基于深度学习的煤堆取煤点提取方法及装置制造方法及图纸

本发明专利技术涉及基于深度学习的煤堆取煤点提取方法，包括以下：获取目标煤堆的第一点云数据集；对所述第一点云数据集进行滤波处理得到第二点云数据集；根据所述第二点云数据集制作目标煤堆的训练集以及测试集；根据所述训练集进行训练得到训练模型；加载所述训练模型，输入测试集，得到分割出的作业面；根据所述作业面，通过坐标计算得到取煤点的坐标。本发明专利技术一方面通过对提取到的煤堆的点云进行噪声滤除避免煤堆中的粉尘对提取结果的干扰，另一方面严格控制对煤堆的点云的识别模型的训练过程，确保识别出的取煤点的位置的精度，本发明专利技术能够实现智能化煤堆取煤，提高了煤堆取煤的工作效率，另外取煤点提取准确率高，无需人工选择取煤点，减小了失误率。减小了失误率。减小了失误率。

【技术实现步骤摘要】
基于深度学习的煤堆取煤点提取方法及装置


[0001]本专利技术涉及数据处理领域，尤其涉及基于深度学习的煤堆取煤点提取方法及装置。

技术介绍

[0002]国内对于煤堆的取煤往往是通过人工操作斗轮机的方式进行取煤，这种方式的弊端在于人工取煤效率低，且需要工作人员保持长时间的高注意力，对工人的要求较高。

技术实现思路

[0003]本专利技术的目的是为了至少解决现有技术的不足之一，提供基于深度学习的煤堆取煤点提取方法及装置。
[0004]为了实现上述目的，本专利技术采用以下的技术方案：具体的，提出基于深度学习的煤堆取煤点提取方法，包括以下：获取目标煤堆的第一点云数据集；对所述第一点云数据集进行滤波处理得到第二点云数据集；由于煤堆现场存在大量粉尘，体现在点云数据的就是噪声，所以先要对煤堆点云数据做滤波处理，以免训练过程学习到了噪声的规律，进而影响整个的学习准确率；根据所述第二点云数据集制作目标煤堆的训练集以及测试集；根据所述训练集进行训练得到训练模型；加载所述训练模型，输入测试集，得到分割出的作业面；根据所述作业面，通过坐标计算得到取煤点的坐标。
[0005]进一步，具体的，所述目标煤堆的第一点云数据集通过激光雷达扫描的方式获得。
[0006]进一步，具体的，所述根据所述第二点云数据集制作目标煤堆的训练集以及测试集，包括以下，对第二点云数据集中的点云数据进行标注，标注分为背景对应txt文件中的0以及平面对应txt文件中1；将标注好的点云数据进行打乱处理，并丢弃不能被2048整除的点云数据得到剩下的点云数据；将剩下的点云数据分为多份，每份2048个数据，按4：1的比例分配到训练集以及测试集的文件夹，文件夹中的数据有四列，前三列是点云的x,y,z的位置信息，第四列是标签信息。
[0007]进一步，上述根据所述训练集进行训练得到训练模型，加载所述训练模型，输入测试集，得到分割出的作业面，具体包括以下，将训练集中的数据分为两份，一份保存位置信息三列，另一份保存标签信息，设置batch为4，分批训练数据，每个batch数据的大小为（4，2048，3），先对数据进行最远点采样处理，包括以下，
采样1024点，设置半径数值和半径内点的数量，第一个半径是0.05，半径内点的数量为16，最终得到大小为（4，1024，16，3）大小的点，第二个半径是0.1，采样半径内的点为32，最终得到大小为（4，1024，32，3）大小的点；将第一个batch数据进行特征提取，特征提取分为四次，每次都分别对两个不同半径的数据进行卷积提取特征，结束后进行特征维度拼接；每次都有三个卷积层，且每个卷积层后有bn和relu层；第一次三卷积层的数据为（16，16，32），每个卷积层后都有bn层和relu层，第一个卷积层输入通道是6，输出通道16，卷积核大小为1*1，stride为1*1，卷积核数量为16 ，第二个卷积层输入通道是16，输出通道为16，卷积核大小为1*1，stride为1*1，卷积核数量为16，第三个卷积层输入通道是16，输出通道为32，卷积核大小为1*1，stride为1*1，卷积核数量为32，第一份半径数据经过三层卷积后得到数据大小为（4，1024，16，32），卷积后进行max操作得到点的数据为（4，1024，32），第二份半径点的数也通过三层卷积（32，32，64）后得到数据大小为（4，1024，32，64），max后点的数据大小为（4，1024，64），将两份数据按dim =
ꢀ‑
1进行特征拼接，得到（4，1024，96）；将得到的（4，1024，96）数据还需要进行最远点采样处理操作三次，分别采样数目为256、64、16，最终得到点的数据大小为（4，16，1024），其中1024是特征；接下来是上采样的过程，通过插值最终得到的数据大小为（4，128，2048）；最后经过mlp全连接层输出数据大小（4，2048，2），其中2是分割结果，比如（1，0）就是背景点，（0，1）就是平面。最后通过坐标系计算得出取煤点的坐标，比如选择平面区域x最大，y最小的点。
[0008]本专利技术还提出基于深度学习的煤堆取煤点提取装置，包括以下：点云获取模块，用于获取目标煤堆的第一点云数据集；滤波处理模块，用于对所述第一点云数据集进行滤波处理得到第二点云数据集；数据集制作模块，用于根据所述第二点云数据集制作目标煤堆的训练集以及测试集；训练模块，用于根据所述训练集进行训练得到训练模型；作业面生成模块，用于加载所述训练模型，输入测试集，得到分割出的作业面；煤点坐标计算模块，用于根据所述作业面，通过坐标计算得到取煤点的坐标。
[0009]本专利技术还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1
‑
4中任一项所述方法的步骤。
[0010]本专利技术的有益效果为：本专利技术提出通过机器学习的方式进行智能取煤，一方面通过对提取到的煤堆的点云进行噪声滤除避免煤堆中的粉尘对提取结果的干扰，另一方面严格控制对煤堆的点云的识别模型的训练过程，确保识别出的取煤点的位置的精度，本专利技术能够实现智能化煤堆取煤，提高了煤堆取煤的工作效率，另一方面取煤点提取准确率高，无需人工选择取煤点，减小了失误率。
附图说明
[0011]通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图，在附图中：图1所示为本专利技术基于深度学习的煤堆取煤点提取方法流程图；图2所示为本专利技术基于深度学习的煤堆取煤点提取方法的训练原理图。
具体实施方式
[0012]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本专利技术的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
[0013]参照图1，实施例1，本专利技术提出基于深度学习的煤堆取煤点提取方法，包括以下：步骤110、获取目标煤堆的第一点云数据集；步骤120、对所述第一点云数据集进行滤波处理得到第二点云数据集；步骤130、根据所述第二点云数据集制作目标煤堆的训练集以及测试集；步骤140、根据所述训练集进行训练得到训练模型；步骤150、加载所述训练模型，输入测试集，得到分割出的作业面；步骤160、根据所述作业面，通过坐标计算得到取煤点的坐标。
[0014]作为本专利技术的优选实施方式，具体的，所述目标煤堆的第一点云数据集通过激光雷达扫描的方式获得。
[0015]作为本专利技术的优选实施方式，具体的，所述根据所述第二点云数据集制作目标煤堆的训练集以及测试集，包括以下，对第二点云数据集中的点云数据进行标注，标注分为背景对应txt文件中的0以及平面对应t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的煤堆取煤点提取方法，其特征在于，包括以下：获取目标煤堆的第一点云数据集；对所述第一点云数据集进行滤波处理得到第二点云数据集；根据所述第二点云数据集制作目标煤堆的训练集以及测试集；根据所述训练集进行训练得到训练模型；加载所述训练模型，输入测试集，得到分割出的作业面；根据所述作业面，通过坐标计算得到取煤点的坐标。2.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，具体的，所述目标煤堆的第一点云数据集通过激光雷达扫描的方式获得。3.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，具体的，所述根据所述第二点云数据集制作目标煤堆的训练集以及测试集，包括以下，对第二点云数据集中的点云数据进行标注，标注分为背景对应txt文件中的0以及平面对应txt文件中1；将标注好的点云数据进行打乱处理，并丢弃不能被2048整除的点云数据得到剩下的点云数据；将剩下的点云数据分为多份，每份2048个数据，按4：1的比例分配到训练集以及测试集的文件夹，文件夹中的数据有四列，前三列是点云的x,y,z的位置信息，第四列是标签信息。4.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，上述根据所述训练集进行训练得到训练模型，加载所述训练模型，输入测试集，得到分割出的作业面，具体包括以下，将训练集中的数据分为两份，一份保存位置信息三列，另一份保存标签信息，设置batch为4，分批训练数据，每个batch数据的大小为（4，2048，3），先对数据进行最远点采样处理，包括以下，采样1024点，设置半径数值和半径内点的数量，第一个半径是0.05，半径内点的数量为16，最终得到大小为（4，1024，16，3）大小的点，第二个半径是0.1，采样半径内的点为32，最终得到大小为（4，1024，32，3）大小的点；将第一个batch数据进行特征提取，特征提取分为四次，每次都分别对两个不同半径的数据进行卷积提取特征，结束后进行特征维度拼接；每次都有三个卷积层，且每个卷积层后有bn和...

【专利技术属性】
技术研发人员：朱杰，陈新度，吴磊，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：