【技术实现步骤摘要】
本专利技术涉及机器视觉和人工智能领域，特别涉及一种基于ai视觉的轮胎吊大车防撞方法、设备及系统。
技术介绍
1、在港口、物流园区等作业环境中，轮胎吊大车等重型设备在运行时需要特别注意周围环境中的障碍物，如人员、车辆、集装箱、雪糕筒等，以防止发生碰撞事故。
2、传统的防撞设施通常依赖于物理传感器，如雷达、红外线等，通过传感器检测轮胎吊大车周围环境中的障碍物，并在轮胎吊大车和障碍物之间存在碰撞风险时采取一定的防撞措施。但在复杂多变的视觉环境中，这些传感器的性能往往受到限制，导致检测结果精度较低，难以满足实际的防撞需求。
技术实现思路
1、针对现有技术的上述问题，本专利技术的目的在于提供一种基于ai视觉的轮胎吊大车防撞方法、设备及系统，能够在实际作业环境中实现对轮胎吊大车的实时防撞保护，并且提高防撞的准确性和可靠性。
2、为了解决上述问题，本专利技术提供一种基于ai视觉的轮胎吊大车防撞方法，包括：
3、获取轮胎吊大车的行驶信息和所述轮胎吊大车周围的环境图像数据；
4、利用预设的深度学习分割模型对所述环境图像数据进行处理，得到环境中的障碍物识别结果，所述深度学习分割模型包括检测不同尺寸目标的多个检测头；
5、基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息；
6、根据所述行驶信息和所述运动信息判断所述轮胎吊大车与所述障碍物之间是否存在碰撞风险；
7、当判断存在碰撞风险时，
8、进一步地，所述获取所述轮胎吊大车周围的环境图像数据，包括：
9、从摄像头获取所述轮胎吊大车周围环境的一个或多个角度的图像，作为所述环境图像数据。
10、进一步地，所述方法还包括：
11、对所述环境图像数据进行预处理操作，得到预处理后的环境图像数据；所述预处理操作包括去噪、对比度增强和标准化中的一种或多种处理；
12、其中，所述利用预设的深度学习分割模型对所述环境图像数据进行处理，得到环境中的障碍物识别结果，包括：
13、利用预设的深度学习分割模型对所述预处理后的环境图像数据进行处理，得到环境中的障碍物识别结果。
14、进一步地，所述基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息，包括：
15、根据所述障碍物识别结果确定所述障碍物的观测位置信息；
16、基于所述观测位置信息，以及根据当前帧环境图像数据的前一帧环境图像数据确定的历史观测置信息，确定所述障碍物的观测速度信息；
17、基于所述观测位置信息和所述观测速度信息，利用预设的滤波跟踪算法对所述障碍物进行连续帧间的跟踪，以获得所述障碍物的运动位置信息和运动速度信息。
18、进一步地，所述行驶信息包括所述轮胎吊大车的行驶位置信息，所述运动信息包括所述障碍物的运动位置信息；
19、所述根据所述行驶信息和所述运动信息判断所述轮胎吊大车与所述障碍物之间是否存在碰撞风险，包括：
20、根据所述行驶位置信息和所述运动位置信息，分别确定所述障碍物与所述轮胎吊大车在车道方向以及车道宽度方向的距离信息；
21、根据所述车道方向以及所述车道宽度方向的距离信息确定所述障碍物所在的区域；
22、若所述障碍物所在的区域为预警区域或制停区域，则确定所述轮胎吊大车和所述障碍物之间存在碰撞风险；
23、若所述障碍物所在的区域为安全区域，则确定所述轮胎吊大车和所述障碍物之间不存在碰撞风险。
24、进一步地，所述根据所述车道方向以及所述车道宽度方向的距离信息确定所述障碍物所在的区域，包括：
25、若所述车道方向的距离信息小于第一预设阈值，所述车道宽度方向的距离信息小于或等于第二预设阈值，则确定所述障碍物所在的区域为制停区域；
26、若所述车道方向的距离信息大于或等于第一预设阈值且小于或等于第三预设阈值，所述车道宽度方向的距离信息小于或等于第二预设阈值，则确定所述障碍物所在的区域为预警区域；
27、若所述车道方向的距离信息大于第三预设阈值，或者所述车道宽度方向的距离信息大于第二预设阈值，则确定所述障碍物所在的区域为安全区域。
28、进一步地，所述行驶信息还包括所述轮胎吊大车的行驶速度信息，所述运动信息还包括所述障碍物的运动速度信息；
29、所述根据所述行驶信息和所述运动信息判断所述轮胎吊大车与所述障碍物之间是否存在碰撞风险，还包括：
30、若所述障碍物所在的区域为安全区域，则基于所述行驶位置信息、所述行驶速度信息、所述运动位置信息以及所述运动速度信息，判断所述轮胎吊大车与所述障碍物之间是否存在潜在碰撞风险；
31、所述方法还包括：
32、当判断存在潜在碰撞风险时，输出第三预警信号。
33、进一步地，所述当判断存在碰撞风险时，根据所述碰撞风险进行对应的防撞处理，包括：
34、确定所述碰撞风险的风险等级；
35、若所述风险等级为第一等级，则输出第一预警信号并控制所述轮胎吊大车减速；
36、若所述风险等级为第二等级，则输出第二预警信号并控制所述轮胎吊大车制停；
37、其中，所述第一等级的碰撞风险低于所述第二等级的碰撞风险。
38、本专利技术另一方面提供一种基于ai视觉的轮胎吊大车防撞设备，包括：
39、数据获取模块，用于获取轮胎吊大车的行驶信息和所述轮胎吊大车周围的环境图像数据；
40、数据处理模块，用于利用预设的深度学习分割模型对所述环境图像数据进行处理，得到环境中的障碍物识别结果，所述深度学习分割模型包括检测不同尺寸目标的多个检测头；
41、障碍物跟踪模块，用于基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息；
42、防撞判断模块，用于根据所述行驶信息和所述运动信息判断所述轮胎吊大车与所述障碍物之间是否存在碰撞风险；
43、防撞模块，用于当判断存在碰撞风险时，根据所述碰撞风险进行对应的防撞处理。
44、本专利技术另一方面提供一种基于ai视觉的轮胎吊大车防撞系统，所述系统包括摄像头、图像处理器、控制器以及轮胎吊大车的防撞执行机构；
45、所述摄像头设置于所述轮胎吊大车起重机门腿上，用于采集所述轮胎吊大车周围的环境图像数据；
46、所述图像处理器用于利用预设的深度学习分割模型对所述环境图像数据进行处理，得到环境中的障碍物识别结果，所述深度学习分割模型包括检测不同尺寸目标的多个检测头；
47、所述控制器用于基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息；以及获取所述轮胎吊大车的行驶信息，根据所述行驶信息和所述运动信息判断所述轮本文档来自技高网...
【技术保护点】
1.一种基于AI视觉的轮胎吊大车防撞方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取所述轮胎吊大车周围的环境图像数据，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述行驶信息包括所述轮胎吊大车的行驶位置信息，所述运动信息包括所述障碍物的运动位置信息；
6.根据权利要求5所述的方法，其特征在于，所述根据所述车道方向以及所述车道宽度方向的距离信息确定所述障碍物所在的区域，包括：
7.根据权利要求5所述的方法，其特征在于，所述行驶信息还包括所述轮胎吊大车的行驶速度信息，所述运动信息还包括所述障碍物的运动速度信息；
8.根据权利要求1所述的方法，其特征在于，所述当判断存在碰撞风险时，根据所述碰撞风险进行对应的防撞处理，包括：
9.一种基于AI视觉的轮胎
10.一种基于AI视觉的轮胎吊大车防撞系统，其特征在于，所述系统包括摄像头、图像处理器、控制器以及轮胎吊大车的防撞执行机构；
...【技术特征摘要】
1.一种基于ai视觉的轮胎吊大车防撞方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取所述轮胎吊大车周围的环境图像数据，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述障碍物识别结果对环境中的障碍物进行连续帧间的跟踪，以获得所述障碍物的运动信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述行驶信息包括所述轮胎吊大车的行驶位置信息，所述运动信息包括所述障碍物的运动位置信息；
6.根据权利要求5所述的方法，...
【专利技术属性】
技术研发人员：张俊阳，江灏，盛恺弘，计皓骏，吴平平，
申请(专利权)人：上海振华重工集团股份有限公司，
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。