結(jié)合自適應(yīng)閾值與動(dòng)態(tài)ROI的地標(biāo)線檢測(cè)方法

尹震宇,尹 聰1,,張飛青1,,徐光遠(yuǎn)1,,徐福龍1,

1(中國(guó)科學(xué)院大學(xué),北京 100049)

2(中國(guó)科學(xué)院 沈陽計(jì)算技術(shù)研究所,沈陽 110168)

3(遼寧省國(guó)產(chǎn)基礎(chǔ)軟硬件工控平臺(tái)技術(shù)研究重點(diǎn)實(shí)驗(yàn)室,沈陽 110168)

0 引 言

車間自主巡檢機(jī)器人完成巡檢任務(wù)的基本前提是其能夠在車間中規(guī)定區(qū)域內(nèi)自主移動(dòng),這就必須具備自主導(dǎo)航定位的能力.傳統(tǒng)的室內(nèi)導(dǎo)航定位技術(shù)包括磁感應(yīng)導(dǎo)航、標(biāo)識(shí)碼定位、射頻識(shí)別定位以及紅外線定位等[1],這些方法的靈活性較差,一旦車間布局發(fā)生變化,就需要耗費(fèi)一定的人力和物力對(duì)其進(jìn)行維護(hù).而視覺導(dǎo)航主要通過攝像頭獲取外部環(huán)境信息,并利用車間環(huán)境中某些人工特征進(jìn)行識(shí)別來完成導(dǎo)航任務(wù),具有自主性強(qiáng)、可靠性高、響應(yīng)速度快等優(yōu)點(diǎn)[2].近年來,隨著視覺傳感器、嵌入式等技術(shù)的快速發(fā)展,視覺導(dǎo)航已廣泛應(yīng)用于工業(yè)生產(chǎn)、倉(cāng)儲(chǔ)物流和港口碼頭等領(lǐng)域.

在實(shí)際的車間中,受室內(nèi)環(huán)境的限制,一般采用人工特征來輔助機(jī)器人完成視覺導(dǎo)航任務(wù).為了盡可能減少對(duì)環(huán)境的改造,可以利用現(xiàn)成的通道地標(biāo)線作為特征進(jìn)行檢測(cè)和識(shí)別.車間中的通道地標(biāo)線通常具有高度結(jié)構(gòu)化和顏色標(biāo)準(zhǔn)化的特點(diǎn),其中5s現(xiàn)場(chǎng)管理規(guī)范中規(guī)定作業(yè)通道必須采用“黃線綠底”[3]進(jìn)行標(biāo)識(shí),這為基于視覺信息的導(dǎo)航方式提供了極大便利.然而在不同的車間中,黃色地標(biāo)線的磨損程度不同,顏色閾值也千差萬別,即使是在同一個(gè)車間中,隨著光照變化、地面積水以及油漬粉塵污染等因素的影響,相鄰幀之間的地標(biāo)線閾值也會(huì)有略微的差異,容易造成地標(biāo)線分割不完整或分割混亂的情況.因此,本文提出了一種基于自適應(yīng)顏色閾值分割與動(dòng)態(tài)感興趣區(qū)域(regionofinterest,ROI)劃分相結(jié)合的地標(biāo)線檢測(cè)方法(AdaptiveThresholds-DynamicROI,AT-DROI),用來檢測(cè)生產(chǎn)車間中的地標(biāo)線.本文的主要工作內(nèi)容總結(jié)如下:1)提出了一種基于HSV顏色空間的閾值自適應(yīng)地標(biāo)線檢測(cè)方法(AdaptiveThresholds,AT),最大限度保證地標(biāo)線提取的完整性;2)提出了一種動(dòng)態(tài)感興趣區(qū)域劃分方法(DynamicROI,DROI),盡可能去除圖像中的干擾信息;3)最后在自采集的3組干擾類型不同的實(shí)際車間場(chǎng)景視頻序列上進(jìn)行了大量對(duì)比實(shí)驗(yàn),經(jīng)實(shí)驗(yàn)驗(yàn)證,本文提出的算法對(duì)存在地面倒影、地面積水、光照不均、障礙物遮擋以及油漬粉塵污染等因素影響的復(fù)雜場(chǎng)景仍然具有較高魯棒性.

1 相關(guān)工作

目前,主流的車道線檢測(cè)算法主要包括3類:基于模型的方法、基于特征的方法以及基于深度學(xué)習(xí)的方法[4],車道線檢測(cè)的一般步驟如圖1所示.

圖1 車道線檢測(cè)的一般步驟Fig.1 General steps for lane line detection

基于模型的檢測(cè)方法是利用了結(jié)構(gòu)化道路具有幾何特征較為顯著的特點(diǎn),通過建立相應(yīng)的車道線模型,確定模型參數(shù),從而識(shí)別出車道線[5].樊超等人[6]為了解決惡劣天氣以及光線變化強(qiáng)烈等復(fù)雜路況下車道線檢測(cè)效果較差的問題,提出了一種采用核Fisher線性判別分析灰度變換以及混沌粒子群的車道線檢測(cè)算法;洪偉等人[7]為了提高車道線檢測(cè)的實(shí)時(shí)性和魯棒性,利用基于拋物線模型的隨機(jī)采樣一致性擬合方法來完成車道線的提取,并對(duì)不同的干擾因素進(jìn)行相應(yīng)的優(yōu)化域調(diào)整,實(shí)現(xiàn)了車道線的魯棒提取;Wang等人[8]在DBSCAN聚類算法以及改進(jìn)的RANSAC算法的基礎(chǔ)之上提出了一種快速車道線檢測(cè)方法,并取得了良好的檢測(cè)效果,同樣提高了車道線檢測(cè)的實(shí)時(shí)性和魯棒性.

基于特征的檢測(cè)方法利用車道線形狀、紋理以及顏色等方面與背景之間存在較大差異的特點(diǎn),將車道線從圖像中提取出來[9].李超等人[10]提出了一種幀間關(guān)聯(lián)的車道線檢測(cè)方法,利用改進(jìn)的自適應(yīng)閾值邊緣檢測(cè)算法,提取出車道線特征,然而由于實(shí)際車間中機(jī)械設(shè)備眾多,生產(chǎn)現(xiàn)場(chǎng)混亂,用該算法提取出的邊緣特征圖像中包含了大量的干擾信息,導(dǎo)致算法的誤檢率較高;劉雁斌等人[11]提出了一種特征結(jié)合的多閾值車道線檢測(cè)方法,分別結(jié)合車道線邊緣特征和顏色特征進(jìn)行特征提取,然而由于感興趣區(qū)域的選取是固定的,無法動(dòng)態(tài)地適應(yīng)環(huán)境的變化,導(dǎo)致算法檢測(cè)效果較差;魚兆偉等人[12]提出了一種基于動(dòng)態(tài)感興趣區(qū)域的車道線檢測(cè)算法,通過消失點(diǎn)檢測(cè)來建立動(dòng)態(tài)感興趣區(qū)域,然后利用顏色特征來提取車道線信息,將該算法用于車間地標(biāo)線檢測(cè)時(shí),由于車間中作業(yè)通道狹窄,在圖像兩側(cè)的非車道區(qū)域中仍然有大量的干擾信息堆積.

基于深度學(xué)習(xí)的檢測(cè)方法是通過搭建人工神經(jīng)網(wǎng)絡(luò),并利用海量數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)的檢測(cè)方法,能夠自主學(xué)習(xí)并獲取特征,對(duì)復(fù)雜環(huán)境有很好的魯棒性,但往往需要復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)模型和訓(xùn)練模型標(biāo)記大量的數(shù)據(jù),對(duì)運(yùn)行的硬件設(shè)備要求較高,開發(fā)和運(yùn)行的成本也都偏高[13].Qin等人[14]提出了基于結(jié)構(gòu)感知的車道線檢測(cè)算法UFLD,通過對(duì)原始圖像進(jìn)行分塊處理,將車道線檢測(cè)轉(zhuǎn)變成為預(yù)測(cè)車道線在每一塊上的位置問題,大大降低了計(jì)算復(fù)雜性,提高了檢測(cè)速度.

上述檢測(cè)方法通常用于公路車道線檢測(cè),對(duì)車間中的地標(biāo)線檢測(cè)效果并不理想.與公路車道線相比,車間中的地標(biāo)線雖然更具有高度結(jié)構(gòu)化的特點(diǎn),但是由于機(jī)械設(shè)備眾多、生產(chǎn)現(xiàn)場(chǎng)混亂以及作業(yè)通道狹窄等原因,圖像的中下部分往往會(huì)包含更多的非路面信息;另外由于車間中通常采用環(huán)氧樹脂地板,因此地面倒影和反光也較為嚴(yán)重;在老舊車間中通常還存在地面積水、光照不均、油漬粉塵污染以及因年久失修而磨損嚴(yán)重的情況,導(dǎo)致地標(biāo)線檢測(cè)的誤檢和漏檢率較高.針對(duì)上述問題,本文提出了一種基于自適應(yīng)閾值分割與動(dòng)態(tài)ROI劃分的車間地標(biāo)線檢測(cè)方法,該方法以分塊圖像為基礎(chǔ),按照特定特征對(duì)圖像進(jìn)行搜索,并剔除其中的離群噪聲點(diǎn).為了最大限度地提取出地標(biāo)線信息,將環(huán)境因子與采樣點(diǎn)相結(jié)合計(jì)算出特征顏色的雙門限閾值,從而完成特征區(qū)域的初步分割.然后利用粗細(xì)粒度掩膜抑制特征圖像中的干擾信息,最終提取出地標(biāo)線特征.

2 本文算法研究

針對(duì)在地面倒影、地面反光、光照不均、障礙物遮擋以及油漬粉塵污染等復(fù)雜車間場(chǎng)景下,車間地標(biāo)線檢測(cè)誤檢率、漏檢率高的問題,本文提出了一種基于自適應(yīng)閾值分割與動(dòng)態(tài)ROI劃分的車間地標(biāo)線檢測(cè)方法AT-DROI,首先采用改進(jìn)的自適應(yīng)雙閾值分割算法,盡可能完整地提取出地標(biāo)線特征,然后利用改進(jìn)的動(dòng)態(tài)ROI劃分算法來盡可能抑制特征圖像中的干擾信息,以此達(dá)到降低誤檢率和漏檢率的效果.

2.1 改進(jìn)的自適應(yīng)雙閾值分割

顏色閾值分割作為一種簡(jiǎn)單實(shí)用圖像分割技術(shù),因其邏輯簡(jiǎn)單、易于實(shí)現(xiàn)和分割效果良好等特點(diǎn),而廣泛應(yīng)用于醫(yī)學(xué)圖像分析、自動(dòng)駕駛以及工件缺陷檢測(cè)等領(lǐng)域,但如何確定最佳閾值以達(dá)到最優(yōu)分割一直都是其中的難點(diǎn)問題[15].

一些經(jīng)典的方法包括大津法、最大熵法以及迭代閾值法等在前景和背景之間顏色差異較大的情況下雖然也能取得較好的分割效果,但其大都是在灰度圖像的單通道中進(jìn)行分割[16],無法充分利用圖像的顏色特征,而且抗干擾能力差,無法在復(fù)雜的實(shí)際車間中投入使用.針對(duì)這一問題,一些學(xué)者提出了基于HSV的顏色閾值分割、基于HSV彩色空間與改進(jìn)OTSU的圖像分割[17]、結(jié)合HSV和RGB兩個(gè)顏色空間進(jìn)行圖像分割[18]以及基于HSV色彩模型與區(qū)域生長(zhǎng)等圖像分割方法[19],雖然這些算法能夠在特定的研究背景下取得不錯(cuò)的分割效果,但因?yàn)殚撝档倪x取比較固定,在環(huán)境較為復(fù)雜的動(dòng)態(tài)背景下容易出現(xiàn)分割不完整或分割混亂的現(xiàn)象,無法穩(wěn)定地完成分割任務(wù).針對(duì)上述存在的問題,本文提出了一種基于HSV顏色空間的閾值自適應(yīng)地標(biāo)線檢測(cè)方法AT,如表1算法1所示,根據(jù)車間地標(biāo)線的磨損和受污染程度進(jìn)行動(dòng)態(tài)的閾值分割,以保證最大限度地提取出地標(biāo)線信息,減少算法的漏檢率.算法的示意圖如圖2所示.

表1 AT算法偽代碼Table 1 Pseudo code of AT

圖2 自適應(yīng)雙閾值分割示意圖Fig.2 Adaptive double threshold segmentation

步驟1.由于HSV顏色模式更適合用來從圖像中分割出指定顏色,因此按照公式將原始RGB圖像轉(zhuǎn)換到HSV顏色空間,同時(shí)按照公式(1)將原始RGB圖像轉(zhuǎn)換為灰度圖像.

Gray(x,y)=0.5R(x,y)+0.5G(x,y)+0B(x,y)

(1)

其中Gray(x,y)為灰度圖像像素值,R(x,y)、G(x,y)和B(x,y)分別是紅、黃和藍(lán)三通道中的像素值.

步驟2.由于地標(biāo)線通常位于圖像的中下部,因此把圖像從中部到底部分割成若干個(gè)互不重疊大小為m×n的子塊.其中n取圖像的寬度,m一般取8～16.子塊的數(shù)量直接影響特征提取的效果,數(shù)量越多,越能描述地標(biāo)線的細(xì)節(jié)信息,所提取出來的地標(biāo)線特征越明顯,但干擾信息相應(yīng)地也會(huì)增加.

步驟3.為了能夠自適應(yīng)地提取出圖像中的黃色地標(biāo)線,需要對(duì)地標(biāo)線的顏色進(jìn)行采樣,以確定地標(biāo)線的顏色范圍.在RGB顏色空間中,黃色具有關(guān)系:R分量≈G分量>>B分量,因此對(duì)每一個(gè)圖像子塊采樣其中具有最大η值的像素點(diǎn)HSV分量:

η=(R+G-B)

(2)

步驟4.由于障礙物遮擋、地標(biāo)線磨損等因素的影響,圖像中的地標(biāo)線并非是連續(xù)不斷的,因此在某些子塊中就可能不存在地標(biāo)線,或者是車間中還存在其他黃色非地標(biāo)線物體,這樣在采樣地標(biāo)線的HSV分量時(shí)就可能會(huì)發(fā)生誤采樣,因此采用公式(3)對(duì)誤采樣得到的離群點(diǎn)進(jìn)行剔除:

(3)

其中,Hmean為采樣點(diǎn)的H分量均值,Hvar為采樣點(diǎn)的H分量方差;Smean為采樣點(diǎn)的S分量均值,Svar為采樣點(diǎn)的S分量方差;Vmean為采樣點(diǎn)的V分量均值,Vvar為采樣點(diǎn)的V分量方差.只有同時(shí)滿足上面3個(gè)條件的像素點(diǎn)才會(huì)被保留,其他像素點(diǎn)作為離群值被剔除.

步驟5.經(jīng)過離群值剔除后,可以認(rèn)為保留的采樣點(diǎn)是相應(yīng)子塊中最具代表性的地標(biāo)線像素點(diǎn).在實(shí)際的車間環(huán)境中,地標(biāo)線的顏色閾值的區(qū)間大小會(huì)隨著地標(biāo)線的陳舊程度變化,因此引入環(huán)境因子k來描述閾值區(qū)間的大小,k的取值范圍為0.2～0.7,對(duì)于比較陳舊的地標(biāo)線,k取較大值,對(duì)于比較整潔的地標(biāo)線,k取較小值.地標(biāo)線的閾值范圍見公式(4):

(4)

其中,Hmax為保留的采樣點(diǎn)中H分量的最大值,Hmin、Smin、Vmin分別為保留的采樣點(diǎn)中H分量、S分量、V分量的最小值.因此下門限閾值為[Hlower,Slower,Vlower],上門限閾值為[Hupper,Supper,Vupper].令HSV圖像中在上下門限閾值內(nèi)的像素值置1,不在上下門限閾值內(nèi)的像素值置0,得到掩膜圖像.

步驟6.將灰度圖像與掩膜圖像做與運(yùn)算,最終得到分割出來的地標(biāo)線特征圖像,分割效果如圖3所示.

圖3 閾值分割實(shí)驗(yàn)效果Fig.3 Threshold segmentation of experimental effects

2.2 改進(jìn)的動(dòng)態(tài)ROI區(qū)域劃分

攝像頭所采集的圖像中通常存在著大量與車道線無關(guān)的區(qū)域或者有效信息極少的部分,如果直接在原圖上進(jìn)行數(shù)據(jù)處理,不僅會(huì)降低算法的執(zhí)行效率,還容易對(duì)車道線的提取造成干擾,導(dǎo)致誤檢的發(fā)生,所以有必要在原圖之上建立一個(gè)ROI區(qū)域.

在對(duì)公路車道線進(jìn)行檢測(cè)的相關(guān)研究中,一般認(rèn)為車載攝像頭采集到的圖像中所包含的非路面信息主要有天空、樹木以及建筑物等,而這些干擾信息主要分布于圖像的中部或者上部區(qū)域,圖像下部區(qū)域所含有的干擾信息較少,所以傳統(tǒng)方法一般直接截取圖像的下半部分作為ROI區(qū)域,并在此基礎(chǔ)上進(jìn)行相關(guān)的數(shù)據(jù)處理[20].這種處理方式在道路寬敞、路面環(huán)境簡(jiǎn)單的場(chǎng)景下能夠取得較好的效果.

與公路上的車道線檢測(cè)相比,車間中的地標(biāo)線雖然更具有高度結(jié)構(gòu)化的特點(diǎn),但是由于機(jī)械設(shè)備眾多、生產(chǎn)現(xiàn)場(chǎng)混亂以及作業(yè)通道狹窄等原因,圖像的中下部分往往會(huì)包含更多的非路面信息.如果只是簡(jiǎn)單地選取圖像中下部分作為ROI區(qū)域,會(huì)因?yàn)檫^多的干擾信息的存在而導(dǎo)致誤檢的發(fā)生,無法穩(wěn)定地提取出地標(biāo)線信息.針對(duì)上述存在的問題,本文提出了一種動(dòng)態(tài)ROI區(qū)域劃分方法DROI,如表2算法2所示,通過對(duì)行灰度值以及列灰度值進(jìn)行統(tǒng)計(jì)來動(dòng)態(tài)地建立粗細(xì)粒度掩膜,在保留圖像中地標(biāo)線信息的基礎(chǔ)上,盡可能地去除圖像中的干擾信息.算法的示意圖如圖4所示.

表2 DROI算法偽代碼Table 2 Pseudo code of DROI

圖4 動(dòng)態(tài)ROI劃分示意圖Fig.4 Dynamic ROI partitioning

步驟1.計(jì)算整個(gè)地標(biāo)線特征圖像的灰度均值.

步驟2.觀察地標(biāo)線特征圖像可以發(fā)現(xiàn),地標(biāo)線主要集中于圖像的中下部區(qū)域,上部區(qū)域含有的有效信息較少,因此可以在上部區(qū)域建立粗粒度掩膜矩陣.首先提取出各行的灰度均值,然后從第1行每隔3行采樣一次,如果從第G行之后的連續(xù)20個(gè)采樣點(diǎn)均滿足公式(5):

(5)

其中,k為環(huán)境因子,Mw為整個(gè)地標(biāo)線特征圖像的灰度均值,Mr為某一行的灰度均值.得到行號(hào)G如果在圖像的前1/4區(qū)域內(nèi),則從把第G行到圖像底部劃定為ROI區(qū)域,否則規(guī)定圖像后3/4區(qū)域?yàn)镽OI區(qū)域,這樣就得到了粗粒度掩膜矩陣.

步驟3.經(jīng)過粗粒度ROI區(qū)域劃分,去除了位于圖像頂部區(qū)域的干擾信息,但觀察發(fā)現(xiàn)在圖像中下部?jī)蓚?cè)區(qū)域仍然存在大量干擾信息,這就需要建立細(xì)粒度ROI區(qū)域來去除.首先對(duì)特征圖像矩陣左乘非零元素全為1的上三角矩陣,得到一個(gè)自底向上逐層累加矩陣.計(jì)算公式如式(6)所示:

(6)

其中,Im×n為含有干擾信息的地標(biāo)線特征圖像,Am×n為得到的逐層累加矩陣.然后利用公式(7)來計(jì)算區(qū)域劃分門限閾值T:

(7)

其中,Mw為整個(gè)地標(biāo)線特征圖像的灰度均值,Irows為特征圖像的行數(shù).令逐層累加矩陣A中小于等于區(qū)域劃分門限閾值T的像素點(diǎn)置為非零值,大于T的像素點(diǎn)置為零值就得到了細(xì)粒度掩膜矩陣.

步驟4.將粗粒度掩膜矩陣與細(xì)粒度掩膜矩陣合并,并與包含干擾信息的地標(biāo)線特征圖像做與運(yùn)算,最終得到所提取的地標(biāo)線特征圖像,提取效果如圖5所示.

圖5 動(dòng)態(tài)ROI劃分實(shí)驗(yàn)效果Fig.5 Dynamic ROI division of experimental effects

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證本文所提出的地標(biāo)線檢測(cè)方法的性能和實(shí)際應(yīng)用價(jià)值,選取了采集自實(shí)際加工車間的3組干擾類型不同的視頻序列,其中video1視頻序列的采集時(shí)間為中午12點(diǎn)左右,此時(shí)室內(nèi)具有較強(qiáng)的環(huán)境光,導(dǎo)致地面倒影、地面反光等問題較為突出;video2和video3視頻序列采集時(shí)間為早上9點(diǎn)左右,由于沒有打開燈光照明,所以光線較為昏暗,另外,video2序列中還存在較為嚴(yán)重的地標(biāo)線遮擋、陰影等問題;video3序列中存在嚴(yán)重的油漬粉塵污染和地面積水等問題.

在實(shí)驗(yàn)過程中,由于視頻序列相鄰幀之間具有極高的相似性,因此每隔6幀提取一幅圖像,每組共提取出100幀圖像,并將圖像分辨率統(tǒng)一為640×480進(jìn)行實(shí)驗(yàn).實(shí)驗(yàn)所用的軟硬件配置如表3所示.

表3 實(shí)驗(yàn)中的軟/硬件配置Table 3 Software/hardware configuration in the experiment

3.2 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)采用準(zhǔn)確率(Acc)、假陽性(FP)、假陰性(FN)3種指標(biāo)來對(duì)算法的檢測(cè)效果進(jìn)行定量評(píng)估[21].實(shí)驗(yàn)的目標(biāo)是獲得較高的準(zhǔn)確率的同時(shí)保證假陽性和假陰性處于較低的水平,較高的假陽性和假陰性會(huì)對(duì)巡檢機(jī)器人的自主導(dǎo)引造成誤導(dǎo).準(zhǔn)確率是指標(biāo)注圖像中的地標(biāo)線像素點(diǎn)被擬合圖像正確擬合的占比,用公式(8)表示:

(8)

其中,Ci是指標(biāo)簽圖像中的地標(biāo)線中心像素點(diǎn)被擬合圖像正確預(yù)測(cè)的數(shù)量,Si是指標(biāo)簽圖像中真正的地標(biāo)線中心像素點(diǎn)數(shù).中心像素點(diǎn)被正確擬合與否是指擬合圖像和標(biāo)注圖像在同一Y軸高度的地標(biāo)線中心像素點(diǎn)之間的水平距離是否超過一定閾值,如果在閾值之內(nèi)可以認(rèn)為該行地標(biāo)線中心點(diǎn)擬合正確,否則擬合錯(cuò)誤,本實(shí)驗(yàn)設(shè)定閾值為標(biāo)簽圖像中相應(yīng)高度的地標(biāo)線寬度.假陽性是指擬合圖像中擬合錯(cuò)誤的地標(biāo)線中心像素點(diǎn)在擬合圖像中所有地標(biāo)線中心像素點(diǎn)的占比,用公式(9)表示:

(9)

其中,Fpred是指擬合圖像中擬合錯(cuò)誤的地標(biāo)線中心像素點(diǎn)數(shù)量,Apred是指擬合圖像中所有地標(biāo)線中心像素點(diǎn)數(shù)量.假陰性是指標(biāo)注圖像中未被正確擬合的地標(biāo)線中心像素點(diǎn)在標(biāo)注圖像中所有地標(biāo)線中心像素點(diǎn)的占比,用公式(10)表示:

(10)

其中,Tmark是指標(biāo)注圖像中擬合正確的地標(biāo)線中心像素點(diǎn)數(shù)量,Amark是指標(biāo)注圖像中所有地標(biāo)線中心像素點(diǎn)數(shù)量.

3.3 實(shí)驗(yàn)結(jié)果定量分析

為了定量地分析本文算法對(duì)車間中通道地標(biāo)線檢測(cè)的實(shí)時(shí)性和魯棒性,本文選取了前文介紹的準(zhǔn)確率(Acc)、假陽性(FP)和假陰性(FN)3種指標(biāo)以及算法的處理速度(FPS)來衡量算法的檢測(cè)效果.通過在自采集的3組實(shí)際車間視頻序列上進(jìn)行了大量的實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表4所示.

表4 基于評(píng)價(jià)指標(biāo)的實(shí)驗(yàn)結(jié)果Table 4 Experimental results based on evaluation indicators

結(jié)果表明,本文算法能夠滿足實(shí)際工作中對(duì)準(zhǔn)確率和實(shí)時(shí)性的要求,而且在存在地面倒影、地面反光、光照不均、障礙物遮擋以及油漬粉塵污染等復(fù)雜場(chǎng)景下均能取得較好的檢測(cè)效果,說明算法具有較好的泛化能力.如圖6所示為本文算法在不同干擾因素下的地標(biāo)線檢測(cè)效果.

圖6 在不同干擾因素下的地標(biāo)線檢測(cè)實(shí)驗(yàn)效果Fig.6 Effect of landmark lines under different interference factors is detected

為了對(duì)比本文算法的檢測(cè)效果和性能,將本文算法與文獻(xiàn)[10]、文獻(xiàn)[11]和文獻(xiàn)[12]在video3序列上進(jìn)行對(duì)比試驗(yàn),實(shí)驗(yàn)結(jié)果如表5所示.

表5 不同算法在video3序列上的對(duì)比結(jié)果Table 5 Results of different algorithms on video3 sequences

由對(duì)比試驗(yàn)可知,本文算法不僅能夠降低算法的誤檢率和漏檢率,在算法的處理速度上也具有一定的優(yōu)勢(shì),對(duì)車間中的地標(biāo)線具有較好的檢測(cè)效果.

4 總 結(jié)

本文針對(duì)車間中常見的地面倒影、地面積水、光照不均、障礙物遮擋以及油漬粉塵污染等環(huán)境因素的影響導(dǎo)致對(duì)地標(biāo)線進(jìn)行檢測(cè)時(shí)的誤檢和漏檢率高的問題,提出了一種基于自適應(yīng)閾值分割與動(dòng)態(tài)ROI劃分的車間地標(biāo)線檢測(cè)方法AT-DROI,并重點(diǎn)介紹了改進(jìn)的自適應(yīng)閾值分割以及改進(jìn)的動(dòng)態(tài)ROI劃分算法的實(shí)現(xiàn)過程.通過對(duì)比試驗(yàn),相比于文獻(xiàn)[10]、文獻(xiàn)[11]以及文獻(xiàn)[12],本文算法的準(zhǔn)確率平均提高了4.7%,FP值降低了53.3%,FN值降低了44.5%,算法的運(yùn)行速度平均提升了8.7%.另外本文算法在地面倒影、地面反光、光照不均、障礙物遮擋以及油漬粉塵污染等復(fù)雜車間場(chǎng)景下仍然具有較好的實(shí)時(shí)性和魯棒性,可應(yīng)用于生產(chǎn)車間中的無軌巡檢機(jī)器人自主導(dǎo)航系統(tǒng),具有一定的實(shí)際應(yīng)用價(jià)值.