【技术实现步骤摘要】
本专利技术涉及井下无轨设备防撞，具体涉及一种井下无轨设备全方位智能防撞系统及方法。
技术介绍
1、在井下作业中，井下无轨运输设备作为重要的运输工具，发挥着至关重要的作用。然而，井下作业环境复杂多变，存在着诸多安全隐患，其中车辆碰撞事故是较为常见的安全问题之一。虽然井下无轨车运输系统具有提高工作效率、增强安全性等优点，但在实际应用中存在较大的安全隐患，极易造成各种安全事故。井下作业空间狭窄，巷道交错纵横，视线受阻严重，无轨车辆在行驶过程中很容易与巷道壁、其他车辆、工作人员等发生碰撞，不仅会造成设备损坏和财产损失，还可能导致人员伤亡，给矿山企业带来巨大的经济损失和负面影响。此外，传统的防撞措施主要依赖于驾驶员的经验和注意力，但其局限性较大，无法有效应对复杂多变的井下环境。
2、目前井下无轨运输设备防撞方法采用激光雷达感知车辆周边环境，进而给机车等运输设备发送报警信号，这种方法难以感知接近人员和固定巷道，容易造成错判、误判。
3、因此，现需要一种准确感知接近人员或固定巷道的井下无轨设备全方位智能防撞系统及方法。
技术实现思路
1、本专利技术的主要目的在于提供一种井下无轨设备全方位智能防撞系统及方法，以解决现有技术中不能准确感知接近人员或固定巷道，容易造成错判、误判的问题。
2、为实现上述目的，本专利技术提供了一种井下无轨设备全方位智能防撞系统，包括：边缘计算处理单元、信号输入输出单元、手持式定位卡、测距雷达单元、红外相机补光单元和360°全向定位基站单
3、本专利技术还提供一种井下无轨设备全方位智能防撞方法，具体包括如下步骤：
4、s1，系统上电，并获取毫米波雷达信号，视觉信号和uwb信号。
5、s2，边缘计算处理单元持续接收毫米波雷达信号，并将毫米波雷达信号变为485信号进行距离转换；当距离小于设定值时，使用车辆环境检测算法对车辆前后方进行检测，系统根据检测结果发出警报或控制车辆紧急停车。
6、s3，利用uwb信号计算基站与手持式定位卡之间方位信息，并根据方位信息发送报警信息。
7、s4，当边缘计算处理单元读取到视觉信号时，通过司机行为检测算法识别司机违规操作，对违规操作进行报警或停车处理。
8、进一步地，步骤s2中的车辆环境检测算法包括如下步骤：
9、s2.1，所述系统获取视频流作为输入数据，并对视频流数据进行预处理，包括:调整图像尺寸、像素归一化和格式转换。
10、s2.2，预处理后得到视频流输入到改进的卷积神经网cnn模块进行特征提取、多尺度特征图融合以及目标检测。
11、s2.3，判断是否检测到行人以及转弯指示牌。
12、s2.4，如果检测到行人，则立刻读取毫米波雷达的实时探测数据进行辅助判定，当雷达数据小于25米时，启动系统报警；如果检测到转弯指示牌，表示车辆即将进入转弯状态，此时暂时取消通过毫米波雷达探测距离判定的障碍物低于0.5米停车功能，确保车辆顺利通过狭窄的拐角。
13、进一步地，步骤s4中的司机行为检测算法包括如下步骤：
14、s4.1，所述系统获取视频流作为输入数据，并对视频流数据进行预处理，包括：调整图像尺寸、像素归一化和格式转换。
15、s4.2，预处理后得到视频流输入到改进的卷积神经网络cnn进行目标检测。
16、s4.3，对检测的目标进行分类，区分正常行为和异常行为。
17、s4.4，对于异常行为，启动系统报警或制动停车。
18、进一步地，步骤s2.2和步骤s4.2中改进的卷积神经网络cnn包括：骨干网络、连接部和任务头。
19、骨干网络包括：依次连接的输入层、第一卷积层、第二卷积层、第一通用倒瓶颈模块、第三卷积层、第二通用倒瓶颈模块、第四卷积层、第三通用倒瓶颈模块、第五卷积层、第四通用倒瓶颈模块和空间金字塔池化层。
20、连接部包括：依次连接的第六卷积层、第一自适应多尺度采样层、第一连接层、第五通用倒瓶颈模块、第七卷积层、第二自适应多尺度采样层、第二连接层、第六通用倒瓶颈模块、第八卷积层、第三连接层、第七通用倒瓶颈模块、第九卷积层、第四连接层和第八通用倒瓶颈模块。
21、任务头包括：检测层。
22、其中，第二通用倒瓶颈模块还与第二连接层连接，第三通用倒瓶颈模块还与第一连接层连接，空间金字塔池化层还与第六卷积层连接，并且第六卷积层还连接第八通用倒瓶颈模块，第七卷积层还连接第三卷积层，第六通用倒瓶颈模块、第七通用倒瓶颈模块和第八通用倒瓶颈模块分别与检测层连接。
23、进一步地，改进的卷积神经网络cnn中的通用倒瓶颈模块包括两路，第一路为标准卷积层，第二路在标准卷积层的基础上引入深度卷积层：
24、第一路标准卷积，记为：
25、；
26、其中，是第一路卷积后得到的特征，是大小为h×w×c的输入特征；h、w、c分别代表高度、宽度和通道数，是大小为k×k×c的卷积核，的卷积核的高度和宽度均为k；是偏置项；是relu激活函数；表示标准卷积操作。
27、第二路在标准卷积层的基础上引入深度卷积层，记为：
28、；
29、其中，是第二路卷积后得到的特征，是扩展卷积，；是大小为的卷积核；是偏置项向量，表示逐通道卷积。
30、将第一路和第二路的特征拼接，得到拼接后的特征：
31、；
32、其中，代表连接操作。
33、最后，对拼接后的特征进行卷积处理，得到最终输出：
34、；
35、其中，为对拼接特征进行卷积处理的卷积核，为帮助改进的卷积神经网络模型调整通道输出的偏置项。
36、进一步地，改进的卷积神经网络cnn中的自适应多尺度采样层首先对输入特征进行不同倍数的下采样，生成多尺度特征图：
37、；
38、；
39、；
40、其中是输入特征；表示将特征按比例缩小。
41、之后自适应多尺度采样层为每个下采样后的特征计算复杂度权重：
42、；
43、其中，是复杂度权重，是复杂度计算函数，包括。
44、根据复杂度权重，对不同尺度的特征进行自适应上采样：
45、；
46、其中，为特征上采样，为根据权重自适应调整上采样倍率，为自适应上采样后的特征。
47、最后将不同尺度的上采样特征加权融合，得到最终输出：
48、；
49、其中，取1、2、3。
50、进一步地，步骤s2具体包括如下步骤：
51、s2.本文档来自技高网...
【技术保护点】
1.一种井下无轨设备全方位智能防撞系统，其特征在于，包括：边缘计算处理单元、信号输入输出单元、手持式定位卡、测距雷达单元、红外相机补光单元和360°全向定位基站单元；边缘计算处理单元分别与信号输入输出单元连接、测距雷达单元、红外相机补光单元和360°全向定位基站单元相连，手持式定位卡将窄脉冲信号传输至360°全向定位基站单元，并且手持式定位卡和360°全向定位基站单元相互传输通讯信号。
2.一种井下无轨设备全方位智能防撞方法，利用权利要求1所述的井下无轨设备全方位智能防撞系统，其特征在于，具体包括如下步骤：
3.根据权利要求2所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S2中的车辆环境检测算法包括如下步骤：
4.根据权利要求3所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S4中的司机行为检测算法包括如下步骤：
5.根据权利要求4所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S2.2和步骤S4.2中改进的卷积神经网络CNN包括：骨干网络、连接部和任务头；
6.根据权利要求5所述的一种井
7.根据权利要求5所述的一种井下无轨设备全方位智能防撞方法，其特征在于，改进的卷积神经网络CNN中的自适应多尺度采样层首先对输入特征进行不同倍数的下采样，生成多尺度特征图：
8.根据权利要求3所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S2具体包括如下步骤：
9.根据权利要求2所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S3具体包括如下步骤：
10.根据权利要求9所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤S3.3中的一级设限、二级设限和三级设限的距离分别为：10米、15米和20米。
...【技术特征摘要】
1.一种井下无轨设备全方位智能防撞系统，其特征在于，包括：边缘计算处理单元、信号输入输出单元、手持式定位卡、测距雷达单元、红外相机补光单元和360°全向定位基站单元；边缘计算处理单元分别与信号输入输出单元连接、测距雷达单元、红外相机补光单元和360°全向定位基站单元相连，手持式定位卡将窄脉冲信号传输至360°全向定位基站单元，并且手持式定位卡和360°全向定位基站单元相互传输通讯信号。
2.一种井下无轨设备全方位智能防撞方法，利用权利要求1所述的井下无轨设备全方位智能防撞系统，其特征在于，具体包括如下步骤：
3.根据权利要求2所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤s2中的车辆环境检测算法包括如下步骤：
4.根据权利要求3所述的一种井下无轨设备全方位智能防撞方法，其特征在于，步骤s4中的司机行为检测算法包括如下步骤：
5.根据权利要求4所述的一种井下无轨设备全方位智能防撞方法，其特征在于，...
【专利技术属性】
技术研发人员：宋庆军，姜昕睿，钱俊，吴强，徐征军，卜庆广，季枫，张成文，姜晓文，常晓龙，吴雅杰，亢宏磊，韩庆涛，王三立，
申请(专利权)人：山东科技大学，
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。