一种目标检测方法、系统及挖掘机技术方案

本申请公开了一种目标检测方法、系统及挖掘机，通过获取待检测目标的点云数据，并且将点云数据输入点云目标检测模型，以得到待检测目标的位置信息；其中点云目标检测模型包括：点云柱特征提取模块、注意力模块和目标检测模块，分别用于对点云数据进行平面特征融合编码以得到稀疏伪图，对稀疏伪图进行特征提取以得到待检测目标的深层特征图，对深层特征图进行目标检测，以得到待检测目标的位置信息；其中注意力模块为基于移动窗口的自注意力模块；即通过获取待检测目标的点云数据，并对该点云数据进行特征提取以得到稀疏伪图，并且利用基于移动窗口的自注意力模块对稀疏伪图进行全局特征的深层次提取，以提高目标检测的精度。以提高目标检测的精度。以提高目标检测的精度。

【技术实现步骤摘要】
一种目标检测方法、系统及挖掘机


[0001]本申请涉及挖掘机自动作业
，具体涉及一种目标检测方法、系统及挖掘机。

技术介绍

[0002]目前，3D目标检测算法在自动驾驶感知中应用广泛。按照使用的传感器来分，3D目标检测方法可以分为基于激光点云的方法，基于单目图像的方法，基于双目图像的方法，以及基于多类型传感器(激光雷达和摄像头)融合的方法。
[0003]PointPillars是一种基于激光点云的3D目标检测算法。它首先把点云映射到鸟瞰图平面上均匀划分的小格(Pillar)中，然后通过Pointnet提取每个小格(Pillar)内点云的特征，形成浅层特征图。浅层特征图输入到多层2D卷积构成的主干网络后得到深层特征图。深层特征图后接SSDDetection Head，最后经过非极大值抑制算法后，输出3D检测框。然而，PointPillars算法对点云的特征提取仍然不够准确。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种目标检测方法、系统及挖掘机，通过对PointPillars算法进行改进，以解决了上述技术问题。
[0005]根据本申请的一个方面，提供了一种目标检测方法，包括：获取待检测目标的点云数据；以及将所述点云数据输入点云目标检测模型，以得到所述待检测目标的位置信息；其中，所述点云目标检测模型包括：点云柱特征提取模块、注意力模块和目标检测模块；所述点云柱特征提取模块用于对所述点云数据进行平面特征融合编码，以得到稀疏伪图；所述注意力模块用于对所述稀疏伪图进行特征提取，以得到所述待检测目标的深层特征图；其中，所述注意力模块包括基于移动窗口的自注意力模块；所述目标检测模块用于对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息。
[0006]在一实施例中，所述注意力模块包括：三个所述基于移动窗口的自注意力模块；其中，三个所述基于移动窗口的自注意力模块的深度依次为2、6和2，三个所述基于移动窗口的自注意力模块的注意力头数依次为2、4和8。
[0007]在一实施例中，所述对所述点云数据进行平面特征融合编码，以得到稀疏伪图包括：将所述点云数据在多个坐标平面上的特征进行融合编码，以得到融合特征；以及将所述融合特征转化为所述稀疏伪图。
[0008]在一实施例中，所述对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息包括：采用单步检测算法对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息。
[0009]在一实施例中，所述待检测目标包括自卸车的车斗；其中，所述获取待检测目标的点云数据包括：获取所述自卸车的点云数据；其中，所述自卸车的点云数据包括所述自卸车的车斗的点云数据；所述对所述深层特征图进行目标检测，以得到所述待检测目标的位置
信息包括：对所述深层特征图进行目标检测，以得到所述自卸车的位置信息；以及根据所述自卸车的尺寸信息和所述自卸车的位置信息，计算得到所述自卸车的车斗的位置信息。
[0010]在一实施例中，所述获取待检测目标的点云数据包括：采用激光雷达获取所述待检测目标的所述点云数据。
[0011]在一实施例中，所述点云目标检测模型的训练方法包括：将不同场景下的点云数据和对应的位置标注信息作为训练集训练所述点云目标检测模型；以及对所述点云目标检测模型进行检验。
[0012]在一实施例中，所述对所述点云目标检测模型进行检验包括：采用测试集对所述点云目标检测模型进行检验，以得到所述点云目标检测模型的检测精度和检测速度。
[0013]根据本申请的另一个方面，提供了一种目标检测系统，包括：获取装置，用于获取待检测目标的点云数据；以及识别装置，用于将所述点云数据输入点云目标检测模型，以得到所述待检测目标的位置信息；其中，所述点云目标检测模型包括：点云柱特征提取模块、注意力模块和目标检测模块；所述点云柱特征提取模块用于对所述点云数据进行平面特征融合编码，以得到稀疏伪图；所述注意力模块用于对所述稀疏伪图进行特征提取，以得到所述待检测目标的深层特征图；其中，所述注意力模块包括基于移动窗口的自注意力模块；所述目标检测模块用于对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息。
[0014]根据本申请的另一个方面，提供了一种挖掘机，包括：挖掘机本体；以及如上述的目标检测系统，所述目标检测系统设置于所述挖掘机本体上。
[0015]本申请提供的一种目标检测方法、系统及挖掘机，通过获取待检测目标的点云数据，并且将点云数据输入点云目标检测模型，以得到待检测目标的位置信息；其中，点云目标检测模型包括：点云柱特征提取模块、注意力模块和目标检测模块；点云柱特征提取模块用于对点云数据进行平面特征融合编码，以得到稀疏伪图；注意力模块用于对稀疏伪图进行特征提取，以得到待检测目标的深层特征图；其中，注意力模块包括基于移动窗口的自注意力模块；目标检测模块用于对深层特征图进行目标检测，以得到待检测目标的位置信息；即通过获取待检测目标的点云数据，并对该点云数据进行特征提取以得到稀疏伪图，并且利用基于移动窗口的自注意力模块对稀疏伪图进行全局特征的深层次提取，以提高目标检测的精度。
附图说明
[0016]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0017]图1是本申请一示例性实施例提供的一种目标检测方法的流程示意图。
[0018]图2是本申请一示例性实施例提供的点云目标检测模型的原理示意图。
[0019]图3是本申请另一示例性实施例提供的一种目标检测方法的流程示意图。
[0020]图4是本申请另一示例性实施例提供的一种目标检测方法的流程示意图。
[0021]图5是本申请另一示例性实施例提供的一种目标检测方法的流程示意图。
[0022]图6是本申请一示例性实施例提供的一种目标检测装置的结构示意图。
[0023]图7是本申请另一示例性实施例提供的一种目标检测装置的结构示意图。
[0024]图8是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
[0025]下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0026]随着智能化和自动化技术的不断发展，越来越多的工程车辆也开始使用无人驾驶技术，例如挖掘机，挖掘机在作业过程中，通常会配合自卸车进行装载运输。人工驾驶的挖掘机都是通过驾驶员观测确定自卸车的位置(具体为自卸车车斗的位置)，然后将挖掘机的铲斗移动至自卸车车斗上方进行卸料操作，对于无人驾驶的挖掘机而言，如何准确识别自卸车车斗位置是其自动化作业的一个关键点。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括：获取待检测目标的点云数据；以及将所述点云数据输入点云目标检测模型，以得到所述待检测目标的位置信息；其中，所述点云目标检测模型包括：点云柱特征提取模块、注意力模块和目标检测模块；所述点云柱特征提取模块用于对所述点云数据进行平面特征融合编码，以得到稀疏伪图；所述注意力模块用于对所述稀疏伪图进行特征提取，以得到所述待检测目标的深层特征图；其中，所述注意力模块包括基于移动窗口的自注意力模块；所述目标检测模块用于对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息。2.根据权利要求1所述的目标检测方法，其特征在于，所述注意力模块包括：三个所述基于移动窗口的自注意力模块；其中，三个所述基于移动窗口的自注意力模块的深度依次为2、6和2，三个所述基于移动窗口的自注意力模块的注意力头数依次为2、4和8。3.根据权利要求1所述的目标检测方法，其特征在于，所述对所述点云数据进行平面特征融合编码，以得到稀疏伪图包括：将所述点云数据在多个坐标平面上的特征进行融合编码，以得到融合特征；以及将所述融合特征转化为所述稀疏伪图。4.根据权利要求1所述的目标检测方法，其特征在于，所述对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息包括：采用单步检测算法对所述深层特征图进行目标检测，以得到所述待检测目标的位置信息。5.根据权利要求1
‑
4中任一项所述的目标检测方法，其特征在于，所述待检测目标包括自卸车的车斗；其中，所述获取待检测目标的点云数据包括：获取所述自卸车的点云数据；其中，所述自卸车的点云数据包括所述自卸车的车斗的点云数据；所述对所述深层特征图进行目标检测，以得到所述待检...

【专利技术属性】
技术研发人员：袁浩东，何勇，崔帅，
申请(专利权)人：三一重机有限公司，
类型：发明
国别省市：