【技術實現步驟摘要】
本專利技術提出一種面向礦區的線纜自動識別方法，屬于自動駕駛、智能交通系統、視覺處理的。
技術介紹
1、隨著科學技術的不斷發展，采礦業也迎來了高速發展的時期。其中線纜在礦區扮演著重要的角色，比如：傳輸電力信號、傳輸控制信號、傳輸通訊信號等，礦區線纜在采礦作業中發揮著至關重要的作用，它們不僅保證了采礦設備的正常運行和遠程控制，還實現了信息的實時傳輸和監控，為礦區的安全生產和高效作業提供了技術支持。礦區的線纜分布主要有兩種，一種是分布在裝卸載區的地面上；一種是分布在擋墻上，各種線纜的粗細均不相同。
2、由于礦區內存在惡劣的地質條件、塵土飛揚、不規則道路等復雜環境，這導致線纜難識別的問題；同時，線纜形狀細長且不規則，線纜的識別精度會相對較低；再者，礦區線纜擺放不規范，且位置會隨時發生改變，如何實時準確識別電纜也至關重要。有效、精準的識別線纜對礦區自動駕駛安全性的提高起到了非常重要的作用。在礦區時有車輛碾壓線纜引發的安全問題發生，通過自動化的線纜識別系統，能夠識別出線纜位置，避免其與無人駕駛路徑發生干涉，降低事故風險，提高礦區的安全性。
3、現有的線纜識別方大部分為圖像處理和點云處理：
4、中國專利公開號cn114219741a，專利技術名稱為《一種基于圖像處理的接觸網線纜的識別方法》，公開了一種基于圖像處理的接觸網線纜識別方法，通過調用照片、歸一化處理、圖像分析和返回位置寬度等步驟，實現自動識別接觸網位置。該方法利用標定化、歸一化等技術處理照片，無需手動測量，提高了效率和準確性。
5、中國
6、對于圖像處理的識別方法：通過圖像處理技術識別照片中的線纜位置，這種方法雖然具有自動化和高效性，但可能受到照片質量、光照條件、線纜的復雜性等多種因素的影響，導致識別精度不穩定。此外，如果線纜被其他物體遮擋或背景復雜，也可能影響識別的準確性。
7、對于點云處理的識別方法：雖然通過累計多幀點云可以提高識別的精度和穩定性，但這可能增加處理時間，對實時性要求較高的應用場景構成挑戰。特別是在需要快速響應和處理的場景中，點云處理方法的實時性能可能受到限制。
技術實現思路
1、鑒于上述問題，本專利技術提供了一種面向礦區的線纜自動識別方法，基于紅外/紅外攝像頭和激光雷達分別獲取礦區場景的圖像以及點云信息，將圖像與點云數據融合，解決了現有技術中定位精度和效率低的問題。
2、本專利技術提供了一種面向礦區的線纜自動識別方法，其特征在于，具體步驟為：
3、步驟1、使用紅外相機采集紅外圖像數據；使用激光雷達采集雷達數據；
4、步驟2、分別對紅外圖像數據和雷達數據進行預處理獲得圖像預處理數據和雷達預處理數據；
5、步驟3、對圖像預處理數據進行圖像語義分割、閉運算、去除小區域和目標區域膨脹操作獲得目標輪廓；對雷達預處理數據進行點云圖像標定后將點云映射至圖像獲得圖像點云融合信息；
6、步驟4、提取圖像點云融合信息中目標輪廓的線纜輪廓內點云；
7、步驟5、對線纜輪廓內點云進行點云柵格化獲得網格點-屬性值矩陣；
8、步驟6、基于步驟5中獲得的柵格化數據輸出線纜在三維空間中的實際位置。
9、可選地，采用深度學習語義分割網絡erfnet對圖像預處理數據進行圖像語義分割獲得圖像線纜邊界。
10、可選地，深度學習語義分割網絡erfnet的網絡架構包括編碼器和解碼器，編碼器將輸入的序列轉化為特征表示，使用卷積層和池化層將特征圖尺寸縮小，使其成為低維表征；解碼器接收低維表征，通過轉置卷積執行上采樣恢復空間維度擴展特征圖的尺寸；最終，解碼器生成表示原始圖像標簽的數組。
11、可選地，深度學習語義分割網絡erfnet的網絡架構包含23層，其中，第1-16層為編碼器encoder,第17-23層為解碼器decoder。
12、可選地，在第1層、2層和8層的編碼器encoder的進行三次下采樣依次降低數據的空間維度。
13、可選地，在解碼器decoder采用步長為2的反卷積進行上采樣。
14、可選地，對雷達預處理數據進行點云圖像標定后將點云映射至紅外圖像獲得圖像點云融合信息的具體步驟為：
15、提取雷達預處理數據中非地面點云數據；
16、獲取激光雷達和紅外相機的內參與外參，對非地面點云數據進行點云圖像標定獲得點云轉換矩陣；
17、將獲得的轉換矩陣點云映射至紅外圖像獲得圖像點云融合信息。
18、與現有技術相比，本專利技術至少具有現如下有益效果：實現了礦區線纜的自動識別，最大程度的保證了線纜識別的精度、準確性和實時性，識別出線纜位置，避免其與無人駕駛路徑發生干涉，降低事故風險，提高礦區的安全性。使用圖像分割模型進行線纜識別，準確識別出圖像中線纜所在的位置，在不同場景的數據上進行驗證測試，保證在不同天氣和不同場景中的結果都能穩定可靠，并且避免誤報。將激光雷達掃出的點云投影到圖像上，實現圖像和點云信息的融合，獲得圖片中分割出的線纜在三維空間中的實際位置。可用于之后的線纜類障礙物的識別和定位，供感知、決策、建圖進行消費使用。對于后期障礙物的圖像分割進行了技術積累，可提高感知系統的感知定位能力。
本文檔來自技高網...【技術保護點】
1.一種面向礦區的線纜自動識別方法，其特征在于，具體步驟為：
2.根據權利要求1所述的線纜自動識別方法，其特征在于，采用深度學習語義分割網絡ERFnet對圖像預處理數據進行圖像語義分割獲得圖像線纜邊界。
3.根據權利要求2所述的線纜自動識別方法，其特征在于，深度學習語義分割網絡ERFnet的網絡架構包括編碼器和解碼器，編碼器將輸入的序列轉化為特征表示，使用卷積層和池化層將特征圖尺寸縮小，使其成為低維表征；解碼器接收低維表征，通過轉置卷積執行上采樣恢復空間維度擴展特征圖的尺寸；最終，解碼器生成表示原始圖像標簽的數組。
4.根據權利要求3所述的線纜自動識別方法，其特征在于，深度學習語義分割網絡ERFnet的網絡架構包含23層，其中，第1-16層為編碼器Encoder,第17-23層為解碼器Decoder。
5.根據權利要求4所述的線纜自動識別方法，其特征在于，在第1層、2層和8層的編碼器Encoder的進行三次下采樣依次降低數據的空間維度。
6.根據權利要求5所述的線纜自動識別方法，其特征在于，在解碼器Decoder采用步長
7.根據權利要求1-6任一項所述的線纜自動識別方法，其特征在于，對雷達預處理數據進行點云圖像標定后將點云映射至紅外圖像獲得圖像點云融合信息的具體步驟為：
...【技術特征摘要】
1.一種面向礦區的線纜自動識別方法，其特征在于，具體步驟為：
2.根據權利要求1所述的線纜自動識別方法，其特征在于，采用深度學習語義分割網絡erfnet對圖像預處理數據進行圖像語義分割獲得圖像線纜邊界。
3.根據權利要求2所述的線纜自動識別方法，其特征在于，深度學習語義分割網絡erfnet的網絡架構包括編碼器和解碼器，編碼器將輸入的序列轉化為特征表示，使用卷積層和池化層將特征圖尺寸縮小，使其成為低維表征；解碼器接收低維表征，通過轉置卷積執行上采樣恢復空間維度擴展特征圖的尺寸；最終，解碼器生成表示原始圖像標簽的數組。
4.根據權利要求3所述的線纜自動識...
【專利技術屬性】
技術研發人員：周彬，李菲，王立云，王章宇，孫晟迪，
申請(專利權)人：北京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。