【技术实现步骤摘要】
本专利技术涉及卸船机运输管理领域，具体涉及基于人工智能学习的卸船机作业对象识别方法。
技术介绍
1、随着视频监控、网络传输、传感器和控制技术的不断发展，卸船机远程智能化操控技术越来越受到码头装卸的重视。智能化操控指通过技术手段，将原先在驾驶室的基础上，将另外一个操作系统移至后方远程控制室操作，操作模式甚至可以由原先的“一对一”转变为全局随机分配的“一对多”。智能化操控技术改造对于传统人工：大幅减少人工费用；司机劳动强度降低，职业寿命延长；设备能耗和排放降低；产业智能化水平提高。
2、为了更好的实现卸船机作业的自动化和智能化，现有技术中提出了卸船机作业动态图像识别技术。卸船机作业动态图像识别的目的主要是，通过对卸船机作业过程中的图像或视频进行分析和处理，提取有用的信息和特征，实现对卸船机作业过程的自动识别和理解，进而提高卸船机作业的效率和质量，提升卸船机动态作业时的安全系数。其中识别卸船机作业对象类型的识别是作业动态图像识别中重中之重，因为作业对象的类型决定了卸船机自动化和智能化的工作方式和工作流程。
3、目前，卸船机作业对象识别的主要方式为，获取卸船机作业区域的视频图像，进而通过深度学习模型根据视频图像来实现作业区域内作业对象类型的识别。但是卸船机作业的场景较为复杂，并且存在光线干扰和遮挡等问题。然而，视频图像中包含的信息十分有限，其无法提供足够的深度信息和视觉信息来适应卸船机作业这一复杂的应用场景，导致作业对象类型识别的准确性和有效性不好。因此如何提高卸船机作业复杂场景中作业对象识别的有效性和准确性是亟
技术实现思路
1、针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于人工智能学习的卸船机作业对象识别方法，使用卸船机作业区域的光场图像作为卸船机作业对象类型识别的输入，并且融合光场图像的语义特征和灰度特征来实现作业对象类型的预测，从而提高卸船机作业复杂场景中作业对象识别的有效性和准确性。
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、基于人工智能学习的卸船机作业对象识别方法，包括：
4、s1：获取卸船机作业区域的光场图像；
5、s2：通过显著性检测模型对卸船机作业区域的光场图像进行显著性检测，生成包含作业对象的作业区域显著图像；
6、s3：将卸船机的作业区域显著图像输入深度学习模型，输出对应的作业对象预测类型；
7、深度学习模型的处理步骤如下：
8、s301：将卸船机的作业区域显著图像作为模型输入；
9、s302：通过主干网络提取作业区域显著图像的语义特征，生成作业区域语义特征图；
10、s303：通过灰度网络提取作业区域显著图像的灰度特征，生成作业区域灰度特征图；
11、s304：融合作业区域语义特征图和作业区域灰度特征图，生成作业区域全局特征图；
12、s305：将作业区域全局特征图输入全连接层进行预测，输出对应的作业对象预测类型；
13、s4：基于深度学习模型输出的作业对象预测类型指导卸船机完成对应的作业过程。
14、优选的，卸船机作业区域的光场图像包括区域全聚焦图像、区域深度图像与区域焦点堆栈图像；
15、步骤s2中，显著性检测模型根据区域全聚焦图像、区域深度图像与区域焦点堆栈图像进行显著性检测，生成对应的作业区域显著图像。
16、优选的，显著性检测模型的处理步骤如下：
17、s201：根据区域全聚焦图像计算生成全局紧凑显著图；
18、s202：根据区域深度图像计算生成深度对比显著图；
19、s203：根据区域焦点堆栈图像计算背景切片的背景概率及包含深度信息的前景概率；
20、s204：根据全局紧凑显著图和深度对比显著图分别结合背景概率和前景概率实现基于颜色与深度紧凑性定位粗略的显著目标到细化的过程，并计算得到区域细化显著图；
21、s205：通过自动元胞机优化模型优化区域细化显著图，得到对应的作业区域显著图像。
22、优选的，通过如下步骤计算全局紧凑显著图：
23、scs(i)＝1-norm(cc(i))；
24、式中：scs(i)表示全局紧凑显著图；norm(x)函数表示将x值进行归一化；cc(i)表示区域全聚焦图像中超像素vi的颜色空间方差。
25、优选的，通过如下步骤计算深度对比显著图：
26、
27、式中：sd(i)表示深度对比显著图；wpos(i，j)表示空间权重因子；di、dj表示深度空间中超像素vi、vj的深度平均值。
28、优选的，区域焦点堆栈图像是聚焦于一个场景中的前景到背景的一组聚焦切片；分析聚焦分布并选择区域焦点堆栈图像中背景似然分数最大的切片为背景切片，进而计算对应的背景概率和前景概率。
29、优选的，通过如下步骤生成区域细化显著图：
30、s2041：将全局紧凑显著图与背景概率结合以抑制全局紧凑显著图中的背景，得到背景权重细化后的背景抑制显著性图；
31、s2042：将深度对比显著图与前景概率结合以突出深度对比显著图的显著目标，得到由深度线索引起的前景突出显著图；
32、s2043：将背景抑制显著性图和前景突出显著图进行加权融合计算，得到对应的区域细化显著图。
33、优选的，基于颜色与深度信息的自动元胞机优化模型对区域细化显著图进行优化。
34、优选的，主干网络为resnet50网络。
35、优选的，灰度网络基于方向梯度直方图算法提取作业区域显著图像的灰度特征。
36、本专利技术中基于人工智能学习的卸船机作业对象识别方法与现有技术相比，具有如下有益效果：
37、本专利技术在卸船机作业对象类型识别任务中，使用卸船机作业区域的光场图像作为深度学习模型的输入，其中光场图像可以捕捉到卸船机作业复杂场景中的深度信息，使得深度学习模型能够更好地理解场景中的作业对象和其相互关系，有助于提高模型对作业对象的识别准确率。同时光场图像可以提供更丰富的视觉信息(包括物体的形状、大小、位置)，这有助于提高深度学习模型的感知能力，进而能够更好地识别和理解卸场景中的作业对象，并提高识别有效性。此外由于光场图像包含了深度信息，可以更好地应对场景内光照变化、遮挡等问题，有助于提高深度学习模型的鲁棒性，使其在卸船机作业复杂场景中仍能保持较高的识别准确率，以提升卸船机动态作业时的安全系数。综上，本专利技术通过卸船机作业区域的光场图像作为作业对象类型识别的输入，能够保证卸船机作业复杂场景中作业对象识别的有效性和准确性。
38、本专利技术在将卸船机作业区域的光场图像作为深度学习模型输入的基础上，进一步通过显著性检测模型对作业区域的光场图像进行显著性检测，生成包含作业对象的作业区域显著图像，进而能够更好的突出场景中的作业对象本文档来自技高网...
【技术保护点】
1.基于人工智能学习的卸船机作业对象识别方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤S1中，卸船机作业区域的光场图像包括区域全聚焦图像、区域深度图像与区域焦点堆栈图像；
3.如权利要求2所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤S2中，显著性检测模型的处理步骤如下：
4.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，步骤S201中，通过如下步骤计算全局紧凑显著图：
5.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，步骤S203中，通过如下步骤计算深度对比显著图：
6.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，区域焦点堆栈图像是聚焦于一个场景中的前景到背景的一组聚焦切片；分析聚焦分布并选择区域焦点堆栈图像中背景似然分数最大的切片为背景切片，进而计算对应的背景概率和前景概率。
7.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于
8.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤S205中，基于颜色与深度信息的自动元胞机优化模型对区域细化显著图进行优化。
9.如权利要求1所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤S302中，主干网络为ResNet50网络。
10.如权利要求1所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤S303中，灰度网络基于方向梯度直方图算法提取作业区域显著图像的灰度特征。
...【技术特征摘要】
1.基于人工智能学习的卸船机作业对象识别方法，其特征在于，包括：
2.如权利要求1所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤s1中，卸船机作业区域的光场图像包括区域全聚焦图像、区域深度图像与区域焦点堆栈图像；
3.如权利要求2所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于：步骤s2中，显著性检测模型的处理步骤如下：
4.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，步骤s201中，通过如下步骤计算全局紧凑显著图：
5.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，步骤s203中，通过如下步骤计算深度对比显著图：
6.如权利要求3所述的基于人工智能学习的卸船机作业对象识别方法，其特征在于，区域焦点堆栈图像是聚焦...
【专利技术属性】
技术研发人员：李渠，王璐烽，蒋飞，宋天星，孙诗洁，张强，邳光博，单木犀，仇恒军，
申请(专利权)人：重庆天诚数制科技有限公司，
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。