一种基于深度学习的履带吊防碰撞控制系统及控制方法技术方案

本发明专利技术公开了一种基于深度学习的履带吊防碰撞控制系统及控制方法，包括数据采集模块，数据处理模块，深度学习模块，控制模块和执行模块，数据采集模块用于采集履带吊周围环境图像信息，并将图像信息转换为数字信号传输至数据处理模块，数据处理模块用于对数字信号进行预处理，以及对处理后的数字信号进行特征提取，深度学习模块用于对履带吊周围环境特征数据进行分类和识别，并将识别结果传输至控制模块，控制模块用于根据识别结果向执行模块输出相应的控制指令，执行模块用于根据控制模块输出的控制指令自动调整履带吊的位置和角度。本发明专利技术能实现了履带吊对不同形状、大小的障碍物的自动识别和避让，从而提高安全性能和工作效率。率。率。

【技术实现步骤摘要】
一种基于深度学习的履带吊防碰撞控制系统及控制方法


[0001]本专利技术属于履带吊防碰撞
，特别涉及一种基于深度学习的履带吊防碰撞控制系统及控制方法。

技术介绍

[0002]履带吊是履带起重机的简称，是一种下车地盘是履带行走机构，靠履带行走的吊车，其起重量大，可以吊重行走，具有较强的吊装能力。随着建筑行业的开展，履带吊的使用越来越广泛，使用密度的增加和操作人员的不标准操作，在履带吊的使用过程中出现越来越多的意外事故，造成人员伤亡和财产损失，因而研发出一种履带吊防碰撞装置。传统的履带吊防碰撞装置主要采用基于规则的控制方法，即事先编写好控制规则，根据传感器反馈的信息判断机械是否发生碰撞，再根据控制规则调整机械的运动轨迹。然而装置的控制规则编写复杂，需要考虑多种情况，难以完全覆盖所有情况，且规则的效果依赖于人工调整，无法自动适应不同的工作环境，无法保证装置的安全性能和稳定性。

技术实现思路

[0003]为了解决上述问题，本专利技术提供了一种基于深度学习的履带吊防碰撞控制系统及控制方法，以解决现有的履带吊防碰撞装置依赖于人工调整，无法自动适应不同的工作环境，无法保证装置的安全性能和稳定性的问题。
[0004]为实现上述目的，本专利技术提供了一种基于深度学习的履带吊防碰撞控制系统，包括：数据采集模块，数据处理模块，深度学习模块，控制模块和执行模块，数据采集模块与数据处理模块通信连接，数据处理模块与深度学习模块通信连接，深度学习模块与控制模块通信连接，控制模块与执行模块通信连接，其中，数据采集模块用于采集履带吊周围环境图像信息，并将图像信息转换为数字信号传输至数据处理模块；数据处理模块用于对数字信号进行预处理，包括噪声滤波，数据校正和数据对其，以及对处理后的数字信号进行特征提取，得到履带吊周围环境特征数据；深度学习模块用于对履带吊周围环境特征数据进行分类和识别，并将识别结果传输至控制模块；控制模块用于根据识别结果向执行模块输出相应的控制指令；执行模块用于根据控制模块输出的控制指令自动调整履带吊的位置和角度。
[0005]根据本专利技术的一个具体实施例，控制系统还包括显示模块，显示模块分别与数据采集模块和控制模块通信连接，用于显示履带吊周围环境图像和履带吊与周围环境物体之间的距离信息，以及控制履带吊的运动信息。
[0006]根据本专利技术的一个具体实施例，图像信息包括履带吊与周围环境物体之间的距离以及障碍物的形状和大小。
[0007]根据本专利技术的一个具体实施例，控制模块包括嵌入式系统或单片机。
[0008]根据本专利技术的一个具体实施例，数据采集模块包括激光雷达。
[0009]根据本专利技术的一个具体实施例，深度学习模块中集成有CNN模型，CNN模型采用卷积神经网络算法搭建并训练而成，包括输入层，卷积层，池化层，全连接层和输出层。
[0010]一种基于深度学习的履带吊防碰撞控制方法，包括：通过数据采集模块采集履带吊周围环境图像信息，并将图像信息转换为数字信号传输至数据处理模块；数据处理模块对数字信号进行预处理，包括噪声滤波，数据校正和数据对其，以及对处理后的数字信号进行特征提取，得到履带吊周围环境特征数据；通过深度学习模块对履带吊周围环境特征数据进行分类和识别，并将识别结果传输至控制模块；控制模块根据识别结果向执行模块输出相应的控制指令；执行模块根据控制模块输出的控制指令自动调整履带吊的位置和角度。
[0011]根据本专利技术的一个具体实施例，方法还包括：通过显示模块显示履带吊周围环境图像和履带吊与周围环境物体之间的距离信息，以及控制履带吊的运动信息。
[0012]根据本专利技术的一个具体实施例，图像信息包括履带吊与周围环境物体之间的距离以及障碍物的形状和大小。
[0013]根据本专利技术的一个具体实施例，方法还包括：采用卷积神经网络算法搭建CNN模型，并将CNN模型集成和部署到深度学习模块中。
[0014]与现有技术相比，本专利技术提供的一种基于深度学习的履带吊防碰撞控制系统及控制方法，通过激光雷达发射激光束，探测周围环境的距离和形状，并将探测结果转换成数字信号，利用深度学习模块对数字信号进行分类和识别，输出为“障碍物”的概率。控制模块根据输出的概率控制履带吊的运动，从而避免与障碍物碰撞。本专利技术可以实现对不同形状、大小的障碍物的识别和避让，具有较高的精度和鲁棒性。通过不断的训练和优化CNN模型，提高模型的准确度和鲁棒性。本专利技术能够帮助履带吊防碰撞装置实现智能化和自适应控制，从而提高安全性能和工作效率。在实际应用中，需要考虑多种因素，例如数据质量、模型设计、训练和测试、模型集成和部署等，从而保证装置的性能和稳定性。
附图说明
[0015]图1是根据本专利技术一实施例提供的履带吊防碰撞控制系统结构示意图。
[0016]图2是根据本专利技术一实施例提供的履带吊防碰撞控制方法流程图。
[0017]图3是根据本专利技术一实施例提供的CNN模型搭建方法流程图。
[0018]附图标记：01
‑
数据采集模块；02
‑
数据处理模块；03
‑
深度学习模块；04
‑
控制模块；05
‑
执行模块；06
‑
显示模块。
具体实施方式
[0019]为了使本领域技术人员更加清楚地理解本专利技术的概念和思想，以下结合具体实施例详细描述本专利技术。应理解，本文给出的实施例都只是本专利技术可能具有的所有实施例的一
部分。本领域技术人员在阅读本申请的说明书以后，有能力对下述实施例的部分或整体作出改进、改造、或替换，这些改进、改造、或替换也都包含在本专利技术要求保护的范围内。
[0020]在本文中，术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性，而是仅仅用于对不同的元件进行区分。在本文中，术语“一”、“一个”和其它类似词语并不意在表示只存在一个事物，而是表示有关描述仅仅针对事物中的一个，事物可能具有一个或多个。在本文中，术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系，而不能视作表示空间结构上的关系。例如，“A包括B”意在表示在逻辑上B属于A，而不表示在空间上B位于A的内部。另外，术语“包含”、“包括”和其它类似词语的含义应视为开放性的，而非封闭性的。例如，“A包括B”意在表示B属于A，但是B不一定构成A的全部，A还可能包括C、D、E等其它元素。
[0021]在本文中，术语“实施例”、“本实施例”、“一实施例”、“一个实施例”并不表示有关描述仅仅适用于一个特定的实施例，而是表示这些描述还可能适用于另外一个或多个实施例中。本领域技术人员应理解，在本文中，任何针对某一个实施例所做的描述都可以与另外一个或多个实施例中的有关描述进行替代、组合、或者以其它方式结合，替代、组合、或者以其它方式结合所产生的新实施例是本领域技术人员能够容易想到的，属于本专利技术的保护范围。
[0022]实施例1本专利技术的实施方式的附加方面和优点将在下面的描述中部分给出，部分将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的履带吊防碰撞控制系统，其特征在于，包括：数据采集模块，数据处理模块，深度学习模块，控制模块和执行模块，所述数据采集模块与所述数据处理模块通信连接，所述数据处理模块与所述深度学习模块通信连接，所述深度学习模块与所述控制模块通信连接，所述控制模块与所述执行模块通信连接，其中，所述数据采集模块用于采集履带吊周围环境图像信息，并将所述图像信息转换为数字信号传输至所述数据处理模块；所述数据处理模块用于对所述数字信号进行预处理，包括噪声滤波，数据校正和数据对其，以及对处理后的数字信号进行特征提取，得到履带吊周围环境特征数据；所述深度学习模块用于对所述履带吊周围环境特征数据进行分类和识别，并将识别结果传输至所述控制模块；所述控制模块用于根据所述识别结果向所述执行模块输出相应的控制指令；所述执行模块用于根据所述控制模块输出的控制指令自动调整履带吊的位置和角度。2.根据权利要求1所述的基于深度学习的履带吊防碰撞控制系统，其特征在于，所述控制系统还包括显示模块，所述显示模块分别与所述数据采集模块和所述控制模块通信连接，用于显示履带吊周围环境图像和履带吊与周围环境物体之间的距离信息，以及控制履带吊的运动信息。3.根据权利要求1所述的基于深度学习的履带吊防碰撞控制系统，其特征在于，所述图像信息包括履带吊与周围环境物体之间的距离以及障碍物的形状和大小。4.根据权利要求1所述的基于深度学习的履带吊防碰撞控制系统，其特征在于，所述控制模块包括嵌入式系统或单片机。5.根据权利要求1所述的基于深度学习的...

【专利技术属性】
技术研发人员：方国良，胡文瑾，刘占宝，刘云飞，姚文博，孙金，韩雪峰，马鑫亚，任中珂，蔡力，李岗，江博，牛军刚，郭帅，
申请(专利权)人：北京城建集团有限责任公司，
类型：发明
国别省市：