[发明专利]一种基于机器视觉和深度学习的防打保龄的方法和系统

说明书

本发明提供一种基于机器视觉和深度学习的防打保龄的方法，包括如下步骤：利用设置在大梁和小车上的摄像头采集得到RGB图像；将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；当判定结果为出现防打保龄，则触发当前呗位的保护；本发明提出一种基于机器视觉和深度学习的防打保龄的方法，通过机器视觉的手段，结合改进的尺度不变特征变换算法以及改进的boost分类模型能够精确快速地判定防打保龄的情况，实现安全生产。

技术领域

本发明涉及龙门吊检测领域，特别是指一种基于机器视觉和深度学习的防打保龄的方法和系统。

背景技术

轮胎式集装箱门式起重机，简称龙门吊作为堆场集装箱起重设备，在集装箱码头得到广泛应用，但随着集装箱码头和堆场起重机的快速发展，在装卸集装箱的过程中是否精准安全，直接关系到码头生产效率的高低和经济效益。在龙门吊作业过程中，有时会因为吊具起升高度不够而发生“打保龄”事故，这不仅会造成集装箱箱体和箱内获取、拖车、托架损坏，而且会造成人员伤亡，并在一定程度上限制龙门吊作业效率的提高。

目前，针对在堆场内，在起重机起带箱或者不带箱时，起升未到足够高度的情况下，动小车从而造成吊具撞翻前后邻近的集装箱的问题，现有技术一般采用激光扫描的手段，通过实时进行扫描小车前后方集装箱高度和位置，控制小车速度和停止以实现防撞保护。但目前通过激光手段仍存在盲区问题导致扫描不全，司机无法准确判断，使得安全事故频有发生，无法达到安全生产的要求。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于机器视觉和深度学习的防打保龄的方法，通过机器视觉的手段，结合改进的尺度不变特征变换算法以及改进的boosting分类模型能够精确快速地判定防打保龄的情况，实现安全生产。

本发明采用如下技术方案：

本发明实施例一方面提供一种基于机器视觉和深度学习的防打保龄的方法，包括如下步骤：

利用设置在大梁和小车上的摄像头采集得到RGB图像；

将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；

将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；

当判定结果为出现防打保龄，则触发当前呗位的保护。

具体地，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：

在待处理的RGB图像选取两个点；

以这两个点为一条对角线，确定出一个矩形区域。

具体地，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：

建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；

寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；

根据特征点领域的像素梯度分布情况求出特征点的稳定方向。

具体地，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：

当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。

具体地，改进的boosting分类模型，具体为：