罗 睿

（湖北特种设备检验检测研究院孝感分院，湖北孝感 432000）

机器视觉是指用机器来代替人眼进行测量，做出判断。机器视觉系统是指根据像素分布、亮度、颜色等信息将捕获的物体转换为图像信号，转发给中央图像处理系统并转换为数字信号的图像处理产品（即分为CCD 和CMOS 的图像摄取设备）系。统对这些信号执行各种操作，以提取目标的特征，然后根据检测结果检查现场设备的动作。近年来，国内一些高校、科研院所和企业在图像与机器视觉技术领域开展了大胆的尝试，并且将其应用到了工业领域中。业内专家一致认为，机器视觉的发展将进一步推动中国工业从“自动化”走向“智能化”。有专家对于电梯智能化的描述如下：“电梯智能化是指将现有电梯控制系统与人工智能、计算机技术、先进通信技术等技术有机结合，利用系统集成方法，有效提高电梯调解效率，减少等待时间，降低电梯能耗”[1]。

1 电梯超载检测方法设计

文章基于传统电梯超载方法进行新型超载检测方法的优化设计，提出了基于机器视觉的电梯过载检测。该方法的检测原理为：乘客进入电梯后，通过重力超载检测方法，利用电梯压力传感对于重量进行检测，了解是否超载。图像单元被配置为获取电梯内的图像，并对其进行处理，判断电梯内是否存在电动车；如果重量超载，则轿厢内的报警系统启动；如果未超载，电梯门关闭；下个乘客进入电梯后重新评估重量，当重量达到上限时，不会在下一个目标地停止，选择继续运行。而重量未达上限的情况下，对于电梯轿厢的空间占用率进行检测，通过空间超载检测方法检测空间是否超过满载值；同时如果电梯内存在电动车，控制单元控制电梯停止运行。如果超过满负荷值，则不会停止下一个目标楼层；否则，电梯将像往常一样停止[2]。文章对于轿厢内的图像进行处理，计算人与物体的垂直投影平面与整个电梯轿厢地板面的比值，作为电梯轿厢的占用率。

2 图像处理

基于机器视觉技术在电梯检测中的应用，电梯内的图像处理可以分为几方面：①图像采集。通过CCD 相机采集电梯内的图像。②图像预处理。降低噪声干燥对于图像的影响；③背景建模。采用最大类间方差法（OTSU 算法）对于图像背景进行分离，成为前景和背景，提取目标的区域特征；④形态学处理。因为提取的目标图像存在污染，所以通过形态学处理消除了环境因素引起的背景噪声，填补了前景物体表面材料造成的空洞。在不改变图像形状的情况下，消除了影响区域统计的因素。⑤过载检测与电动车检测。通过计算图像中前景区域的比例，获得空间利用率，从而为评估电梯过载以及电梯内是否存在电动车提供依据[3]。图像采集位置如图1所示。

图1 相机安装位置示意图

2.1 中值滤波

当相机拍摄到电梯轿厢中的原始图像之后，因为工作环境、传感器过热等因素，图像内存在大量噪声，从而导致图像质量不够稳定，特征模糊，对于图像分析结果产生严重影响。基于此，需对原始图像进行预处理，将图像中的噪声消除。而噪声去除方法主要有非线性滤波和线性滤波方法。其中，非线性滤波包括中值滤波法、双边滤波法等；线性滤波则包括均值滤波、高斯滤波等[4]。当电梯内的摄像头端和外部控制端在电梯中接地时，因为存在接地电阻和电缆皮电阻，所以存在电位差，导致图像中存在噪声。当使用线性滤波处理噪声时，会引发更多干扰，并对像素值计算造成影响。但在中值滤波中，噪声点的值会被该点附近各点的中值取代。因此，其可以降低噪声点产生的影响，特别是对于椒盐噪声。此外，与线性滤波相比，媒体滤波可以保护信号的边缘，并在减少噪声的同时减少模糊效果。中值滤波器是“绝对误差最小”准则下的最优滤波。利用中值滤波来对图像进行预处理，对于图像中的每一个点和8个相邻的像素点作为滑动窗口，3×3窗口中的像素排序，将中值赋值给窗口中心，去除孤立噪声点。

2.2 背景建模

为了准确提取电梯中物体的表面特征，采用最大类间方差法对背景图像进行分离。对于前景和背景分割，阈值分割是一种常见的分割方法，阈值的选择尤为关键。阈值分割的一般方法是通过建立目标函数的最大值来确定阈值。然而，电梯内部环境复杂，阈值确定方法缺乏自适应性，导致噪声过大。虽然最大类间方差法使用最小二乘法，但它通过设置图像的灰度阈值来确定图像像素的特征属性是否可以连续达到阈值。在此基础上，将每个像素划分为前景或背景区域，然后生成二值图像。在分割过程中，在前景或背景区域分割像素，以减少图像两部分之间的差异。只选取类间最大偏差作为阈值，分割后的分类错误概率最小，阈值最好。

2.3 改良形态学处理

阈值分割之后所提取的二值图像具有一定噪声，对于后续检测存在不利。噪声有两个来源：一个是背景区域中阴影引起的小连通区域，另一个是图像阈值分割后由对象表面材质的颜色等因素引起的前景中的空洞。中值滤波等方法主要用来处理灰度图像以及彩色图像的噪声。形态学方法可以用以二值图像的噪声处理。传统的形态学方法是基于数量代数理论，将膨胀法、腐蚀法和开放法相结合，提取图像中的形状属性。然而，传统的形态学方法对于二值图像去噪的效果不佳。该方法对小噪声有很好的效果，但对大噪声（如大邻域、大孔洞）有负面影响，导致统计结果出现偏差。此外，具有不同降噪效果的图像需要不同的腐蚀和膨胀过程，工作流程也不同，增加了系统操作的复杂性。因此，文中采用一种改进的形态学方法对于二值图像的噪声问题进行处理。两种类型的图像噪声处理分为去除小的连续区域和填充局部空洞。

2.4 图像处理实验

对于文章提出的图像处理方法进行仿真，基于vc++14.0开发平台、opencv 计算机视觉库进行，然后验证电梯环境的算法效果。通过OTSU 算法预分离图像背景，对提取的前景图像进行形态学处理，填充孔洞，去除离散点。经过改进之后的图像能够将离散点去除，并且不会对图像的整体效果造成影响。对于前景区域与总图像区域的比率进行计算，可以得到空间占用率，同时基于电梯空间的满载阈值来评估过载。测试中测得的空间占用率见表1，即电梯空间占用率为359.399%。如果采用传统的形态学方法来进行图像处理，则无法有效地填充图像空洞并去除离散点，导致计算所得空间占有率存在偏差，甚至影响电梯空间超载的判断。

表1 空间占有率计算

3 仿真实验

3.1 实验背景

某一电梯层高共6层，对于该电梯的运行开展仿真实验。表2为电梯的参数设置。

表2 电梯的参数设置

假设该环境一共有6层，每层层高为3 m，相邻楼层的电梯运行为2 s；加速度为1 m/s2，电梯停靠加速（或减速）时间为2 s，加速（或减速）过程中运行2 m。

3.2 模拟实验

对电梯的运行进行了模拟和测试。假设如下：①在二、三、四、五层共有四位目标乘客等待乘坐电梯，其目标楼层均为一楼。②在六楼，两名清洁工推着一辆清洁车。进入电梯轿厢之后，重量上限未达到，但无多余空间。③假设每一位乘客重量均为75 kg，行李重量相等，即10 kg，并占据一定位置。根据电梯的装载限制，理论上仅可以同时运送15名乘客。④由于空间有限，携带行李的乘客只能搭载8位。⑤假设每位乘客上下电梯所需时间为2s，酒店清洁工上下电梯所需时间为6s。⑥电梯起始楼层为第六层。

根据上述假设，通过C++图形用户界面开发框架QT 来设计电梯运行的仿真模型。而为了进一步简化模型，仅计算电梯搭载乘客向下运行的时间。

仿真结果如下：①采用传统的过载检测方法对于电梯运行进行检测，表3～表4为电梯的运行条件和效率。②电梯运行过程中，基于机器视觉的超载检测方法来进行超载检测，表5～表6为电梯的运行条件和效率。

表3 传统超载检测方法的电梯运行情况

表4 传统超载检测方法的电梯运行效率

表5 基于机器视觉算法的电梯超载检测方法运行情况

表6 基于机器视觉算法的电梯超载检测方法运行效率

结果表明，相同运行次数时，基于机器视觉的过载检测方法发现，电梯总停靠次数为8 次，时间为168s；传统超载检测的电梯停靠次数14次，总计216s；在时间效率方面对比，基于机器视觉的监测方法提升了22.2%。因此，在相同工作量的前提下，需要充分考虑到电梯超载对于运行效率的影响，基于机器视觉的超载检测方法可以有效避免不必要的停靠，从而缩短运行时间。

4 结论

为了提高电梯运行效率，考虑空间过载对电梯运行效率的影响，提出了基于机器视觉技术的电梯运行检测方法。通过图像处理技术，如平均过滤、背景建模和改进的形态学处理，计算乘客和物体在电梯层上的垂直投影平面的比例，并评估其是否超过空间过载阈值。改进的形态学处理方法能够有效减少传统形态学处理带来的误差，避免光照、环境背景等因素对图像结果的影响，提高电梯空间的检测准确率。同时，通过检测电梯轿厢内是否存在电动车，可以保证电动车从公共楼层进入电梯时无法上楼，并发出警示信息。仿真结果表明，基于机器视觉的超载检测方法具有显著效果，能够有效提高电梯的运行效率，为缩短乘客乘电梯的时间，避免不必要的楼层停靠。