【技术实现步骤摘要】
本专利技术涉及视觉传感器，特别涉及一种采用工业3d视觉传感器的防爆智能终端智能识别方法。
技术介绍
1、工业环境中的安全监测和智能识别一直是工业自动化和智能制造领域的重要课题。传统的2d视觉技术已经难以满足复杂工业场景下的精确识别和环境感知需求。工业3d视觉传感器的引入为解决这一问题提供了新的可能，它能够获取更丰富的深度信息，有助于提高物体识别的准确性和环境感知的精度。然而，在防爆环境下应用3d视觉技术面临着诸多挑战。
2、防爆环境对设备的安全性要求极高，传统的视觉设备难以满足这些严格标准。其次，工业现场的复杂性和多变性使得物体识别和环境感知变得困难，需要更加鲁棒和自适应的算法。再者，工业现场的数据获取和标注成本高昂，如何在有限样本条件下实现高精度识别也是一个亟待解决的问题。此外，工业现场的实时性要求高，如何在边缘设备上实现快速、准确的识别和决策也是一个挑战。同时，工业场景中的物体种类繁多，形状复杂，如何有效提取和表示3d特征，以及如何设计能够适应不同场景的识别模型，都是亟需解决的问题。
技术实现思路
1、本专利技术的主要目的为提供一种采用工业3d视觉传感器的防爆智能终端智能识别方法，以提高防爆智能终端在工业环境中的识别能力和安全性能。
2、为实现上述目的，本专利技术提供了一种采用工业3d视觉传感器的防爆智能终端智能识别方法，包括以下步骤：
3、通过防爆智能终端中的工业3d视觉传感器采集目标场景的第一深度图像并进行点云转换和预处理，得到预处理点云
4、基于所述预处理点云数据，提取局部曲率、法向量分布和形状指数的综合3d特征，并通过修正球谐函数进行特征投影和系数计算，得到物体形状描述符；
5、基于随机矩形遮挡算法对所述预处理点云数据进行数据增强，并构建包含全局分支、局部粗粒度分支和局部细粒度分支的多尺度特征融合网络，通过联合损失函数训练，得到第一物体识别模型；
6、采用原型网络对所述第一物体识别模型进行迁移学习，通过任务采样、内外循环训练和元学习优化，得到第二物体识别模型；
7、将所述第二物体识别模型部署至防爆智能终端的边缘计算单元，结合实时采集的第二深度图像进行在线识别和环境感知，输出物体识别结果和环境安全评估报告。
8、本专利技术还提供了一种采用工业3d视觉传感器的防爆智能终端智能识别装置，包括：
9、采集模块，用于通过防爆智能终端中的工业3d视觉传感器采集目标场景的第一深度图像并进行点云转换和预处理，得到预处理点云数据；
10、计算模块，用于基于所述预处理点云数据，提取局部曲率、法向量分布和形状指数的综合3d特征，并通过修正球谐函数进行特征投影和系数计算，得到物体形状描述符；
11、构建模块，用于基于随机矩形遮挡算法对所述预处理点云数据进行数据增强，并构建包含全局分支、局部粗粒度分支和局部细粒度分支的多尺度特征融合网络，通过联合损失函数训练，得到第一物体识别模型；
12、优化模块，用于采用原型网络对所述第一物体识别模型进行迁移学习，通过任务采样、内外循环训练和元学习优化，得到第二物体识别模型；
13、输出模块，用于将所述第二物体识别模型部署至防爆智能终端的边缘计算单元，结合实时采集的第二深度图像进行在线识别和环境感知，输出物体识别结果和环境安全评估报告。
14、本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
15、本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
16、综上所述，本专利技术提供的技术方案通过提取局部曲率、法向量分布和形状指数的综合3d特征，并使用修正球谐函数进行特征投影和系数计算，得到更加精确和鲁棒的物体形状描述符，提高了物体识别的准确性。构建包含全局分支、局部粗粒度分支和局部细粒度分支的多尺度特征融合网络，能够同时捕获物体的全局结构和局部细节信息，增强了模型对复杂形状物体的识别能力。采用随机矩形遮挡算法进行数据增强，并结合原型网络进行迁移学习，有效解决了工业场景中样本不足的问题，提高了模型在新场景中的泛化能力。将训练好的模型部署到防爆智能终端的边缘计算单元，实现了实时的物体识别和环境感知，提高了系统的响应速度和决策效率。结合物体识别结果和场景分割信息，构建环境语义图并进行安全等级评估，通过体素化处理和密度编码，以及自适应采样和主轴对齐等技术，提高了模型对不同尺度和姿态物体的识别能力。在细粒度特征提取中引入自注意力和通道注意力机制，提高了模型对关键特征的捕捉能力，增强了识别的精确性。通过生成包含3d场景重建、物体标注和安全风险热图的报告，提高了识别结果的可解释性和可视化程度。
本文档来自技高网...【技术保护点】
1.一种采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述通过防爆智能终端中的工业3D视觉传感器采集目标场景的第一深度图像并进行点云转换和预处理，得到预处理点云数据，包括：
3.根据权利要求1所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述基于所述预处理点云数据，提取局部曲率、法向量分布和形状指数的综合3D特征，并通过修正球谐函数进行特征投影和系数计算，得到物体形状描述符，包括：
4.根据权利要求1所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述基于随机矩形遮挡算法对所述预处理点云数据进行数据增强，并构建包含全局分支、局部粗粒度分支和局部细粒度分支的多尺度特征融合网络，通过联合损失函数训练，得到第一物体识别模型，包括：
5.根据权利要求1所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述采用原型网络对所述第一物体识别模型进行迁移学习，通过任务采样、
6.根据权利要求1所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述将所述第二物体识别模型部署至防爆智能终端的边缘计算单元，结合实时采集的第二深度图像进行在线识别和环境感知，输出物体识别结果和环境安全评估报告，包括：
7.根据权利要求6所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述将所述实时点云数据输入所述第二物体识别模型的全局分支网络，通过5个3D卷积层和2个全连接层逐层提取全局特征，每个3D卷积层后应用批归一化和ReLU激活函数，得到第二全局特征表示，包括：
8.根据权利要求6所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述对所述实时点云数据进行3×3×3的体素划分，得到27个局部区域，将每个局部区域输入所述第二物体识别模型的粗粒度分支网络，通过3个3D卷积层和1个全连接层提取特征，对27个局部区域的特征进行最大池化操作，得到第二粗粒度局部特征表示，包括：
9.根据权利要求6所述的采用工业3D视觉传感器的防爆智能终端智能识别方法，其特征在于，所述对所述实时点云数据进行5×5×5的体素划分，得到125个精细局部区域，将每个精细局部区域输入所述第二物体识别模型的细粒度分支网络，通过2个3D卷积层和1个全连接层提取特征，对125个精细局部区域的特征进行注意力加权融合，得到第二细粒度局部特征表示，包括：
10.一种采用工业3D视觉传感器的防爆智能终端智能识别装置，其特征在于，用于实现权利要求1至9中任一项所述方法的步骤，所述装置包括：
...【技术特征摘要】
1.一种采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，所述通过防爆智能终端中的工业3d视觉传感器采集目标场景的第一深度图像并进行点云转换和预处理，得到预处理点云数据，包括：
3.根据权利要求1所述的采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，所述基于所述预处理点云数据，提取局部曲率、法向量分布和形状指数的综合3d特征，并通过修正球谐函数进行特征投影和系数计算，得到物体形状描述符，包括：
4.根据权利要求1所述的采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，所述基于随机矩形遮挡算法对所述预处理点云数据进行数据增强，并构建包含全局分支、局部粗粒度分支和局部细粒度分支的多尺度特征融合网络，通过联合损失函数训练，得到第一物体识别模型，包括：
5.根据权利要求1所述的采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，所述采用原型网络对所述第一物体识别模型进行迁移学习，通过任务采样、内外循环训练和元学习优化，得到第二物体识别模型，包括：
6.根据权利要求1所述的采用工业3d视觉传感器的防爆智能终端智能识别方法，其特征在于，所述将所述第二物体识别模型部署至防爆智能终端的边缘计算单元，结合实时...
【专利技术属性】
技术研发人员：谭克新，谭旭，鄂军，谭淳柏，
申请(专利权)人：深圳固特讯科技有限公司，
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。