一种基于摄像头的防爆智能视觉导航方法及系统与流程
- 国知局
- 2024-09-05 14:49:34
本发明涉及视觉导航,具体来说,涉及一种基于摄像头的防爆智能视觉导航方法及系统。
背景技术:
1、智能视觉导航是一种利用视觉感知技术来识别和理解环境,从而实现自主导航和路径规划的技术。它主要依赖于摄像头作为传感器,结合图像处理和机器学习算法,来捕捉并分析环境数据,实现对周围环境的准确识别和地理定位。智能视觉导航通过集成先进的图像识别技术与智能算法,极大地提升了自动化系统的环境适应能力和决策智能,是现代自动化和人工智能领域的关键技术之一。
2、基于摄像头的防爆智能视觉导航方法在危险环境中的应用是极其重要的,尤其在化学工厂、石油精炼厂等场所,这些地方充斥着易燃易爆物质,传统的导航设备或方法可能不足以应对其中的复杂和潜在危险。使用特定的防爆摄像头不仅可以承受这些环境的严苛条件,还可以提供必要的安全保障。
3、现有技术中,例如中国专利201910276428.1公开了一种用于防爆仓库的无源视觉导航无人叉车系统和导航方法,其包括防爆摄像头、防爆控制器、感应器、报警器、机械防撞装置,实现防爆仓库内无源视觉导航无人化操作,避免危害人体健康。但是上述方法还存在以下不足:其对叉车实时的信标信息与储存的相对应的信标信息处理分析,来确定叉车实时位置。但是在动态的环境中,障碍物之间的相互作用可能频繁变化,如在高流动性的仓库中。如果无法快速更新和响应这些变化,其决策的有效性将受限。
4、针对相关技术中的问题,目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题,本发明提出一种基于摄像头的防爆智能视觉导航方法及系统,以克服现有相关技术所存在的上述技术问题。
2、为此,本发明采用的具体技术方案如下:
3、根据本发明的一个方面,提供了一种基于摄像头的防爆智能视觉导航方法,该基于摄像头的防爆智能视觉导航方法包括以下步骤:
4、s1、基于防爆摄像头获取环境图像,且识别出障碍物,并获取障碍物的特征数据。
5、s2、基于障碍物的特征数据,对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算,并进行相似性融合,得到融合相似性矩阵。
6、s3、获取历史导航日志数据,并使用时间序列分析法获取导航需求的周期性和趋势性,得到导航需求变化曲线,且使用事件检测算法识别环境变化的显著点,得到环境变化曲线。
7、s4、将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集,并基于综合数据集、融合相似性矩阵及标签数据,应用预测模型得到障碍物的匹配度得分。
8、s5、将匹配度高的障碍物作为导航路径的一部分,且规划从起点至终点,经过所有选定高匹配度障碍物的导航路径。
9、进一步的,基于障碍物的特征数据,对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算,并进行相似性融合,得到融合相似性矩阵包括以下步骤:
10、s21、基于障碍物的位置和尺寸信息,将每个障碍物表示为几何形状;
11、s22、获取两个障碍物之间的重叠区域,并计算交集面积;
12、s23、计算两个障碍物所有空间的最小几何形状的面积,得到并集面积;
13、s24、通过交集面积与并集面积的比值计算,得到杰卡德指数;
14、s25、将障碍物的特征数据构建向量,并使用向量的各个维度值进行乘积累加,得到障碍物的点积结果,且通过计算向量各分量平方和的平方根,得到障碍物的计算模;
15、s26、将两个向量的点积除以各自向量的模长,得到余弦相似性;
16、s27、对每一对障碍物,将杰卡德指数和余弦相似性得分进行融合,并构建融合相似性矩阵。
17、进一步的,获取历史导航日志数据,并使用时间序列分析法获取导航需求的周期性和趋势性,得到导航需求变化曲线,且使用事件检测算法识别环境变化的显著点,得到环境变化曲线包括以下步骤:
18、s31、收集历史导航日志数据,并对历史导航日志数据进行清洗;
19、s32、应用时间序列分析方法识别数据中的周期性模式;
20、s33、使用趋势分析技术识别长期趋势;
21、s34、利用时间序列图展示导航需求变化曲线;
22、s35、基于贝叶斯模型和环境监测数据获取环境变化的显著点,得到环境变化曲线。
23、进一步的,基于贝叶斯模型和环境监测数据获取环境变化的显著点,得到环境变化曲线包括以下步骤:
24、s351、获取环境监测数据,并进行数据清洗和数据编码;
25、s352、定义高斯核函数,并设置带宽参数,用于计算两个数据点之间的相似度;
26、s353、对所有环境监测点的数据使用高斯核函数迭代计算,得到相似度矩阵;
27、s354、建立基于先验知识和新获得数据的贝叶斯模型,并根据新数据和贝叶斯推断的结果,动态更新相似度矩阵;
28、s355、对更新后的相似度矩阵进行谱聚类分析,得到数据分组结果;
29、s356、使用分组结果识别环境变化的显著点,且基于识别的显著点和相关的环境事件,绘制表示障碍物变化频率和模式的环境变化曲线。
30、进一步的,高斯核函数的公式为:
31、
32、式中,k(x,y)表示两个数据点x和y之间的相似度值;
33、σ表示带宽参数。
34、进一步的,对更新后的相似度矩阵进行谱聚类分析,得到数据分组结果包括以下步骤:
35、s3551、基于更新后的相似度矩阵构建无向权重图的邻接矩阵,并从邻接矩阵构建对应的图拉普拉斯矩阵,并进行标准化;
36、s3552、计算标准化图拉普拉斯矩阵的特征向量,用于识别数据的结构和分组。
37、进一步的,将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集,并基于综合数据集、融合相似性矩阵及标签数据,应用预测模型得到障碍物的匹配度得分包括以下步骤:
38、s41、将导航需求变化及环境变化的均值和趋势特征值进行合并,得到综合数据集;
39、s42、将融合相似性矩阵整合到综合数据集中,为每个障碍物对添加相应的相似度得分;
40、s43、确定障碍物的匹配度得分标准,并将综合数据集中的每个障碍物分配匹配度得分作为标签;
41、s44、使用综合数据集和匹配度得分来训练随机森林模型,得到预测模型;
42、s45、利用随机森林内置的变量重要性评估功能,获取特征对预测模型的预测匹配度得分的影响程度;
43、s46、应用交叉验证技术测试预测模型,且根据预测模型性能和特征重要性反馈调整预测模型参数和特征选择;
44、s47、使用训练好的预测模型对新的障碍物进行匹配度得分预测,得到障碍物的匹配度得分。
45、进一步的,利用随机森林内置的变量重要性评估功能,获取特征对预测模型的预测匹配度得分的影响程度包括以下步骤:
46、s451、对于每个决策树,使用未被该决策树训练的样本来评估预测模型性能;
47、s452、随机置换每个特征的值,并获取置换对预测模型袋外误差的影响,且通过对比置换前后的袋外误差,获得每个特征的重要性得分;
48、s453、对所有决策树计算出的特征重要性得分进行平均,以获得每个特征的平均重要性得分;
49、s454、根据得到的平均重要性得分对特征进行排序。
50、进一步的,确定障碍物的匹配度得分标准时,障碍物的匹配度得分的计算公式为:
51、s=w1p-w2t;
52、式中,p表示障碍物的导航成功率;
53、t表示因障碍物而导致的平均延误时间;
54、w1和w2表示障碍物的导航成功率和因障碍物而导致的平均延误时间的权重。
55、根据本发明的另一个方面,提供了一种基于摄像头的防爆智能视觉导航系统,该基于摄像头的防爆智能视觉导航系统包括特征数据获取模块、相似度融合模块、数据提取模块、匹配度获取模块及导航路径确认模块。
56、其中,特征数据获取模块,用于基于防爆摄像头获取环境图像,且识别出障碍物,并获取障碍物的特征数据。
57、相似度融合模块,基于障碍物的特征数据,对障碍物进行位置重叠的相似性计算及向量间的余弦相似度计算,并进行相似性融合,得到融合相似性矩阵。
58、数据提取模块,用于获取历史导航日志数据,并使用时间序列分析法获取导航需求的周期性和趋势性,得到导航需求变化曲线,且使用事件检测算法识别环境变化的显著点,得到环境变化曲线。
59、匹配度获取模块,用于将导航需求变化曲线及环境变化曲线的统计特征结合得到综合数据集,并基于综合数据集、融合相似性矩阵及标签数据,应用预测模型得到障碍物的匹配度得分。
60、导航路径确认模块,用于将匹配度高的障碍物作为导航路径的一部分,且规划从起点至终点,经过所有选定高匹配度障碍物的导航路径。
61、本发明的有益效果为:
62、(1)本发明提供的一种基于摄像头的防爆智能视觉导航方法及系统,通过使用防爆摄像头,可以确保在易燃易爆环境中安全获取图像,减少安全事故的风险。通过获取融合相似性矩阵,且将融合相似性矩阵用于预测模型的训练及应用,从而能够考虑到障碍物之间的相对位置和特征相似度,有助于提高预测匹配度得分的准确性。因为相似的障碍物会对导航系统产生类似的影响,相似性矩阵揭示了障碍物间潜在的空间和功能联系,使得导航系统能够更好地规划路径。融合相似性矩阵的数据使得预测模型不仅基于单一障碍物的特征作出决策,而是可以综合多个障碍物的相互作用和关联性,提供更全面、更有效的导航解决方案。
63、(2)通过时间序列分析提供了导航需求的周期性和趋势性分析,帮助预测未来的导航需求,优化资源分配。通过事件检测算法快速识别环境变化,使导航系统能及时调整策略,提高对环境变化的响应速度和准确性。不断学习和适应环境变化和导航需求的变动,预测模型能够更好地适应复杂多变的操作环境,是高效导航和避免潜在障碍的关键。同时将多源数据集成,使用随机森林模型对障碍物的匹配度进行预测,提供更科学、精准的决策支持。通过持续训练和模型调整,导航系统能适应环境的变化,提高长期运行的可靠性和效率。准确的匹配度评分使得路径规划更加高效,确保通过最合适的路径达到目的地。
本文地址:https://www.jishuxx.com/zhuanli/20240905/288316.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表