工作平台障碍物识别方法、系统及防撞方法、系统技术方案

本发明专利技术提供一种工作平台障碍物识别方法、系统及防撞方法、系统，所述障碍物识别方法包括：获取各个通道传输的工作平台四周无盲区的环境图像数据；计算环境图像数据的特征聚类矩阵；根据环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断环境图像数据的特征聚类矩阵所属的障碍物类别；根据障碍物类别计算环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离；根据特征识别距离判定环境图像数据中的物体是否为障碍物。所述工作平台防撞系统应用该障碍物识别方法，并通过超声波雷达数据判断障碍物与工作平台之间的距离，根据距离产生防撞告警。本发明专利技术的方案实现障碍物识别，剔除误判对象。剔除误判对象。剔除误判对象。

【技术实现步骤摘要】
工作平台障碍物识别方法、系统及防撞方法、系统


[0001]本专利技术涉及高空作业设备领域，具体地涉及一种工作平台障碍物识别方法、一种工作平台障碍物识别系统、一种工作平台防撞方法、一种工作平台防撞系统以及一种高空作业平台。

技术介绍

[0002]高空作业平台(Aerial work platform)是服务于各行业高空作业、设备安装、检修等可移动性高空作业的产品。例如，传统的高空作业平台相关产品主要有：剪叉式高空作业平台、车载式高空作业平台、曲臂式高空作业平台、自行式高空作业平台、铝合金高空作业平台、套缸式高空作业平台六大类。
[0003]不管是何种高空作业平台，在工作时均需要在距离地面较近的距离搭载作业人员，然后再升高或者移动到预期的位置，方便作业人员进行高空作业。很多时候高空作业的场景内都具有一定的障碍物，在进行高空作业平台升降或移动控制时需要避开障碍物，避免高空作业平台与障碍物发生碰撞、损坏设备、造成人员伤亡。
[0004]已有的防撞方法一般采用在高空作业平台上安装超声波雷达防碰撞系统，在高空作业平台的俯视图中，左侧、右侧、后侧三个方向装有超声波雷达测距系统，但是超声波雷达测距系统仅能够检测到左侧、右侧、后侧大部分区域范围内的数据，无法监测到全部区域，存在监测盲区，一但障碍物来自于监测盲区，则不会检测到障碍物，防碰撞系统失效。此外，超声波雷达测距系统仅能够检测到监测范围内是否有物体，以及物体与高空作业平台当前的距离，不能够判断监测范围内的物体是否是障碍物，存在较大的误判概率。在高空作业行业中，当工作人员拿着工具进入防碰撞系统区域等其它类似工况时，系统会误认为是障碍物，即会发出报警或者禁止动作等操作，给操作人员带来不便。

技术实现思路

[0005]本专利技术实施方式的目的是提供一种工作平台障碍物识别方法、系统及防撞方法、系统，该障碍物识别方法和系统能够根据工作平台的环境图像数据识别出图像数据中出现的物体是否为障碍物，并且判定障碍物的类型；防撞方法结合该障碍物识别方法识别出来的障碍物和超声波雷达数据进行防撞告警，通过深度学习算法进行障碍物样本收集与训练，实现实际应用中的障碍物识别，剔除误判对象，实时准确的为用户判断周围障碍物的方位和距离。
[0006]为了实现上述目的，本专利技术第一方面提供一种基于图像的工作平台障碍物识别方法，所述方法包括：
[0007]获取各个通道传输的工作平台四周无盲区的环境图像数据；
[0008]计算所述环境图像数据的特征聚类矩阵；
[0009]根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别；
[0010]根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离；
[0011]根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物。获取作业平台的环境图像数据进行图像匹配识别，确定工作平台周围的物体是否为障碍物，避免作业人员自己的身体部位等非障碍物被误判成障碍物。
[0012]进一步地，所述环境图像数据包括：
[0013]工作平台上方仰视区域、平台面平视区域、右侧左视区域、左侧右视区域、前方后视区域以及后方前视区域的环境图像数据。获取多个区域的环境图像数据，平台上方仰视区域、右侧左视区域和左侧右视区域的环境图像数据覆盖了工作平面内纵向范围的视角，平台面平视区域的环境图像数据覆盖了工作平台工作平面的范围，右侧左视区域、左侧右视区域和后方前视区域的环境图像数据覆盖了工作平面内横向范围的视角，形成多方位检测，减小检测盲区。
[0014]进一步地，所述神经网络算法为深度卷积神经网络算法。
[0015]进一步地，所述根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别，包括：
[0016]判断所述环境图像数据的特征聚类矩阵是否属于任一环境样本数据库中障碍物的特征聚类矩阵：
[0017]若不属于，则判定所述环境图像数据中的物体为障碍物；
[0018]若属于，则确定所述环境图像数据的特征聚类矩阵所属的障碍物类别。通过将环境图像数据的特征聚类矩阵与环境样本数据库中障碍物的特征聚类矩阵进行比较能够快速对环境中的物体的种类进行分类。
[0019]进一步地，所述根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离，包括：
[0020]对所述特征聚类矩阵进行卷积处理，得到卷积后的特征；
[0021]对所述卷积后的特征进行最大池化操作，得到最大池化后的特征值；
[0022]将所述最大池化后的特征值进行激励，得到激励后的特征值；
[0023]计算所述环境图像的训练误差；
[0024]对所述训练误差进行归一化处理；
[0025]计算所述特征聚类矩阵与所述激励后的特征值之间的特征识别距离。采用深度卷积神经网络模型进行图像特征值提取与图像匹配的技术实现。深度卷积神经网络模型进行智能识别训练与分类时，通过局部连接和权值共享以减少训练的参数。通过深度卷积神经网络模型进行障碍物识别，能够自动从训练样本中学习障碍物的特征，减少人工设计与干预，并且可从多层的学习模式中发现数据复杂结构，提高图像中障碍物识别的成功率。经过特征聚类矩阵比较判断后，特征识别距离计算仅需要进行一次计算，减少运算量。
[0026]进一步地，所述根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物，包括：
[0027]若所述特征识别距离大于设定阈值，则所述环境图像数据中的物体是障碍物；
[0028]若所述特征识别距离小于设定阈值，则所述环境图像数据中的物体不是障碍物，将所述环境图像数据定义为自学习数据。根据特征识别距离的大小判定障碍物，同时将特
征距离较小的图像数据收集起来作为自学习数据，便于根据实际使用过程中的障碍物识别情况进行特征距离计算参数的优化，提高障碍物识别准确率。
[0029]进一步地，所述计算所述环境图像数据的特征聚类矩阵，包括：
[0030]将所述环境图像数据细化为多个设定像素大小的图像模块；
[0031]计算所述图像模块的特征聚类矩阵M，M＝Eva{L，H，P，δ}；
[0032]其中，Eva{}为聚类计算函数；L为图像宽；H为图像高；P为通道；δ为乘积。
[0033]进一步地，所述对所述特征聚类矩阵进行卷积处理，得到卷积后的特征，包括：
[0034]将所述特征聚类矩阵输入输入层；
[0035]对输入的特征映射进行卷积处理，对第j层卷积层操作时，第j层的特征映射表示为：
[0036]Y
j
＝g(∑
i＝1
K
ij
*Y
i
+b
j
)
[0037]其中，Y
j
为第j层的特征映射本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的工作平台障碍物识别方法，其特征在于，所述方法包括：获取各个通道传输的工作平台四周无盲区的环境图像数据；计算所述环境图像数据的特征聚类矩阵；根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别；根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离；根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物。2.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述环境图像数据包括：工作平台上方仰视区域、平台面平视区域、右侧左视区域、左侧右视区域、前方后视区域以及后方前视区域的环境图像数据。3.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述神经网络算法为深度卷积神经网络算法。4.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述环境图像数据的特征聚类矩阵以及环境样本数据库中障碍物的特征聚类矩阵，判断所述环境图像数据的特征聚类矩阵所属的障碍物类别，包括：判断所述环境图像数据的特征聚类矩阵是否属于任一环境样本数据库中障碍物的特征聚类矩阵：若不属于，则判定所述环境图像数据中的物体为障碍物；若属于，则确定所述环境图像数据的特征聚类矩阵所属的障碍物类别。5.根据权利要求4所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述障碍物类别计算所述环境图像数据中的物体与环境样本数据库中障碍物的特征识别距离，包括：对所述特征聚类矩阵进行卷积处理，得到卷积后的特征；对所述卷积后的特征进行最大池化操作，得到最大池化后的特征值；将所述最大池化后的特征值进行激励，得到激励后的特征值；计算所述环境图像的训练误差；对所述训练误差进行归一化处理；计算所述特征聚类矩阵与所述激励后的特征值之间的特征识别距离。6.根据根据权利要求5所述的基于图像的工作平台障碍物识别方法，其特征在于，所述根据所述特征识别距离判定所述环境图像数据中的物体是否为障碍物，包括：若所述特征识别距离大于设定阈值，则所述环境图像数据中的物体是障碍物；若所述特征识别距离小于设定阈值，则所述环境图像数据中的物体不是障碍物，将所述环境图像数据定义为自学习数据。7.根据权利要求1所述的基于图像的工作平台障碍物识别方法，其特征在于，所述计算所述环境图像数据的特征聚类矩阵，包括：将所述环境图像数据细化为多个设定像素大小的图像模块；计算所述图像模块的特征聚类矩阵M，M＝Eva{L，H，P，δ}；
其中，Eva{}为聚类计算函数；L为图像宽；H为图像高；P为通道；δ为乘积。8.根据权利要求5所述的基于图像的工作平台障碍物识别方法，其特征在于，所述对所述特征聚类矩阵进行卷积处理，得到卷积后的特征，包括：将所述特征聚类矩阵输入输入层；对输入的特征映射进行卷积处理，对第j层卷积层操作时，第j层的特征映射表示为：Y
j
＝g(∑
i＝1
K
ij
*Y
i
+b
j
)其中，Y
j
为第j层的特征映射，表示输出映射；g(x)为激励函数；*为2维卷积运算符号；Y
i
为第i层的特征映射，表示输入映射；K
ij
为卷积核表达式；b
j
为偏值；所述最大池化操作通过如下公式进行计算：其中，max{}为取最大值计算，s为池化层区域的大小；为第i个特征映射在(j，k)内的神经元；h
i
(θ)为第i个特征映射位于θ的神经元，此处θ＝j
·
s+m
·
k
·
s+n，此处m，n为神经元在池化区域内的位置偏移量；所述将所述最大池化后的特征值进行激励，得到激励后的特征值，包括：采用ReLu函数R(x)作为激励函数，当特征值x高于既定标记时给予激励，否则清零；所述计算所述特征聚类矩阵与所述激励后的特征值之间的距离，包括：对特征聚类矩阵M与样本计算特征识别距离d0(a,b)：其中，α，β，γ，τ为初始化修正参数，x
i
∈M。9.根据权利要求5所述的基于图像的工作平台障碍物识别方...

【专利技术属性】
技术研发人员：沈裕强，邓超，熊路，朱后，岳泽擎，
申请(专利权)人：湖南中联重科智能高空作业机械有限公司，
类型：发明
国别省市：