【技术实现步骤摘要】
本专利技术涉及雷达数据处理，具体涉及一种料场堆料三维建模及体积计算方法。
技术介绍
1、为了实现对谷仓，饲料厂等多种料场内部堆料的体积实时数据测量，选择通过雷达信号混频，精确定位目标获取信息并生成所需要的点云数据，已经成为目前的主流方法。现有技术多数选择通过无人机搭载激光雷达的方式进行观测。
2、激光雷达波束较窄，在测量时需要大量的点云数据才能完成成像；在灰尘、雾霾、雨雪等存在遮挡的天气环境下无法观测到准确有用的数据，无法满足各种复杂环境中的物位测量需求；造价也较为昂贵。
3、在数据处理层面，通过饥饿游戏算法寻优，处理雷达反馈数据是比较常见的做法。饥饿游戏搜索算法(hunger games search)是杨玉涛和陈慧玲这两位学者提出的一种根据群居动物的共同特征及其食物搜索而设计的元启发式优化算法，具有结构简单、调节参数少和鲁棒性强等特点，求解精度和收敛速度也有不错的表现，然而单一的算法最优解容易形成局部最优的情况，继而导致数据出现一定的偏差；通过饥饿游戏算法和dnn深度神经网络所获取的点阵数据，也会因为缺乏足够的数据样本和缺少数据校正计算和处理从而影响到数据精度。
4、在数据采集和处理完毕后，对三维建模体积进行常规计算比较复杂，效率较低，结果的准确性也不高。
技术实现思路
1、专利技术目的：针对
技术介绍
中指出的问题，本专利技术提供了一种料场堆料三维建模及体积计算方法，通过运用高频毫米波雷达，在不良天气下也能够正常采集点云数据，同时降低了成本开支
2、在料场四周使用4个高频毫米波雷达获取料场堆料各点的三维坐标，生成点云数据，形成坐标数据集，并将所述坐标数据集分为训练集和测试集；
3、基于饥饿游戏搜索算法进行改进，在种群初始化的过程中加入cubic混沌映射的方法，并且在个体位置更新时加入萤火虫扰动策略；
4、运用改进后的饥饿游戏搜索算法优化深度神经网络dnn模型中的权值与偏置，得到优化后的深度神经网络dnn模型；
5、利用训练集中三维坐标的x、y数据为输入，z轴数据为输出对优化后的深度神经网络dnn模型进行训练，利用训练后的优化后的深度神经网络dnn模型对采集的点云数据的z轴数据进行校正；
6、利用校正后的z轴坐标及采集的x、y轴数据形成坐标点云数据，运用pcl点云库对处理过的点云数据进行料场堆料三维建模；
7、将三维模型转化成三角网格并且进行料场堆料的体积计算。
8、进一步地，所述高频毫米波雷达的信号发送与接受原理如下：
9、当雷达与物体相对静止时，回波信号与发射信号相比，在时间上延迟了τ，可表示为：
10、
11、其中：r为雷达与目标物体的距离，c为光速。再通过发射与得到的信号进行混频之后得到两个信号的差值，称为差频信号。通过分析差频信号可以得到目标的信息，其中就包括距离信息r。
12、进一步地，所述雷达将采集到的距离r根据据雷达旋转的角度利用三角函数得出所采集点的z轴坐标，根据雷达旋转角角度得到每一次采集所在点相对于雷达初始化位置的三维坐标，记为(xij,yij,zij)，i代表第i个毫米波雷达，j代表第j个点，可表示为：
13、(x11,y11,z11)，(x12,y12,z12)…(x1n,y1n,z1n)
14、(x21,y21,z21)，(x22,y22,z22)…(x2n,y2n,z2n)
15、(x31,y31,z31)，(x32,y32,z32)…(x3n,y3n,z3n)
16、根据所得坐标整合得到点云数据传输至云平台，进一步的整合与优化。
17、进一步地，所述饥饿游戏搜索算法(hunger games search)的搜索机制可表示为：
18、
19、其中：r是随机数，r1，r2为[0,1]之间的随机数，randn是满足标准正态分布的随机数；t是当前迭代次数，w1与w2为饥饿权重；xb表示全局最优解，x(t)表示当前个体位置，l为设置的常数；
20、e的计算方式如下：
21、e＝sech(|f(i)-bf|)
22、其中i∈(1,2,...,n)，f(i)第i个个体的适应度值；bf是当前最优适应度值。sech是一个双曲函数；
23、对个体饥饿角色的特征进行数学建模w1与w2的计算公式如下：
24、
25、w2(l)＝(1-exp(-|hungry(i)-shungry|)×r5×2
26、其中：hungry代表每个个体的饥饿值；n道标个体数量；shungry代表个体饥饿感总和，r3，r4，r5属于[0,1]中的随机数。
27、hungry(i)的公式如下：
28、
29、allfitness(i)表示当前迭代过程中第i个个体的适应度。
30、在每次迭代过程中，最优解的h值被设定为0，其它解在原来饥饿的基础上添加一个h，每个个体的h值都不相同。h的计算公式为：
31、
32、
33、其中，f(i)为每个个体的适应度，bf为当前最优适应度的值；wf为当前最差适应度的值；ub和lb分别表示搜索空间的上限和下限。lh为h的下界。r6为[0,1]之间的随机数。
34、进一步地，所述饥饿游戏搜索算法(hunger games search)用于优化深度神经网络dnn模型中的权值与偏置，根据输入参数、隐含层参数、输出层参数的网络设定，对所述饥饿游戏算法进行初始化，继而产生多个权重不同的个体。
35、进一步地，所述cubic混沌映射方法，可以更快速提高各个三维坐标位置的收敛速度和数据获取效率，cubic混沌映射公式如下：
36、
37、其中，ρ为控制参数。当x0＝0.3，ρ＝2.95时具有较好的遍历性。
38、进一步地，利用cubic混沌映射方法处理后的数据集，根据当前权重与偏置，挑选出适应度最好的个体，利用萤火冲扰动方式，进一步更新最优个体位置，可表示为：
39、
40、xi与xj代表萤火虫i与萤火虫j空间所处位置；α为[0,1]的步长因子，rand为(0，1)中服从均匀分布的随机数。若适应度优于更新前个体位置，在达到最大迭代次数后进行保留，输出最佳权重与偏置数据，寻优完毕；若否，则重复上述计算。
41、进一步地，在利用训练后的优化的深度神经网络dnn模型对采集的点云数据的z轴数据进行校正后，得出本文档来自技高网...
【技术保护点】
1.一种料场堆料三维建模及体积计算方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，所述高频毫米波雷达的信号发送与接受原理如下：
3.根据权利要求2所述的料场堆料三维建模及体积计算方法，其特征在于，所述雷达将采集到的距离R根据据雷达旋转的角度利用三角函数得出所采集点的Z轴坐标，根据雷达旋转角角度得到每一次采集所在点相对于雷达初始化位置的三维坐标，记为(xij,yij,zij)，i代表第i个毫米波雷达，j代表第j个点，可表示为：
4.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，所述饥饿游戏搜索算法的搜索机制可表示为：
5.根据权利要求4所述的高频毫米波雷达点云技术料场三维建模与体积计算，其特征在于，所述饥饿游戏搜索算法用于优化深度神经网络DNN模型中的权值与偏置，根据输入参数、隐含层参数、输出层参数的网络设定，对所述饥饿游戏算法进行初始化，继而产生多个权重不同的个体。
6.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，所述Cu
7.根据权利要求6所述的料场堆料三维建模及体积计算方法，其特征在于，利用Cubic混沌映射方法处理后的数据集，根据当前权重与偏置，挑选出适应度最好的个体，利用萤火冲扰动方式，进一步更新最优个体位置，可表示为：
8.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，在利用训练后的优化的深度神经网络DNN模型对采集的点云数据的Z轴数据进行校正后，得出对应4组Z轴数据，作为校正值，再进行进一步校正，具体进一步校正过程如下：
9.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，基于最终点云数据使用PCL点云库进行三维建模，采用投影分割的方式，将所得模型进行体积计算。
...【技术特征摘要】
1.一种料场堆料三维建模及体积计算方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，所述高频毫米波雷达的信号发送与接受原理如下：
3.根据权利要求2所述的料场堆料三维建模及体积计算方法，其特征在于，所述雷达将采集到的距离r根据据雷达旋转的角度利用三角函数得出所采集点的z轴坐标，根据雷达旋转角角度得到每一次采集所在点相对于雷达初始化位置的三维坐标，记为(xij,yij,zij)，i代表第i个毫米波雷达，j代表第j个点，可表示为：
4.根据权利要求1所述的料场堆料三维建模及体积计算方法，其特征在于，所述饥饿游戏搜索算法的搜索机制可表示为：
5.根据权利要求4所述的高频毫米波雷达点云技术料场三维建模与体积计算，其特征在于，所述饥饿游戏搜索算法用于优化深度神经网络dnn模型中的权值与偏置，根据输入参数、隐含层参数、输出层参数的网...
【专利技术属性】
技术研发人员：张青春，张磊，沈骞，陈寿祥，陈燃，张宇翔，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。