基于深度学习的单目视觉防撞方法技术

本发明专利技术提出了一种基于深度学习的单目视觉防撞方法，包括以下步骤：S1.通过堆垛机上的摄像头自动采集图像数据；S2.通过预训练模型对自动采集的图像进行特征编码提取，保留一张在特征编码之间距离相近的图像作为训练图像；S3.对于自动采集的训练图像使用半监督模型进行训练和标注，形成一个自动增长自动标注的数据集；S4.基于S3得到的数据集经过数据增强后，选用轻量化的神经网络进行改进，并对神经网络嵌入高效的注意力机制，通过深度学习训练获得最优的单目视觉神经网络；S5.将S4得到的单目视觉神经网络的架构部署到堆垛机的端到端控制系统中。该方法可准确判断仓库货架中是否有人或者障碍物，实现了堆垛机的高效、安全、低成本的防撞功能。

【技术实现步骤摘要】

【】本专利技术涉及图像处理的，特别是一种基于深度学习的单目视觉防撞方法。

技术介绍

0、
技术介绍

1、堆垛机即堆垛起重机，是采用货叉或串杆作为取物装置，在仓库、车间等处攫取、搬运和堆垛或从高层货架上取放单元货物的专用起重机。由于堆垛机具有加速和移动速度快，适合运送重型工件；因导轨固定，行走平稳，停车位置比较准确；控制系统简单、可靠性好、成本低、便于推广应用等的优点，逐渐成为立体仓库中最重要的起重运输设备。

2、堆垛机在工作时需要设置防撞控制系统以探测仓库货架中是否有人或者障碍物，为堆垛机和仓库工作人员提供安全保障。现有堆垛机防撞技术中主要采用的方法有光电检测开关、超声波设备和激光雷达。然而，光电检测开关只能检测单点或多个点的位置状态，超声波设备容易受环境干扰而发生误报，激光雷达无法在低温冷库等具有挑战性的环境中完成防撞工作。

技术实现思路

0、
技术实现思路

1、本专利技术的目的就是解决现有技术中的问题，提出一种基于深度学习的单目视觉防撞方法，能够提高图像处理精度，准本文档来自技高网...

【技术保护点】

1.一种基于深度学习的单目视觉防撞方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种基于深度学习的单目视觉防撞方法，其特征在于：步骤S1中，通过架设在堆垛机载物台上的监控摄像头，使用图像自动采集程序实时收集堆垛机和货架状态的图像。

3.如权利要求1所述的一种基于深度学习的单目视觉防撞方法，其特征在于：步骤S2中，使用基于公开图像数据集预训练的模型对自动采集的图像提取特征编码，然后基于图像的特征编码，使用欧氏距离对图像数据集进行聚类，聚类距离的选取是基于该预训练模型对于相似图像进行特征距离计算所得的结果，在同一类别中对在特征距离上接近的图像去重，保留一个图...

【技术特征摘要】

1.一种基于深度学习的单目视觉防撞方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种基于深度学习的单目视觉防撞方法，其特征在于：步骤s1中，通过架设在堆垛机载物台上的监控摄像头，使用图像自动采集程序实时收集堆垛机和货架状态的图像。

3.如权利要求1所述的一种基于深度学习的单目视觉防撞方法，其特征在于：步骤s2中，使用基于公开图像数据集预训练的模型对自动采集的图像提取特征编码，然后基于图像的特征编码，使用欧氏距离对图像数据集进行聚类，聚类距离的选取是基于该预训练模型对于相似图像进行特征距离计算所得的结果，在同一类别中对在特征距离上接近的图像去重，保留一个图像；使用灰度扩展技术和流动网格混合技术对图像数据集进行增强，扩大数据集的容量。

4.如权利要求1或3所述的一种基于深度学习的单目视觉防撞方法，其特征在于：步骤s2中，通过基于公开图像数据集的预训练模型进行改造，剪去预训练模型的分类层神经网络，只保留到对每个通道的特征图进行池化操作的全局平均池化层，使用全局平均池化的结果作为该图像的特征编码。

5.如权利要求3所述的一种基于深度学习的单目视觉防撞方法，其特征在于：通过计算特征向量之间的距离来推断图像之间的相似程度，通过使用欧氏距离将每张图像的特征向量与它后面的特征向量进行计算，得到了一个距离矩阵，在图像去重时，保留距离相近的矩阵中...

【专利技术属性】
技术研发人员：蒋云良，鲁凯琳，杨珍，张浩宇，张雄涛，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：