基于双摄像机的集装箱水平位置校正方案
集装箱位姿测量装置及吊装方法
集装箱位姿测量装置及吊装方法集装箱位姿测量装置及吊装方法随着全球贸易和物流业的不断发展，集装箱成为了一种重要的货物运输器具。
然而，集装箱作为一种容器，其位置、方向和角度的准确度对于保证货物的安全运输至关重要。
因此，集装箱位姿测量装置和吊装方法的研发和使用变得日益重要。
下面将对集装箱位姿测量装置以及吊装方法进行详细介绍。
一、集装箱位姿测量装置集装箱位姿测量装置是一种通过测量集装箱位置、方向和角度来确保安全运输的装置。
其主要功能是提供实时的集装箱位置及姿态信息，供相关人员快速反应和作出正确的决策。
集装箱位姿测量装置的工作原理基于传感器技术和无线通讯技术，主要有以下三种类型：1.惯性导航测量技术：惯性导航技术是利用集装箱内部的加速计和陀螺仪实时监测集装箱的位置、方向和姿态信息。
2.摄像头测量技术：将摄像头安装在集装箱上，通过图像识别技术来测量集装箱的位置、方向和姿态信息。
3.激光测量技术：利用激光扫描集装箱，通过三维成像技术测量集装箱的位置、方向和姿态信息。
以上三种技术各有优缺点，具体选用需要根据不同需求来进行选择。
二、吊装方法在货物运输和装卸过程中，集装箱的吊装显然是至关重要的一个环节。
不合适的吊装方法很容易造成集装箱的意外跌落或者损坏，带来极大安全隐患。
因此，选择正确的吊装方法是十分重要的。
针对不同类型的集装箱，其吊装方法也不尽相同，下面将对常见的集装箱吊装方法进行介绍：1. 20英尺集装箱吊装方法对于20英尺的集装箱，使用两个半式吊具配合卡板吊装是比较常见的方式。
具体操作流程为先在集装箱的四个角落处安装滑轮和卡板，然后运用两个吊具一前一后从箱底夹紧集装箱，最后将集装箱和吊具通过绳索和钩链连接起来即可。
这种方式相对简单、快捷，又能保证集装箱的安全吊装。
2. 40英尺及以上集装箱吊装方法对于40英尺及以上的集装箱，常常使用四角吊具吊装的方式。
其操作流程为分别在集装箱的四个角上安装吊耳，然后将四根吊杆通过吊环与吊耳牢固相连，最后再以绳索和钩链连接好即可。
一种双目立体视觉系统的校准方法
一种双目立体视觉系统的校准方法李抵非;陈赫;冯志刚;赵科佳;刘争;高鸿营【摘要】基于双目立体视觉系统的图像分析以及人工神经网络的三维空间建模算法,设计了一种针对双目立体视觉相机的校准方法,并可应用于运动目标点的轨迹追踪.将均匀分布目标点的校准平面放置在有效视野内的不同位置,通过双目立体视觉系统来捕获处于不同位置的校准平面图像.在图像处理之后,使用校准点中心的二维坐标作为人工神经网络训练的输入样本集,通过建立人工神经网络模型结构,实现目标点二维平面坐标到三维空间坐标的映射关系.采用这种具有通用性的方法,可以有效修正系统中存在的失真因子,获得目标三维位置信息,而无需进行复杂的相机校准操作.实验表明,提出的方案具有良好的可行性和鲁棒性.【期刊名称】《计量学报》【年(卷),期】2018(039)004【总页数】5页(P485-489)【关键词】计量学;双目立体视觉系统;图像校准;人工神经网络【作者】李抵非;陈赫;冯志刚;赵科佳;刘争;高鸿营【作者单位】中国计量科学研究院,北京100029;吉林大学,吉林长春130012;中国计量科学研究院,北京100029;中国计量科学研究院,北京100029;中国计量科学研究院,北京100029;中国计量科学研究院,北京100029【正文语种】中文【中图分类】TB961 引言目前，双目立体视觉在多种领域被广泛使用，例如三维模型重构和立体匹配等[1～3]。
对于双目相机系统的校准，首要任务是获取双目立体视觉系统中目标的位置信息。
相机校准过程中需要确定系统中相机的光学和几何参数以及相机坐标系和自由空间坐标系的相对位置和方向。
在双目立体视觉系统中，只能通过相机校准来获取二维图像点和三维目标对象之间的对应关系。
所以，相机校准是获取准确三维信息所必需的重要步骤，并且校准精度和可靠性会对测量结果的准确性产生直接影响。
对于双目立体视觉系统中相机的校准方法，许多学者和组织进行了深入研究，主要采用的校准方式大致可分为两种：一种是参数校准方法，这种方法首先确立一种假设：相机坐标与世界坐标系之间存在数学映射模型，可以通过内部参数和外部参数进行表征。
基于图像分析的自动化码头集装箱边缘检测与定位问题研究
基于图像分析的自动化码头集装箱边缘检测与定位问题研究匡家喜㊀柴佳祺上海振华重工(集团)股份有限公司㊀㊀摘㊀要:集装箱边缘检测与定位是自动化集装箱码头岸边与堆场装卸作业过程中的一个关键决策内容,在环境(气候㊁照明等)多变的情况下,其检测与定位过程具有不确定性㊁动态性㊁复杂性㊁随机性等特点㊂面向自动化集装箱码头,探索通过边缘特征提取㊁聚类分析㊁霍夫变换等技术对拍摄的图像进行处理,研究在当前环境下有效过滤光点㊁噪声等其他不利因素的影响,得到集装箱的轮廓和位置信息,便于机械吊具进行对箱和吊箱工作㊂研究成果能够有效利用现有资源,提高集装箱边缘直线和角点识别的准确度㊁图像识别的效率和质量,实现科学有序的自动化和智能化作业,提高装卸作业效率和设备利用率,降低能源消耗,从而提升港口生产作业水平及其核心竞争力㊂㊀㊀关键词:机器视觉;边缘检测与定位;聚类分析;霍夫变换;图像识别Research on Edge Detection and Location of AutomatedTerminal Container Based on Image AnalysisKuang Jiaxi㊀Chai JiaqiShanghai Zhenhua Heavy Industries Co.,Ltd.㊀㊀Abstract:As a key decision-making content in the process of automated container terminal shore and yard loading and unloading operations,container edge detection and location are characterized by uncertainty,dynamics,complexity and randomness,especially in the case of changeable environment(climate,lighting,etc.).This paper is for automated container terminals,through the edge feature extraction,clustering analysis,Hough transform and other technologies for image process-ing,the influence of other unfavorable factors such as effective filtering of light spot,noise under the current environment is studied,and the contour and location information of containers are obtained,which facilitate for mechanical spreader to work on boxes and lifting boxes.The research results,effectively utilize existing resources,can improve the accuracy of line and corner identification of container edges,and the efficiency and quality of image recognition.Therefore,the scientific and or-derly automation and intelligent operation are realized,the efficiency of loading and unloading operations and equipment uti-lization can be improved,and energy consumption can be reduced.Thus the level of port production operations and its core competitiveness can be improved.㊀㊀Key words:machine vision;edge detection and location;cluster analysis;Hough transform;image recognition1㊀引言集装箱边缘检测与定位是自动化集装箱码头装卸作业过程中的一个关键决策内容,其检测与定位过程具有不确定性㊁动态性㊁复杂性㊁随机性等特点,尤其是在环境(光线㊁照明等)多变的情况下更是如此㊂自20世纪70年代以来,许多业界学者和专家研究机器视觉㊁图像检测领域的相关问题,从不同角度进行分析,运用各类方法,解决实际问题㊂杨雪着重研究了车轮带泥的检测方法,论述了基于小波变换的边缘特征提取方法和图像直方图交叉相似度比较方法,并在此基础上提出了EHSC算法,利用此算法对图像进行检测[1]㊂Subramanian联合视觉系统与坐标测量机,通过视觉系统测定工件位置,将坐标信息传递给坐标测量机,从而避免了工件的装夹定位,提高了其测量效率[2]㊂Tian等通过计算2个特殊点之间的距离来达到在线检测零部件的目的,测量结果精度相当高,而且图像的稳定性也较好[3]㊂15Ballard提出广义霍夫变换的概念,用以检测任意形状,通过对目标进行边缘检测,对边缘信息进行霍夫变换,以达到识别目标的目的[4]㊂Borenstein等对目标样本提取各个子模板和去子模板后的背景,然后分别和待识别的目标进行计算,从而实现目标的有效分割,对分割的各个子块进行聚类,最终识别并检测出目标[5]㊂张正等提出了基于部件的目标自动检测方法,对待识别的目标进行分块,然后在待识别的图像中进行协方差计算,确定匹配程度,从而检测并识别出目标[6]㊂宁忠磊等提出基于协方差矩阵的目标自动检测方法,提取图像特征进行训练,并对训练的特征进行特征相似度和协方差矩阵相似的计算,以此识别并检测出目标[7]㊂黄如锦等提出了一种基于多特征的Adaboost行人检测算法,对行人进行检测,并识别目标[8]㊂Miyata等提出了一种集装箱定位方法,即在岸桥吊具的2个相邻边缘安装2个照相机,每台照相机检测集装箱的1条边缘线或地面上的导引线,岸桥司机基于此获取其水平位置,准确地完成装卸作业[9]㊂Kawai等设计了应用于岸桥吊具的装有图像处理器的位置检测系统,将处理器安装在小车底部,在吊具顶部画2个地标,采用VCC方法识别地标,以此测量吊具至小车的垂直距离,同时也可监测吊具摇摆的位移情况[10]㊂Yoon 等运用立体视觉技术,提供了一套集装箱检测与深度提取的方法,从图像中检测到边缘线段和角洞,以此提取集装箱的备选区域,并运用几何特征估算了集装箱至吊具的垂直距离[11]㊂分析以上文献可发现,现有成果对于集装箱自动检测与对位这一领域的研究还较少,鲜有应用计算机视觉和边缘检测与定位理论解决此关键问题㊂在自动化码头不断建设和发展的背景下,该研究具有一定的创新性和实用性㊂2㊀集装箱边缘检测与定位问题描述以往集装箱装卸过程都是靠人工经验进行的,装载时间和效率并不理想,会影响集装箱码头的运营效率㊂随着信号处理理论和计算机技术的发展,人们试图用摄像机获取环境图像并且将其转换为数字信号,用计算机实现对视觉信息处理的技术,即计算机视觉技术[12]㊂计算机通过摄像机拍摄的图像可以认知周围的环境,感知环境中物体的位置㊁形状㊁姿态㊁运动参数等几何信息,将客观世界的三维场景的信息转换为对摄像机图像二维场景的分析㊁识别和理解[13]㊂本文所研究的自动化码头集装箱边缘检测与定位问题,是指通过对CCD照相机在集装箱上方所拍摄到的连续图片,采用图像处理技术,自动检测箱体边缘轮廓及角点,实时跟踪目标以确定集装箱的具体位置,然后将相关信息传输到远程操控室,便于机械设备进行对位㊁抓取吊箱的自动化作业㊂机械横梁是起重机的重要组成部分㊂对于自动化码头,在装卸作业过程中,集装箱是由起重机吊具完成抓取工作,提升到固定高度,然后通过小车移动到目标位置上方(见图1)㊂图1㊀自动化码头堆场内装卸作业示意图在自动化码头,操作人员在中央控制室远程操控起重机,无法直接看到集装箱㊂这就需要一种检测与定位方法,辅助操作人员判断是否需要停止小车的水平移动,垂直下降吊具㊂在每个装卸点位置的横梁下方都安装有照相机,以判断小车是否已到达目标装卸位置㊂考虑到横梁和吊具运行高度之间的垂直距离,图像中目标的实际尺寸可以计算得到㊂此外,照相机安置在横梁的一边,可以捕捉到1个箱角㊂因此,可通过1张图片确定集装箱的水平位置,即相对于横梁的经度和纬度位置㊂自动化码头的运作机制为1周7天,1天24h㊂基于视觉的检测系统在白天良好,而在阴雨天或是在昏暗的晚上,光线照明情况会对装卸作业带来不利影响㊂辅助照明设施可以提供一定的亮度,但是会在拍摄的图像上产生光点,尤其是在雨天,集装箱潮湿的表面所产生的光点将更不利于边缘检测㊂3㊀集装箱边缘检测与定位方法设计具体的方法设计流程见图2㊂3.1㊀符号定义将集装箱边缘检测与定位方法设计中所涉及的参数做如下定义:N xp为图片x方向上的像素点总数;N yp为图片y方向上的像素点总数;N为图片中的边缘特征点总数;R为边缘特征点的选择比例;D 为判断2个边缘特征点是否在同一簇(cluster)的距离阈值;K为通过基于距离的聚类分析得到的点群25图2㊀集装箱边缘检测与定位方法设计流程图序号,kɪK;S k为第k组的边缘特征点数量;ρ㊁θ为极坐标中表示直线的参数;V(ρ,θ)为在霍夫变换中,每个网格点(ρ,θ)得到的投票数;S为累加器中确定峰值点的重要程度系数;L为峰值点范围㊂3.2㊀图像预处理CCD摄像头抓拍到的图像是彩色图像,包含大量数据,如果直接进行处理,计算量很大,会影响集装箱边缘检测的速度㊂而且彩色图像对于光线的敏感程度很大,在岸桥或场桥的装卸作业过程中,光线在一天中的变化较大,尤其是在晚上或者受到气候㊁环境因素的影响,这将直接导致处理彩色图像的难度增大㊂因此,需要首先将抓拍到的彩色图像进行了灰度化处理,以减小光线的干扰㊂3.3㊀边缘特征处理边缘检测旨在找到数字图像中亮度变化明显的点㊂一般情况下,需要借助一个检测算子来计算图像中每个像素点的像素值,然后确定一个阈值,用以筛选具有较大像素值的特征点,以此形成边缘形状属性㊂为了找出尽可能少的边缘点,同时确保这些点真正落在边缘线上,运用边缘检测算子计算像素值,保留具有较大像素值的N个特征点,以便进行后续的图像处理分析㊂N值的计算公式为:N=R㊃(N xp+N yp)(1) 3.3.1㊀边缘特征提取由于集装箱箱体的灰度变化小,并且箱体到环境背景的灰度变化一般是一个突变的过程,所以在边缘检测算法中设定集装箱边缘为阶梯型边缘㊂运用的算法是实现简单㊁运算快速的微分梯度算法,该算法基本能够保证获取集装箱边缘信息的实时性和精确性㊂常用的梯度边缘检测算子有Roberts算子㊁Prewitt算子㊁Sobel算子和Laplace算子等㊂由于So-bel算子是滤波算子的形式,用于提取边缘可以利用快速卷积函数,简单有效,速度快,具有良好的实时性,故采用Sobel算子进行边缘提取㊂3.3.2㊀边缘特征聚类聚类是把相似的对象通过静态分类的方法分成不同的组别或者更多的子集,让同一个子集中的成员对象都有相似的一些属性[14]㊂划分式的聚类方法是当前应用最为广泛的聚类算法之一㊂其核心思想在于:对于N个提取的边缘特征点,给定聚类点群数K(KɤN),通过不断优化一定的目标划分准则,即边缘点的空间距离判断标准,直到将整个点集分成K个划分,每个划分为一个点群㊂边缘特征提取过程得到的边缘点位于边缘线以及噪声片段周围,对于所有边缘特征点,采用基于距离的聚类算法将特征点进行分组,而彼此间的距离是由图片中特征点的像素位置计算得到的㊂倘若2个边缘特征点之间的距离值小于阈值D,则可分入同一点群㊂边缘特征聚类在图像分析中起到了承上启下的作用:①只检测点群内的线,减少了边缘检测的噪声影响;②在检测过程中不会考虑具有较少边缘点的群组,从而加快了图像分析处理的速度㊂3.3.3㊀边缘特征排序根据集装箱边缘特征聚类分析结果,对已聚类的像素点群进行排序工作,以边缘特征的显著性程度为排序条件,从高到底降序处理,从而保证具有明显边缘特征的像素点能够以较高的概率进入下一步操作㊂3.4㊀霍夫变换霍夫变换(Hough transform)是一种应用于图像分析㊁计算机视觉和数字图像处理领域的特征提取技术㊂霍夫变换的基本思想是将图像空间的原图像信息对应到相应的参数空间,用大多数边缘像素点满足的某种参数形式来描述图像空间中的曲线,再通过累加器的积累,其峰值就是原图像对应的参数信息㊂为了得到直线上所有点集更优的映射效果,引入极坐标来表示一条直线,公式描述如下:ρ=x cosθ+y sinθ(2)式中,ρɪ[-xp2+yp2,xp2+yp2];θɪ[0ʎ,180ʎ)㊂存在于图像中的直线会引起图像中合适的累加单元的数值变大,而通过边缘像素的其他直线或曲线,对应的累加单元极少地被增加㊂因此,图像中直线的检测被变换为霍夫空间累加器中的局部峰值的检测㊂应用霍夫变换处理图像的具体步骤如下:35Step 1:明确参数空间的2个参数坐标值(包含误差),在网格中量化参数空间,量化区域仅限于极坐标值的范围之内㊂Step 2:将参数空间的量化区域看作一个二维累加器㊂Step 3:初始化累加器(见图3)㊂Step 4:对图像空间中的每一点,在满足参数空间曲线方程对应的累加器上加1,累加器中的每个边缘参数元素都要记录经过该参数点的曲线总数㊂Step 5:在完成所有图像点的检测后,寻找具有较大记录数值的参数元素,累加器存储的最大值即为对应图形的参数信息㊂图3㊀霍夫空间网格化(累加器)通过霍夫变换特有的投票程序,使得每个边缘特征点与累加器中一系列的整数网格点对应起来㊂如果检测到的是边缘参数信息,则网格点得到相应的票数㊂基于参数空间中获得最多票数的网格点,确定边缘线㊂然而对于一些测试实验的点群,网格点的数量远大于1,这会导致网格点彼此相邻,甚至落在一条曲线上㊂因此,为了能够在基于霍夫变换的图像处理中检测到真正的集装箱边缘,从投票累加器中选择表示边缘线特征的潜在网格点(ρ,θ)时采用了峰值点筛选策略㊂峰值点是具有足够投票数的参数空间网格点,而且投票数需大于邻近的网格点,其数学表达式如下:V (ρ,θ)=S ㊃S k(3)V (ρ,θ)=V (ρ+Δρ,θ+Δθ)(4)式(4)中,Δρ,Δθɪ[-L ,L ]㊂3.5㊀边缘确定在运用霍夫变换时,检测到的线段可能不止2条,但是其中只有2条线段是集装箱的实际边缘线㊂通过交叉点来确定边缘线:①计算2条检测线的交叉点(真实交点);②选择真实交叉点作为集装箱的角点,经过角点的2条线段看作是集装箱的实际边缘线㊂在决定了边缘和角点之后,集装箱的具体位置也就因此确定㊂4㊀算例分析4.1㊀算例描述以某自动化码头为研究对象,该码头采用的是目前最先进㊁最有效的集装箱装卸设备,根据装卸过程中CCD 照相机拍摄的图片进行图像分析,确定集装箱边缘轮廓,以便进行集装箱定位及起吊作业㊂实验所用图片为实际夜间作业中拍摄到的集装箱一部分,宽度方向有256个像素点(N xp ),高度方向有192个像素点(N yp ),有光点㊁条纹等非集装箱轮廓的噪声信息㊂实验环境为:处理器Intel Corei5,双核2.60GHz,4.00GB 内存,Win864位操作系统㊂采用eM-Plant 9.0软件进行程序开发工作㊂4.2㊀结果分析4.2.1㊀图像处理结果多次实验选取合适的参数值,设置规则如下:(1)R :边缘特征点的选择比例为4㊂(2)D :判断2个边缘特征点是否在同一簇的距离阈值为1㊂(3)S :累加器中确定峰值点的重要程度系数为0.3㊂(4)L :峰值点范围为2㊂根据边缘特征处理结果,产生69个聚类点群,从点群中检测到了4条直线(见图4)㊂基于霍夫变换的参数空间累加器结果,得到边缘线段和角点,从而确定了图像中集装箱的所在位置(见图5)㊂图4㊀聚类分析检测到的集装箱边缘线4.2.2㊀不同参数设置下的结果比较在确定了集装箱边缘线段和角点之后,进一步探讨不同的图像尺寸和边缘特征点选择比例(R )下检测与定位方法的图像处理情况㊂鉴于像素比例设为0.75,图像尺寸可由宽度方向上的像素点数(N xp )测量得到,故该像素点数依次为256㊁512和1024,在每组实验中,边缘特征点的选择比例依次45图5㊀集装箱边缘线段和角点设为3㊁4和5㊂集装箱边缘和角点的坐标位置比较结果见表1 ~3㊂其中corner_x表示集装箱角点的x轴坐标,cor-ner_y表示集装箱角点的y轴坐标;coord_x_1表示第一条边缘线的x轴坐标,coord_y_1表示第一条边缘线的y轴坐标,coord_x_2表示第二条边缘线的x 轴坐标,coord_y_2表示第二条边缘线的y轴坐标㊂表1㊀N xp=256时的实验结果N xp256R345corner_x55.3146.4958.77corner_y48.6848.8848.37coord_x_1-0.99-0.99-0.99coord_y_10.140.110.12coord_x_20.070.070.07coord_y_210.990.99表2㊀N xp=512时的实验结果N xp512R345corner_x110.84103.32113.45corner_y91.1290.7290.67coord_x_1-0.97-0.98-0.98coord_y_10.140.140.13coord_x_20.070.050.08coord_y_20.9910.99表3㊀N xp=1024时的实验结果N xp1024R345corner_x223.18211.47226.54corner_y183.64189.12178.35coord_x_1-0.98-0.98-0.98coord_y_10.130.140.11coord_x_20.080.060.09coord_y_210.980.99㊀㊀各次实验主要步骤的运算时间见图6㊂结合以上图表分析,得到如下结论:在不同参数设置条件下,集装箱角点坐标的位置偏差都在5%以内,可见方法设计的可靠性和稳定性;根据实验运行时间结果比较,Sobel算子对边缘特征点的检测步图6㊀图像分析的处理时间比较骤最耗时㊂在像素值逐一增大后,边缘检测的运算时间增幅明显;聚类分析的运算时间居其次,其时间变化趋势与Sobel算子检测类似㊂鉴于运算时间的增长趋势,故在宽度方向的像素值设为256时,检测结果省时且效果良好㊂综上,实验结果证明了集装箱边缘检测与定位方法的可靠性和实用性,可为码头生产企业提供科学合理的集装箱定位与对箱决策㊂5㊀结语以自动化码头集装箱边缘检测与定位问题为实际研究对象,设计了多阶段的检测与定位方法,主要运用边缘检测Sobel算子㊁聚类分析㊁霍夫变换等手段对拍摄图像进行分析,有效过滤光点㊁噪声等其他不利因素的影响㊂实际案例从不同参数设置条件下对检测方法进行比较,获得相应的计算结果,求解结果证明该方法可以有效解决边缘检测这一复杂的工程问题,为实际生产作业提供一个切实可行㊁效果与质量兼优的定位和对箱决策,对于集装箱码头作业对象的特征识别㊁图像处理方面的研究具有一定的理论借鉴意义和实际应用价值㊂参考文献[1]㊀杨雪.机器视觉中图像检测算法的研究与应用[D].无锡:江南大学,2013.[2]㊀Subramanian R.,Germain H.,Drake S..Integrating a Vi-sion System with a Coordinate Measuring Machine to Au-tomate the Datum Alignment Process[C].Proc.Int.Des.pu.Inf.Eng.,Conf.Long Beach,CA,United states,2005.American Society of MechanicalEngineers,2005:655-661.[3]㊀Tian Y.Y.,Liu S.Y.,Tan Q.C..Application of Detec-ting Part's Size Online Based on Machine Vision[J].En-ergy Procedia,2012,(16):1948-1956.[4]㊀Ballard D.H..Generalizing the hough transform to detectarbitrary shapes[J].Pattern Recognition,1981,13(2):111-122.55[5]㊀Borenstein,Eran,Shimon U..Class-specific top-down seg-mentation[C].ComputerVision-ECCV,2002,639-641.[6]㊀张正,王宏琦,孙显.基于部件的自动目标检测方法研究[J].电子与信息学报,2010,32(5):1017-1022.[7]㊀宁忠磊,王宏琦,张正.一种基于协方差矩阵的自动目标检测方法木[J].中国科学院研究生院学报,2010,27(3):370-375.[8]㊀黄如锦,李谊,李文辉.基于多特征的AdaBoost行人检测算法[J].吉林大学学报,2010,48(3):449-455. [9]㊀Miyata N.,Obata K.,Uchida K..Container positionmeasuring method and device for cargo crane and contain-er landing/stacking method[J].EP1333003A1,2001,pp:10-22.[10]Kawai H.,Choi Y.,Kim Y.B.,Kubota Y..PositionMeasurement of Container Crane Spreader Using an ImageSensor System for anti-sway controllers[C].In:Proceed-ings of IEEE International Conference on Control,Auto-mation and Systems2008(ICCAS2008),Seoul,Korea,14-17Oct2008,pp:683-686.[11]Yoon H.J.,Hwang Y.C.,Cha E.Y..Real-time containerposition estimation method using stereo vision for contain-er auto-landing system[C].In:Proceedings of the IEEEInternational Conference on Control Automation and Sys-tems(ICCAS2010),KINTEX,Gyeonggi-do,Korea,27-30Oct2010,pp:872-876.[12]于洪川,吴福朝,袁波,等.基于主动视觉的摄像机自标定方法[J].机器人,1999,21(1):1-7. [13]姜桂祥.港口装卸自动化中的机器人视觉引导系统的关键技术研究[D].上海:上海海事大学,2003. [14]Rui X.,Donald W..Survey of Clustering Algorithms[J].IEEE Transactions on Neural Networks,2005,16(3):645-678.柴佳祺:200125,上海市浦东新区东方路3261号收稿日期:2019-09-18DOI:10.3963/j.issn.1000-8969.2019.05.014无人堆场陆侧集卡作业区域控制交互技术马㊀矜㊀孙滔然上海振华重工(集团)股份有限公司㊀㊀摘㊀要:针对自动化码头陆侧集卡作业区域效率及操作需求,通过增设作业区交互系统,实现集卡司机参与安全操作确认的新流程,优化了陆侧作业区交互流程,可减少远程操作司机介入的时间,提升自动化轨道吊整体作业效率㊂㊀㊀关键词:自动化集装箱码头;自动化堆场;陆侧集卡作业区Interactive Control Technology for Land-side TruckOperation Area of Unmanned YardMa Jin㊀Sun TaoranShanghai Zhenhua Heavy Industries Co.,Ltd.㊀㊀Abstract:Aiming at the efficiency and operation demand of land-side truck operation area of automated terminal, the new process of truck driver participating in the confirmation of safe operation can be realized by adding the interactive system of operation area.The interactive process of land-side operation area is optimized and the intervening time of remote operator is reduced.Therefore,the overall operation efficiency of automatic rail-mounted gantry crane can be improved.㊀㊀Key words:automated container terminal;automated yard;land-side truck operation area1㊀引言目前陆侧集卡操作流程中,需要远程司机安全确认后,才可进行手动抓放箱的操作㊂然而,随着自动化集装箱堆场的规模日益增大,远程操作司机与箱区的操作比例也日益提高,远程司机操作的陆侧65。
基于机器视觉的集装箱自动定位系统
集集装箱图片,利用图像处理技术对集装箱锁 孔 进 行 识 别 并 定 位。MATLAB 编 程 结 果 表 明,该 系 统 定 位
精度高,算法处理简单、效率高、适用性强,能够提升 码 头、港 口、货 场 等 地 的 机 械 自 动 化 水 平,提 升 吊 车 吊
运集装箱的效率。
关键词 集装箱;机器视觉;图像处理;数据库;自动定位系统
1 集装箱理论位置归档数据库
无论码头、港口 还 是 货 场 的 集 装 箱 都 是 成 排 成 列 摆 放,占地面积较大,而目前市面 上 的 工 业 相 机 视 野 范 围 有 限,直接采用工业相机进行扫 描 采 集 图 像 工 作 量 大、成 本 高。因此,首先了解所需要定位 的 集 装 箱 理 论 位 置,然 后 再采用机器视觉进行精确定位是可行的。
本文所设计的 集 装 箱 自 动 定 位 系 统,在 集 装 箱 入 库 时,采用 射 频 识 别 RFID 技 术 对 入 库 集 装 箱 进 行 识 别,将 识别出的箱号等 信 息 上 传 至 入 库 系 统,入 库 系 统 对 堆 场 数据库进行排查 找 出 空 位,集 装 箱 吊 具 将 该 入 库 集 装 箱 吊至空位上,同 时 将 该 集 装 箱 箱 号 及 理 论 位 置 保 存 至 堆 场数据库。同样 集 装 箱 出 库 时,出 库 系 统 查 找 该 集 装 箱 所在数据库中的 理 论 位 置,吊 具 到 达 理 论 位 置 上 方 后 采 用机器视觉进行精确定位,自 动 对 准 锁 孔 进 行 吊 取,同 时 数据库更新该出 库 信 息,删 除 该 集 装 箱 所 对 应 的 堆 场 数 据库位置信息。
计算机技术 自动化应用
基于机器视觉的集装箱自动定位系统
许彩云,周永升,田 歌
集装箱双定位技术研究
集装箱双定位技术研究
陈影;范毅军;李纪红;张淼;胡云朋;孙孟雯
【期刊名称】《价值工程》
【年(卷),期】2022(41)28
【摘要】集装箱运输的货物占铁路货物运输总量的35%,如何确保铁路集装箱安全高效的运输,一直是铁路工作的重中之重。
国内一些研究人员也提出了一些基于GPS智能集装箱的监控系统,采用卫星定位,但卫星定位受天气和位置的影响较大,当天气不佳的时候或者处于高架桥下信号会发生中断。
本文通过借鉴国内外对集装箱定位系统的研究理论和技术,并结合笔者对集装箱运输行业的调研,通过卫星定位与基站定位相结合,构建一个无盲区、不间断、实时的集装箱定位监控系统。
【总页数】3页(P75-77)
【作者】陈影;范毅军;李纪红;张淼;胡云朋;孙孟雯
【作者单位】陆军军事交通学院
【正文语种】中文
【中图分类】P228.1
【相关文献】
1.基于特征匹配的集装箱识别与定位技术研究
2.基于特征匹配的集装箱识别与定位技术研究
3.双视角集装箱检测系统可疑物体的精确定位
4.铁路集装箱定位数据转换关键技术研究
5.危险品集装箱GPS定位技术研究
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于双摄像机的集装箱水平位置校正方案
1总述
本方案主要通过双摄像机图像对比解决集装箱与车箱相对位置的校对问题，方案中摄像机与集装箱的中心位置相对固定，实际变化的是车箱位置。
2数据采集方案
集装箱装车时需要确定的主要是水平方向的位置，因此理想状态是从垂直方向拍摄整个场景的水平图，然而实际情况并不允许这样做。
一方面得到整个水平图需要无限高的摄像机位置或与场景相同大的摄像头孔径，这两个条件显然都无法达到。
另一方面，集装箱与车箱的尺寸很接近，从垂直方向看车箱很可能被完全遮挡。
因此，只能采用侧上斜拍的方式，根据吊装环境的实际情况，可供选择的拍摄点有吊车室和司机室上的三个位置，既图1中的P1、P2、P3。
其中P2，P3所拍摄到的图像中会包含司机室，为减少后续处理的复杂度，本文的研究主要采用P2、P3作为拍摄点.
图1摄像机的位置
3系统射影模型
由于车箱与集装箱相对摄像机的距离不相同，图像中直接观察到的位置关系并不等价于它们实际的位置关系。
成像过程实际上是从三维到二维的映射过程，为从图像中获得实际事物的位置关系,必须恢复这种映射。
从二维图像恢复到三维的映射是个困难的问题，通常还是病态的(ill-posed)问题，但集装箱的定位问题有一些有利条件使问题简化。
首先，集装箱与车箱的方向通常都是平行或接近平行的，因此在计算它们位置关系时通常只需要考虑它们在某一个截面上的位置关系，也就是说我们只需要考虑将一个面映射到一条线的关系。
其次，摄像机的高度是固定的，车箱高度也固定,因此可以事先确定摄像机到车箱的竖直高度H1。
同时，我们还可以得到吊具的宽度，从而可以从图像中的吊具宽度推算集装箱的宽度和位置等信息。
根据各种已知条件,我们可以抽象出如图2所示的门吊系统成像模型，其中F为摄像机的焦距。
图2门吊系统的射影模型
其中红色横线为成像线。
从实际双摄像机图像能直接得到的是现场的俯视图，如图3所示。
由于摄像机位置固定，集装箱中心（吊具中心）位置与照片两边的边距应始终相等（至少边距固定），因此可以考虑使用车箱的边距来估计车箱与集装箱的相对位置。
图3双摄像机俯视图
4车箱高度估计方案
从图2与图3可以看出，车箱的边距可以反映车箱与集装箱的距离，但这个边距还会受到车箱高度的影响，因此还需要估计车箱的高度。
可以采用车箱边距的和与差来联合估计车箱的高度。
虽然测得的边距除了车箱侧面外还有一部分水平地面，但地面部分的和是不变的，边距和随着车箱高度增加而增长。
当集装箱处理车箱中心位置时，车箱两侧边距相等，随着中心的偏移，一侧边距增大，另一侧则减小，而它们的和可以保持几乎不变或缓慢增长。
于是可以得到车箱高度的初步估计方法：)(c d d k H r l t -+='，其中l d 与r d 分别为车箱的左边距与右边距，c 为地面部分产生的边距和，k 为垂直距离与图像距离的比值（根据实测值确定）。
进一步考虑由中心偏移产生的边距和增长，可以得到车箱高度的精确估计方法： ))((min max r l r
l r l t d d D D S S c d d k H -----+= （I ） 其中max S 为测得的最大边距和，l D 与r D 为对应的左右边距，min S 最小边距和（两侧边距相等），max S 与min S 均采用车箱高度的中值进行测量。
补充说明：图3所示模型的中间部分必须以图像融合技术才能产生，不能用于车箱高度的估计。
5水平位置估计方案
定位的最终目的是要确定集装箱与车箱在水平方向的位置偏差，因此图像中车箱的水平位置估计是定位计算的关键。
在图2所示的模型中，只要计算车箱高度（得到H1）就能根
据L7计算出车箱的与图像两侧的水平距离，于是得到集装箱水平位置的最终计算公式：
)77()77(1r l t r l r l L L F
H H L L F H W W Dev --=-=
-=其中H 为摄像机距地面的高度。
6误差分析
此方案的误差来源主要有以下几方面，一是线性化过程，二是在公式（I ）中将水平距离的和视为常数，三是max S 与min S 的不精确性，四是图像处理中的数字化过程误差。
线性化过程误差是提将车箱侧边距和的增长看作是线性增长的，这一过程产生的误差需要实际试验才能获得，并且可以通过调整系数使误差尽量减少，因此可以先忽略这一误差。
将水平距离和视为常数所产生的误差主要是由拍摄角度不同而产生的，这个误差可以通过系统反馈进行逼近，即通过计算得到的角度来修正水平距离和，使误差逐步减小甚至消除。
max S 与min S 的不精确性仅表现在
（I ）式的第四项上，即使它的误差达到最大值（50cm ），通过与l D 与r D 相比，再与也r l d d -相乘，这个误差也会减小到5mm 之类。
最后是图像处理所产生的误差，由于图像处理中是使用像素为单位的，只要每毫米像素超过一个，则误差可以小于1 毫米。
综合来看，系统的总体误差完全可以小于10mm 。