一种可适应不同光照条件的危化品堆垛安全距离检测方法技术

本发明专利技术涉及图像数据处理技术领域，公开了一种可适应不同光照条件的危化品堆垛安全距离检测方法，通过用机器学习算法来提取特征点，特征点提取过程中不涉及利用经验指定什么样的点才是特征点，在低光照下不会像传统的经验算法那样因没考虑到低光照而无法顺利提取特征点，能够在低光照甚至红外相机下使用；通过利用成熟的二维图像目标及轮廓识别方法来识别危化品堆垛的轮廓，然后舍弃掉轮廓外的特征点，从而克服了机器学习来提取特征点时容易把无关的点也提取出来的问题，使后续的三维重构工作不会因为无关的点的存在而导致重构出的三维图形与真实的形状不一致。的三维图形与真实的形状不一致。的三维图形与真实的形状不一致。

【技术实现步骤摘要】
一种可适应不同光照条件的危化品堆垛安全距离检测方法


[0001]本专利技术涉及图像数据处理
，特别是涉及一种可适应不同光照条件的危化品堆垛安全距离检测方法。

技术介绍

[0002]危险化学品在仓库中进行存储的时候，需要控制其与各个位置的距离，以避免距离过近时发生危险，这些安全距离一般包括垛距、墙距、顶距、柱距和通道距，也即“五距”。
[0003]在装卸的时候，一般通过拉警戒线来控制危化品堆垛的五距，但由于装卸时的疏忽或存储过程中的掉落等诸多原因，有时候会出现部分危化品越过警戒线的危险状况，因此仓库需要经常巡查来排除这种风险，但人工巡查不仅工作量大，且费时费力，而且很多时候是不可靠的，因为人对距离的主观感受是不准确的，并且有时候警戒线本身都有可能因为主观或客观原因而发生偏位。
[0004]出于这种原因，目前已出现了一些采用机器视觉（提取双目相机拍摄的两幅照片上的特征点，如物体的角点等，然后利用两幅照片上成对的特征点测距求取深度信息，也即特征点与相机的距离，利用特征点和深度信息进行三维重建）来自动判断危化品的五距的方法，如CN109741306A
‑
应用于危险化学品库房堆垛的图像处理方法、CN113034490A
‑
化学品库房的堆垛安全距离监测方法、CN114120113A
‑
一种适用于危化品堆垛距离检测的双目图像匹配方法、CN114219857A
‑
一种危化品仓储堆垛安全距离测量方法。
[0005]但这些方法有一个共同的缺陷，就是对光照有要求。在低光照下（哪怕人眼能看清）效果不佳，且完全无法在红外相机下工作。这就要求在检测时有充足的光照，要求仓库里需要配置足够的可见光源，并且在检测五距时必须保持开灯状态。这提高了使用门槛及仓储能耗。
[0006]专利技术人在研究中发现，现有的危化品五距检测方法，无论采用哪种方法都涉及到对图像中特征点的提取，而特征点的提取，利用通过大量经验设计出的特征检测方法进行，这类算法在设计时没法把各种因素，如光照、相机类型（红外相机与可见光相机）等因素考虑进去，因此在光照较差时识别出的特征点很少，不足以完成后续的三维重建。
[0007]除了传统的特征点提取算法，目前也已经出现了一些通过机器学习来进行特征点提取的算法，其不依靠经验设计。但这种算法有一个很大的问题，就是识别出的特征点，很多都是不需要的。举例来讲，其会把地板砖的缝隙、墙上的污渍也识别进去，这限制了其具体应用。
[0008]相较于机器视觉（识别物体的三维形状），对二维图形中物体的目标识别及轮廓识别是更为简单的（因为不涉及到图像中的深度信息），且已经在诸如Photoshop等软件中大量应用。

技术实现思路

[0009]本专利技术提供一种可适应不同光照条件的危化品堆垛安全距离检测方法。
[0010]解决的技术问题是：现有的危化品堆垛安全距离自动检测方法，在低光照下识别效果差。
[0011]为解决上述技术问题，本专利技术采用如下技术方案：一种可适应不同光照条件的危化品堆垛安全距离检测方法，包括以下步骤：步骤一：拍摄危化品堆垛仓库内部至少两个不同角度下的照片；步骤二：对各照片进行图像特征提取，得出特征点及每个特征点的描述子；图像特征提取采用的算法为自监督训练的机器学习算法；步骤三：标出各照片上危化品堆垛的轮廓范围，若有范围控制照片上的特征点落在轮廓范围外，则剔除该特征点；步骤四：对步骤二获得的特征点进行匹配，得到特征点对；步骤五：采用步骤四的特征点对进行三维重建，然后监测三维模型中的危化品堆垛的五距是否满足要求。
[0012]进一步，步骤一中，采用标定过的双目相机进行拍摄。
[0013]进一步，双目相机采用张正友标定法进行标定。
[0014]进一步，步骤二中，采用的算法为SuperPoint特征提取网络。
[0015]进一步，步骤四中，采用SuperGule特征匹配网络进行特征点匹配。
[0016]进一步，步骤三具体如下：使用目标检测算法识别危化品堆垛，用规则的几何图形将各危化品堆垛分别框进去，然后剔除掉位于框外的特征点。
[0017]进一步，步骤三中，采用的目标检测算法为YOLOv5。
[0018]进一步，步骤三中，采用各边分别与危化品堆垛边沿相切的矩形框进行框选。
[0019]进一步，所述危化品堆垛仓库的地板为无网格线及装饰物的纯色地板。
[0020]进一步，步骤五中，三维模型为无色的点云模型。
[0021]本专利技术一种可适应不同光照条件的危化品堆垛安全距离检测方法与现有技术相比，具有如下有益效果：本专利技术中，通过用机器学习算法来提取特征点，特征点提取过程中不涉及利用经验指定什么样的点才是特征点，在低光照下不会像传统的经验算法那样因没考虑到低光照而无法顺利提取特征点，能够在低光照甚至红外相机下使用；通过利用成熟的二维图像目标及轮廓识别方法来识别危化品堆垛的轮廓，然后舍弃掉轮廓外的特征点，从而克服了机器学习来提取特征点时容易把无关的点也提取出来的问题，使后续的三维重构工作不会因为无关的点的存在而导致重构出的三维图形与真实的形状不一致。
附图说明
[0022]图1为本专利技术一种可适应不同光照条件的危化品堆垛安全距离检测方法的流程图。
具体实施方式
[0023]如图1所示，一种可适应不同光照条件的危化品堆垛安全距离检测方法，包括以下步骤：步骤一：拍摄危化品堆垛仓库内部至少两个不同角度下的照片；
注意这里的照片，可以是单一一组照片，也可以是连续拍摄的多组照片，也即视频。而之所以是至少两个角度下的照片，是为了获取图像的深度信息。用人眼来举例的话，必须有至少两只眼睛才能感知物体的远近。
[0024]步骤二：对各照片进行图像特征提取，得出特征点及每个特征点的描述子；图像特征提取采用的算法为自监督训练的机器学习算法；自监督训练算法是一类新型的目标检测算法，利用辅助任务从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对目标分类等任务有价值的表征。
[0025]这里之所以选用自监督训练的机器学习算法，是为了确保方案可以实现。因为这一领域十分小众，能够获得的训练集很少，已有的训练集中没有考虑低光照乃至红外相机下的识别。且因为需要同时懂机器学习及化工安全的跨界人才对数据进行标记，新建训练集成本很高。而采用自监督训练算法的话，就不需要带标记的训练集了，无标记的训练集直接拍几组不同光照下的照片即可，十分容易实现。甚至网上都有做好的预训练模型，直接迁移一下即可使用。
[0026]步骤三：标出各照片上危化品堆垛的轮廓范围，若有范围控制照片上的特征点落在轮廓范围外，则剔除该特征点；这一步涉及到两项工作，首先是识别出图像上哪里是危化品堆垛，然后是把识别出的危化品堆垛的轮廓画出来，这两项都是非常成熟的技术，这里不再赘述。
[0027]步骤四：对步骤二获得的特征点进行匹配，得到特征点对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可适应不同光照条件的危化品堆垛安全距离检测方法，其特征在于：包括以下步骤：步骤一：拍摄危化品堆垛仓库内部至少两个不同角度下的照片；步骤二：对各照片进行图像特征提取，得出特征点及每个特征点的描述子；图像特征提取采用的算法为自监督训练的机器学习算法；步骤三：标出各照片上危化品堆垛的轮廓范围，若有范围控制照片上的特征点落在轮廓范围外，则剔除该特征点；步骤四：对步骤二获得的特征点进行匹配，得到特征点对；步骤五：采用步骤四的特征点对进行三维重建，然后监测三维模型中的危化品堆垛的五距是否满足要求。2.根据权利要求1所述的一种可适应不同光照条件的危化品堆垛安全距离检测方法，其特征在于：步骤一中，采用标定过的双目相机进行拍摄。3.根据权利要求2所述的一种可适应不同光照条件的危化品堆垛安全距离检测方法，其特征在于：双目相机采用张正友标定法进行标定。4.根据权利要求1所述的一种可适应不同光照条件的危化品堆垛安全距离检测方法，其特征在于：步骤二中，采用的算法为SuperPoint特征提取网络。5.根据权利...

【专利技术属性】
技术研发人员：戴波，高思安，李晗丹，龚慧芳，闫梦莹，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：