[发明专利]一种基于计算机机器视觉的装配式建筑智能吊装方法

摘要

本发明属于建筑吊装技术领域，公开了一种基于计算机机器视觉的装配式建筑智能吊装方法，利用摄像头代替人眼从复杂的场景中分析得到最佳方案，能更好的规划预制件吊装的路径，大大提高了装配式建筑的吊装效率和准确性，实现装配式建筑吊装智能化；同时利用三维激光扫描技术高精度的特点获得预制构件、施工现场和施工塔吊的三维精确尺寸，保证了施工的高精度；最后，施工塔吊的操作人员利用获得的塔吊参数进行作业，且可以利用现场的监控装置直观的判断是否符合吊装路径，避免了传统吊装方法需要有人指挥的弊端以及为调整安装精度而进行反复吊装的不足。通过本发明可以提供吊装的准确性，提高吊装效率，缩短施工时间，减轻劳动力。

主权项

一种基于计算机机器视觉的装配式建筑智能吊装方法，其特征在于，所述基于计算机机器视觉的装配式建筑智能吊装方法包括以下步骤：步骤一，在装配式建筑智能吊装现场安装摄像头、三维扫描器采集图像、监控装置，使用计算机构建现场的机器视觉数据库；所述摄像头图像信息的脉冲耦合神经网络模型：Fij[n]＝Sij；Lij[n]=ΣabYab[n]/Nw;]]>Uij[n]＝Fij[n](1+βij[n]Lij[n])；Yij[n]=1,ifUij[n]>θij[n]0,otherwise;]]>θij[n]=θ0e-αθ(n-1);]]>其中，βij[n]为自适应链接强度系数；βij[n]=Σa,b∈w1|Sij-Sab|+Δ/Nw;]]>Sij、Fij[n]、Lij[n]、Uij[n]、θij[n]分别为输入图像信号、反馈输入、链接输入、内部活动项及动态阈值，Nw为所选待处理窗口W中的像素总数，Δ为调节系数，选取1～3；脉冲耦合神经网络模型对图像进行检测时，利用网络特性使灰度为Sijmax的像素点火激活，再进行第二次脉冲耦合神经网络迭代处理，把介于[Sijmax/1+βijLij,Sijmax]间的像素捕获激活，使两次激活的像素点对应的Yij输出为1；然后对原噪声污染图像反白处理，再对处理后的图像Sij按前述进行迭代处理，并使对应的输出Yij＝1，利用图像噪声像素与周围像素相关性小，灰度差别大特性，当一个神经元的激发没有引起所在区域附近大多数神经元的激发时，就说明该神经元对应像素可能是噪声点；初步甄别出Yij＝0对应的像素点为图像的信号点，予以保护；对Yij输出为1的像素点在3*3模板B范围内统计以输出Yij＝1为中心邻域元素值为1的个数NY判别归类：1≤NY≤8，为噪声点，当NY＝9，判定为图像像素点；图像自适应加权滤波器噪声滤波的实现方法；当脉冲输出Yij＝1且NY＝1～8，NY是当在3*3模板B中为1个数，选取滤波窗口M，对噪声污染图像fij的自适应滤波，滤波方程为：fij=Σr,s∈MxrsSrs;]]>式中，xrs是滤波窗口中对应像素的系数，Srs为滤波窗口中对应像素的灰度值，fij为滤波后对应窗口中心位置的输出值：xrs=1/{1+max[Ωij,|Srs-Dij|]}Σr,s∈M1/{1+max[Ωij,|Srs-Dij|]},Yrs=10,Yrs=0;]]>Ωij=Σr,s∈M|Srs-Dij|NY,Yrs=1;]]>式中Dij为方形滤波窗口M中像素灰度中值，Ωij滤波窗口各像素与中心灰度差绝对均值，max为求最大值符号；选取滤波窗口M选取大小为m*m的滤波窗口M，窗口大小的选取原则是：m=5,1≤NY≤57,6≤NY≤8;]]>双结构元素数学形态学第二级滤波的具体方法：残留脉冲噪声的图像为f，E为结构元素SE，则膨胀有如下关系式：f⊕E(x)=max(x-z)∈Fz∈G{f(x-z)+E(z)};]]>式中为膨胀运算符，F和G分别是F和E的定义域，x‑z为位移参数；上式膨胀关系是将与物体接触的所有背景点都合并到物体中，使边界向外部扩张的过程，填补物体中的洞孔；fΘE(x)=min(x+z)∈Fz∈G{f(x+z)-E(z)};]]>上式Θ为腐蚀运算符，腐蚀是消除边界点，边界向内部收缩，同时在腐蚀膨胀的基础上，再结合形态学的开闭运算：f·E=(f⊕E)ΘE;]]>步骤二，通过三维扫描器对多个预制构件进行三维激光扫描，对装配所述预制构件的施工现场进行三维激光扫描，对吊装所述预制构件的施工塔吊进行三维激光扫描；步骤三，在同一空间坐标系中，根据三维激光扫描获得的所述多个预制构件、施工现场以及施工塔吊的扫描数据分别建立所述多个预制构件、施工现场以及施工塔吊的三维模型；步骤四，根据计算机图像处理和决策模块进行图像和三维模型分析，找出装配式建筑的预制件最佳吊装路径；所述计算机图像处理的全差分重构算法具体包括：1)基于非局部均值正则项的全差分重构算法的基本模型表示为：minu||Du||1+α||ΨNLMu||0s.t.y=Au;]]>其中α为非局部均值正则项的权值，Du为图像的梯度，通过引入辅助变量Du＝w，u＝x，并利用增广拉格朗日方法可得：L(w,u,x)=||w||1-vT(Du-w)+β2||Du-w||22+α||θx||0-γT(u-x)+θ2||u-x||22+μ2||Au-y||22-λT(Au-yr);]]>其中α,β以及θ分别表示对应惩罚项的系数，v，γ以及λ表示相应的拉格朗日乘子，通过将其划分为对w，u，x三个子问题进行迭代求解；2)通过对u子问题的求解，以获取图像u的新的迭代重构值，具体模型可表示为：uk+1＝uk‑ηd；其中η＝abs(dTd/dTGd)表示最优步长，G＝(βDTD+θΙ+μATA)，Ι是单位矩阵，d＝DT(βDu‑v)‑γ+θ(u‑x)‑βDTw+AT(μ(Au‑y)‑λ)为梯度方向，k用于索引迭代次数，得到当前迭代结果uk+1后，送入到后续进程，用于判断迭代条件是否满足以及多假设处理等；步骤五，设备控制模块计算出具吊装所需数据，进而利用塔吊控制模块实现预制件吊装；步骤六，在最佳吊装路径上设置所述施工塔吊的初始悬臂转角、初始小车位置、初始吊索位置，根据所述施工塔吊的三维模型获得移动任一所述预制构件到目标位置需要设置的相对于初始悬臂转角的悬臂转角、相对于初始小车位置的小车行程以及相对于初始吊索位置的吊索下放长度；步骤七，吊装过程中，摄像头控制模块控制摄像头获取实时图像，并经图像处理和决策模块判断预制件是否符合设定预制件的最佳吊装路径，同时将结果通过无线通信模块传输至现场的监控装置；所述摄像头控制模块敏感器官的混合形变模型的集成方法包括如下步骤：1)为检测到不同尺度下的敏感器官，对敏感器官样本图像进行采样，得到不同分辨率的图像，组成图像金字塔；对图像金字塔中的每一层图像将其HoG特征和GMM特征相结合作为敏感器官的特征，用H表示对图像金字塔提取了HoG特征和GMM特征相结合后的特征金字塔；2)根据某种敏感器官的特定姿态训练可形变部件模型，可形变部件模型用β＝(F0,…,Fn,d1,…,dn,b)表示，其中，F0表示根滤波器，F1,…,Fn表示n个部件滤波器，di表示该形变模型的第i个部件滤波器相对根滤波器中“锚点”位置的形变代价，b表示模型的偏移量；可形变部件模型的隐含参数z＝(p0,…,pn)，p指示滤波器在塔形特征H上取特征时的位置信息，p＝(x,y,l)，表示滤波器在特征金字塔的第l层的(x,y)坐标位置上取特征；根据隐含参数z所指示的位置信息，可形变部件模型的各个滤波器在塔形特征H上取得的图像特征和形变代价组成向量ψ(H,z)：ψ(H,z)＝(φ(H,p0),…,φ(H,pn),‑φd(dx1,dy1),…,‑φd(dxn,dyn),1)式中，φ(H,p)表示在塔形特征H的p位置上的特征向量，φd(dxi,dyi)＝(dxi,dyi,dxi2,dyi2)衡量第i个部件滤波器与“锚点”位置之间的形变代价；3)由于色情图像中的敏感器官存在姿态多样性，所以针对每种敏感器官，根据其姿态的个数m，采用可形变部件模型训练方法训练该类敏感器官在一种姿态下的模型Mc，c＝1,…,m，然后将m个可形变部件模型集成起来组成混合形变模型M＝(M1,…,Mm)；步骤八，如果符合设定预制件的最佳吊装路径，现场的监控装置出OK的提示音，可以继续进行吊装工作，重复步骤，直至完成所有预制件的总体吊装；步骤九，如果吊装过程出现偏差，现场的监控模块发出NO的提示音，停止吊装工作，同时利用吊塔控制模块进行修正，重复步骤，直至完成所有预制件的总体吊装。