测距方法及相关装置制造方法及图纸

本申请提供测距方法及相关装置，所述方法包括：利用云台带动摄像头进行图像采集，以得到初始图像；对所述初始图像进行目标检测，以得到所述初始图像对应的目标检测结果；基于巡航策略控制所述云台转动，以得到实时巡航图像；对所述实时巡航图像进行目标检测，以得到所述实时巡航图像对应的目标检测结果；基于所述实时巡航图像对应的目标检测结果，对所述实时巡航图像中的每个目标进行目标跟踪；将跟踪到的一个目标记为测量目标，利用所述云台带动所述摄像头对所述测量目标进行瞄准；利用测距传感器测量自身与所述测量目标之间的距离并上传至预设的目标设备。根据目标检测的结果对目标进行跟踪和瞄准，实现自动测距，无需人工跟踪目标。跟踪目标。跟踪目标。

【技术实现步骤摘要】
测距方法及相关装置


[0001]本申请涉及深度学习、目标检测、目标跟踪和工程测量的
，尤其涉及测距方法及相关装置。

技术介绍

[0002]现有的测距方式大都是用户手持设备，每次对目标进行测量的时候，都需要人操作设备去测量获取数据，在人工现场操作的情况下，对目标使用测距仪进行测量，需要通过肉眼观察摄像头的画面来进行瞄准，瞄准目标后再获取测量数据，这样的方式适合测量次数少的场景。
[0003]随着科技的发展，一些实时监测测量数据的场景在增加。比如对桥梁的健康监测、建筑物的位移监测、山体滑坡监测等场景，需要24小时不间断监测，人工测量的方式无法实现持续不间断地自动测量，尤其是在测量目标出现移动的情况下，无法实现无人操作情况下对目标的瞄准。
[0004]因此，亟需提供测距方法及相关装置，解决现有技术存在的问题。

技术实现思路

[0005]本申请的目的在于提供测距方法及相关装置，对测量目标持续地自动测距，无需人工肉眼跟踪和瞄准目标，智能化水平较高。
[0006]本申请的目的采用以下技术方案实现：
[0007]第一方面，本申请提供了一种测距方法，所述方法包括：
[0008]利用云台带动摄像头进行图像采集，以得到初始图像，所述初始图像中包括一个或多个目标；
[0009]对所述初始图像进行目标检测，以得到所述初始图像对应的目标检测结果，所述初始图像对应的目标检测结果包括所述初始图像中的每个目标的标识和位置信息；
[0010]基于巡航策略控制所述云台转动，以得到实时巡航图像，实现巡航；
[0011]对所述实时巡航图像进行目标检测，以得到所述实时巡航图像对应的目标检测结果，所述实时巡航图像对应的目标检测结果包括所述实时巡航图像中的每个目标的标识和位置信息；
[0012]当所述实时巡航图像对应的目标检测结果包括至少一个目标时，基于所述实时巡航图像对应的目标检测结果，对所述实时巡航图像中的每个目标进行目标跟踪；
[0013]将跟踪到的一个目标记为测量目标，利用所述云台带动所述摄像头对所述测量目标进行瞄准，以使所述测量目标位于所述摄像头采集到的实时瞄准图像的中心；
[0014]利用测距传感器测量自身与所述测量目标之间的距离并上传至预设的目标设备。
[0015]该技术方案的有益效果在于：首先，利用云台带动摄像头进行采集，得到初始图像，对初始图像进行目标检测，得到初始图像对应的目标检测结果，用于对初始图像中的目标进行标定，然后，基于巡航策略控制云台转动，利用云台调整摄像头的位姿来搜索目标，
得到实时巡航图像，对巡航图像进行目标检测，根据相应的目标检测结果对实时巡航图像中的每个目标自动进行目标跟踪，将跟踪到的目标作为测量目标，利用云台自动瞄准该测量目标，实现对测量目标的测距。
[0016]本申请通过云台带动摄像头实时采集图像，对采集到的图像进行目标检测，根据目标检测的结果自动对目标进行跟踪和瞄准，从而对测量目标持续地自动测距，无需人工肉眼跟踪和瞄准目标，智能化水平较高。
[0017]在一些可选的实施例中，所述对所述实时巡航图像进行目标检测，以得到所述实时巡航图像对应的目标检测结果，包括：
[0018]采用yolov5算法对所述实时巡航图像进行目标检测，以得到所述实时巡航图像中的每个目标的标识和位置信息；
[0019]所述对所述实时巡航图像中的每个目标进行目标跟踪，包括：
[0020]采用目标跟踪算法对所述实时巡航图像中的每个目标进行目标跟踪。
[0021]该技术方案的有益效果在于：一方面，目标检测可以采用yolov5算法，yol ov5是一种one
‑
stage的深度学习算法，相比于v1
‑
v4版本，在数据增强、训练策略、偏移量计算、损失计算等方面都进行了针对性优化，具有较高的准确度和运行速度；另一方面，目标跟踪可以采用目标跟踪算法，目标跟踪算法可以有效地关联目标，并提升跟踪的实时性。
[0022]在一些可选的实施例中，所述方法还包括：
[0023]基于所述测距传感器与所述测量目标之间的距离，获取所述测量目标在预设方向上的位移数据并上传至所述目标设备。
[0024]该技术方案的有益效果在于：通过测距传感器持续地对测量目标测距，结合多个测量数据可以计算测量目标在预设方向上的位移数据并上传至目标设备，这样的话用户可以得知测量目标有没有发生异常的位移变化，适用于山体滑坡监测、古城墙裂痕监测、桥梁健康监测、建筑物位移监测等需要实时监测的领域。
[0025]在一些可选的实施例中，所述巡航策略包括以下至少一种：所述云台所需转动的水平调节角度、所述云台所需转动的俯仰调节角度和所述测距传感器的测量频率；
[0026]获取所述巡航策略的过程包括：
[0027]获取环境信息，所述环境信息包括以下至少一种：风速、风力等级、风向、降雨量和能见度；
[0028]基于所述环境信息，获取对应的巡航策略。
[0029]该技术方案的有益效果在于：巡航策略可以是云台所需转动的角度、方向以及测距传感器的测量频率，在不同的环境下，可以设置不同的巡航策略，便于在巡航的过程中搜索到相应目标，例如，在风力等级较大的环境下，可以设置较高的测量频率，或者，针对相应的风向，控制云台在对应的方向转动一定角度。
[0030]在一些可选的实施例中，所述基于所述环境信息，获取对应的巡航策略，包括：
[0031]将所述环境信息输入至策略配置模型，以得到所述环境信息对应的巡航策略；
[0032]其中，所述策略配置模型的训练过程包括：
[0033]获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本环境信息以及所述样本环境信息对应的巡航策略的标注数据；
[0034]针对所述训练集中的每个训练数据，执行以下处理：
[0035]将所述训练数据中的样本环境信息输入至预设的深度学习模型，以得到所述样本环境信息对应的巡航策略的预测数据；
[0036]基于所述样本环境信息对应的巡航策略的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
[0037]检测是否满足预设的训练结束条件；如果是，则将训练出的深度学习模型作为所述策略配置模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
[0038]该技术方案的有益效果在于：通过设计，建立适量的神经元计算节点和多层运算层次结构，选择合适的输入层和输出层，就可以得到预设的深度学习模型，通过该预设的深度学习模型的学习和调优，建立起从输入到输出的函数关系，虽然不能100％找到输入与输出的函数关系，但是可以尽可能地逼近现实的关联关系，由此训练得到的策略配置模型，可以基于环境信息获取对应的巡航策略，且计算结果准确性高、可靠性高。
[0039]在一些可选的实施例中，所述测距传感器是同轴激光测距仪，所述同轴激光测距仪与所述摄像头集成为一体，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测距方法，其特征在于，所述方法包括：利用云台带动摄像头进行图像采集，以得到初始图像，所述初始图像中包括一个或多个目标；对所述初始图像进行目标检测，以得到所述初始图像对应的目标检测结果，所述初始图像对应的目标检测结果包括所述初始图像中的每个目标的标识和位置信息；基于巡航策略控制所述云台转动，以得到实时巡航图像，实现巡航；对所述实时巡航图像进行目标检测，以得到所述实时巡航图像对应的目标检测结果，所述实时巡航图像对应的目标检测结果包括所述实时巡航图像中的每个目标的标识和位置信息；当所述实时巡航图像对应的目标检测结果包括至少一个目标时，基于所述实时巡航图像对应的目标检测结果，对所述实时巡航图像中的每个目标进行目标跟踪；将跟踪到的一个目标记为测量目标，利用所述云台带动所述摄像头对所述测量目标进行瞄准，以使所述测量目标位于所述摄像头采集到的实时瞄准图像的中心；利用测距传感器测量自身与所述测量目标之间的距离并上传至预设的目标设备。2.根据权利要求1所述的测距方法，其特征在于，所述对所述实时巡航图像进行目标检测，以得到所述实时巡航图像对应的目标检测结果，包括：采用yolov5算法对所述实时巡航图像进行目标检测，以得到所述实时巡航图像中的每个目标的标识和位置信息；所述对所述实时巡航图像中的每个目标进行目标跟踪，包括：采用目标跟踪算法对所述实时巡航图像中的每个目标进行目标跟踪。3.根据权利要求1所述的测距方法，其特征在于，所述方法还包括：基于所述测距传感器与所述测量目标之间的距离，获取所述测量目标在预设方向上的位移数据并上传至所述目标设备。4.根据权利要求1所述的测距方法，其特征在于，所述巡航策略包括以下至少一种：所述云台所需转动的水平调节角度、所述云台所需转动的俯仰调节角度和所述测距传感器的测量频率；获取所述巡航策略的过程包括：获取环境信息，所述环境信息包括以下至少一种：风速、风力等级、风向、降雨量和能见度；基于所述环境信息，获取对应的巡航策略。5.根据权利要求4所述的测距方法，其特征在于，所述基于所述环境信息，获取对应的巡航策略，包括：将所述环境信息输入至策略配置模型，以得到所述环境信息对应的巡航策略；其中，所述策略配置模型的训练过程包括：获取训练集，所述训练集包括多个训练数据，每个所述训练数据包括一个样本环境信息以及所述样本环境信息对应的巡航策略的标注数据；针对所述训练集中的每个训练数据，执行以下处理：将所述训练数据中的样本环境信息输入至...

【专利技术属性】
技术研发人员：陈海波，丁新，
申请(专利权)人：深兰人工智能应用研究院山东有限公司，
类型：发明
国别省市：