运动状态检测范文

运动状态检测范文（精选9篇）

运动状态检测 第1篇

关键词：运动性疲劳,运动适应性,机能状态,心肺风险

人体功能状态检测技术起源于俄罗斯航空航天医疗领域,并逐渐应用于体育运动、营养及心理干预等领域。AMCAT检测系统以生理安全脉冲对身体活性区依次进行连续的脉冲扫描,电脑再以“功能亢进”和“功能衰减”的矢量形式表现人体器官和皮肤状况,最后用国际色普法重建器官、组织的功能状态,实现对人体三维图描绘。直观对人体功能状况,脊柱及神经连带的器官,内脏等进行诊断,从而评价机体的疲劳程度。

1 对象及方法

1.1 研究对象

体育专业大学生286名,其中男子206,女子80(表1)。

1.2 研究方法

1.2.1 Wingate无氧功测试

用功率自行车进行30秒Wingate无氧功实验,计算疲劳指数。

1.2.2 AMCAT检测系统测试

用AMCAT检测系统采集安静、运动后即刻、5分钟及10分钟四个点的人体功能状态参数。

2 结果及讨论

2.1 测试结果

2.1.1 不同项目身体机能状态变化测试结果

疲劳指数表示无氧供能下疲劳程度,指数值越大疲劳程度越深。表2、3中,男子各项目安静与运动后即刻的身体机能状态均有显著或极显著差异,女子只在篮球及跆拳道中有显著差异;恢复期内男女均只有个别项目与运动后即刻有显著差异。

2.1.2 不同项目心肺风险指数变化测试结果

风险指数表示机体、生理系统和器官的功能状态相对生理最佳态指标的偏差程度;心肺风险指数就是表示心脏和肺的功能状态相对自身最佳态的偏差程度的量化值。表4、5显示,运动前后心肺风险指数大多未出现显著差异。

2.1.3 脏器及脊神经节段状态反射图检测结果

运动停止约10分钟一受试者呕吐。色谱状态图显示:运动后即刻心肺及神经节段表现适应性亢奋;恢复5分钟心肺颜色基本恢复;恢复10分钟消化系统呈功能抑制,主观感觉恶心;呕吐后消化系统抑制状态好转,胰脏和脾脏等内分泌调节位置仍稍显抑制;休整15分钟色谱状态基本恢复,主观感受亦良好。脏器状况反射与生理反应相一致。

注:*安静状态与运动后即刻比有显著差异;**有极显著差异。★运动后即刻与恢复5分钟比有显著差异;★★有极显著差异。※运动后即刻与恢复10分钟比有显著差异;※※有极显著差异。

注:同表2

注:同表2

2.2 讨论

2.2.1 不同项目身体机能状态变化测试结果讨论

Wingate无氧功测试能较理想反映无氧能力。一切短时间、高功率运动均取决于无氧供能能力。无氧运动30秒ATP、CP消耗达极限,乳酸迅速堆积,体内各项生理生化指标均发生变化,导致疲劳产生。

身体机能状态指标在男女各项目中均有变化,且男子变化更为显著,总趋势为运动时身体机能被调动,状态值较安静时有显著或极显著上升;运动后虽有波动,但总体趋于恢复,个别项目恢复期较即刻有显著或极显著下降。运动后短时间能有较好的恢复,表明身体疲劳程度不深。男子短跑、摔柔组和女子跆拳道组,安静和恢复期较即刻都有显著甚至极显著差异,且疲劳指数也较其他项目偏低。可见AMCAT检测系统测出的身体机能状态在运动前后的变化与无氧功测试身体变化趋势相同,且测试显示无氧供能为主的项目变化更为明显。

人体活动需多器官多系统共同协作完成,当运动结束后,机体为弥补或修复运动时出现的损耗会被继续调动一段时间,有些器官系统甚至比运动时更剧烈。因此,身体的整体机能在运动停止后,需一段时间修整才能逐步恢复到运动前状态,其间还会有些波动。AMCAT检测系统准确反应出了恢复期的状态变化,可数字化观察到疲劳程度及恢复情况。

2.2.2 不同项目心肺风险指数变化测试结果讨论

心肺功能是影响运动能力的重要因素,同时能够反映机体对运动负荷的适应。研究发现有训练者在运动开始后,能迅速动员心血管系统功能,以适应运动需要。进行最大强度运动时,能发挥其最大潜力充分动员心力储备,且运动后恢复期短。心肺功能优良直接影响不同强度运动下机体对氧的利用能力。

短跑、摔柔、球类等以无氧供能为主的项目,受试者较好适应实验运动方式,所以动员心肺工作快且充分,运动后恢复时间短。特别是男子短跑组,心肺风险值在安静状态、运动后即刻及恢复期呈现“升高-降低”的变化,且具有显著性差异。但男子排球、套路组和女子篮球、跆拳道组运动后出现“降低-升高”变化。这些项目属于混合供能,心力储备相对较好,可能是特定状态下心肺功能调试到一个相对更适状态,因此心肺风险值有所降低。女子心肺风险波动也不如男子明显,间接反应心肺功能调动较弱,这与疲劳指数普遍低于男子相一致。

可依据AMCAT检测系统给出的心肺风险指数来判断心肺状况,确定机体疲劳及恢复情况,进而调整训练。对心肺的不适也有一定预警作用。

3 结论

功能系统是整个人体活动的统一,在新陈代谢基础上进行动态调节,并受环境影响。运动不适合时人体会出现应激反应,各生理系统会相应变化,特殊案例中生理状况与脏器及对应神经节段功能变化同步。AMCAT检测系统的结果对人体状况有较好的对映性和直观性。

该研究以Wingate无氧功测试为基础,采集不同状态下身体机能状态和心肺风险指数两个指标,以疲劳指数为参考,证实了AMCAT检测系统能够反映疲劳前后受试者的机能变化及各部位变化规律,且对脏器状况及神经阶段功能有较直观反映,可应用于监测疲劳恢复及预警不良反应。

参考文献

[1]王瑞元,熊开宇.运动生理学[M].北京:人民体育出版社,2002:305-313.

[2]朱耀康,王晨.田径运动员过度疲劳评价体系建立的初步探讨[J]….体育科研,2010,31(1):52-54.

[3]杨磊.运动疲劳的产生机制研究综述[J].武汉体育学院学报,2002,36(5):47-49.

[4]李登光,韩永玺.对现代中长跑运动员训练特征及疲劳恢复的探讨[J].辽宁体育技,2007,29(5):30-31.

设备状态检测管理制度 第2篇

对检验、测量和试验设备进行有效控制，确保检验、测量和试验设备满足规定要求。

2、适用范围

适用于企业使用的所有检验、测量和试验设备。

3 职责

3.1 质管科负责检验、测量和试验设备管理。

3.2 使用部门负责检验、测量和试验设备的使用、维护保养。

4、申购

使用部门需增添检验、测量和试验设备时，填写申购单交质管科。

5、审批

质管科对购置申请进行审查，提出审查意见，报总经理批准。

6、采购

检验、测量和试验设备由质管科组织人员进行采购。

7、验收

7.1检验、测量和试验设备购入后，质管科组织有关人员进行验收。

7.2 开箱验收一般包括以下内容：

(1)包装物是否完好无损;

(2)整机完整性与外观检查;

(3)主机、附件、随机工具的数量与合同及装箱单的一致性;

(4)使用说明书等技术资料是否齐全。

7.3 质量验收

根据采购文件规定的技术要求或相应的规程、规范、标准、使用说明书等，对检验、测量和试验设备的性能及技术指标进行质量验收。计量器具须经检定/校准。

7.4 验收合格的检验、测量和试验设备，方可报销入库;验收不合格的检验、测量和试验设备，由质管科负责向供方提出退货/索赔要求。

8、编号

8.1检验、测量和试验设备由质管科负责编号。

8.2编号方法为使用部门代号加该部门购置检验、测量和试验设备的顺序号。顺序号由两位数字组成，从01开始顺序编号。

8.3部门代码规则

a：水处理间 b：灌装间 c： 化验室 d：仓库 e：物料检验 f：包装间

9、登记

质管科对检验、测量和试验设备进行登记，建立检验、测量和试验设备管理台帐。

10、发放

使用部门到质管科办理领用检验、测量和试验设备手续，明确保管人和放置地点。保管人因人事变动重新确定的、放置地点有变化的，使用部门应及时通知质管科进行变更。

11、使用

11.1使用检验、测量和试验设备前，必须检查其是否有合格或准用标志，是否在有效期内。

11.2使用人员必须按检验、测量和试验设备操作规程或使用说明书进行操作。

11.3主要检验、测量和试验设备使用后，使用人员应及时予以记录。

12、检定/校准

12.1质管科在每年年初制定检验、测量和试验设备周期检定/校准计划，经厂长批准后，组织实施。

12.2当检验、测量和试验设备状态发生变化(如停用、重新启用、报废)时，质管科对周期检定/校准计划进行更改。

12.3 检验、测量和试验设备的检定、校准周期，根据计量检定规程、校准规范、制造厂建议、使用频繁程度和严酷程度、使用环境的影响、测量准确度要求等由质管科确定。

12.4 周期检定、校准周期可根据实际情况作相应调整。使用部门因工作需要确需修改周期的，由使用部门说明变更理由，质管科修改周期检定、校准计划。

12.5 对于因特殊情况不能按计划进行检定、校准的检验、测量和试验设备，经质管科同意，可超周期使用。一经工作结束后，应立即组织检定、校准，同时根据检定、校准结果对此期间出具的数据的有效性作相应处理。

12.6质管科根据周期检定/校准计划，提前一个月把即将到期的检验、测量和试验设备送法定计量检定机构或政府计量行政部门授权的计量检定机构进行检定、校准。

浅析低压电缆绝缘状态检测方法 第3篇

【关键词】低压电缆 绝缘参数 电缆故障 测量电路 检测方法

【中图分类号】TD611 【文献标识码】A 【文章编号】1672-5158（2013）03-0029-01

一、引言

近年来电力电缆在电力输送、分配与用电设备运行中得到广泛的应用。低压电缆作为配网线路的一个组成部分，以其敷设方便，占地少、供电可靠、系统功率因素可提高等优点，逐步替代普通导线成为配网线路的主力军，电缆绝缘起着尤为关键的作用，其电气安全成为保障生产和人民群众安全的重要屏障。运行中的电缆可能因在施工安装、运行过程中因短路、过负荷运行、绝缘老化或外力作用等原因造成故障。其绝缘状态好坏直接影响供电可靠性。因而迅速准确地检测低压电缆绝缘状态对保证故障电缆的及时修复有着重要意义。

二、电缆故障的影响

低压电缆由线芯（导体）、绝缘层、屏蔽层和保护层组成。当绝缘层加上直流电压时，沿绝缘表面和绝缘内部均有微弱电流通过，对应于这两种电流的电阻分别称为表面绝缘电阻和体积绝缘电阻，通常我们所研究的绝缘电阻均指体积绝缘电阻，所以流经绝缘内部的电流是我们研究的对象。绝缘电阻是反映电缆绝缘特性的主要指标，它反映了电缆产品承受电击穿或热击穿能力的大小，与绝缘的介质损耗以及绝缘材料在工作状态下的逐步劣化等均存在着极为密切的关系，绝缘电阻是判断电缆品质变化的重要依据之一。绝缘电阻测量准确与否直接影响电缆品质的判定。影响电缆绝缘电阻测量的因素有仪器准确度、环境条件和人员素质等几个方面。

对于固体绝缘材料在使用一定的年限以后，绝缘性能都会只呈现一定程度的老化，其老化的表现主要有绝缘电阻下降、介质损耗增大等，最具代表性主要有：热老化、机械老化、电压老化、生物老化等。

无论是高压电缆或低压电缆，在施工安装、运行过程中经常因短路、过负荷运行、绝缘老化或外力作用等原因造成故障。电缆故障可概括为接地、短路、断线三类，其故障类型主要概括有三芯电缆一芯或两芯接地、二相芯线间短路、三相芯线完全短路、一相芯线断线或多相断线等。

对于直接短路或断线故障用万用表可直接测量判断，对于非直接短路和接地故障，用兆欧表摇测芯线间绝缘电阻或芯线对地绝缘电阻，根据其阻值可判定故障类型。

故障类型确定后，继续开始查找故障点，一般传统方法包括：利用低压脉冲反射法、脉冲电压取样法、测量电阻电桥法、二次脉冲法、脉冲电流取样法进行测距；利用声磁同步法、音频感应法、声测法进行测点。

三、低压电缆检测的新方法介绍

1、测距的新方法

（1）利用因果网对电力系统故障定位。因果网络中有4类节点状态、征兆、假设、起始原因。状态节点是表达领域中某部分或某功能的状态，如断路器跳闸；征兆节点是表达状态节点的征兆，如断路器跳闸的征兆是保护动作：假设节点是表达研究系统的诊断假设，如发生线路故障的假设；起始原因节点是表达引起故障的最初原因。各类节点之问可形成对应的基本关系。

（2）实时专家系统。专家系统就是一个具有智能特点的计算机程序，它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。电缆故障测距专家系统将专家知识库作为电脑的基本数据库，用一套规则来维护和更新该数据库。

（3）小波变换应用在电缆故障测距中。小波变换是8O年代后期发展起来的应用数学分支，被誉为信号分析的数学显微镜，是信号处理的前沿课题。小波变换在数字信号处理领域，如滤波、奇异信号检测、边缘检测等方面应用广泛。

小波分析是几个学科共同发展的结晶，这几个学科是数学、信号处理以及计算机视觉。小波分析在数学上是用小波的原型函数来实现的，其中原型函数可以看成是带通滤波器，因此小波分析也可以通过滤波器来实现，其关键是寻求具有恒定相对带宽的滤波器组，而这正是信号处理中滤波器组理论的核心内容。

2、定点的新方法

（1）GPS（全球定位系统）行波故障定位。传统的高压输电线路故障定位主要基于阻抗算法，这种算法对于高阻接地、多端电源线路、直流输电线路等情况存在明显的不适应，通常在实用中其故障定位精度<3%～5%，这对于长线路（>100 km）难以满足寻线要求。现代行波定位是利用故障发生后线路上出现的以固定传播速度（约为光速的98%）运动的电压行波和电流行波进行精确故障定位，其测量精度<1km，且受线路类型、接地阻抗等因素的影响小，目前已有部分产品在现场运行。

（2）分布式光纤温度传感器（FODT）。光纤传感的基本原理是，当光在光纤中传输时，光的特性（如振幅，相位，偏振态等）将随检测对象的变化而变化。因此，光从光纤中射出时，光的特性己得到了调制。通过对调制光的检测，便能感知外界的信息。光纤传感器按其传感原理可分为两类：一类是传光型（或称非功能型）；另一类是传感型（或称功能型）。用于电缆故障检测的分布式光纤温度传感（FODT sensor）属于传感型光纤传感器。

（3）人工神经网络。人工神经网络是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个结点相当于一个神经元，经可以记忆（存储）、处理一定的信息，并与其他结点并行工作。求解一个问题是向人工神经网络的某些结点输入信息，各结点处理后向其它结点输出，其它结点接受并处理后再输出，直到整个神经网工作完毕，输出最后结果。

四、电缆故障处理措施

1、电缆存在两个故障点的故障处理

某食品加工厂台架配变低压端到低压配电房电源线为低压聚氯乙烯电缆，全长115 m，故障相对地绝缘电阻为80，用低压脉冲采集波形后，分析波形在距始端较近处。用高压脉冲测试，波形不理想，不能断定其具体位置。探明路径后，用定点仪循路径检测，在距始端30m处，声测法听到较强的放电声，挖开后电缆外皮及钢甲在此处锈蚀断裂，但主绝缘未遭破坏，处理好钢甲后，电缆绝缘仍很低，随后继续查找，用定点仪在距钢甲断裂5 m处听到较弱的放电声，挖开电缆，发现三相已断开，短路接地。象这种有两个以上的故障点的电缆查找起来比较麻烦。

2、高阻故障的处理

有一根全长为90m的电缆，判断为高阻故障，高压脉冲采集波形显示故障点在60m处，经过处理分析原来是电缆被支架碰破外皮，沟内潮湿，长时间后造成绝缘破坏，短路接地放电。

3、故障点放电不充分事故的处理

有的电缆在用低压脉冲定点后，用高压脉冲法在故障点周围却听不到放电声，如某分厂的电源电缆，相间绝缘电阻都为零，相对地52

属三相短路并接地。用低压脉冲法测故障在265m处，但声测法却听不到，这种情况应该用音频电流感应法，即在另端用路径仪发生音频振荡信号，用接收器耳机来接收音频信号，在距发射端61m处音频信号中断，和用低压脉冲法在另端测试的276m距离基本吻合。挖开地面后，发现故障点就在此处，电缆被一蒸气管道井的漏蒸气长期高温熏烤而致绝缘损坏。这种情况不能采用声测法的原因是故障点大面积受潮或故障点大面积放电，由于放电爬距过长，能量不集中，电弧不足以使故障点形成瞬间短路导致的，这是故障点放电不充分的表现。

五、结束语

低压电缆多采用橡胶绝缘，电缆在使用过程中，由于橡胶的氧化分解作用，使硫化橡胶的电物理和机械性能发生变化：变硬、变脆，在橡皮上形成裂纹，空气和水分填充在裂纹中使电缆老化加剧，最终导致绝缘击穿或短路。为了减少设备停机时间和降低生产成本，因此低压电缆绝缘状态检测系统对于保证设备的安全运行起到了非常重要的作用。对电缆目前技术状态的确切评价不仅从保证电力设备工作可靠性的观点来看是重要的，而且从预防火灾的角度来看也是很重要的。

参考文献

[1]陈韶勇，李越，电力电缆常见故障检测方法[J] 科技创新导报，

[2]江日洪，交联聚乙烯电力电缆线路，中国电力出版社（第一版），2005

[3] 谢碧华，电力电缆故障探测技术的应用[J] 广东科技，2009

[4] 速水敏幸（日），电力设备的绝缘诊断[M]，科学出版社，2001

[5] 余文星，浅析电力电缆的故障与检测[J] 硅谷，2008

运动状态检测 第4篇

目标跟踪[1]一般是指监控系统对目标的数量和轨迹进行评估,在军事、交通、安防等重大领域应用非常广泛[2,3],是一个非常热门的研究课题。但对轨迹的评估过程容易受到虚假信号(噪声、杂波和多路径)的影响。如何处理目标轨迹位于发生目标信号衰减的检测区域的目标跟踪非常重要[4]。

目标跟踪按照跟踪的数量可以分为单目标跟踪和多目标跟踪。 已经有很多学者对其进行了研究。文献[5]提出改进的背景加权直方图算法,是一种单目标跟踪算法。其中彩色直方图作为目标的特征表示,将背景进行加权以突出目标的权重,用理论和实验纠正文献[6]中关于背景加权方法的错误,扩展了背景加权在目标跟踪中的思想。然而,该方法对于近似的颜色区域目标经常发生漂移。文献[7]提出了著名的跟踪学习检测(Tracking-Learning-Detecting,TLD)算法。与传统的跟踪算法不一样,TLD将跟踪和检测同时进行,同时利用N-P专家的学习方法对跟踪和检测出现的错误样本和正确样本进行分类,纠正跟踪和检测过程中的错误,而且跟踪模板和检测模板都进行更新。其链接[8]对研究和工程都很有帮助,然而,TLD算法是一种单目标跟踪,因为多目标的NP学习过程十分困难。文献[9]对每个目标轨迹的评估都在可能的测量序列子集上进行。每个跟踪组件的概率密度函数(pdf)可能是一个典型的高斯函数(对于单模型轨迹)或一个典型的混合高斯函数(对于多模型轨迹)。其多目标分割跟踪也具有不错的效果,然而,其假设比较理想,没有考虑复杂情况。文献[10]的信号目标跟踪算法对每个跟踪目标进行单独的更新,这种算法假设每次测量中都包含干扰遮挡或对检测到的目标进行跟踪。当检测到多个目标靠近时会降低跟踪的性能。

目标跟踪器在每次测量前都不知道测量的先验信息。利用测量值对跟踪器进行初始化,由于不知道每个测量值的确定初始值,因此不仅对正确的跟踪器(跟踪目标)进行了初始化,而且也对错误的跟踪器(不跟踪目标)进行了初始化。对错误跟踪器的辨别能力是目标跟踪的一个非常重要的性能。而且大多数发表的目标跟踪器方法都假设:当目标跟踪性能逐步减弱时,目标检测概率依然保持不变。

单目标跟踪分割(ITS)[11]可以概括为是与状态相关的目标检测概率模型,ITS是一种完全单目标跟踪方法。跟踪质量和目标轨迹评估都迭代的进行计算,本文将这些结果进行扩展以进行多目标跟踪,提出一种结合了ITS的JITSpd算法,JITSpd算法对最优数据相关测量进行枚举,然后对所有的联合测量值进行评估。

1 假设模型

1.1 目标模型

在监控空间中目标的数量事先并不知道,用 χkτ表示目标 τ 在时刻k的存在性,χkτ是一个以马尔可夫链进行传播的随机事件[12],利用跃迁几率 γ 对 χkτ进行参数化:

表示如果时刻k时目标存在,那么目标在时刻k-1时,不存在的概率为0。每个跟踪过程要么是一个错误的跟踪过程,要么初始时是一个正确的跟踪过程(可能逐渐变成一个错误的跟踪过程)。每个目标都是独立的,本文假设一个固定数量M的线性目标轨迹模型为:

式中:xτk表示目标τ在时刻k的轨迹状态;στk=1,2,⋯,M表示时刻k-1~k之间的轨迹模型;模型噪声序列vτk是一个均值为0,协方差为Q(στk)的高斯白噪声序列。轨迹模型的传播过程是一个马尔可夫过程,其迁跃概率为:

1.2 传感器模型

传感器在每个测量时刻k产生测量值。对于多个传感器的场景,连续向每个传感器申请测量值,因此在不失一般性的情况下本文可以假设为单个传感器。目标 τ 的检测概率PD(xkτ) 是目标轨迹状态xkτ的函数,本文假设PD(xkτ) 的表达式可以用下式进行逼近:

式中:N(x; m,Σ) 表示一个均值为m ,协方差为 Σ 的随机变量x的高斯概率密度函数;D0表示检测到最大概率,每个分量d表示一个“拒绝切口”;函数hd(xkτ) 表示xkτ在辨别空间的一个映射,比如多普勒速度;δd表示对应于拒绝切口的最大衰减点;“协方差”参数Rd用于确定拒绝切口的宽度。

每个拒绝切口通常都是设计用于去除单个噪声源。一个噪声源可能很杂乱,在这种情况下拒绝切口是建立在多普勒速度之上。如果目标的多普勒频率开始接近 δd,那么其信号开始衰减并且坚持概率将会下降,这是最常见的情况。其他的噪声源可能是一个(或多个)干扰发射台,在这种情况下,拒绝切口将会依赖于方位/海拔角度。其他的可能因素包括多路径,和/或一些障碍后的目标模糊,此时检测概率依赖于目标的位置。

文献[13]中提出了检测模型(4),本文假设Wd 0,用Hd表示hd的雅可比行列式。目标 τ 在时刻k的测量值为:

式中:h(⋅) 表示一个可能的非线性函数;测量噪声wkτ是一个均值为0,协方差矩阵为R的高斯白噪声序列,测量噪声与vkτ不相关。利用H表示h(x) 的雅可比行列式,每个测量都具有一个不知道初值(一个目标或杂波)的先验信息。杂波的测量遵循非均匀的泊松分布,在测量空间y中用 ρ(y) 表示杂波测量强度。

在时刻k ,传感器发送一个测量值集合Zk,Zk,i表示测量值集合Zk中第i个元素(测量值),并且ρk,i≡ ρ(Zk,i) ,令:

2 多目标跟踪

本文通过使用检测模型(4)对ITS系列[11]的多目标个数进行扩展,JITSpd利用最优多目标数据关联方法。JITSpd能够识别跟踪状态并且分享递归循环的主体部分。上标 τ 和 η 表示相应的跟踪器所跟踪的轨迹或目标,轨迹 τ 在k时刻的状态是由目标存在事件 χkτ、连续目标轨迹状态xkτ和离散轨迹模型 σkτ构成[14]。JITSpd目标跟踪器传播和更新:

当l = k - 1 时,式(7)用于预测,当l= k时用于更新概率密度函数。系统在时刻k处跟踪递归循环为:

(1)预测从更新时刻k- 1 传播到当前时刻k的每个跟踪概率密度函数;

(2)选取测量值,在测量值集合Zk中选取一个子集用于更新;

(3)计算测量相似度;

(4)数据关联是对目标存在的可能性进行更新,并计算测量值初始值的后验概率;

(5)轨迹更新估计。

2.1 预测

跟踪预测过程对于所有ITS系列的所有类型都是相同的[11]。每个跟踪独立地从时刻k - 1 传播到时刻k。目标存在性传播为:

跟踪组件的数量和相关概率没有发生改变,且每个跟踪组件通过如下方式进行传播:

2.2 选取测量值

测量值的选取操作对于ITS系列的每个成员都是相同的[11]。每个跟踪 τ 都是独立地选取测量值,每个组件ck - 1的每个模型 σk选取一个测量值集合如果在时刻k检测到目标 τ,并且ck - 1是真的组件,目标τ 服从模型 σk,那么其预定义的概率为PG。

组件ck - 1和跟踪分别选取的测量值集合为和即:

2.3 相似度测量

关于JITSpd的相似度测量,式(4)中的检测拒绝切口d在测量过程中也起到了一定的作用,测量值由 δd的值、Rd的协方差和测量函数hd构成。当运用Zk,i和δd去传播均值为协方差为的高斯噪声时,利用和分别表示获取评估的均值和协方差。值i = 0 或d = 0 表示没有使用相应测量值。

符号表示利用协方差为R,测量函数为h的测量值y对均值为,协方差为P的高斯状态进行EKF更新,则有:

2.4 JITSpd数据关联

联合多目标跟踪采用所有适宜的全局测量值进行跟踪配置。将跟踪分成簇,每个簇是一组跟踪的集合,每个簇中选取的测量值并不与其他簇共享,选取的测量值仅用于这个簇。每个簇独立进行处理,在此,本文对一个簇类数据关联进行描述。随着跟踪和测量值的增加,联合事件的个数也一起增加,因此这种方法仅对于目标数量较少的良性环境下是可行的。

每个联合事件 εk分配给每个跟踪零个或一个情况下所选取的测量值,每个联合事件 εk的定义如下:

(1)用T0(εk)表示分配零个测量值的跟踪;

(2)用T1(εk)表示分配一个测量值的跟踪;3

(3)测量值分配函数i(τ;εk)分配给跟踪τ。

当一个联合事件为真,则联合事件是互斥且完备:

式中Ck满足:

2.5 轨迹更新

在每个跟踪中分别进行轨迹更新操作,本文省略跟踪上标。在时刻k,通过将可行的组合进行关联形成新跟踪的组件

可行的组合为:

(1){ck - 1,0,0} ,假设目标检测(i = 0)没有选取测量,那么在检测拒绝切口中(d = 0)不含有轨迹状态;

(2){ck - 1,0,d > 0} ,假设目标检测(i = 0)没有选取测量,那么在检测拒绝切口d中含有轨迹状态;

(3){ck - 1,i > 0} ,其中Zk,i∈ zk,假设目标检测中的测量为Zk,i。

如文献[9] 中所述,本文将所有三元组件{ck - 1,i > 0,d≥ 0} 的轨迹状态与固定的i进行合并(求平均)以获取一个跟踪组件{ck - 1,i > 0} 。

2.6 算法归纳

本文提出的JITSpd是对JITS的归纳,推导的方式比较相似,算法假设如下:

(1)给定的测量Zk,i表示目标检测状态,更新的轨迹状态概率密度函数P(xk|Zk,i,Zk - 1)与Zk,i的似然度成比例,即P(Zk,i|xk),但不是检测概率的函数。

(2)给定检测时间,数据关联概率是平均似然度测量函数。

(3)给定的非检测事件,没有信息用以更新轨迹状态概率密度函数。

JITSpd所面临的挑战如下:

(1)给定的测量Zk,i表示目标检测,更新的轨迹状态概率密度函数P(xk|Zk,i,Zk - 1)与Zk,i的似然度成比例,即为P(Zk,i|xk)PD(xk);

(2)给定的检测事件,数据关联概率是平均检测似然度的函数;

(3)给定的非检测事件,更新的轨迹状态可能位于较低的PD(xk) 区域内。

3 实验与分析

3.1 实验准备与参数说明

如图1 所示,本文考虑的是二维多目标情况,利用交替固定传感器每秒都对监控区域进行扫描。目标#3和#10 的速度恒定不变,为12 m/s,目标#4,#5 和#6 的速度恒定不变,为10 m/s,其他目标的速度随着时间的变化而变化,如图2 所示。

轨迹状态xk由2D位置和速度矢量构成,本文考虑了两种轨迹扩展模型,模型 σ = 1 对应于等速运动,模型σ = 2 通过增加模型噪声协方差矩阵来调节加速度。两种模型具有相同的扩展矩阵:

式中:⊗ 表示Kronecker矩阵积;Im表示m维单位矩阵。

噪声协方差矩阵[15]为:

式中:q0(1)= 0.006 m2s-4;q0(2)= 6 m2s-4。检测概率是目标多普勒速度的函数,利用式(4)进行建模,其中D0= 0.95, W1= 6.8 m/s, δ1= 0 m/s,R1= 9 (m/s)2。即传感器信号处理过程嵌入了一个移动目标指示器,这个指示器可以减弱多普勒频率信号。当多普勒速度 δ1= 1 m/s时,可以得到最大衰减量和最小目标检测概率,衰减量变为零以逼近三次标准偏差,或 ±9 m/s多普勒速度。最大的检测概率是D0= 0.95 ,这是较高多普勒速度条件下获取的目标检测概率。 最小检测概率等于检测概率依赖于每个目标的多普勒速度,以及多普勒速度对应的传感器获取的测量值。当目标没有固定或当速度矢量的矢量半径正常连接到相应传感器的目标时,检测概率下降0.05。图3 给出了目标#1 的检测概率随时间的变化。

当R = 25I2m2时,利用线性传感器测量目标位置,杂波测量强度 ρ = 10-5m-2。

在每次扫描过程中利用测量对对跟踪进行初始化,测量对来自于最近两次满足最大目标速度(20 m/s)约束(两个点不同)的扫描过程进行测量。如果在后续扫描过程中目标存在的概率超过确定阈值,跟踪被验证,保持验证直到结束。如果在后续扫描过程中目标存在的概率小于终止阈值,那么终止跟踪。每个仿真实验有1 000 次模拟运行,每次模拟运行仿真70 次扫描。

3.2 仿真实验结果与分析

本文假设检测概率恒定为0.95,0.5 和0.1,针对文献[11]的ITSpd,本文的JITSpd和文献[9]的JITS算法进行比较。最优多目标数据关联不能利用合理的计算资源处理10目标情况,因此本文限制实验的目标为#1,#2和#3。

图4 给出了跟踪成功几率的平均百分比。比如,在时刻22 的百分比为100%,即在每次仿真运行过程中,每个跟踪器跟踪的目标在时间间隔1~22 s内已经进行了确认。当目标固定时,JITSpd的跟踪确认名义上达到了100%,而且仅丢失了极少的跟踪情况。随着时间的变化,确认跟踪的所有目标的平均值的位置RMS评估发生错误,如图5 所示。

表1 中给出了跟踪保留统计数据。列“n Case”表示时刻k = 10 时确认的跟踪个数,在“n Case”中包含了跟踪的相关数量,持续跟踪初始目标直到k = 70 时执行“n OK”列。“n S”列显示了“n Case”跟踪的相对数量,“n Case”跟踪在k= 70 处转换目标,在“n L”列终止跟踪“n Case”内相对数量的目标或停止跟踪所有目标,因此利用JITSpd显著提高了跟踪保留性能。可以得出本文提出的JITSpd显著提高了多目标跟踪器的所有测量性能。

3.3 其他视频的仿真实验

为了更好地说明本文算法的效果,本文对两种不同视频进行仿真实验,图6 是本文算法对目标跟踪的效果图,从标出的视频帧中的两个人的运动轨迹可以看出,即使目标有短时间重叠也能准确跟踪。

图7 和图8 是一段交通视频跟踪的效果图。图7 是初始化的目标车辆,图8 是目标出现跟踪和检测的结果,从标出的车辆运动轨迹可以看出,即使类似目标出现也没有丢失。

4 结论

蓄电池技术状态检测 第5篇

1.电解液液面高度的检测

在使用过程中蓄电池内的蒸馏水会因蒸发而不断减少, 致使电解液液面下降而影响蓄电池正常工作, 会导致极板上部与空气接触而硫化, 降低蓄电池的电荷容量, 缩短其使用寿命。应定期检查电解液液面高度。一般电解液液面应高出极板和隔板10～15 mm。对透明或半透明的蓄电池壳, 可直接从壳体上的标记看出, 电解液液面应处于上限和下限的范围内。对于不透明的蓄电池壳, 则可俯视注液孔, 若液面高于隔板10～15 mm时, 从孔中能看到液面碰到注液孔下缘时形成的中央小圈。

还有一种方法是:将孔径为3～5 mm的玻璃管垂直放入蓄电池加液孔内, 直到与保护网或隔板上缘接触为止。然后用手指堵紧管口, 并将管取出, 管内吸取的电解液高度即为液面高出隔板或保护网的高度, 其值应为10～15 mm。

当电液量不足时, 应补充蒸馏水。除确知液面降低是由电液渗出所致外, 不允许补充硫酸溶液。这是因为电解液液面正常降低是由电液中水的电解和蒸发所致。

2.蓄电池放电程度的检测

蓄电池放电程度是反映蓄电池供电能力的重要指标之一。放电程度越大, 则供电能力越小;反之, 放电程度越小, 则供电能力越大。蓄电池放电程度可通过以下几种方法检测。

(1) 开路电压测量。

用电压表测量蓄电池正、负极间的电压, 若12 V的蓄电池端电压小于12 V, 则需进一步测试。

(2) 电解液密度测试。

电解液的密度用吸式密度计测定。将密度计的吸管插入蓄电池的注液孔中, 吸入电解液, 使浮子飘起, 同时注意不要使浮子与玻璃外管相碰。读取与眼齐平的电解液液面在浮子上的刻度, 即为电解液密度值。

在测量密度时, 应同时测量电解液温度。因为电解液的密度通常是以室温 (20 ℃或25 ℃) 时为标准的。电解液温度每升高 (或降低) 1 ℃, 电解液的密度要增加 (或减少) 0.000 7 g/cm3。因此, 在其他偏离标准温度时测得的电解液密度值应按下面公式进行修正, 转换到20 ℃ (或25 ℃) 时的密度:

式中 D20℃—20 ℃时的密度值, g/cm3;

D25℃—25 ℃时的密度值, g/cm3;

t—测量时电解液温度, ℃;

Dt—t ℃时测量的电解液密度值, g/cm3。

通常电解液密度比标准值每下降0.01 g/cm3, 相当于蓄电池放电8%, 从测得的电解液密度, 可大致了解蓄电池的放电程度, 并采取相应的措施。若电解液密度在1.30 g/cm3或更高, 说明硫酸比例过大, 应加注蒸馏水以降低密度。当电解液密度在1.22～1.29 g/cm3之间, 说明蓄电池充电超过50%, 或已充分充电, 蓄电池可正常使用。当电解液密度降到1.21 g/cm3以下, 说明蓄电池放电超过50%, 应充分充电。充电后再测量电解液密度, 若还低于1.21 g/cm3, 说明蓄电池损坏, 应予更换。

蓄电池各单格内电解液的密度差应小于0.04 g/cm3, 若大于此值, 则应加以调整。

电解液密度检测仪是20世纪80年代研制生产的检测仪器, 具有测量精度高、操作简便等优点, 是吸式密度计的替代产品, 目前正在推广使用。电解液密度检测仪有电子式检测仪和光学检测仪两种。

电子式密度检测仪是利用电位检测法 (即将一对电极插入电解液中, 利用电解液密度与电极间的电位差的线性关系, 实现电解液密度与电量之间的转换) 来检测电解液密度, 将密度转换为电信号后, 经信号处理电路和放大电路处理, 再将检测结果以数字形式显示在液晶显示屏上。

光学检测仪是利用光的折射原理进行检测。该仪器除能检测电解液密度之外, 还能检测防冻液的冰点和浓度。

(3) 用高率放电计测量放电电压。

高率放电计是模拟蓄电池带动起动机的负荷, 测量蓄电池在大电流放电时的端电压, 可以比较准确地判断蓄电池放电程度和启动能力。它由一个3 V的直流电压表和一个定值负载电阻并联组成。测量时应将两叉尖紧压在单格电池的正、负极柱上, 历时5 s左右, 观察大负荷放电情况下蓄电池所能保持的端电压。不同厂牌的放电计负荷电阻不同, 放电电流和电压表读数也就不同, 使用时应参照厂家说明书。

驾驶员疲劳状态的检测 第6篇

随着社会经济的发展, 机动车辆与日俱增, 随之而来的人身安全越来越受到人们的关注。最近的研究表明:造成汽车碰撞事故的原因25%~30%产生于驾驶疲劳。驾驶疲劳问题已经引起了广泛的关注, 西方发达国家投入大量的人力、物力对这一领域展开研究, 近年来也成为国内许多专家、学者的研究热点。早期对驾驶疲劳的客观测评主要从医学角度出发, 借助医用脑电图仪、心电图仪、肌电图仪测试驾驶员的脑电波形、心电波形、肌电波形, 从而确定其疲劳程度。尽管这种方法比较准确, 但测试条件苛刻, 过程复杂, 不易推广应用, 在各种检测方法中能满足以上要求且效果较为理想的是用摄像机进行实时拍摄, 通过图像处理和模式识别来检测司机眼部的反应。本文提出了一种基于图像处理的实时检测驾驶疲劳的方法, 利用肤色信息、投影和连通域相结合的方法检测眼睛, 通过Adaboost算法检测人脸区域、Camshift动态跟踪人脸区域、灰度积分投影法与Hough变换椭圆检测法相结合定位人眼, 获取上下眼睑距离以及根据PERCLOS参数来判断是否疲劳。本方法无需接触式的佩戴装置, 采用多种信息融合的方式进行人脸与眼睛状态的判断, 采用了高效的检测跟踪算法以确保在极高的检测率情况下达到实际应用实时性的要求。

1 原理

首先, 用图像预处理方法对从摄像头获取的一帧图像进行处理, 将图像中参杂的噪声滤除掉, 减小后续过程中图像的定位和识别带来的误差。然后采用Adaboost和Camshift对人脸的识别和跟踪, 第一步用Adaboost方法将人脸区域从整幅图像中分割出来, 即检测出图像中最大人脸区域;第二步用Camshift方法跟踪找到的最大人脸区域, 确保我们需要的最大人脸区域不被丢失。其次, 对人眼的定位和检测, 用积分投影法对二值化的图像进行水平和垂直投影, 然后采用Hough变换椭圆检测快速而准确的找到人眼。最后, 对驾驶员疲劳状态的检测, 也就是用PERCLOS原理来判断驾驶员是否疲劳, 以此为依据, 如果驾驶员疲劳了, 可以对驾驶员发出警告信息, 避免车祸的发生。

2 人脸定位

摄像机对驾驶员进行实时拍摄, 并返回连续的图像序列, 首先对图像进行预处理, 然后对处理后的图像进行分析, 对人脸的定位涉及到两个步骤:对单帧图像的人脸检测和对连续帧图像的动态人脸跟踪。对于人脸检测, 采用Adaboost算法;而对于人脸区域跟踪, 采用Camshift算法, 通过这两个步骤达到对人脸的实时定位, 检测出人脸区域R。

2.1 人脸图像预处理

自然条件下的图像中不可避免地伴有噪声的影响, 这会对图像的定位和识别带来很大影响, 必须在图像处理之前对其进行噪声消除, 以最大限度地减少噪声带来的影响。中值滤波是一种能有效抑制图像中噪声的非线性信号处理技术, 它对于干扰脉冲和点状噪声有良好的抑制作用, 同时又能保护好图像边缘。本文采用模板为3×3的中值滤波法, 取得了较好的效果。

2.2 基于Adaboost算法的人脸检测

1995年, Freund和Schapire提出了Adaboost算法。Adaboost人脸检测算法是一种基于积分图、级联检测器和Adaboost算法的人脸检测算法, 该方法的核心思想是将分类能力一般的弱分类器加权构造成强分类器。

具体算法的描述如下:

(1) 样本集包含n个训练样本: (x1, y1) , (x2, y2) , Λ, (xn, yn) , fj (xi) , 代表第i个训练图像的第j个Haar特征, xi∈X表示输入的训练样本, yi∈Y={1, -1}分别表示真假样本。

(2) 初始化权重wij=1/2a, 1/2b, 其中a, b分别表示真样本、假样本的数目, 总样本数n=a+b。

(3) 对于T轮训练For t=1, 2, …, T:

(1) 对所有样本的权重进行归一化

(2) 对于每个样本中第j个Haar特征, 可以得到一个简单分类器hj, 也就是确定阈值θj和pj偏置, 使得误差达到最小, 而

偏置pj决定不等式方向, 只有±1两种情况。

(3) 在确定的简单分类器中, 找出一个具有最小误差εt的弱分类器ht。

(4) 对所有样本的权重进行更新

wt+1, i=wt, iβt1-ei, 其中βt=εt/ (1-εt) , 如果xi被ht正确分类, 则ei=0, 反之ei=1。

(4) 最后得到的强分类器为

其中αt=ln (1/βt) , 是根据ht的预测错误衡量的, 也就是对第t轮产生的分类规则ht的评价, αt越大, ht的重要性越大。

以上训练的物理意义可以表达为, 当已经获得的分类器对于某些样本分类正确, 那么减小这些样本的权重;当分类错误, 增加这些样本的权重。这样, 后面训练提取的简单分类器就会更加强化对这些分类错误样本的训练。最终, 通过权重组合所有的弱分类器以形成强分类器。

2.3 基于camshift算法的动态人脸跟踪

通过Adaboost算法, 已经成功的检测出人脸区域R, 但是由于我们采用的是由摄像机不断的采集人脸图象, 即我们需要处理的是连续的图像序列, 对于相邻的两帧图像中人脸区域可能发生变化, 为了提高处理速度, 不可能对每一帧图像都重新采用Adaboost算法, 于是我们采用Camshift算法。Camshift算法能够对已经检测到的人脸区域R进行动态跟踪, 如果跟踪失败, 则重新使用Adaboost算法进行人脸检测, 这样能有效的提高检测速度。

Cam Shift算法, 即“Continuously Apative Mean-Shift”, 是一种运动跟踪算法, 它主要通过视频图像中运动物体的颜色信息来达到跟踪的目的。这个算法主要有三部分:

(1) Back Projection计算;

(2) Mean Shift算法;

(3) Cam Shift算法。

2.3.1 Back Projection计算。

由于RGB颜色空间对光照亮度变化较为敏感, 为了减少此变化对跟踪效果的影响, 首先将图像从RGB空间转换到HSV空间;然后对其中的H分量作直方图, 在直方图中代表了不同H分量值出现的概率或者像素个数, 就是说可以查找出H分量大小为h的概率或者像素个数, 即得到了颜色概率查找表;将图像中每个像素的值用其颜色出现的概率对替换, 就得到了颜色概率分布图, 这个过程就叫反向投影, 即Back Projection。

2.3.2 Mean Shift算法

Mean Shift算法可以分为以下4步:

(1) 在颜色概率分布图中选取搜索窗W;

(3) 搜索窗口质心:xc=Z1, 0/Z0, 0, yc=Z0, 1/Z0, 0; (6)

(4) 调整窗口中心到质心;

(5) 重复 (2) 、 (3) 、 (4) , 直到收敛。

2.3.3 Camshift算法

将MeanShift算法扩展到连续图像序列, 这样就形成了Cam Shift算法。该算法通过颜色概率分布图像的零阶距、一阶距和二阶距计算质心位置和目标方向角, 不需计算每帧图像所有的像素点的颜色概率分布, 只需计算比搜索窗口大一些的区域内的像素点的颜色概率分布, 所以, 可以大大节省计算量, 并且能够自动调节搜索窗的大小和位置, 定位被跟踪目标的中心和大小, 并利用当前帧定位结果来预测下一帧图像中目标的中心和大小, 当视频序列变化时, 即可实现连续跟踪。

整个算法的具体步骤分5步:

(1) 将整个图像设为搜寻区域;

(2) 初始话Search Window的大小和位置;

(3) 计算Search Window内的颜色概率分布, 此区域的大小比Search Window要稍微大一点;

(4) 运行MeanShift算法, 获得Search Window新的位置和大小;

(5) 在下一帧视频图像中, 用Step 3获得的值初始化Search Window的位置和大小, 跳转到Step 3继续运行。

3 基于积分投影和Hough变换椭圆检测的人眼定位

对于人眼定位有许多种方法, 例如基于遗传算法和决策树的人脸定位算法、基于神经网络的人眼定位算法、基于模板匹配的眼睛定位方法, 但上述多种方法有的太过复杂, 定位时间复杂度太大, 有的定位精度不够准确, 所以, 我们选择了基于积分投影和Hough变换椭圆检测相结合的人眼定位。

通过Adaboost算法和Camshift算法实现了连续的对人脸区域的动态跟踪和定位, 检测到人脸区域R, 对于区域R, 首先采用水平积分投影和垂直积分投影找到人眼的纵坐标和水平坐标, 然后采用Hough变换椭圆检测的方法精确定位人眼和判定人眼的睁闭状态。

3.1 用积分投影初定位人眼

人脸图像的灰度分布是有一定特点的, 即头发、眉毛、眼睛、嘴的灰度值要比周围肤色的小, 于是可以利用这一特定做积分投影, 初步定位人眼的坐标。

在人脸定位一步, 已经获得了人脸区域R, 为方便后面进行积分投影, 首先对图像进行二值化处理, 这里采用最大类间方差阈值分割法。其基本思想是一副图像被一个阈值分为目标与背景两部分, 当两部分之间的方差最大时, 分割效果最好。

对上面二值化的图像做积分投影, 设I (i, j) 表示图像 (i, j) 出的灰度值, 则水平投影和垂直投影为:

积分投影图如下:

从图1水平积分投影图可以看出, 眉毛和眼睛的灰度都较低, 在积分曲线中处于波谷。但是在实际情况下, 眼睛有睁眼和闭眼两种状态, 对于闭眼时的灰度积分图, 眼睛的积分波谷并不明显, 但是眉毛是一个比较稳定的特征, 而眉毛和眼睛的距离也很近, 小于一个常量, 于是, 可以先通过水平积分找出眉毛的纵坐标, 然后向下滑动一定距离即为眼睛的纵坐标。

找到眼睛的纵坐标之后, 这个坐标值向上下扩展一个数值, 然后依此区域做垂直积分投影, 如图2所示, 可以找到左右眼的大致水平坐标。

经过水平和垂直积分投影即初步定为到了眼睛的位置。

3.2 用Hough变换椭圆检测法精确定位人眼

Hough变换是曲线检测领域中最有成效的方法, 其主要优点为:对于图像中的噪声点不敏感, 利用其得到的结果可有效地滤除噪声的影响。Hough变换最初由Paul Hough于1962年提出, 利用图像空间到参数空间的映射来进行直线检测。它的基本思想是利用点与线的对偶性:图像空间中共线的点对应参数空间中相交的直线:参数空间中相交于同一点的直线对应于图像空间中共线的点, 通过统计参数空间中每一点的穿越直线数可以检测出图像空间中的直线。将参数空间扩展到5维, 即使椭圆检测。

椭圆的参数形式如下所示:

Hough变换检测椭圆的基本步骤如下:

(1) 设E为图像空间的边缘点集, P为参数空间的参数单元集;

(2) 从E中随机采样5点, 计算这5点所确定的二次曲线参数P0, 求得P0, 若满足上式, 则对参数单元集P进行搜索, 若存在参数Pm, 与P0的误差在容许范围之内, 则将参数Pm的计数值Cm加1, 并将参数Pm更新;如果不存在符合上述条件的参数Pm, 则在参数空间P中插入新的参数Pm;

(3) 当参数Pm的计数值Cm达到指定阈值T时, 该参数对应的椭圆即成为候选椭圆;

(4) 判断该候选椭圆是否为真实椭圆, 若满足条件, 则检测成功;否则, 从P中去掉该参数, 继续重复步骤 (1) ~ (3) 进行检测, 直到边缘点集E检测完毕。

4 疲劳判别

目前, 眼睛的疲劳参数有眼皮的运动、眼球的运动、瞳孔的运动等, 但是眼皮的运动能够较准确的判定, 大部分研究驾驶疲劳的机构都采用PERCLOS (PercentEyehdClosure, 眼睛闭合时间占特定时间的百分率) 作为生理疲劳程度的测量指标。人在疲劳磕睡时, 眼睑的眨动一般较频繁, 眼睛闭合时间也较长。一般情况下人们眼睛闭合的时间在0.12~0.135之间, 驾驶时若眼睛闭合时间达到0.155就很容易发生交通事故。

在上面采用Hough变换椭圆检测检测到眼睛的瞳孔后, 先求椭圆的面积, 然后根据椭圆的面积的大小来判定眼睛的睁闭状态, 即面积小于一定值即判断眼睛为闭合状态。然后通过多帧图像综合求出眼睛闭合的时间, 即可求出PERCLOS。

5 结论

实验证明, 本文采用的眼睛定位方法能够简单快速地定位人眼, 并且这种方法鲁棒性很强, 不受人脸背景、人脸肤色、姿态的影响, 在很大程度上排除了驾驶室内的复杂背景、驾驶员各种面部姿态、表情对眼睛定位的影响。

摘要：为了减少由于驾驶员疲劳驾驶引起的交通事故, 提出驾驶员疲劳状态检测方案。根据驾驶员这一特殊群体的特点, 设计基于人眼的疲劳检测系统。首先, 利用Adaboost算法和Camshift算法对人脸进行动态跟踪定。其次, 利用积分投影和Hough变换椭圆检测进行人眼定位, 根据椭圆的面积判断人眼的睁闭状态。最后, 疲劳检测采用PERCLOS指标。用VS2008仿真实现了该系统, 并验证了该设计的准确性和有效性。

关键词：Adaboost算法,Camshift算法,积分投影,Hough变换

参考文献

[1]Gary Bradski, Adrian Kaehler.Learning OpenCV[M].O’Reilly Media, 2008, (9) .

[2]Gary R.Bradski, Santa Clara, CA.Intel CorporationComputer Vision Face Tracking For Use in a PerceptualUser Interface[C].Proceedings of IEEE WorkshopApplications of computer Vision.Princeton, NJ:IEEE, 1998, 214～219.

[3]Paul Viola, Michael J.Jones.Robust Real-Time FaceDetection[J].International Journal of Computer Vision2004, 57 (2) :137-154.

[4]郭玉珂, 张松敏, 高翔.Adaboost人脸检测算法研究[J].科技信息, 2009, (10) :211-214.

[5]佘九华, 王敬东, 李鹏.基于Camshift的人脸跟踪算法[J].计算机技术与发展, 2008, (9) :12-16.

基于有限状态机的按键检测 第7篇

1 节拍控制实现对程序的事件处理和并行时序分配

通过状态机检测按键,必须使用节拍控制。状态机不是连续的时间单位,它是以事件为中心的编程思想。因此必须把检测按键变成事件来处理,而节拍控制是单片机实现多任务处理最好的方式,因此按键检测就可以融合到节拍控制中。Main.c文件内部while(1){……}采用一个定时中断来产生节拍,例如AT89S52的16位定时器T2,设置T2为自动重装,然后每5ms产生一个节拍。这样在程序前台[1]有一个节拍来控制任务的执行。见下面程序:

1) 定义节拍char beat[3]=0; //全局节拍的个数由并行模块的数量决定

2) 设置节拍

3) 中断方式激活节拍void _T2(void) interrupt 5

4) 控制并行模块while(1)

节拍控制要占用一个定时器产生节拍,定时器设置为低级。通过节拍的并行模式不是一个真正的并行结构。单片机指令执行是串行的,但宏观上节拍的引入,使事件或任务的发生仅仅出现在时间轴的点上,任务就类似并行序列。

2 按键的检测

传统按键检测就是加延时去掉抖动。类似这样的:if(kex)delay(xxx);if(key){……}}。状态机检测按键是要求利用节拍来检测,节拍如果5ms一次。那么当检测到按键的第一次数值进行保存,当第二次节拍到来时候,再去检测。比较前后两次的键值,如果相同则进入任务执行。因为这时候的去抖动是靠节拍的间隔来是实现的,中间这段时间别空闲给CPU利用。对于按键来说,是通过状态机方式来运行的状态机检测方式,具体运行模式见状态机结构图1:

举例说明具有四个键检测的程序清单如下:

程序使用状态机检测,同时引入了按键连击检测和按键复用的功能。这样有限的键可以实现无限的按键的使用。

3 结束语

按键检测是智能仪表最常用的,在快速响应的场合按键的检测需要浪费10~20ms的时间,如果按键很多,势必造成大量无用的延时。该文从状态机编程思想出发,介绍在节拍控制下如何组织和检测按键,使用了并行程序设计中的状态机思想。其中要点是建立状态机函数,这种组织形式为类似的程序处理也提供了参考。

参考文献

一种眼睛状态检测的组合方法 第8篇

眼睛是人脸面部最主要的组成部分,眼睛状态的检测算法的应用范围也越来越广泛。例如,针对机车驾驶员的疲劳检测中,可以通过眼睛状态变化的检测及时反映驾驶员的疲劳情况,有效防止交通意外的发生;在人脸识别过程中可以通过眼睛状态检测,判断所取人脸是否为活体。此外,通过眼睛状态还可以为表情识别和人机接口提供大量的信息。目前,眼睛状态检测方法有很多,综合来说可以把它们分为2类[1]:一种是基于特征分析的眼睛状态检测方法;另一种是基于模式分类的眼睛状态检测方法。基于特征分析的方法主要有模板匹配方法、投影方法、检测瞳孔[2]、Hough变化检测虹膜[3]等。基于模式分类的检测方法主要有神经网络[4]、支持向量机(SVM)、隐马尔可夫模型(HMM)[5]等方法,此类方法根据样本自动学习规则或知识的方法将眼睛状态检测的问题转化为判断图像区域是睁眼还是闭眼的分类问题。

这些方法各有优势,但也存在明显不足:对人脸、偏转角度、背景、光照等有一定的条件制约;计算量偏大,处理较慢等。

针对这些问题有研究人员采用组合算法来提高检测性能,李英等提出了眼睛状态检测的组合方法[6]。该方法是将灰度模板的方法、Fisher方法、投影的方法、找眼睛上眼睑的方法以及Hough变化的方法相结合来检测眼睛状态,提高了抗光照影响能力和检测的准确率。但是该方法计算复杂而且费时,因此不能适用于有实时性要求的检测系统。本文提出了一种新的组合方法即通过模板匹配方法和投影方法相结合实现眼睛状态的检测,以达到充分利用单个算法的优点来提高检测性能的目的。实验结果表明该方法能有效地提高眼睛状态检测的准确率,同时满足检测系统实时性的要求。

1 模板匹配方法和投影方法介绍

1.1 模板匹配方法

模板匹配[7]基本原理是在图像的搜索区内逐点平移参考模板图像,遍历搜索区内的每一个位置点,同时根据某个相似性测度原则,计算搜索区内该位置点的图像区域和参考模板的相关值,然后根据相关值的大小来判定跟踪点的位置。

应用模板匹配方法来判断眼睛的睁开和闭合状态算法简单且相对精确度较高,在灰度空间,通过计算被检图像和2个状态模板的相似度来判断眼睛睁开和闭合状态,如果它和睁眼模板的相似度大于和闭眼模板的相似度就认为眼睛是睁开的,反之相反。

首先,制作睁闭眼的模板。睁眼模板通过选取100幅睁眼图像,利用缩放把它们变成尺度统一的标准图像,例如说m×n。通常采用线性重采样插值等方法进行尺度变换,以保证人眼在图像平面中的尺度不变性[8]。其次,将这些图像转化为灰度图像并它们进行灰度均匀化,也就是说,找一个灰度直方图分布比较均匀的开眼图象,使每幅图的灰度直方图都和此图象灰度直方图几乎一致。最后,将得到的这100幅图像灰度进行平均,就得到了睁眼的灰度模板。用同样的方法可得到闭眼的模板。如图1所示。

匹配计算过程中的相似度R可用式(1)表示:

其中:

为了减少光线的影响,将A和B做了归一化。将睁闭眼模板在被检图像上平移计算得到一系列相似度值,通过比较分别选取最大的值作为最终的2个相似度值,最后通过比较判断睁闭眼情况。

1.2 投影方法

投影方法的原理[9]:当人闭眼时,闭眼的边缘图通过投影会有两条足够接近的直线(近似),因此可以通过观察投影图像,如果在投影图像中能够检测到两条足够接近的直线,可以认为是闭眼,如果检测不到,可视为睁眼,或者通过其他方法继续检测。

检测步骤:首先,利用边缘提取算子从眼睛被检图像中得到眼睛边缘图;其次,将边缘图进行水平投影。最后,分析投影图,看看是否存在两个足够高的峰(本文实验中设置10个像素),且这两个高峰足够接近(本文实验中设置5个像素)。(图2)如果同时满足以上条件,则判断为是闭眼;否则,视为是睁眼。

2 眼睛状态检测的组合算法

上述2种眼睛状态检测方法各有特点。模板匹配的方法其算法简单且相对精确度较高,但相对速度较慢,容易受光照条件影响。投影法检测眼睛状态速度较快,但精度不够高,容易受其他边缘信息影响。由于很多检测系统对检测算法的准确率具有较高的需求,而前面提到的单个算法都不能很好地满足其要求。因此,把上述2种算法进行了有效的组合,这样可以更好的利用每一种算法的优点,以提高检测算法的准确率。具体算法可分为2步:

第1步:利用模板匹配方法检测眼睛状态。假设被检图像与睁眼模板的相似度为A1,与闭眼模板的相似度为A2,分别求出A1,A2,然后计算其差值的绝对值|A1-A2|。通过预先设置一个阈值K,如果|A1-A2|大于K,则直接得出判断结果,否则进入下一步。

第2步:通过投影法判断被检图像是否满足闭眼条件,如果满足判断为闭眼,否则视为睁眼。

组合算法检测流程图如图3所示。

3 实验结果及分析

虽然现在有很多的人脸数据库可以用来进行人脸检测和识别,但还没有公开的眼睛数据库用来进行眼睛状态检测,本文采用CAS-PEAL[10],人脸数据库中的图像,从中提取300幅不同光照条件和姿势的左眼图像(人的双眼状态基本相同),睁闭眼分别150幅。所有图像为灰度格式,大小为30×15,模板大小为20×10。部分图像如图4所示。

测试环境为intel Core i3-2100,3.1 GHz CPU,3 GB内存,操作系统为Windows XP,在matlab 2010上实现。通过多次测试K取0.02时效果最好。实验结果表1~表3所示,表4为3种方法比较结果

从表3看出表1、表2中出现的错误判断在组合方法中得到了纠正。由表4比较结果看模板匹配方法有较高的检测率,同时耗时也较高,这主要是在计算相似度时比较耗时,模板匹配方法主要对半睁眼情况检测效果不好;投影方法受其他边缘信息影响而检测率比较低,但耗时也较少;组合算法的检测准确率达到94.8%,较单个算法有了明显提高,耗时上仅比模板匹配方法多了0.001 8 ms,总耗时0.012 1 ms也能满足对视频图像(视频图像30 f/s)检测的实时性要求。因此组合算法取得了预期效果。

4 结语

文结合模板匹配方法和投影方法提出了一种新的眼睛状态检测组合方法,该方法首先采用模板匹配方法计算被检图像与睁闭眼的相似度的差值绝对值,再将差值同预先设定的阈值进行比较,来完成初步判断。最后对于那些第一步无法完成判断的图像(相似度很接近)再由投影方法进一步确认。实验结果证明了组合算法具有更好的可靠性和准确率。

摘要：眼睛状态检测具有广泛的应用。为克服目前单个算法的不足,进一步提高眼睛状态检测的准确率,在此首先介绍了2种眼睛状态检查方法,即模板匹配方法和投影方法,然后对这2种方法进行组合提出了一种新的组合方法。组合方法首先利用模版匹配方法对眼睛状态做出判断,然后通过与预先设定的阈值比较,对第一步无法做出判断的图像再利用投影法进一步判断。通过对300个眼睛图像进行检测,准确率达到了94.8%。试验结果表明了该组合方法较单个检测方法具有更好的可靠性和准确性,同时适中的复杂性也说明该算法的可行性。

关键词：眼睛状态检测,模板匹配,水平投影,组合方法

参考文献

[1]曹永.驾驶员眼睛开闭状态计算机图像识别技术开发[D].青岛:青岛大学,2011.

[2]张建勇,郭耀煌,李军.基于顾客满意度的车辆优化调度问题研究[J].铁道学报,2003,25(2):15-17.

[3]TOENNIES K B,AURNHAMMER F M.Feasibility of hough-transform-based Iris localization for real-time-applica tion[C]//Proceedings International Conference on Pattern Rec ognition.[S.l.]:ICPR,2002:1053-1056.

[4]MAO zhe,CHU Xiu-min,YAN Xin-ping,et al.Advances of fatigue detection technology for drivers[J].Safety Seienee Jour nal,2005,15(3):108-111.

[5]边肇棋,张学工.模式识别[M].北京:清华大学出版社,2001.

[6]李英,赖剑煌,阮邦志.眼睛状态检测的组合方法[J].中国图象图形学报,2003,8(10):1140-1145.

[7]高峰,雷志勇,易娟.基于模板匹配的图像跟踪技术[J].计算机应用,2008,33(10):34-36.

[8]梁路宏,艾海舟,何克忠.基于多模板匹配的单人脸检测[J].中国图象图形学报,1999,4(l):825-830.

[9]周宇.基于人脸识别的驾驶员疲劳驾驶检测系统的研究与实现[D].沈阳:东北大学,2008.

钻削加工状态在线检测方法研究 第9篇

关键词：钻削,电流检测,小波包分解

0 引言

钻削加工是机械加工中经常使用的加工方法,在零件加工中大约有40%由钻削完成[1]。钻头的过度磨损甚至突然断裂对加工过程和加工质量都有严重影响。经常使用的定期地更换刀具方法能够防止大部分突然断裂情况,但这种策略下的更换周期是基于统计而得出的,为了尽可能避免刀具过度磨损或断裂情况会很大程度上浪费刀具的有效工作寿命。如果采取根据磨损状态来决定是否更换刀具的策略则可以最大限度地利用刀具并保证正常加工过程。因此只有在线检测和监控钻削加工过程,及时地了解钻头的磨损和健康进展,才能实现不影响加工质量的连续钻削加工。

目前也有学者通过图像识别等方法直接检测刀具磨损量,但这些直接检测的方法无论从经济上还是技术上都不能令人满意[2],因此目前研究和应用较多的是通过检测加工过程的辅助信号来间接地获取磨损量大小和刀具健康状况。切削力或振动信号是最常用到的被检测信号[3]。当磨损量增加或有卷刃时,切削力也随之增加,因此切削力可反映刀具的健康状况。但是力传感器通的安装很不方便,通常需改变工件的装夹结构,直接限制了它的实际应用。也有学者使用了振动信号[4],但振动信号对噪声信号过于敏感,容易产生误判。相对来说,主轴电流和功率信号则更容易获取,文献[5,6]通过检测电流来分析钻头的磨损,但使用的识别特征仅能大致指示磨损进展情况。事实上,钻头失效并不都是由于过度磨损,很多时候,由于钻头卷刃和破损都可使其失效甚至断裂。本文通过检测主轴电机电流,进行滤波和小波变换分析,在时间-频率域里找出合适的特征,用于指示当前钻头的健康状况。实验表明该方法能够有效地检测出过度磨损和豁口状态,在失效、断裂前给予及时警示。

1 小波包分解

通常直接从现场采集的信号都带有一定的噪声,需要施加适当的低频滤波器以消除高频躁声。但即使如此,滤波后的信号的单纯的时间域或频率域特征仍不能有效反映过程状态。因此本文从时间频率域上提取信号特征。小波变换就是时间-频率域特征分析的有效工具。本质上小波变换相当于一个可变频率带的带通滤波器,通过选择不同的小波函数,尺度参数可获得不同的小波系数,进而可分析原始信号在某频率带下的信号特征。

在小波包分解算法里的每一层分解后可得到个信号,分别对应于不同频率段的信号特征,而各信号在不同位置上的值对应于原始信号时间轴上的特征。因此小波包分解出的这些信号全面地反映了原信号在时间-频率域上的特征。

2 基于小波包分解的信号滤波和特征提取

由于一般白噪声信号具有相对较高频率,在小波包分解后主要体现在小波系数上,相对有用信号而言,噪声系数分布相对小而均匀。因此可采取一定的系数缩减方法对小波系数进行缩减,针对一些特定的噪声源,可选定某层系数进行针对性缩减,再利用缩减后的系数重构原信号,达到滤波的目的。

假定将信号x(t)滤除噪声后的信号按照小波包分解的方法再次分解到n=1...to..M各层。则第n层共有l=2n个节点信号mn,l(k)(见图1.b)。离散信号中各数值的平方和代表该信号的能量大小,可反映该信号所在频率段的信号能量集中程度,因此本文采用式(1)来提取分解后的节点的特征

通过上述方法,对每一个节点(n,l)都可以得到一个能量特征E Mn,l,则全部M层分解后可到1+21+22+…+2M个特征,之后可以采用一些特征选择方法来筛选出一些有效特征,如基于Fisher标准等来挑选特征。本文的目的是提供一种方便快捷的在线检测方法,为了加快速度,这里我们只挑选出一个最有效特征来。假定一组特征集{fj|j=1,2,…},按某个函数形式对所有特征进行排序:

所选特征应尽可能区分出钻头破损、断裂与一区别。因此可定义如下:

其中δ2(fj)代表信号标准差,其大小反映了fj表征渐进磨损过程的能力。max(fj)和mean(fj)分别表示最大和均值,(max(fj)/mean(fj))表示了钻头断裂等情况与一般磨损程度下特征的差别大小。该值越大,说明特征fj区分过度磨损或其他失效形式的能力越强。根据公式(3)计算出所有特征的J(fZj),按式(2)由大到小排序,这里我们只简单地选择具有最大值J()的特征作fZ1为判断依据。

3 实验与数据分析

图2给出了本文的实验装置简图:

其中机床为Mori Seiki TV30立式加工中心,为了与常规力检测方法比较,我们同时安装了Kistler力传感器和Honeywell闭环电流传感器(应用了霍尔元件),数据采集系统使用NI的Labview虚拟仪器系统。实验进行多次,下面以具代表性的两次实验进行分析,表1给出了相应的主轴转速和进给速度。

在线检测系统应能够无人工干预条件下自动获取数据,分析计算出相关特征后给出当前钻头状态。这样我们得到的原始数据序列中就包含有大量非加工过程的信息(如手动停机、装卸工件等过程),为正确识别出机器状态,必须首先从原始数据中提取出有用的加工过程信息。对于固定的采样频率(250Hz),工件厚度(如18mm)和已设定的进给速度(24mm/min),可计算出在一次钻孔过程中有效钻削时的采集数据长度18/24×250×60=11250。通常真实加工过程的力或消耗的电流量要大于机器闲置时的采样数值,因此我们可以利用一个宽度为11250的滑动窗口自动搜寻加工起始和终止点,如图3所示。当窗口内的数值点的RMS均方根值达到局部最大值时,可认为窗口内的数据点包含了本次钻孔的真实记录。

提取到真实的加工数据序列后,就可以进行各种特征的提取了。在时间域里,通常很难直接比较大量的离散数值量,因此通常需作一些数值运算,其中均方根(RMS)和标准偏差是最常用,也是最为有效的特征量[7]。图4a给出了沿工作台X向的切削力随孔数的变化关系,图4b则是进给Z向的切削力趋势,图中按每次装夹加工的6个孔作为一个单位分析。由图4a可看出磨损进展大致可分为三个阶段,第一阶段为磨合,磨损较快,达到一定磨损量后进入相对稳定的第二阶段,磨损进展相对稳定,此时切削力按一稳定速度增加,间中或有反复;当磨损量达到相当程度后,切削力也将快速增加,并很快形成过度磨损或豁口引起钻头失效。两次实验中,刀具都在最后加工中断裂,其中实验一加工250个孔后已明显过度磨损,实验二在加工到150孔后钻头出现了部分崩裂,形成了豁口。根据图4,分析可知,当提高进给速度时,切削力也随之增加,磨损进展加快,可钻的孔数也明显减少,但达到过度磨损或断裂前的X向切削力大致相同(约250N),Z向切削力的标准差在两次实验中也有类似变化规律。这说明我们可以通过检测切削力来诊断刀具的健康状况,提前提醒及时换刀。相对于力检测传感器,电流传感器检测更容易,更方便,图5a是电流RMS的变化规律,虽然总体上电流随已加工孔数的增加而增加,当出现过度磨损(需要换刀)时,电流RMS值并不比之前增加很多,因此很容易引起漏判。利用小波包分解方法对信号滤波后再次分解,如果选择层数M=6则可以获得127个特征信号。根据公式(1)求得节点(n,l)的相应能量特征EMn,j,并按照公式(3)的标准进行排序,结果显示节点[4,5]具有最大的特征区分能力。因此我们使用EM4,5作为判断磨损进展程度的标志,根据的大小指示是否需要换刀,如图5b。从图中可看出在出现过度磨损、不适宜继续加工时,EM4,5都有一个较大的突变,比RMS更能指示换刀需要。公式(3)主要强调了刀具过度磨损、豁口时的电流相对于平时的增加量大小,图5b不能很好反映磨损量的逐渐发展过程。为了说明加工中磨损量随孔的变化趋势,只比较标准差部分,我们采用公式:来对127个特征排序,最后筛选出最佳特征量是EM5,1,如图6所示。两次实验中的电流特征都随已加工孔数稳定增长,若选定一个合适的域值,也可以根据图6来决定最后换刀时间。

当钻头过度磨损或破损时,钻孔的质量将受到影响。以实验二为例,我们使用坐标测量仪测量了该钻头所钻180个孔的直径,结果如图7所示。直径变化也可大致分成三个阶段,与图4a对应,钻孔直径随着磨损量加大而呈下降趋势,当达到磨损限时,直径会快速下降,因此应在此时及时换刀(此例应在150孔左右),不能等到刀具在加工中断裂(180孔)而影响正常加工并产生不良品。

4 结论

通过钻削破坏性实验,对力传感器和电流传感器的检测结果分析表明可得到以下结论:

1)切削力大小能够反映刀具的磨损进展情况,但安装不便,代价高。

2)电流信号更容易获取,但电流信号的时间域特征在刀具出现过度磨损、豁口时变化不显著。

3)对电流信号进行小波包分解后提取各个节点的能量特征信号,针对分析目标的不同,定义了两种特征选择标准,进而筛选出合适的特征,实验结果说明所获得的特征量可有效地诊断出刀具缺陷,提醒加工人员及时换刀,在保证最大程度利用刀具的加工能力的同时保证加工过程的正常进行。

4)当进给速度过低时,电流信号对磨损变化的敏感程度降低,因此不适应于低速钻削加工检测。

参考文献

[1]SUBRAMANIAN K,Cook N H.Sensing of drill wear and prediction of drill life[J],ASME,Journal of Engineering for Industry,1977,99:295-301.

[2]JANTUNEN E.A summary of methods applied to tool cond-ition monitoring in drilling[J].International Journal of Ma-chine Tools&Manufacture,2002,42:997-1010.

[3]ERTUNC H M,OYSU,C.Drill wear monitoring using cuttingforce signals[J].Mechatronics,2004,14(5):533-548.

[4]WARDANY T E,GAO D,ELBESTAWI M A.Tool conditionmonitoring in drilling using vibration signature analysis[J],International Journal of Machine Tools&Manufacture,1996,36(6):687-711.

[5]LI Xiaoli.On-line detection of the breakage of small diameterdrills using current signature wavelet transform[J],Interna-tional Journal of Machine Tools&Manufacture,1999,39(1):157-164.

[6]ALFONSO L.Sensorless tool failure monitoring system for drilling machines[J].International journal of Machine Tools&Manufacture,2006,46:381-386.