完全無(wú)法實(shí)現(xiàn)放取集裝箱的自動(dòng) 化需求。
[0004] 綜上所述，在實(shí)現(xiàn)集裝箱的裝卸時(shí)，現(xiàn)有的方案無(wú)法完全脫離人工操作，同時(shí)其定 位精度難以滿足內(nèi)部集卡自動(dòng)定位的要求，本發(fā)明針對(duì)這一不足提出了一種基于涂色塊的 內(nèi)部集卡定位方法。

【發(fā)明內(nèi)容】

[0005] 為了克服現(xiàn)有內(nèi)部集卡定位不準(zhǔn)的不足，本發(fā)明提供了一種針對(duì)通過(guò)識(shí)別涂色塊 來(lái)定位集卡的基于涂色塊的內(nèi)部集卡定位方法。
[0006] 所述的一種基于涂色塊的內(nèi)部集卡定位方法，其特征在于具體步驟如下：
[0007] 步驟1:在內(nèi)部集卡車頭及車尾的中心位置分別涂上矩形的色塊；
[0008] 步驟2:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車頭位置圖像；
[0009] 步驟3:將圖像轉(zhuǎn)化為灰度圖，其中圖像的高度為height，寬度為width，單位為像 素；
[0010 ]步驟4:對(duì)采集的圖像進(jìn)行中值濾波，對(duì)處理好的圖像使用Lap 1 ac e算子對(duì)圖像進(jìn) 行銳化處理，再對(duì)圖像使用形態(tài)學(xué)梯度提取邊緣，獲得圖像G;
[0011 ]步驟5:根據(jù)圖像G生成直方圖H= {m I i = 0，1，···，255}，其中m表示灰度值為i時(shí)的 像素點(diǎn)的個(gè)數(shù)；
[00?2] 步驟6:根據(jù)式（1)~(4)確定二值化閾值threshold;
[0013] threshold=y(nright-nieft)+nieft (1)
[0016] nmax = max{ni |i = 0，l,…，255} (4)其中，μ為事先選定的二值化閾值系數(shù)，με [0.4，1 ]，nmax為圖像直方圖Η中的最大值，nieft與nright分別為直方圖Η中離n max最近的滿足公 式(2)至(3)的取值；
[0017] 步驟7:根據(jù)式(5)對(duì)圖像G進(jìn)行二值化得到圖像Gf:
[0019] 其中G(x，y)為圖像在(x，y)處的灰度值，Gf(x，y)為圖像在二值化后(x，y)出的灰 度值；
[0020] 步驟8:掃描整幅二值圖像Gf，計(jì)算各白色區(qū)域的像素面積，過(guò)濾面積小于0.002* height*width的連通區(qū)域，得到連通區(qū)域的候選集合1 = {li | i = 1，2,…，m}，m為過(guò)濾后連 通區(qū)域的總數(shù)；
[0021] 步驟9:利用最小外接矩形算法，通過(guò)公式(6)計(jì)算各個(gè)連通區(qū)域Mi = l，2, ...， m)占其最小外接矩形ri(i = l，2,. . .，m)的面積百分比ai(i = l，2,. . .，m);
[0022] ai = li/n (6)
[0023] 步驟10:通過(guò)比較篩選出占外接矩形面積百分比最大的輪廓amax，使其滿足公式 (7)，完成集卡涂色區(qū)域的識(shí)別；
[0024] Elmax - ΠΙΕΙΧ {￡11，￡12，......, ?η} ( 7 )
[0025] 步驟11:找到與步驟10中amax對(duì)應(yīng)的輪廓lmax，提取該輪廓的外包矩形即為車頭所 涂色塊，計(jì)算得到該矩形的中心點(diǎn)Pi;
[0026] 步驟12:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車尾位置圖像，重復(fù)步驟2~11，可 得到車尾所涂色塊，進(jìn)一計(jì)算得到其中心點(diǎn)P 2;
[0027] 步驟13:基于雙目視覺(jué)技術(shù)將PjPP2A轉(zhuǎn)換成以吊具中心為原點(diǎn)的世界坐標(biāo)系下 的坐標(biāo)，然后將吊具中心與P#PP 2點(diǎn)連線的中點(diǎn)重合、吊具水平中心線與PiP2連線重合為準(zhǔn) 貝1J，實(shí)現(xiàn)吊具對(duì)于內(nèi)部集卡的定位。
[0028] 本發(fā)明的有益效果為：與傳統(tǒng)的人工作業(yè)相比，本發(fā)明通過(guò)使用計(jì)算機(jī)視覺(jué)技術(shù) 解決了內(nèi)部集卡的定位問(wèn)題，改善了以人工引導(dǎo)為主的集裝箱裝卸工作模式，能夠準(zhǔn)確、及 時(shí)的對(duì)集卡進(jìn)行引導(dǎo)，并且能夠極大提高集裝箱的裝卸效率，進(jìn)一步實(shí)現(xiàn)了碼頭裝卸集裝 箱自動(dòng)化，節(jié)省了大量的人力成本，是一項(xiàng)改善生產(chǎn)和工作環(huán)境的多贏工程。
【附圖說(shuō)明】
[0029]圖1為具體實(shí)施例示例的灰度圖；
[0030] 圖2為圖1使用濾波與銳化及數(shù)學(xué)形態(tài)學(xué)得到的邊緣信息圖像；
[0031] 圖3為圖2的全局直方圖并標(biāo)記了閾值；
[0032] 圖4為經(jīng)過(guò)圖3中算出的閾值進(jìn)行二值化后的圖像；
[0033] 圖5為圖4去掉其中較小的連通區(qū)域后的圖像；
[0034] 圖6為圖5取占外接矩形面積百分比最大的輪廓所得的處理結(jié)果圖像；
[0035] 圖7為吊具、相機(jī)與集卡的坐標(biāo)平面俯視圖。
[0036] 圖中：1-集卡1，2_吊具，3-吊具水平中心線。
【具體實(shí)施方式】
[0037] 下面結(jié)合實(shí)施例來(lái)詳細(xì)闡述內(nèi)部集卡定位方法的具體實(shí)施方法。應(yīng)當(dāng)理解，此處 所描述的具體實(shí)例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。
[0038] 如圖1-7所示，本發(fā)明的一種基于涂色塊的內(nèi)部集卡定位方法，具體步驟如下：
[0039] 步驟1:在內(nèi)部集卡的掛車車頭及車尾的中心位子涂上矩形的色塊；
[0040] 步驟2:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車頭位置圖像；
[0041 ]步驟3:將步驟1)的圖像轉(zhuǎn)化為灰度圖，其中圖像的高度為height，寬度為width， 單位為像素，處理結(jié)果參照?qǐng)D1;
[0042]步驟4:使用核為3*3的結(jié)構(gòu)元對(duì)采集的圖像進(jìn)行中值濾波，對(duì)處理好的圖像使用 Laplace算子對(duì)圖像進(jìn)行銳化處理，再對(duì)圖像使用核為3*3的結(jié)構(gòu)元進(jìn)行形態(tài)學(xué)梯度邊緣提 取，獲得圖像G，處理結(jié)果參照?qǐng)D2;
[0043]步驟5:根據(jù)圖像G生成直方圖!1={取|1 = 0，1，~，255}，其中11康示灰度值為浦像 素點(diǎn)的個(gè)數(shù)；
[0044] 步驟6:根據(jù)式（1)~(4)確定閾值thre sho 1 d，處理后的結(jié)果參照?qǐng)D4;
[0045] threshold=y(nright-nieft)+nieft (1)
[0048] nmax=max{ru | i = 0,1, ··· ,255} (4)
[0049] μ為事先選定，ye [0.4,1];μ的選擇依據(jù)是要盡量使步驟4中的圖像G的待檢測(cè)區(qū) 域有非常好的封閉性，在本實(shí)施例中，選擇μ為0.5。
[0050] 步驟7:根據(jù)式(5)對(duì)圖像G進(jìn)行二值化得到圖像Gf:
[0052] 處理后的結(jié)果參考圖4。
[0053]步驟8:掃描整幅二值圖像Gf，計(jì)算各白色區(qū)域的像素面積，過(guò)濾面積小于0.002* height*width的連通區(qū)域，得到連通區(qū)域的候選集合1 = {li | i = 1，2,…，m}，m為過(guò)濾后連 通區(qū)域的總數(shù)，處理結(jié)果參考圖5;
[0054] 步驟9:利用最小外接矩形算法，通過(guò)公式(4)計(jì)算各個(gè)連通域Miil，〗，...，!!!） 占其最小外接矩形ri(i = l，2,. . .，n)的面積百分比ai(i = l，2,. . .，m);
[0055] ai = li/n (6)
[0056] 步驟10:通過(guò)比較篩選出占外接矩形面積百分比最大的輪廓amax，使其滿足公式 (7)，完成集卡涂色區(qū)域的識(shí)別。
[0057] a=max{ai ,a2,......,an} (7)
[0058] 步驟11:找到與步驟10中amax對(duì)應(yīng)的輪廓lmax，提取該輪廓的外包矩形即為車頭所 涂色塊，計(jì)算得到該矩形的中心點(diǎn)Pi，處理結(jié)果參照?qǐng)D6;
[0059] 步驟12:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車尾位置圖像，重復(fù)步驟2~11，可 得到車尾所涂色塊，進(jìn)一計(jì)算得到其中心點(diǎn)P 2;
[0060] 步驟13:基于雙目視覺(jué)技術(shù)將PdPPsA轉(zhuǎn)換成以吊具2的中心為原點(diǎn)的世界坐標(biāo)系 下的坐標(biāo)，然后將吊具2的中心與？1和內(nèi)點(diǎn)連線的中點(diǎn)重合、吊具水平中心線3與PiPs連線重 合為準(zhǔn)則，參照?qǐng)D7,可實(shí)現(xiàn)吊具2對(duì)于內(nèi)部的集卡1的定位。
[0061] 本說(shuō)明書(shū)實(shí)施例所述的內(nèi)容僅僅是對(duì)發(fā)明構(gòu)思的實(shí)現(xiàn)形式的列舉，本發(fā)明的保護(hù) 范圍的不應(yīng)當(dāng)被視為僅限于實(shí)施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技 術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。
【主權(quán)項(xiàng)】
1. 一種基于涂色塊的內(nèi)部集卡定位方法，其特征在于具體步驟如下： 步驟1:在內(nèi)部集卡車頭及車尾的中屯、位置分別涂上矩形的色塊； 步驟2:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車頭位置圖像； 步驟3:將圖像轉(zhuǎn)化為灰度圖，其中圖像的高度為hei曲t，寬度為wi化h，單位為像素； 步驟4:對(duì)采集的圖像進(jìn)行中值濾波，對(duì)處理好的圖像使用Laplace算子對(duì)圖像進(jìn)行銳 化處理，再對(duì)圖像使用形態(tài)學(xué)梯度提取邊緣，獲得圖像G; 步驟5:根據(jù)圖像G生成直方圖H= {ml i = 0，l，…，255}，其中m表示灰度值為i時(shí)的像素 點(diǎn)的個(gè)數(shù)； 步驟6:根據(jù)式（1)~(4)確定二值化闊值thre sho 1 d;nmax=max{m I i=0,1，…，255} (4)其中，μ為事先選定的二值化闊值系數(shù)，με [0.4， iLnmax為圖像直方圖Η中的最大值，nieft與nright分別為直方圖Η中離nmax最近的滿足公式(2) 至(3)的取值； 步驟7:根據(jù)式巧)對(duì)圖像G進(jìn)行二值化得到圖像Gf:(5) 其中G(x，y)為圖像在(x，y)處的灰度值，Gf(x，y)為圖像在二值化后(x，y)出的灰度值； 步驟8:掃描整幅二值圖像Gf，計(jì)算各白色區(qū)域的像素面積，過(guò)濾面積小于0.002* height*width的連通區(qū)域，得到連通區(qū)域的候選集合1 = Ui 1 = 1,2,…,m}，m為過(guò)濾后連 通區(qū)域的總數(shù)； 步驟9:利用最小外接矩形算法，通過(guò)公式(6)計(jì)算各個(gè)連通區(qū)域11。= 1，2，...，111)占其 最小外接矩形r i(i = l ,2,. . . ,m)的面積百分比ai(i = l ,2,. . . ,m); ai = li/ri (6) 步驟10:通過(guò)比較篩選出占外接矩形面積百分比最大的輪廓amax，使其滿足公式(7)，完 成集卡涂色區(qū)域的識(shí)別； amax=max{ai,a2,......,日。} (7) 步驟11:找到與步驟10中amax對(duì)應(yīng)的輪廓Imax，提取該輪廓的外包矩形即為車頭所涂色 塊，計(jì)算得到該矩形的中屯、點(diǎn)Pi ; 步驟12:利用吊具上的工業(yè)相機(jī)采集內(nèi)部集卡車尾位置圖像，重復(fù)步驟2~11，可得到 車尾所涂色塊，進(jìn)一計(jì)算得到其中屯、點(diǎn)P2 ; 步驟13:基于雙目視覺(jué)技術(shù)將Pi和P2點(diǎn)轉(zhuǎn)換成W吊具中屯、為原點(diǎn)的世界坐標(biāo)系下的坐 標(biāo)，然后將吊具中屯、與Pi和P2點(diǎn)連線的中點(diǎn)重合、吊具水平中屯、線與PiP2連線重合為準(zhǔn)則， 實(shí)現(xiàn)吊具對(duì)于內(nèi)部集卡的定位。
【文檔編號(hào)】G06K9/20GK106096599SQ201610278475
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年4月28日 公開(kāi)號(hào)201610278475.6, CN 106096599 A, CN 106096599A, CN 201610278475, CN-A-106096599, CN106096599 A, CN106096599A, CN201610278475, CN201610278475.6
【發(fā)明人】高飛, 倪逸揚(yáng), 令狐乾錦, 李定謝爾, 童偉圓, 盧書(shū)芳, 肖剛
【申請(qǐng)人】浙江工業(yè)大學(xué)