本发明专利技术要解决的技术问题是提供一种基于深度学习的市政绿化带障碍物自动识别检测方法及装置，解决现有绿篱障碍物的检测不够精确、响应不够及时的问题；解决现有技术不能检测作业区后方障碍物的问题。本发明专利技术的有益效果是：基于深度学习的目标检测技术可以及时、准确地检测出绿篱和绿篱上的障碍物的位置、种类，方便用于后续的自动化操作；特别地，可以检测到作业区后方障碍物用于及时恢复作业。测到作业区后方障碍物用于及时恢复作业。
【技术实现步骤摘要】
一种基于深度学习的市政绿化带障碍物自动识别方法及装置
[0001]本专利技术涉及机器视觉
，特别是指一种基于深度学习的市政绿化带障碍物自动识别方法及装置。
技术介绍
[0002]按照国内城市跨越式的发展布局，城市绿地、道路绿化带及城市道路、高速公路绿化等养护设备也在不断更新迭代，就目前常规性的车载式绿篱修剪机已逐渐代替人工，承担起城市道路及高速公路绿化带修剪工作。随着深度学习技术的发展，目前已涌现出了许多高效的目标检测算法，对于道路视觉目标具有良好的检测性能，已经被广泛应用与无人驾驶领域。
[0003]目前市场上的车载绿篱修剪机主要采用固定式刀架，正常工作时若遇到障碍或者较粗树木，只能选择急停，进行人工调整避障，这种结构不仅效率低下，还需要操作人员时刻关注作业情况，提高了人员劳动强度。
[0004]为解决上述问题，现在已有的一些方法（如专利CN201820094300）是通过压力传感器检测障碍物后进行避障，这类方法的检测精度不高，不能提前预判障碍，响应较为迟缓，还是有较大的撞机风险；另外此类方法避障后因为刀具已经离开障碍物，无法再检测压力传感数据，所以不能判断障作业区是否远离障碍物从而恢复作业。
[0005]本专利技术要解决的技术问题是提供一种基于深度学习的市政绿化带障碍物自动识别方法及装置，解决现有绿篱障碍物的检测不够精确、响应不够及时的问题；解决现有技术不能检测作业区后方障碍物的问题。
[0006]本专利技术的有益效果是：基于深度学习的目标检测技术可以及时、准确地检测出绿篱和绿篱上的障碍物的位置、种类，方便用于后续的自动化操作；特别地，可以检测到作业区后方障碍物用于及时恢复作业。
技术实现思路
[0007]为解决上述技术问题，本专利技术提出一种基于深度学习的市政绿化带障碍物自动识别方法及装置，包括：1采集用于训练深度学习网络的绿篱图像并对图像中的绿篱和障碍物部分用矩形框进行标注，生成数据集；2根据所述标注生成的数据集对深度学习网络进行训练；3实时采集待检测的绿篱图像，根据训练好的深度学习网络和实时采集到的待检测的绿篱图像，实时检测图像上是否有绿篱和障碍物，并对检测到的绿篱和障碍物进行分类和定位生成矩形框；4根据检测出的绿篱矩形框确定一个判定边界h，用于筛选出有效的障碍物矩形框；5根据检测出的障碍物矩形框计算离参考线最近的障碍物的距离。
[0008]进一步地，所述1包括：
1-1采集用于训练深度学习网络的绿篱图像；1-2将采集到的所述绿篱图像中的绿篱和障碍物部分用矩形框进行标注，获取所述矩形框的左上角顶点坐标、右下角顶点坐标、及包含目标的种类；1-3将采集到的所述绿篱图像及获取的所述矩形框的上述属性生成数据集。
[0009]进一步地，为方便描述，1-2所述的矩形框的属性可以用数学符号表示：设图像左上角为坐标原点，横向右为x轴正方向，竖向下为y轴正方向，图像宽高为(W, H)又假设有n个矩形框，那么第i个矩形框描述为 ，其中 代表左上角顶点坐标， 代表右下角顶点坐标， 代表第i个框所属的类别编号。
[0010]进一步地，所述2之前，还包括：根据要检测的目标类别，修改深度学习所能检测的总的目标类别，并为每一个要检测的类别分配固定的编号。
[0011]进一步地，所述3包括：要求检测图像上绿篱的延伸方向（等同于公路的延伸方向）在画面中是横向的，这样可以对绿篱和障碍物的边界框定更加准确。
[0012]进一步地，所述4包括：针对检测到的n个绿篱矩形框，计算判定边界：进一步地，所述5包括：5-1针对检测到的障碍物矩形框，筛选出大于4所述h的矩 形框；5-2设参考线为x＝K，针对5-1筛选后的m个障碍物矩形框，计算：1筛选后的m个障碍物矩形框，计算：1筛选后的m个障碍物矩形框，计算：其中i表示第i个障碍物矩形框，d表示离参考线最近的障碍物的像素距离，d可以是负数。
[0013]本专利技术还提出一种基于深度学习的绿篱障碍物检测装置，包括：1采集模块，用于采集绿篱图像；2标注和训练模块，用于将采集到的所述绿篱图像中的绿篱和障碍物部分用矩形框进行标注，获取所述矩形框的坐标与所述矩形框所包含目标的种类生成数据集；用生成的数据集对深度学习网络进行训练；3检测模块，用于根据训练好的深度学习和实时采集到的待检测的绿篱图像，实时检测是否有绿篱和障碍物，并对检测到的绿篱和障碍物进行分类和定位，生成矩形框。
[0014]4分析模块，用于根据绿篱和障碍物的相对位置筛选出有效的障碍物矩形框，并计算离参考点最近的障碍物矩形框的像素距离。
[0015]进一步地，所述2模块包括：2-1标注单元，用于将采集到的所述绿篱图像中的绿篱和障碍物部分用矩形框进行标注；
2-2生成单元，用于获取所述矩形框的中心点坐标，所述矩形框的宽度、高度，及所述矩形框所包含目标的种类生成数据集；2-3训练单元，用于根据生成的数据集训练深度学习网络。
[0016]进一步地，所述4模块包括：4-1绿篱矩形框分析单元，用于分析绿篱矩形框是否有效，以及计算判定边界；4-2障碍物矩形框分析单元，用于根据判定边界分析障碍物矩形框是否有效，以及计算离参考点最近的障碍物矩形框的像素距离。
[0017]进一步地，所述装置还包括：编号模块，用于根据要检测的缺陷类别，修改深度学习网络所能检测的总的缺陷类别，并为每一个要检测的缺陷类别分配固定的编号。
附图说明
[0018]图1为本专利技术实施例提供的一种基于深度学习的市政绿化带障碍物自动识别方法流 程示意图。图2为本专利技术实施例提供的一种绿篱矩形面积计算的示意图图3为本专利技术实施例提供的一种障碍物矩形框面积与绿篱矩形框之间的间距示意 图。图4为本专利技术实施例提供的一种基于深度学习的绿篱障碍物检测装置示意图。
具体实施方式
[0019]为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
[0020]参看图1所示，本专利技术实施例提供的基于深度学习的绿篱障碍物检测方法，包括：1 采集用于训练深度学习网络的绿篱图像并对图像中的绿篱和障碍物部分用矩形框进行标注， 生成数据集。2根据所述标注生成的数据集对深度学习网络进行训练；3实时采集待检测的 绿篱图像，根据训练好的深度学习网络和实时采集到的待检测的绿篱图像，实时检测图像上 是否有绿篱和障碍物，并对检测到的绿篱和障碍物进行分类和定位生成矩形框；4根据检测 出的绿篱矩形框确定一个判定边界h，用于筛选出有效的障碍物矩形框；5根据检测出的障 碍物矩形框计算离参考线最近的障碍物的距离。
[0021]进一步地参考图2，所述1包括：1-1采集用于训练深度学习网络的绿篱图像。在真 实道路环境上模拟绿篱机作业，将摄像头安装在绿篱机或绿篱车上，采集包含绿篱或绿篱障 碍物的图像数据。1-2将采集到的所述绿篱图像中的绿篱和障碍物部分用矩形框进行标注， 标注其中与绿篱和绿篱障碍物检测相关的目标的位置和类别信息，获取所述矩形框的左上角 顶点坐标、右下角顶点坐标、及包含目标本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于深度学习检测绿篱和障碍物。2.对检测到的绿篱目标进行分析，判断出有效绿篱。3.对...
【专利技术属性】
技术研发人员：钟荣德，钟添德，钟先德，
申请(专利权)人：厦门仁工环保科技有限公司，
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。