基于图像处理的钢管自动识别系统

发布时间：2021-01-05 05:13

　　目前,国内大多数的棒材生产厂商多采用光电技术或者是人工的方法对棒材进行统计。光电技术统计仅适用于棒材没有交叉重叠的情况,而人工统计则耗时长,效率低,劳动强度大,即繁琐又易错。同时,也有不少学者为此努力,力求减少人工劳动量、提升技术水平,以解放生产力,节约生产成本,提高效率。但是,在棒材计数领域,始终没有非常好的解决方案,来解决这个问题。要么就是单纯采用人工计数的方式,这种方法劳动强度高,出错几率大,有时需要反反复复计数好几遍才能正确数清,稍有疏忽就会出差错,在时间的成本和人工人力的成本上十分昂贵,费力又费时。要么是设计一套严格的计数方案,在特定的场景,特定的条件下,加上图像算法和人工审核的方式,实现准确计数的功能。为实现一种方便快捷棒材计数方案,本文介绍了一种基于目标检测的钢管自动识别系统。在确立算法之前,先去实际工地调研,了解实际工地棒材堆放情况,然后现场采集数据,对几个堆放的钢管堆录制视频作为数据。再对现场工地采集到的数据进行预处理:先分析几个采集到的视频数据,经过数据清洗、筛选后,清除掉不良数据。再将视频数据逐帧转为图片数据,并随机抽取数据进行了试处理,发现会用传统的图像处理方式... 

【文章来源】：长江大学湖北省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

暗场照明拍摄的钢管图片

第 2 章 YOLO 目标检测YOLO全称是You Look Only Once, 整体来看，YOLO算法采用了一个单独的CNN模型实现端对端的目标检测。YOLOv3作为YOLO系列的最新算法，对于之前的算法YOLO、YOLOv2及YOLO9000既有保留，也有改进。YOLO的主要思路是：首先用提取网络对输入图像提取特征，得到一定尺寸的特征图(feature map),比如 13*13，那么再将输入图像分成13 13个格子，接着如果实际框(ground truth)中某个目标的中心坐标落在哪个格子中，那么就由这个格子来预测这个目标，因为每个格子都会预测固定数量的包围框(bounding box)，YOLO v1 中是 2 个，YOLO v2 中是 5 个，YOLO v3 中是 3 个，选取这几个包围框中和 ground truth 的 IOU 最大的 bounding box 用来预测目标。下面是 YOLOv1~v3 的设计历程。2.1 YOLO

IOUschematic2-2IOU示意

【参考文献】：
期刊论文
[1]运用开端神经网络进行人体姿态识别[J]. 柴铎,徐诚,何杰,张少阳,段世红,齐悦.  通信学报. 2017(S2)
[2]利用迭代霍夫圆变换实现成捆棒材可靠计数[J]. 毛庆洲,潘志敏,高文武.  武汉大学学报(信息科学版). 2014(03)
[3]一种基于图像处理的棒材计数测量系统的设计与实现[J]. 侯维岩,张利伟,党蟒,段政伟,宋杨,王海宽.  仪器仪表学报. 2013(05)
[4]基于数字图像处理的钢管自动识别计数系统开发[J]. 黄华贵,王巍,杜凤山,张芳.  燕山大学学报. 2006(01)
[5]轧钢车间打捆计数装置研究[J]. 李朴,孙运芝,孟春,夏晨.  仪器仪表与分析监测. 2003(02)
[6]螺纹钢筋(棒材类)的精确计数方法[J]. 朱常青,冯筱林,杨建国.  上海大学学报(自然科学版). 1998(05)

硕士论文
[1]基于机器视觉的车道偏离预警系统研究[D]. 李信言.长安大学 2018
[2]曲线拟合在钢管计数中的应用与研究[D]. 李伟.西南交通大学 2010
[3]圆钢端部图像识别的研究与处理[D]. 曾洛军.中南大学 2004



本文编号：2958091