【技術實現步驟摘要】
本專利技術涉及拋灑物檢測，具體而言，涉及一種基于傳統算法和深度學習的拋灑物檢測方法及系統。
技術介紹
1、高速隧道口因為連續的降雨或突然的暴雨等自然災害影響，會有突破多重防護措施的落石、樹木、泥土等異物，同時又存在掉落輪胎、箱子等公路常見拋灑物的可能，這兩方面的拋灑物都會對高速行駛的汽車造成嚴重的安全影響。因此，需要一種高效且精準的檢測方法來識別高速隧道口的拋灑物，確保交通安全。
2、現有技術的檢測方法，普遍存在以下問題：
3、1、只采用深度學習的方法檢測拋灑物：
4、在高速公路隧道口這一高速、復雜的場景中，點云數據量龐大，通常需要掃描得到數十萬甚至更多的地面點云數據，如果采用基于深度學習的分割算法，那么顯存可能會不夠大，而且推理速度會非常慢。對于這種實時性要求較高的應用場景是非常致命的；
5、2、只采用傳統點云算法檢測拋灑物：
6、其優勢在于運算速度快，但是精度不高，類似地面提取等算法，無法完全將地面點過濾掉；而且如果拋灑物尺寸過小，存在無法聚類成一個目標的可能性；
7、3、將傳統點云算法和深度學習結合來檢測拋灑物：
8、通常，現有的方法是先通過傳統的點云算法（如ransac算法）進行地面點云的過濾，再將過濾后的點云作為訓練數據基于深度學習的網絡進行模型訓練；部署時也同理，先用ransac算法過濾掉地面點云，然后再用基于深度學習的網絡進行預測；但是ransac分割的地面并不好，可能會出現某些區域中一小塊地面點沒有分割干凈的情況，這種情況直接輸入
技術實現思路
1、本專利技術實施例中提供一種基于傳統算法和深度學習的拋灑物檢測方法及系統，以解決現有技術中如何在保證拋灑物檢測效率的同時，提高檢測精度的問題。
2、為達到上述目的，一方面，本專利技術提供了一種基于傳統算法和深度學習的拋灑物檢測方法，該方法包括：s1、獲取原始點云集，將所述原始點云集進行背景過濾，得到過濾背景點云集；將所述過濾背景點云集中的每個點云進行類別標注，并進行數據增強，得到數據增強點云集；s2、將所述數據增強點云集中的每個點云進行柵格化操作，并將每個點云中的所有點進行柵格化分區，得到每個點云所對應的柵格化點集容器；對所述數據增強點云集中的每個點云中的每個點增加一個所在柵格的地面高度標簽值；s3、將所述數據增強點云集中的每個點云通過傳統點云算法進行地面過濾，得到濾除地面點云集；s4、將濾除地面點云集中每個點云進行點云補償，得到后處理點云集；將濾除地面點云集中當前點云進行點云補償包括：將當前點云中的每個點進行鄰域搜索得到每個點對應的所有鄰域點；根據每個點對應的所有鄰域點和其對應的柵格化點集容器，對當前點云進行點云補償；s5、將原始點云分割網絡模型中的交叉熵損失函數增加離地高度因子，得到更改點云分割網絡模型；將后處理點云集通過更改點云分割網絡模型進行多輪訓練，得到每輪的交叉熵損失值；根據當前輪的交叉熵損失值反向更新所述更改點云分割網絡模型；取交叉熵損失值最小的訓練輪次對應的更改點云分割網絡模型作為目標點云分割網絡模型；s6、獲取待檢測點云，將待檢測點云依次進行背景過濾、地面過濾、點云補償，得到待檢測后處理點云；將待檢測后處理點云輸入到目標點云分割網絡模型進行預測，得到待檢測后處理點云中每個點的類別；將類別為拋灑物的點提取出來并計算其外接框，得到拋灑物的中心位置和長寬高尺寸信息。
3、可選的，所述將所述過濾背景點云集中的每個點云進行類別標注，并進行數據增強，得到數據增強點云集包括：將所述過濾背景點云集中每個點云中的每個點進行類別標注，得到每個點的類別標簽；將每個點云中的每個拋灑物目標單獨保存，得到拋灑物點云集；依次將過濾背景點云集中每個點云作為當前過濾背景點云，從拋灑物點云集中隨機挑選預設個數的拋灑物點云添加到當前過濾背景點云中，得到當前數據增強點云。
4、可選的，所述s2包括：依次將數據增強點云集中的每個點云作為當前數據增強點云，將當前數據增強點云進行柵格化操作，得到多個柵格；將當前數據增強點云中的所有點進行柵格化分區，以將每個點劃分到對應的柵格中，得到當前柵格化點集容器；將當前數據增強點云中每個柵格中類別為地面的所有點的z值求平均，得到每個柵格的地面高度值；將當前數據增強點云中的每個點根據所在柵格的地面高度值增加一個標簽值，得到每個點的地面高度標簽值。
5、可選的，所述根據每個點對應的所有鄰域點和其對應的柵格化點集容器，對當前點云進行點云補償包括：依次將每個點作為當前點，若當前點的鄰域點的數量小于第一預設鄰域點數閾值，則丟棄當前點；若當前點的鄰域點的數量大于第二預設鄰域點數閾值，則保留當前點；若當前點的鄰域點的數量大于等于第一預設鄰域點數閾值且小于等于第二預設鄰域點數閾值，則根據當前點對應的柵格化點集容器，將當前點所在柵格的所有其他點全部添加到所述當前濾除地面點云中。
6、可選的，所述將后處理點云集通過更改點云分割網絡模型進行多輪訓練，得到每輪的交叉熵損失值包括：將后處理點云集中每個后處理點云通過更改點云分割網絡模型進行當前輪訓練，得到每個后處理點云的交叉熵損失值；將所有后處理點云的交叉熵損失值求和并求平均得到當前輪的交叉熵損失值。
7、可選的，所述每個后處理點云的交叉熵損失值均根據以下公式計算：
8、；
9、其中，l為當前后處理點云的交叉熵損失值，n為當前后處理點云的總點數，為當前后處理點云的第個點，m為當前后處理點云中類別的數量，c為當前后處理點云中第個點通過更改點云分割網絡模型預測為第c個類別，若第個點的類別標簽等于c，則取1，否則取0，為當前后處理點云中第個點通過更改點云分割網絡模型預測為第c個類別的預測概率，為當前后處理點云中第個點的離地高度因子，為當前后處理點云中第個點的z坐標值，為當前后處理點云中第個點的地面高度標簽值。
10、另一方面，本專利技術提供了一種基于傳統算法和深度學習的拋灑物檢測系統，該系統包括：數據處理單元，用于獲取原始點云集，將所述原始點云集進行背景過濾，得到過濾背景點云集；將所述過濾背景點云集中的每個點云進行類別標注，并進行數據增強，得到數據增強點云集；點云柵格化單元，用于將所述數據增強點云集中的每個點云進行柵格化操作，并將每個點云中的所有點進行柵格化分區，得到每個點云所對應的柵格化點集容器；對所述數據增強點云集中的每個點云中的每個點增加一個所在柵格的地面高度標簽值；地面過濾單元，用于將所述數據增強點云集中的每個點云通過傳統點云算法進行地面過濾，得到濾除地面點云集；點云補償單元，用于將濾除地面點云集中每個點云進行點云補償，得到后處理點云集；將濾除地面點云集中當前點云進行點云補償包括：將當前點云中的每個點進行鄰域搜索得到每個點對應的所有鄰域點；根據每個點對應的所有鄰域點和其對本文檔來自技高網...
【技術保護點】
1.一種基于傳統算法和深度學習的拋灑物檢測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述過濾背景點云集中的每個點云進行類別標注，并進行數據增強，得到數據增強點云集包括：
3.根據權利要求1所述的方法，其特征在于，所述S2包括：
4.根據權利要求3所述的方法，其特征在于，所述根據每個點對應的所有鄰域點和其對應的柵格化點集容器，對當前點云進行點云補償包括：
5.根據權利要求1所述的方法，其特征在于，所述將后處理點云集通過更改點云分割網絡模型進行多輪訓練，得到每輪的交叉熵損失值包括：
6.根據權利要求5所述的方法，其特征在于，所述每個后處理點云的交叉熵損失值均根據以下公式計算：
7.一種基于傳統算法和深度學習的拋灑物檢測系統，其特征在于，包括：
8.根據權利要求7所述的系統，其特征在于，所述數據處理單元包括：
9.根據權利要求7所述的系統，其特征在于，所述點云柵格化單元包括：
10.根據權利要求9所述的系統，其特征在于，所述根據每個點對應的所有鄰域
...【技術特征摘要】
1.一種基于傳統算法和深度學習的拋灑物檢測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述將所述過濾背景點云集中的每個點云進行類別標注，并進行數據增強，得到數據增強點云集包括：
3.根據權利要求1所述的方法，其特征在于，所述s2包括：
4.根據權利要求3所述的方法，其特征在于，所述根據每個點對應的所有鄰域點和其對應的柵格化點集容器，對當前點云進行點云補償包括：
5.根據權利要求1所述的方法，其特征在于，所述將后處理點云集通過更改點云分割網絡模型進行多...
【專利技術屬性】
技術研發人員：葉建標，陳奇，張進虎，沈躍忠，余鳳寅，占冰倩，盛凱威，
申請(專利權)人：浙江華是科技股份有限公司，
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。