地面分割学习模型训练方法、地平面确定方法及相关装置制造方法及图纸

本发明专利技术实施例提出一种地面分割学习模型训练方法、地平面确定方法及相关装置，其中，上述地面分割学习模型训练方法通过获取样本点云数据及对应的标准地表面；基于样本点云数据，拟合初始样本地平面；获取样本点云数据相对于初始样本地平面的样本距离分布；根据样本距离分布及标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，用于以识别地平面。本方案，考虑到距离较为可靠的初始样本地平面之间的距离，使训练得到的分割模型能够更加准确地从输入的点云数据中识别出真实的地表面，使得无人机能够更好的实现避障。障。障。

【技术实现步骤摘要】
地面分割学习模型训练方法、地平面确定方法及相关装置


[0001]本专利技术涉及计算机
，具体而言，涉及一种地面分割学习模型训练方法、地平面确定方法及相关装置。

技术介绍

[0002]随着农业机械化、智能化进程的推进，越来越多的自动化设备在农田中作业，近期无人机在农业中的应用也是引人瞩目。然而，农田内复杂的环境因素对农业的自动化进程造成严重的阻碍，其中树木、防风林、电线杆和斜拉线等障碍物危及到作业设备的安全性。特别是对于无人机这类作业设备，无法准确感知地表物体的位置，很容易使得无人机撞上障碍物，造成机毁断电的后果。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种地面分割学习模型训练方法、地平面确定方法及相关装置。
[0004]为了实现上述目的，本专利技术实施例采用的技术方案如下：
[0005]第一方面，本专利技术实施例提供一种地面分割学习模型训练方法，所述地面分割学习模型训练方法包括：
[0006]获取样本点云数据及对应的标准地表面；
[0007]基于所述样本点云数据，拟合初始样本地平面；
[0008]获取所述样本点云数据相对于所述初始样本地平面的样本距离分布；
[0009]根据所述样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，用于以识别地平面。
[0010]在可选的实施方式中，上述根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，以得到地面分割学习模型的步骤包括：<br/>[0011]将样本距离分布输入所述网络学习模型，以得到样本输出地表；
[0012]获取所述样本输出地表和标准地表面的偏差评估值；
[0013]将所述偏差评估值作为损失值，反向传播调整所述网络学习模型的模型参数，以得到所述地面分割学习模型。
[0014]在可选的实施方式中，所述地面分割学习模型训练方法还包括：获取所述样本点云数据对应的样本颜色分布；
[0015]根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，包括：
[0016]根据所述样本颜色分布、根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型。
[0017]第二方面，本专利技术实施例提供一种地平面确定方法，所述地平面确定方法包括：
[0018]基于用于表征真实世界场景的三维点云数据，获取初始地平面；
[0019]获取所述三维点云数据相对于所述初始地平面的距离分布；
[0020]根据所述距离分布及地面分割学习模型，得到最佳地平面；其中，所述地面分割学习模型为通过上述实施例所述的地面分割学习模型训练方法训练得到的模型。
[0021]在可选的实施方式中，所述地平面确定方法还包括：获取所述三维点云数据对应的颜色分布；根据所述距离分布及地面分割学习模型，得到最佳地平面的步骤包括：将所述距离分布和所述颜色分布输入所述地面分割学习模型，得到最佳地平面。
[0022]在可选的实施方式中，所述获取所述三维点云数据对应的颜色分布的步骤包括：
[0023]提取所述三维点云数据中每一个点云点所对应的颜色信息；
[0024]根据所有所述点云点的颜色信息，构建对应的所述颜色分布。
[0025]在可选的实施方式中，所述获取所述三维点云数据相对于所述初始地平面的距离分布的步骤包括：
[0026]计算每一个所述点云点与所述初始地平面之间的距离值；
[0027]根据所有的所述距离值，构建所述距离分布。
[0028]在可选的实施方式中，所述基于用于表征真实世界场景的三维点云数据，获取初始地平面的方式包括：
[0029]基于所述三维点云数据，利用预选算法，拟合出所述初始地平面。
[0030]第三方面，本专利技术实施例提供一种地面分割学习模型训练装置，所述地面分割学习模型训练装置包括：
[0031]生成模块，用于获取样本点云数据及对应的标准地表面；
[0032]第一拟合模块，用于基于所述样本点云数据，拟合初始样本地平面；
[0033]第一获取模块，用于获取所述样本点云数据相对于所述初始样本地平面的样本距离分布；
[0034]训练模块，用于根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，用于识别地平面。
[0035]第四方面，本专利技术实施例提供一种地平面确定装置，所述地平面确定装置包括：
[0036]第二拟合模块，用于基于用于表征真实世界场景的三维点云数据，获取初始地平面；
[0037]第二获取模块，用于获取所述三维点云数据相对于所述初始地平面的距离分布；
[0038]处理模块，用于根据所述距离分布及地面分割学习模型，得到最佳地平面；其中，所述地面分割学习模型为利用上述实施例所述的地面分割学习模型训练方法训练得到的模型。
[0039]第五方面，本专利技术实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式所述的地面分割学习模型训练方法；或者所述处理器可执行所述机器可执行指令以实现前述实施方式所述的地平面确定方法。
[0040]在可选的实施方式中，所述电子设备为带有图像采集模块的植保无人机，所述植保无人机通过所述图像采集模块采集真实世界场景的真实图像，以得到所述三维点云数据。
[0041]第六方面，本专利技术实施例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如前述实施方式所述的地面分割学习模型训练方法；或者所述计算机程序被处理器执行时实现如前述实施方式任一项所述的地平面确定方法。
[0042]与现有技术相比，本专利技术实施例提供的一种地面分割学习模型训练方法通过获取样本点云数据及对应的标准地表面，然后，基于样本点云数据，拟合初始样本地平面；获取样本点云数据相对于初始样本地平面的样本距离分布，利用样本距离分布及标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，用于以识别地平面。也即，充分考虑到点云距离较为可靠的初始样本地平面之间的距离信息，使训练得到的分割模型能够更加准确地从输入的点云数据中识别出地表面，以根据该地表面更准确的分离出地平面与地表物体，使得无人机能够更好的实现避障。
[0043]为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0044]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0045]图1示出了本专利技术实施例提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地面分割学习模型训练方法，其特征在于，所述地面分割学习模型训练方法包括：获取样本点云数据及对应的标准地表面；基于所述样本点云数据，拟合初始样本地平面；获取所述样本点云数据相对于所述初始样本地平面的样本距离分布；根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，用于以识别地平面。2.根据权利要求1所述的地面分割学习模型训练方法，其特征在于，所述根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，以得到地面分割学习模型的步骤包括：将样本距离分布输入所述网络学习模型，以得到样本输出地表；获取所述样本输出地表和标准地表面的偏差评估值；将所述偏差评估值作为损失值，反向传播调整所述网络学习模型的模型参数，以得到所述地面分割学习模型。3.根据权利要求1所述的地面分割学习模型训练方法，其特征在于，所述地面分割学习模型训练方法还包括：获取所述样本点云数据对应的样本颜色分布；根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型，包括：根据所述样本颜色分布、根据样本距离分布及所述标准地表面，对预先选择的网络学习模型进行迭代，得到地面分割学习模型。4.一种地平面确定方法，其特征在于，所述地平面确定方法包括：基于用于表征真实世界场景的三维点云数据，获取初始地平面；获取所述三维点云数据相对于所述初始地平面的距离分布；根据所述距离分布及地面分割学习模型，得到最佳地平面；其中，所述地面分割学习模型为利用权利要求1-3任意一项所述的地面分割学习模型训练方法训练得到的模型。5.根据权利要求4所述的地平面确定方法，其特征在于，所述地平面确定方法还包括：获取所述三维点云数据对应的颜色分布；根据所述距离分布及地面分割学习模型，得到最佳地平面的步骤包括：将所述距离分布和所述颜色分布输入所述地面分割学习模型，得到最佳地平面。6.根据权利要求5所述的地平面确定方法，其特征在于，所述获取所述三维点云数据对应的颜色分布的步骤包括：提取所述三维点云数据中每一个点云点所对应的颜色信息；根据所有所述点云点的颜色信息，构建对应的所述颜色分布。7.根据权利要求4所述的地平面确...

【专利技术属性】
技术研发人员：翁立宇，
申请(专利权)人：广州极飞科技有限公司，
类型：发明
国别省市：