一种树脂溶液罐液位检测方法与装置与流程

本发明属于贵金属生产领域，具体涉及一种树脂溶液罐液位视觉检测的方法与装置。
背景技术：
：智能制造是一种具备综合性和高效性的现代制造模式，极大提高了产率，逐渐成为全球制造业发展的主流，为我国迈入制造强国行列提供了历史机遇。目前工厂内贵金属溶液进行浓缩仍为人工手动调节液位，难以实现高效平衡，经常发生溢出事故，对人的生命安全有一定的威胁，在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，并且难以保证产品的参数稳定。传统液位自动检测方法有静压式液位测量，浮体式液位测量，浮体式液位测量，电容式液位测量等。但静压式测量受介质密度和温度影响较大，对传感器精度要求越高，长时间使用或者更换液体时需要反复校准和及时维护清洗；而电容式测量中电容传感器容易受到不同的容器材质和溶液属性影响，输出阻抗高，输出功率小，负载能力差，受寄生电容影响大；浮体式测量检测精度容易受浮力影响，重复精度差，不同液体需要重新校准，且不适用于粘稠性或者含杂质液体，容易造成浮球堵塞。基于环境、精度以及制造成本等因素，一套完整的自动化系统尤为必要，不仅可以改善了劳动条件，降低了工人的劳动强度，而且能够确保生产安全，同时大幅提高生产力。基于视觉技术的目标识别指的是在视频或者二位图像内寻找给定物体的过程。欧美诸多国家都在目标识别跟踪技术方面开展了大量的研究工作。20世纪90年代，麻省理工大学以及美国其他多所高等院校都开始对在民用和军事上的视频处理技术应用展开了研究。国内的许多研究所也在目标识别领域取得了许多成果例如中国科学院以及国防科技大学、清华大学等机构和高校。工业视觉检测在网络视频通信、国防军事及其他各种工业生产的领域内作用日益增加。付海娟提出一种基于计算机视觉的液压气动控制液位识别技术(付海娟，计算机视觉的液压气动控制液位的识别[j]青岛大学学报(自然科学版)，2017，30，(1)：113-117)，对采集的液压气动控制液位标记视觉图像进行模板特征匹配，进行液位视觉图像的信息增强和边缘轮廓检测处理，结合气动控制液位成像区域特征分割方法实现液位标记线分割，实现液位视觉识别。王昇等(王昇，刘开华，马永涛.一种皮肤图像患处分割方法[p].中国专利：201610085988.5，2016)提出了一种皮肤图像患处分割方法，通过对输入的皮肤图像进行预处理，hsv色彩空间的转换，基于肤色检测算法完成对肤色区域和非肤色区域检测，接着对肤色区域进行内部填充，使用otsu阈值法计算直方图的最佳阈值t，对二值化后的图像采用形态学处理中的闭运算消除白色区域内部空洞并使边缘平滑，最后标记出图像边缘并输出。但该方法没有对不同的色彩空间分量进行不同种类的比对，没有多种方法比较寻求最大阈值。如果在贵金属溶液过树脂除杂工艺中引入机器视觉技术，则可以有效提高生产效率，生产的自动化程度和工人的生命安全，实现自动调节，使浓缩效率实现最大化。因从，为确保贵金属提炼过程中的效率和质量，对浓缩工艺进行自动化改造，设计一套能够自动识别树脂溶剂罐液位的检测系统，能够有效的提高整个自动化系统的效果，使其更高效且更低成本的生产。技术实现要素：为了实现不同液位的树脂溶液罐液位的视觉检测与液位的控制，本发明提出了一种树脂溶液罐的液位检测方法与装置，通过在贵金属溶液过树脂除杂工艺中采用视觉检测与分析技术，以有效提高贵金属的生产效率。为了解决上述技术问题，本发明采用的技术方案为：一种树脂溶液罐液位检测方法，包括以下步骤：1)用摄像头正直对准树脂溶剂罐，连续监测并采集视频；2)对视频中的各帧图像进行倾斜校正，提取图像的g分量作为原始图像进行灰度增强；3)基于遗传算法得到最佳分割阈值，对图像进行二值化处理，获取的二值化图像；4)对二值化后的图像进行膨胀和腐蚀运算；5)去除图像中的其余连通分量，保留最大的连通分量，提取瓶体；6)通过som聚类算法确定液位高度。所述步骤6)中，所述som聚类算法确定液位高度的具体步骤为：a、初始化：竞争层中各神经元对应的内星权向量ωj(j＝1，2，…，m)，权值使用较小的随机值进行初始化，建立初始优胜领域nj*(0)和学习率η初值，m为输出层神经元数目；b、输入样本：从训练集中随机取一输入模式，自组织网络中当前输入模式向量为n为输入层神经元数目；对当前输入的模式向量和内星权向量进行归一化；c、寻找获胜神经元：将当前输入模式向量与竞争层所有神经元对应的内星权向量wj(j＝1，2，…，m)进行相似性对比，计算欧几里得距离，距离最小的神经元赢得竞争，记为获胜神经元；d、通过获胜神经元调整权向量；e、当学习效率α≤αmin时，结束训练，否则转到步骤b继续。所述步骤2)中，对每幅图像进行倾斜校正时，选用基于harris的角点特征检测来找到倾斜角度，所述角点监测的具体方法为：首先计算像素点i(x，y)在x和y两个方向上的梯度ix和iy；其次，计算每一个像素点上的相关矩阵m；然后，计算每个像素点的harris角点响应值r；最后，在n×n范围内寻找极大值点，将所得的极大值点与所设定的初始阈值比较，如果其harris响应值r大于阈值，则将其视为角点。所述步骤2)中，对图像进行增强的步骤是：采用分段线性变换进行灰度增强，分段线性变换表达式为：其中f(x，y)表示原始图像，其灰度范围为[a，b]；g(x，y)表示变换得到的图像，其灰度范围线性扩展至[c，d]，其中，fmax表示变换前的图像最大灰度范围，gmax表示变换后的图像最大灰度范围。所述步骤3)中，基于遗传算法获得图像最佳分割阈值的具体方法为：首先进行染色体编码，即对目标解空间进行编码，得到的图像像素个数用l表示，其灰度值范围为(0，l-1)，计算图像的直方图分量pi，计算公式为：pi＝ni/m；其中ni表示灰度级为i的像素数，m为像素总量；其次设定灰度值阈值v，将图像像素分为两类：r0和r1；r0由图像中灰度值在范围[0，v]内的所有像素组成，r1由灰度值在范围[v+1，l-1]的所有像素组成；然后将图像最大类间方差作为适应度函数，通过轮盘赌选择法进行选择，计算使类间方差最大的灰度值阈值v，作为最佳分割阈值；所述类间方差的计算公式为：其中，mg表示图像的平均灰度，p0表示像素被分类到r0的概率，m(v)表示直至级v的累积像素灰度均值。此外，本发明还提供了一种树脂溶剂罐液位检测系统装置，包括液面视觉检测装置和智能图像采集装置，所述液面视觉检测装置包括支架和摄像机；智能图像采集装置包括图像采集卡、计算机和声光电报警装置；摄像机通过视频采集卡将视频图像传送至计算机，计算机用于对视频图像进行分析，获得浓缩时液面实时高度；还用于判断液面异常情况，并在发现异常情况时通过声光电报警装置(12)发出报警提示；还用于在树脂溶剂罐中溶液液面实时高度达到临界值时，发送控制信号至plc及电控箱，控制不同液位时的流量以及互相连通的树脂溶液罐之间的流量匹配。所述的一种树脂溶剂罐液位检测系统装置，摄像机固定安装在支架上，通过高低控制旋钮调节摄像机的高度，支架固定设置在墙壁或者屋顶。本发明与现有技术相比具有以下有益效果：1、本发明针对研究的树脂溶液罐液位视觉检测，通过摄像机获取液位图像，并通过图像预处理、关键特征的提取、液位计算等步骤，通过传输装置及时传输给plc及电控箱，根据软件智能处理算法分析自主判断是否需要报警通知工作人员，具有较好的实时性和鲁棒性。2、与传统操作环境简单，变化单一的液位视觉检测对象相比，树脂溶液罐在复杂的工业环境中操作，经常发生溢出事故危险性高。此外不仅有液位高度的变化，同时还有由于浓度的实时改变带来的监测对象颜色的变化，所以监测对象为较不同安装高度、不同液位高度与不同浓度的连通罐体之间的监测与控制，具有相当大的复杂性。本设计通过摄像头对树脂溶液罐实时监控，并通过图像处理对检测出的视频、图像模块进行具体分析，当树脂溶剂罐中溶液达到某一临界值时通过传输装置及时传输给plc及电控箱，控制不同液位时的流量以及互相连通的树脂溶液罐之间的流量匹配，并及时向工作人员报警提示。克服了在复杂的工业现场树脂溶液控制需要手动调节，难以实现高效平衡，经常发生溢出事故等一系列问题，实现了液位控制的自动调节，在保证工业现场操作安全的同时使得浓缩效率实现最大化。附图说明图1是本发明的装置结构示意图；图2是实施例中树脂溶液罐倾斜校正图像；图3是实施例中树脂溶液罐rgb色彩空间图像；图4是实施例中树脂溶液罐分段线性变换灰度增强后的g分量图像；图5是实施例中树脂溶液罐二值化处理后图像；图6是实施例中膨胀和腐蚀运算后的图像；图7是实施中溶液罐的提取图像；图8是实施中最终溶液液体分量图像；图9是实施中溶液液位百分值误差；图中：1、蒸汽电动比例阀，2、树脂溶液罐，3、液体用防腐蚀电动比例阀，4、摄像机支架，5、旋钮，6、摄像机，7、视频采集卡，8、图像处理软件，9、计算机显示屏，10、树脂溶液视觉图像，11、计算机，12、自动报警装置。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明实施例提供了一种树脂溶液罐液位检测方法，包括以下步骤：1)用一台摄像头正直对准一个树脂溶剂罐，连续监测并采集视频。如图1所示，为本发明实施例的检测方法所用的装置示意图，包括液面视觉检测装置和智能图像采集装置，所述液面视觉检测装置包括支架4和摄像机6；智能图像采集装置包括图像采集卡7、计算机11和声光电报警装置12；摄像机6通过视频采集卡7将视频图像传送至计算机11，计算机11用于对视频图像进行分析，获得浓缩时液面实时高度；还用于判断液面异常情况，并在发现异常情况时通过声光电报警装置12发出报警提示；还用于在树脂溶剂罐中溶液液面实时高度达到临界值时，发送控制信号至plc及电控箱，控制不同液位时的流量以及互相连通的树脂溶液罐之间的流量匹配。进一步地，如图1所示，摄像机6固定安装在支架4上，通过高低控制旋钮5调节摄像机6的高度，支架4固定设置在墙壁或者屋顶。选取浓缩过程中连续的10帧图像，对所采集的图像进行上述的图像处理并对数据进行处理与分析。2)对视频中的各帧图像进行倾斜校正，提取图像的g分量作为原始图像进行灰度增强。在图像采集过程中，图像会受到一定程度的倾斜，为了得到准确的处理结果，有必要进行倾斜校正处理。将图像进行倾斜校正一般分为两步：第一步，查找倾斜角度；第二步，进行坐标变换，由此得到校正后的图像。通常采用的角度查找方法有两种：一种是利用hough变换来找出倾斜角度；另一种是利用角点检测来找出倾斜角度。基于harris算子具有灰度不变性、旋转不变性和尺度不变性等特点，本实施例选用基于harris的角点特征检测。角点通常被定义为两条边的交点，实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。将图像i(x,y)窗口平移[u，v]产生灰度变化的自相关函数如下：e(x，y，u，v)＝∑(x，y)εzw(x，y)[i(x+u，y+v)-i(x，y)]2；(1)式中，[u，v]为窗口偏移方向及偏移量，z表示窗口平移的区域，w(x，y)为高斯加权函数。taylor展开i(x+u，y+v)如下：i(x+u，y+v)＝i(x，y)+ixu+iyv+o(u2，v2)；(2)则灰度变换为：式中，m是2×2的矩阵，e(x，y，u，v)为椭圆方程，m的特征值表征了灰度变化最快方向与最慢方向。本实施例中，进行角点检测时，首先计算像素点i(x，y)在x和y两个方向上的梯度ix和iy：其次，计算每一个像素点上的相关矩阵m：然后，通过计算每个像素点的harris角点响应值r：r＝(ab-c2)-k(a+b)2；(10)式中k为经验常数，一般取0.04～0.06。最后，寻找图像i(x，y)在n×n范围内的极大值点，其中n为图像像素点。将所得的极大值点与所设定的初始阈值比较，如果harris响应值r大于所设定的阈值则可视为角点，倾斜校正后图像如图2所示。对所采集的图形进行不同分量的提取，得到红色分量r(x，y)图像，绿色分量g(x，y)图像，蓝色分量b(x，y)图像，如图3所示。通过比对，将rgb色彩空间中的g分量作为图像处理的原始图像。进行灰度变换增强可以把图像的对比度从弱变强，使得图像中的各个像素值尽可能均匀分布或者服从一定形式的分布，从而提高图像的质量。树脂溶液为棕色，通过线性变换与非线性变换两种方法比较对图像的处理效果，决定采用分段线性变换进行灰度增强。设原图像为f(x，y)，其灰度范围为[a，b]；变换得到的图像为g(x，y)，其灰度范围线性扩展至[c，d]，则对于图像中的任一点的灰度值f(x，y)，灰度变换后为g(x，y)，分段线性变换表达式为：其中，fmax表示变换前的图像最大灰度范围，gmax表示变换后的图像最大灰度范围。通过分段线性变换可以有效提高图像质量，灰度增强后的图像如图4所示。3)基于遗传算法得到最佳分割阈值，对图像进行二值化处理，获取的二值化图像。灰度图像二值化在数字图像处理过程中有着非常重要的地位，对图像进行二值化有利于图像的进一步处理，使图像变得简单，数据量减小，能凸显出目标的轮廓图像，便于进行后续的图像处理与分析。本实施例中，基于遗传算法得出最佳分割阈值。首先进行染色体编码，即对目标解空间进行编码，本文中所采集图像为8位灰度图片，使用8位二进制码串编码。其次进行适应度函数的确定，采集图像像素个数为l的图像范围为(0，l-1)，图像归一化的直方图分量为：pi＝ni/m；(12)其中ni表示灰度级为i的像素数，m为像素总量。设定阈值v，将图像像素分为两类：r0和r1。r0由图像中灰度值在范围[0，v]内的所有像素组成，r1由灰度值在范围[v+1，l-1]的所有像素组成[12]。阈值的表达式如下：图像的平均灰度为：则像素被分类到r0的概率为：直至级v的累积像素灰度均值为：类间方差由此给出：将图像最大类间方差作为适应度函数，轮盘赌选择法进行选择，结合最优保存策略以保证当前适应度最优的个体能够进化到下一代而不被遗传操作的随机性破坏，保证算法的收敛性。进行交叉、编译。使最大的p0值对应的阈值v便是最佳区域分割阈值，进行二值化处理后的图像如图5所示。4)对二值化后的图像进行膨胀和腐蚀运算。数学形态学中膨胀可以把图像周围的背景点合并到物体中，通过膨胀运算可能使距离较近的两个物体连通在一起，可以填补物体分割后的空洞。腐蚀则可以消除物体边界点，通过选取不同大小的结构元素可以去掉大小不同的物体，分开两个有细小连通的物体。膨胀运算：本实施例中，a表示需要处理的集合，b代表处理时要是用的结构元素，对z2上元素的集合a和b，a用b来膨胀，记作定义为：先对b做关于原点的映射，然后将其平移映射平移z，这里a与b映射的交集不为空集。即b映射的位移与a至少有1个非零元素相交时b的原点位置集合，所有这样的z点构成的集合即为b对a的膨胀图像。腐蚀运算：对z2上元素的集合a和b，使用b对a进行腐蚀，记作a！b，形式化的定义为：a用b腐蚀的结果是所有满足将b平移后，b仍旧全部包含在a中的z的集合，则所有这样的z点构成的，即b经过平移后全部包含在a中的原点组成的集合。所有这样的z点构成的集合即为s对a的膨胀图像。膨胀和腐蚀运算后的图像如图6。5)去除图像中的其余连通分量，保留最大的连通分量，提取瓶体。确定瓶体的像素范围：根据以上图像处理结果，得到瓶体在像素坐标系中的像素范围为u∈[198,352],v∈[113,798]，瓶体的像素高度h为686。提取瓶体如图7。6)通过som聚类算法确定液位高度。采用som聚类算法对图像进行分割，树脂液位图像的每个像素点的灰度可以作为样本，整个图像构成一个样本空间，从而把图像分割的任务转换为对数据集合的聚类任务。som聚类是一种无监督的学习方法，通过自动寻找样本中的内在规律和不同属性，将图像空间中的像素点用对应的特征向量表示，根据他们在特征空间的特征相似性，对特征空间进行分割，然后将其映射回原图像空间，从而完成分割。a.初始化：竞争层中各神经元对应的内星权向量ωj(j＝1,2,…,m)，权值使用较小的随机值进行初始化，建立初始优胜领域nj*(0)和学习率η初值。m为输出层神经元数目。b.输入样本：从训练集中随机取一输入模式，自组织网络中当前输入模式向量为n为输入层神经元数目。对x、ωj进行归一化：c.寻找获胜神经元将x与竞争层所有神经元对应的内星权向量wj(j＝1,2,…,m)进行相似性对比。最相似的神经元获胜，权向量为wj*。计算样本与权值向量的欧几里得距离，距离最小的神经元赢得竞争，记为获胜神经元。d.权值调整获胜神经元调整权向量wj*，具体为：其中，0<α≤1为学习效率，训练时间和领域内第j个神经元与获胜神经元j*之间拓扑距离的函数。α一般随着学习多维进展而减少，即调整的程度越来越小，趋于聚类中心。e.判定结束当α≤αmin时，结束训练，否则转到步骤b继续。αmin表示学习效率的阈值。比较不同的聚类算法，k-means聚类算法必须事先给定聚类数目，而且对于噪声和孤立点很敏感。som聚类将相邻关系强加在簇质心上，互为邻居的簇之间比非邻居的簇之间更相关，对复杂的工业现场处理效果更好。如图8所示为液体分量图像。瓶体在像素坐标系中的像素范围为u∈[198,352],v∈[113,798]，瓶体的像素高度h为686。我们选择分为som聚类算法确定阀值，确定液面的高度。通过计算我们得到10帧图片的液位u坐标，如表1所示。表110帧图片的液位u坐标实际u坐标求解u坐标坐标偏差瓶体像素高度605607.8616-2.8616686607608.3612-1.3612673610610.1032-0.1032668610610.5981-0.5981679611612.5367-1.5367682612614.1765-2.1765697613614.8632-1.8632689614616.1361-2.1361675614617.7642-3.7642691616619-3686图像处理得到的u坐标与实际u坐标偏差的平均值为-1.9401，误差原因有：(1)液面对光线的反射等原因可产生系统误差。(2)进行实际测量液面高度位置时，由于无法精准测量液位高度，会产生测量误差，以至于将测量数据与实验数据进行比对时，误差会更加严重；(3)由于相机固定，树脂溶液罐在不同的位置会由于拍摄角度的不同，导致相机拍摄的液位高度位置会产生相应的偏移。对图像处理得到的液位坐标进行修正，将初始坐标加上其偏差的平均值，将修正后的坐标作为最终的结果，如表2。表2修正后的液位坐标对修正后的10组数据绘制液位百分比误差,如图9。通过对50种不同液面高度进行提取数据图像，在准确提取罐体与液体分量后，液位检测的结果可以得到98.5％以上的精度。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。当前第1页12