一种基于图像识别的防碰撞方法技术

本发明专利技术公开了一种基于图像识别的防碰撞方法，步骤一：在图像输入后，采用基于非线性降维的图像识别技术，对图像进行处理；步骤二：利用PeleeNet特征提取网络对图像进行特征提取；步骤三：对特征进行采样；步骤四：图像信息解析模型自训练并实现摄像头本体部署；获取作业区域摄像头捕获的实时视频流，通过基于深度学习的库区异常物体检测方法，采用快速识别的循环神经网络模型，利用异常物体检测数据集进行目标检测模型的训练，利用厂区摄像头采集的样本数据进行模型的微调，使检测模型能够准确实时地识别出天车的运行轨迹内的是否存在异常物体，同时结合天车的运行高度和运行状态，及时为天车提供预警，避免发生天车发生碰撞事故。避免发生天车发生碰撞事故。避免发生天车发生碰撞事故。

【技术实现步骤摘要】
一种基于图像识别的防碰撞方法


[0001]本专利技术属于冶金自动化生产方法
，具体涉及一种基于图像识别的防碰撞方法。

技术介绍

[0002]无人天车是随企业物流的发展，信息化的逐步完善的产物，无人天车是个标准化的作业工艺，具有无人驾驶，运行速度较快的特点，但不能像有人天车及时发现库区内出现的异常情形(有人天车的安全控制手段主要是通过规范人员操作行为)，如：超高车辆或超高物体等。鉴于生产的提速和库区内作业类型复杂程度的增加的，当此类物体出现的概率逐步增大，同时无人天车运行过程中对运行路线内的异常物体不会进行实时识别，使得库区存在一定的天车相撞的可能，通过查询可知，由于管理不到位导致的天车相撞的安全事故每年都有发生，且一旦发生会带来巨大经济损失和社会影响。

技术实现思路

[0003]本专利技术的目的在于提供一种基于图像识别的防碰撞方法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于图像识别的防碰撞方法，在厂区及无人天车下方加装摄像头，获取作业区域监控视频信息，使用卷积神经网络直接预测不同目标的类别与位置，当天车形成作业任务时，系统预分析天车的运行轨迹，并通过AI检测算法判断是否有车辆或异常物体出现在作业区域，若有则根据异常物体的形状，结合天车的运行高度和运行轨迹，及时为天车提供预警，避免发生天车发生碰撞事故；
[0005]具体步骤为：步骤一：在图像输入后，采用基于非线性降维的图像识别技术，对图像进行处理；
[0006]步骤二：利用PeleeNet特征提取网络对图像进行特征提取；
[0007]步骤三：对特征进行采样；
[0008]步骤四：图像信息解析模型自训练并实现摄像头本体部署；
[0009]步骤五：进行结果预测，采用多个独立的逻辑分类器来计算属于特定标签的可能性，得出结论天车运行轨迹范围内是否存在异常物体，并生成预警类别发送给天车；
[0010]步骤六：天车系统根据AI系统输出的信号结合自身的运行轨迹及所吊物体状态来确定下一步动作，是保持静止还是执行随动避让作业。
[0011]优选的，所述步骤三中，加入残差结构，保障在网络结构很深的情况下仍能收敛。
[0012]优选的，所述步骤五中，使用二元交叉熵损失函数进行计算，交叉熵损失函数是分类目标函数，二元交叉熵损失函数的大间隔损失函数和中心损失函数从增大类间距离、减小类内距离的角度可以提高分类准确性，还提高了特征的分辨能力，二元交叉熵损失函数的坡道损失函数处理分类问题目，提高系统的抗噪特性。
[0013]优选的，所述步骤一中，数据处理ISP从Sensor接收Bayer Pattern RGB(RAW)数
据，分别在RAW域，RGB域以及YUV进行处理，最终输出YUV数据；RAW数据主要经过动态坏点校正(DBPC)，黑电平校正(BLC)，镜头阴影校正(LSC)，RAW域3A信息统计(3A Statistics)，白平衡(WBG)，颜色插值(Demosaic)，得到RGB数据；RGB数据经过Gamma校正，RGB2YUV转换为YUV数据；Y数据经过缩放模块(Y Scaler)可以带动所需要亮度的图像。
[0014]优选的，所述步骤二中，首先在maxpool前添加一个1x1 conv层；使用1x1卷积核来提取特征，有利于在深层网络对提取小目标特征。
[0015]与现有技术相比，本专利技术的有益效果是：通过在厂区及无人天车库区加装摄像头，获取作业区域摄像头捕获的实时视频流，通过基于深度学习的库区异常物体检测方法，采用快速识别的循环神经网络模型，利用异常物体检测数据集进行目标检测模型的训练，利用厂区摄像头采集的样本数据进行模型的微调，使检测模型能够准确实时地识别出天车的运行轨迹内的是否存在异常物体，同时结合天车的运行高度和运行状态，及时为天车提供预警，避免发生天车发生碰撞事故。
附图说明
[0016]图1是本专利技术的工作流程图；
[0017]图2是本专利技术的天车预警类别算法推理流程图；
[0018]图3是本专利技术的天车随动控制流程图。
具体实施方式
[0019]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]请参阅图1至图3，本专利技术提供一种技术方案：一种基于图像识别的防碰撞方法，在厂区及无人天车下方加装摄像头，获取作业区域监控视频信息，使用卷积神经网络直接预测不同目标的类别与位置，当天车形成作业任务时，系统预分析天车的运行轨迹，并通过AI检测算法判断是否有车辆或异常物体出现在作业区域，若有则根据异常物体的形状，结合天车的运行高度和运行轨迹，及时为天车提供预警，避免发生天车发生碰撞事故；
[0021]具体步骤为：步骤一：在图像输入后，采用基于非线性降维的图像识别技术，对图像进行处理。工作原理为：数据处理ISP从Sensor接收Bayer Pattern RGB(RAW)数据，分别在RAW域，RGB域以及YUV进行处理，最终输出YUV数据。RAW数据主要经过动态坏点校正(DBPC)，黑电平校正(BLC)，镜头阴影校正(LSC)，RAW域3A信息统计(3A Statistics)，白平衡(WBG)，颜色插值(Demosaic)，得到RGB数据；RGB数据经过Gamma校正，RGB2YUV转换为YUV数据。Y数据经过缩放模块(Y Scaler)可以带动所需要亮度的图像；
[0022]步骤二：利用PeleeNet特征提取网络对图像进行特征提取；
[0023]本方法首先在maxpool前添加一个1x1 conv层，这是因为在越深的网络层中语义信息更加抽象，感受野更大，普通的3x3卷积核无法提取小物体的特征，使用1x1卷积核来提取特征，该特征具有相对较小的感受野，在深层网络对提取小目标特征有利。而且1x1卷积核执行非线性运算，可以大大提高模型的非线性特征表达能力。另一个通道使用1x1大小和
3x3大小的卷积核来提取特征，然后对两个通道进行融合。其中，3x3卷积核在小物体特征提取的初始阶段具有较大的视野，可以减少特征提取初始阶段的信息丢失；
[0024]本方法将PeleeNet与Faster RCKQ网络相结合构建小目标检测网络，在原始的Faster RCKQ中，利用ROI Pooling层使生成的候选框映射成固定大小的特征图。但是ROI Pooling会使小目标在Pooling之后导致物体结构失真，会影响后层的目标框的回归定位，对于大目标的检测准确率影响不大，但对小目标的影响很大。为了解决小目标在ROI Pooling时结构失真的问题，受SINet的启发，本方法使用Context
‑
Aware ROI Pooling代替原文中的ROI Pool本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的防碰撞方法，其特征在于：在厂区及无人天车下方加装摄像头，获取作业区域监控视频信息，使用卷积神经网络直接预测不同目标的类别与位置，当天车形成作业任务时，系统预分析天车的运行轨迹，并通过AI检测算法判断是否有车辆或异常物体出现在作业区域，若有则根据异常物体的形状，结合天车的运行高度和运行轨迹，及时为天车提供预警，避免发生天车发生碰撞事故；具体步骤为：步骤一：在图像输入后，采用基于非线性降维的图像识别技术，对图像进行处理；步骤二：利用PeleeNet特征提取网络对图像进行特征提取；步骤三：对特征进行采样；步骤四：图像信息解析模型自训练并实现摄像头本体部署；步骤五：进行结果预测，采用多个独立的逻辑分类器来计算属于特定标签的可能性，得出结论天车运行轨迹范围内是否存在异常物体，并生成预警类别发送给天车；步骤六：天车系统根据AI系统输出的信号结合自身的运行轨迹及所吊物体状态来确定下一步动作，是保持静止还是执行随动避让作业。2.根据权利要求1所述的一种基于图像识别的防碰撞方法，其特征在于：所述步骤三中，加入残差结构，保障在网络结构很深的情况下仍能收敛。3.根据权利要求1所述的一种基于图像识别的防碰撞方法，其特征在于...

【专利技术属性】
技术研发人员：张科科，刘胜利，李明宇，朱佳，赵云龙，王桂清，葛映丹，韩雷，李自量，
申请(专利权)人：唐山惠唐物联科技有限公司，
类型：发明
国别省市：