CN109024417B - 一种智能道路清扫车及其道路污染物识别方法和控制方法 - Google Patents
一种智能道路清扫车及其道路污染物识别方法和控制方法 Download PDFInfo
- Publication number
- CN109024417B CN109024417B CN201810821934.XA CN201810821934A CN109024417B CN 109024417 B CN109024417 B CN 109024417B CN 201810821934 A CN201810821934 A CN 201810821934A CN 109024417 B CN109024417 B CN 109024417B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- sweeper
- pollution degree
- cleaned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241001417527 Pempheridae Species 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 72
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 65
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 65
- 239000000428 dust Substances 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000010408 sweeping Methods 0.000 claims description 86
- 238000004140 cleaning Methods 0.000 claims description 43
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000010606 normalization Methods 0.000 claims description 20
- 238000005507 spraying Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000356 contaminant Substances 0.000 claims description 5
- 238000004043 dyeing Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 230000001105 regulatory effect Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
- E01H1/00—Removing undesirable matter from roads or like surfaces, with or without moistening of the surface
- E01H1/08—Pneumatically dislodging or taking-up undesirable matter or small objects; Drying by heat only or by streams of gas; Cleaning by projecting abrasive particles
- E01H1/0827—Dislodging by suction; Mechanical dislodging-cleaning apparatus with independent or dependent exhaust, e.g. dislodging-sweeping machines with independent suction nozzles ; Mechanical loosening devices working under vacuum
Abstract
本发明公开了一种智能道路清扫车及其道路污染物识别方法和控制方法，道路清扫车包括：道路清扫车车体、激光雷达、摄像头、编码器、粉尘浓度探测器、惯性传感器、GPS系统和处理控制器。道路污染物识别方法包括：获取待清扫道路的干净路面及道路设施的RGB图像，将获取的RGB图像转化到HSV空间，获得能够识别干净路面及道路设施的BP神经网络模型；将采集的待清扫道路的实时图像信息输入到BP神经网络模型对污染物进行识别。本发明中垃圾等污染物识别的方法利用了道路图像的HSV特征，其比单一地利用图像的灰度值信息量要大，垃圾等污染物识别的效果更好。
Description
技术领域
本发明属于环卫机械技术领域，特别涉及一种智能道路清扫车及其道路污染物识别方法和控制方法。
背景技术
道路清扫车作为一种常用的环卫设备发挥着越来越重要的作用，但是当前道路清扫作业还是基于需要驾驶控制的道路清扫车完成。现有的道路清扫车的垃圾等污染物识别技术多采用图像识别的方法，现有的图像识别和图像特征提取多是基于图像的像素点灰度值，灰度梯度以及边缘形状特征。通过模板匹配方法，即通过将实时采集的道路图像与预设的标准清洁道路图像模板作比较，从而将垃圾等污染物区域提取出来。现有垃圾等污染物识别方法存在的问题是：单纯地利用图像的灰度值信息，没有对图像的颜色、色调和亮度等信息进行处理，丢失了大量的有效数据，垃圾等污染物识别的效果较差。
发明内容
本发明的目的在于提供一种智能道路清扫车及其道路污染识别方法和控制方法，以解决上述存在的技术问题。本发明中垃圾等污染物识别的方法利用了道路图像的HSV(Hue，色调；Saturation，饱和度；Value，明度)特征，其比单一地利用图像的灰度值信息量要大，垃圾等污染物识别效果更好。
为达到上述目的，本发明采用以下技术方案：
一种智能道路清扫车，包括：道路清扫车车体、激光雷达、摄像头、编码器、粉尘浓度探测器、惯性传感器、GPS和处理控制器；
激光雷达安装于道路清扫车车体的顶部且能够旋转扫描；
摄像头为多个，分别安装于道路清扫车车体顶部的四周；
编码器安装于道路清扫车的驱动桥壳内，用于检测道路清扫车的实时速度；
GPS和惯性传感器安装于道路清扫车车体上，用于获取道路清扫车的运行轨迹及姿态；
粉尘浓度探测器安装于道路清扫车的扫盘的上方，用于检测扫盘上方的灰尘浓度；
激光雷达、摄像头、编码器、粉尘浓度探测器、惯性传感器和GPS的信号输出分别与处理控制器的信号接收端相连接，处理控制器的信号输出端分别与道路清扫车的清扫装置和驱动装置的信号接收端相连接。
进一步的，道路清扫车还包括喷水装置，处理控制器的信号输出端与喷水装置的信号接收端相连接。
一种智能道路清扫车的道路污染物识别方法，基于上述的一种智能清扫车，包括以下步骤：
步骤1，模型训练，获取待清扫道路的干净路面及道路设施的RGB图像，将获取的RGB图像转化到HSV空间，获得干净路面及道路设施图像的色调、饱和度和亮度三个线性无关的信息值，将获得的三个线性无关的信息值作为BP神经网络模型的输入对模型进行训练，获得能够识别干净路面及道路设施的BP神经网络模型；
步骤2，待清扫道路的污染物识别，采集待清扫路面的实时图像，将采集的实时图像信息输入到步骤1获得的BP神经网络模型进行识别；识别的方法具体包括：将干净路面及道路设施从采集的图像信息中分割出来，图像信息中剩余部分即为污染物。
进一步的，步骤1中，将获得的三个线性无关的信息值分别进行2层小波包分解，获得每个信息值分量4个频率段的能量值，将获得的12个能量值参数作为BP神经网络模型的输入对模型进行训练。
进一步的，还包括步骤3；待清扫道路的路面图像污染度指标的确定，对步骤2采集的图像中的像素点施以不同的权值，距离道路清扫车近的像素点比距离道路清扫车远的像素点施加的权值小，将施加权值后污染物的像素点之和与施加权值后整个图像的像素点之和作比，得到待清扫道路的路面图像污染度指标Pi，关系式为：
式中Pi为待清扫道路的路面图像污染度指标，P污为加权后污染物像素点之和，P总为加权后整个图像的像素点之和，si为在图像的第i行污染物所占的像素点数，Si为第i行图像像素点数，wi为第i行像素点的权值。
进一步的，步骤3中像素点的权值确定的具体方法包括：将摄像头采集的道路图像分为n行，每行包括m行像素点，m行像素点的权值相同；图像中第m×n行的像素点的权值根据其与道路清扫车距离从近到远为w1、w2……wi……wn，采用一个预设面积的物体对权值进行校准，预设面积的物体在道路图像的第i行所占像素点的个数综合为ai，预设面积的物体在道路图像第1行所占像素点个数的总和为a1，预设面积的物体在道路图像第n行所占像素点个数的总和为an；相同面积的物体置于摄像区域的不同位置，满足a1w1＝aiwi＝anwn；当w1为1时满足
进一步的，还包括步骤4；
步骤4，待清扫道路的综合污染度指标的确定，采集待清扫道路的灰尘浓度，将灰尘浓度与步骤3获得的图像污染度指标叠加获得待清扫道路的综合污染度指标，叠加计算公式为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3。
一种智能道路清扫车的控制方法，基于上述的污染物识别方法，包括以下步骤：
步骤1，通过激光雷达和摄像头获取道路清扫车周围的信息，通过GPS系统和惯性传感器获取道路清扫车自身的行驶参数，根据采集的周围信息和行驶参数，处理控制器控制道路清扫车的行驶装置实现道路清扫车在待清扫道路上的自动行驶；
步骤2，通过激光雷达和摄像头采集待清扫道路的图像信息，通过粉尘浓度探测器采集待清扫道路的灰尘浓度信息，根据图像信息和灰尘浓度信息获取待清扫道路的综合污染度指标；
步骤3，根据步骤2获得综合污染度指标，处理控制器调节道路清扫车的行驶速度并控制道路清扫车的清扫装置对待清扫道路进行清扫。
进一步的，步骤3中，处理控制器调节道路清扫车的行驶速度的具体方法包括，待清扫道路的综合污染度等级与道路清扫车的行驶速度满足关系
式中Vi为道路清扫车的行驶速度，Vmax为最大允许速度，g为待清扫道路的综合污染度等级；
g的确定方法为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3；当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10＜Ci＜100时，道路综合污染度指标g＝2，此时为二级污染程度。
进一步的，步骤3中，处理控制器控制道路清扫车的清扫装置对待清扫道路进行清扫时，满足关系
式中S为清扫强度，g为待清扫道路的综合污染度等级，Smin为道路清扫车所需的最小的清扫强度；
Smin为最小的清扫强度，对应扫盘马达的所需最小转速nmin扫盘，风机所需最小转速nmin风机，及扫盘与地面所需最小的接地压力Pmin力；
S为清扫强度，对应的扫盘马达转速n扫盘、风机转速n风机和扫盘与地面的接地压力P力；即：
通过扫盘马达的转速、风机的转速及扫盘与路面的接触压力的调节来实现清扫强度的调节；
g的确定方法为：
式中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3；当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10＜Ci＜100时，道路综合污染度指标g＝2，此时为二级污染程度。
与现有技术相比，本发明具有以下有益效果：
本发明的一种智能道路清扫车，通过GPS系统与电子地图相匹配，通过惯性传感器获取车辆的运行轨迹和姿态，二者结合可控制道路清扫车按照预定的路线实现自动行驶；通过激光雷达和在车辆四周分别布置的摄像头融合重构运行环境的三维模型，可使道路清扫车有效避让障碍物，使道路清扫车具有较好的安全性和可靠性。现有的道路清扫车驾驶员在进行清扫作业同时还需兼顾路况，驾驶负荷高；车内驾驶人存在视线盲区，不能对车外道路污染度情况进行精确识别，无法保证较高的清洁质量和效率；本发明的道路清扫车能够在道路上自动安全驾驶，可节省人力降低工作人员的劳动负荷，通过激光雷达和摄像头能够较准确的识别道路上的垃圾等污染物，具有较好的清洁质量和清洁效率。本发明的智能道路清扫车可应用于校园，可用现有的清扫车进行改装，具有投资少、设计简单和可靠性高等优点，适合规模化推广。
进一步的，处理控制器根据接收到的实时信号控制喷水装置，能够根据清扫时灰尘浓度的大小来自动调节喷水降尘系统喷水量的大小，在保证了降尘效果的同时可节约用水。
本发明的道路污染物识别方法充分利用道路图像的HSV(Hue，色调；Saturation，饱和度；Value，明度)特征，比单一地利用图像的灰度值信息量要大，对污染物的识别结果更准确。BP神经网络模型的建立是基于图像分割算法；将摄像头获取的道路的RGB真彩值图像转化到HSV空间，其中H代表色调，S代表饱和度，V代表亮度，HSV空间色彩模型的三个分量没有相关性，提高了污染物与道路分离的准确性。
进一步的，通过摄像头采集的图像信息和粉尘浓度传感器探测的灰尘浓度信息来综合确定道路的污染程度，对道路污染程度的判断更加准确。
进一步的，将H、S、V三种参数作为图像识别的原始参数，将三个分量分别进行2层小波包分解获得该分量4个频率段的能量值，将获得的12个参数作为BP神经网络的输入，将其进行训练，BP神经网络对于各种非线性的映射关系有较好的识别模拟效果。小波包分解的优点是其高的时频分辨能力，能在时域频域同时分析信号，得到两个维度的信息，从而包含信息量大，能够更好的将图像中道路垃圾等污染物识别出来。
进一步的，由于摄像头的成像原理，相同大小的物体根据距离道路清扫车的远近在图片中显示的大小不同，根据图像中物体与道路清扫车距离的大小，对不同距离的像素点施以不同的的权值，离自车较远的点施以较大的权值，相反则取较小的权值，可提高路面图像污染度指标的准确性。
本发明的一种智能道路清扫车的控制方法，通过道路清扫车上的各个传感器实时采集待清扫道路的信息获得待清扫道路的综合污染度指标进一步可得出综合污染度等级，根据道路的综合污染度等级可对清扫装置的清扫强度进行实时调整，清扫强度的实时调整可在满足道路清扫所需清扫强度的同时降低清扫装置的损耗；通过扫盘马达的转速、风机的转速及扫盘与路面的接触压力的调节来实现清扫强度的自动调节，能够提高清扫效率，可提高清扫质量。
附图说明
图1是本发明的一种智能道路清扫车的整体结构示意图；
图2是本发明的一种智能道路清扫车的控制方法的流程示意框图；
图3是本发明的权值校正示意图。
在图1中：1、激光雷达；2、双目摄像头；3、编码器；4、清扫装置；5、粉尘浓度探测器；6、惯性传感器；7、GPS。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
参考图1，本发明的一种智能道路清扫车，包括：道路清扫车车体、激光雷达1、摄像头2、编码器3、粉尘浓度探测器5、惯性传感器6、GPS7系统和处理控制器。
激光雷达1：安装于道路清扫车的车顶，用于对车辆四周的环境信息进行360°旋转扫描，获取周围物体的点云数据，特别是获取道路清扫车的前、后方车辆及行人的外形尺寸、运动速度和与自车的距离信息，识别道路两旁的路缘石及道路清扫车与路缘石的距离等信息。摄像头2组成双目摄像头形式：安装于车辆四周顶部，每个方向各有两个摄像头2组合成双目摄像头，用于识别周围环境信息，包括道路标线等。摄像头2与激光雷达1传感器融合，将激光雷达1数据投射到图像中，提高环境识别的精度。特别是两个前方设置的摄像头2，还用于识别道路前方的污染度信息。GPS7系统和惯性传感器6：GPS7系统将获取自车的位置数据与电子地图匹配，惯性传感器6用于获取道路清扫车当前的运行轨迹及姿态。编码器3：安装在道路清扫车的驱动桥壳内，用于检测道路清扫车当前的运动速度。粉尘浓度探测器5：安装在道路清扫车的扫盘上方，用于检测扫盘上方的灰尘浓度，进而得出待清扫道路的灰尘浓度。处理控制器可为微处理器单元包括数处据理单元和控制单元。数处据理单元：数据输入接口连接激光扫描雷达、摄像头2、GPS7和惯性传感器6、编码器3和粉尘浓度探测器5等的数据输出端。控制单元：用于控制道路清扫车的速度、清扫装置4的清扫强度及喷水装置水量调节阀开度等。
本发明的道路清扫车可用于校园道路的清扫，通过GPS与电子地图相匹配及惯性传感器获取车辆的运行轨迹和姿态，控制清扫车按照预定的路线行驶，并通过激光雷达和在车辆四周分别布置的双目摄像头融合重构运行环境的三维模型，达到有效避让障碍物的目的，以实现道路清扫车在校园内的安全行驶，具有较高的安全性和可靠性。其中，清扫车的安全自动驾驶具体为：通过GPS、激光雷达和双目摄像头等传感器来实现清扫车的自动驾驶和安全避障功能。规划行驶路径：基于校园真实路况，设定清扫车的运行路径，车辆运行过程中，不断获取自车的GPS和惯性传感器获取的参数，并在电子地图上定位自车的位置使得清扫车能够按照规定的路线进行行驶。安全避障功能的实现：车顶的激光雷达和分布与车身四周的双目摄像头不断获取车辆的运行环境信息，通过标定激光雷达和摄像头，将激光雷达的数据投影到图像坐标中，并使用机器学习的方法，学习激光雷达点云数据和图像特征，重构运行环境的三维场景，识别道路标线和路缘石，识别障碍物、车辆和行人，并根据三次样条曲线计算之后的行驶轨迹，达到自动避让障碍物的目的以实现安全驾驶。
本发明的一种智能道路清扫车的道路污染物识别方法，基于上述的智能道路清扫车，工作原理为将路面作为识别目标，将不能识别为路面的物体定义为垃圾等污染物，包括以下步骤：
步骤1，模型训练，获取待清扫道路的干净路面及道路设施的RGB图像，将获取的RGB图像转化到HSV空间，获得干净路面及道路设施图像的色调、饱和度和亮度三个线性无关的信息值，将获得的三个线性无关的信息值分别进行2层小波包分解获得该分量4个频率段的能量值，将获得的12个参数作为BP神经网络模型的输入对模型进行训练，获得能够识别干净路面及道路设施的BP神经网络模型；建立BP神经网络的道路识别模型为了达到识别干净路面、道路标线和路面设施的目的。现有的道路垃圾等污染物识别技术多采用图像识别的方式，基于灰度图像，设置阈值，分割路面与垃圾等污染物，这种图像分离技术舍弃了原有RGB图像的许多特征，结果不够精准。即将道路垃圾等污染物与路面分开需要根据垃圾等污染物与路面灰度值的差异设定阈值将两者分开，但是随着垃圾等污染物种类不同阈值也需要相应调整，且阈值的设置受到光线、阴影的影响较大，所以垃圾等污染物识别的效果不够理想。再者，实际情况下物体的形状会随着空间观察角度的不同而出现差异，所以利用当前图像的形状特征与模板信息进行对比的结果受到的干扰因素大，计算复杂，相同物体不同角度的形状信息融合较为复杂。因而传统的方法对于道路垃圾等污染物的识别有较大的局限性。本发明图像垃圾等污染物识别的方法充分利用了道路图像的HSV(Hue，色调；Saturation，饱和度；Value，明度)特征，比单一地利用图像的灰度值信息量要大，更容易将道路与污染物区别开，识别结果更准确。将H、S、V三种参数作为图像识别的原始参数，将上述三个分量分别进行2层小波包分解获得该分量4个频率段的能量值，将上述12个参数作为BP神经网络的输入，将其进行训练，已经验证BP神经网络对于各种非线性的映射关系有较好的识别模拟效果。小波包分解的优点是其高的时频分辨能力，能在时域频域同时分析信号，得到两个维度的信息，从而包含信息量大。BP神经网络模型的建立是基于图像分割算法；将摄像头获取的道路的RGB真彩值图像转化到HSV空间，其中H代表色调，S代表饱和度，V代表亮度，HSV空间色彩模型的三个分量没有相关性，提高了污染物与道路分离的准确性。且此方法并不需要进行道路图像的匹配，故此方法能够更好的将图像中道路垃圾等污染物识别出来。应用于校园时具体为：先用摄像头获取校园内干净路面、道路标线和井盖等道路设施的RGB图像,再将获得的图像数据分别转化到HSV空间，得到干净路面、道路设施图像的色调、饱和度和亮度三个线性无关的信息值，并分别对该图像三个信息值进行2层小波包分解，将得到的3×22＝12个相应参数各频带的能量值，并将其作为BP神经网络模型的输入对模型进行训练，使模型能准确识别干净路面及井盖、道路标线等道路设施。
步骤2，待清扫道路的污染物识别，采集待清扫路面的图像，将采集的图像信息输入到步骤1获得的BP神经网络模型进行识别；识别的方法具体包括：将干净路面及道路设施从采集的图像信息中分割出来，图像信息中剩余部分即为污染物。具体为：将摄像头拍摄的前方道路路面图像进行相同的预处理，并将其输入BP神经网络模型进行识别，将干净路面及道路标线、井盖等非垃圾等污染物部分分割出来，剩余部分视为污染物。
步骤3，待清扫道路的路面图像污染度指标的确定，对步骤2采集的图像中的像素点施以不同的权值，距离道路清扫车近的像素点比距离道路清扫车远的像素点施加的权值小，将施加权值后污染物的像素点之和与施加权值后整个图像的像素点之和作比，得到待清扫道路的路面图像污染度指标Pi，
式中Pi为待清扫道路的路面图像污染度指标，P污为加权后污染物像素点之和，P总为加权后整个图像的像素点之和，si为在图像的第i行污染物所占的像素点数，Si为第i行图像像素点数，ωi为第i行像素点的权值。得到当前道路的图像污染度指标，将其分为1～3级，其中1级为轻度污染，3级为重度污染。
参考图3，步骤3中像素点的权值确定的具体方法包括：由于摄像头的成像原理，相同大小的物体根据距离自车的远近在图片中显示的大小不同，设S表示物体在图像中的像素点的个数，具体有a1>ai>an，这就会对道路污染度的计算造成影响，因此需要对不同距离的像素点进行加权处理。规定图像中每m行的像素点的权值相同，m×n行的图像像素点权值根据与自车距离从近到远为w1、w2……wi……wn。将相同面积的物体置于摄像区域的不同位置，此时有a1w1＝aiwi＝anwn，若规定w1为1，则
也就是将摄像头采集的道路图像分为n行，每行包括m行像素点，其权值相同。图像中第m×n行的像素点的权值根据其与道路清扫车距离从近到远为采用一个标准面积的物体对权值进行校准，假设标准面积的物体在道路图像的第i行所占像素点的个数综合为ai。即标准面积的物体在道路图像第1行所占像素点个数的总和为a1；标准面积的物体在道路图像第n行所占像素点个数的总和为an；相同面积的物体置于摄像区域的不同位置，满足a1w1＝aiwi＝anwn；当w1为1时满足
步骤4，待清扫道路的综合污染度指标的确定，采集待清扫道路的灰尘浓度，将灰尘浓度与步骤3获得的图像污染度指标叠加获得待清扫道路的综合污染度指标，叠加计算公式为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3。
参考图2，本发明的一种智能道路清扫车的控制方法，基于上述的智能清扫车和污染物识别方法，包括以下步骤：
步骤1，通过激光雷达和摄像头获取道路清扫车周围的信息，通过GPS系统和惯性传感器获取道路清扫车自身的行驶参数，根据采集的周围信息和行驶参数，处理控制器控制道路清扫车的行驶装置实现道路清扫车在待清扫道路上的自动行驶；
步骤2，通过激光雷达和摄像头采集待清扫道路的图像信息，通过粉尘浓度探测器采集待清扫道路的灰尘浓度信息，根据图像信息和灰尘浓度信息获取待清扫道路的综合污染度指标；
步骤3，根据步骤2获得综合污染度指标，处理控制器调节道路清扫车的行驶速度并控制道路清扫车的清扫装置对待清扫道路进行清扫。
步骤3中，处理控制器调节道路清扫车的行驶速度的具体方法包括，待清扫道路的综合污染度等级与道路清扫车的行驶速度满足关系
式中Vi为道路清扫车的行驶速度，Vmax为最大允许速度，g为待清扫道路的综合污染度等级；g的确定方法为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3。当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10＜Ci＜100时，道路综合污染度指标g＝2，此时为二级污染程度。
步骤3中，处理控制器控制道路清扫车的清扫装置对待清扫道路进行清扫时，满足关系
式中S为清扫强度，g为待清扫道路的综合污染度等级，Smin为道路清扫车所需的最小的清扫强度；Smin为最小的清扫强度，对应扫盘马达的所需最小转速nmin扫盘，风机所需最小转速nmin风机，及扫盘与地面所需最小的接地压力Pmin力；S为清扫强度，对应的扫盘马达转速n扫盘、风机转速n风机和扫盘与地面的接地压力P力；；即：
通过扫盘马达的转速、风机的转速及扫盘与路面的接触压力的调节来实现清扫强度的调节；g的确定方法为：
式中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3。当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10≤Ci≤100时，道路综合污染度指标g＝2，此时为二级污染程度。
本发明的智能道路清扫车的控制方法通过建立的道路图像的BP经神网络识别模型和图像像素点的加权处理来确定道路图像的污染度指标，综合安装在扫盘上方的粉尘浓度探测器测量的灰尘浓度指标可得出当前道路的综合污染程度，并可通过道路的污染程度来控制道路清扫车的行驶速度和清扫装置的清扫强度，且可根据清扫时测量的灰尘浓度的大小来自动调节喷水降尘系统喷水量的大小，实现节约用水。智能道路清扫车根据安装在扫盘上方的粉尘浓度传感器探测的灰尘浓度来控制喷水装置水量调节阀开度的大小的以实现节约用水。将灰尘浓度同样分为三个等级，D1、D2、和D3,当清扫时灰尘浓度Di≤D1时，水量调节阀关闭；当灰尘浓度Di≥D3时，水量调节阀开度最大；当D1＜Di＜D3时，水量调节阀开度与灰尘浓度成正相关关系，灰尘浓度越大水量调节阀开度越大，可实现喷水量随灰尘浓度的变化而变化，达到节约用水目的。
本发明的控制方法的工作原理是：根据摄像头获取前方道路的路面图像，将获得图像输入训练好的BP神经网络模型进行污染物区域的识别，通过图像像素点的加权处理得到道路图像污染度指标；安装在扫盘上方的粉尘浓度探测器可探测到清扫时的灰尘浓度信息；综合得到的道路图像污染度指标和探测到的灰尘浓度信息可得到当前道路的综合污染程度，并将其分为三个等级。电子控制单元ECU根据获得的道路污染度信息控制车辆运行速度及清扫车的清扫强度，根据安装在扫盘上方的灰尘浓度传感器探测到的灰尘浓度可控制喷水系统水量调节阀开度的大小实现自动喷水降尘功能；根据车载GPS和惯性传感器获取车辆的实时位姿，使其按照设定的路线行驶；并根据置于车顶的激光雷达与分布于车辆四周的四组双目摄像头相融合获取道路三维运行环境，使其能够成功避让障碍物，规划运行轨迹以实现清扫车安全自动驾驶。清扫强度的调节通过扫盘马达的转速、风机的转速及扫盘与路面的接触压力的调节来实现。
下面结合上述的智能道路清扫车、污染物识别方法及控制方法，具体公开一种本发明的智能道路清扫车在校园中应用的具体操作方法。
参考图2，本发明的一种应用于校园的可识别复杂环境的智能道路清扫车的操作方法，基于上述本发明的清扫车，具体步骤如下：
(1)道路图像污染度指标的识别：该智能道路清扫车对道路图像污染度指标的识别原理为，将路面作为识别目标，将不能识别为路面的物体定义为垃圾等污染物。具体为：BP神经网络模型的训练：先用摄像头获取校园内干净路面、道路标线和井盖等道路设施的RGB图像,再将获得的图像数据分别转化到HSV空间，得到干净路面、道路设施图像的色调、饱和度和亮度三个线性无关的信息值，并分别对该图像三个信息值进行2层小波包分解，将得到的3×22＝12个相应参数各频带的能量值，并将其作为BP神经网络模型的输入对模型进行训练，使模型能准确识别干净路面及井盖、道路标线等道路设施；污染物的识别：将摄像头拍摄的前方道路路面图像进行相同的预处理，并将其输入BP神经网络模型进行识别，将干净路面及道路标线、井盖等非垃圾等污染物部分分割出来，剩余部分视为污染物。路面图像污染度指标的确定：根据图像中物体与自车距离的大小，对不同距离的像素点施以不同的的权值，离自车较远的点施以较大的权值，相反则取较小的权值。最后将施以权值后垃圾等污染物的像素点之和与施以权值后整个图像的像素点之和作比，得到当前道路的图像污染度指标，将其分为1～3级，其中1级为轻度污染，3级为重度污染。其中，像素点的权值确定方法如下：由于摄像头的成像原理，相同大小的物体根据距离自车的远近在图片中显示的大小不同，设S表示物体在图像中的像素点的个数，具体有a1>ai>an，这就会对道路污染度的计算造成影响，因此需要对不同距离的像素点进行加权处理。规定图像中每m行的像素点的权值相同，m×n行的图像像素点权值根据与自车距离从近到远为w1、w2……wi……wn。将相同面积的物体置于摄像区域的不同位置，此时有a1w1＝aiwi＝anwn，若规定w1为1，则
(2)道路综合污染程度确定
根据加权之后污染物像素点数之和与加权后整个像素点数之和作比，可得出当前路面的图像污染度指标Pi：
式中Pi为待清扫道路的路面图像污染度指标，P污为加权后污染物像素点之和，P总为加权后整个图像的像素点之和，si为在图像的第i行污染物所占的像素点数，Si为第i行图像像素点数，粉尘浓度探测器检测的灰尘浓度用Di表示；当前路面的污染程度用Ci表示；满足下列关系：
式中Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3。当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10＜Ci＜100时，道路综合污染度指标g＝2，此时为二级污染程度。
清扫强度的确定于具体调整实现的方法：因为道路综合污染程度分为三个等级，分别是g＝1,g＝2,g＝3时。所以清扫强度与之对应也是分为三个等级，清扫强度的确定由道路综合污染度指标g来决定。Smin为最小的清扫强度，对应扫盘马达的所需最小转速nmin，风机所需最小转速nmin风机，及扫盘与地面所需最小的接地压力Pmin力；些最小值的确定可通过在路面上的实车实验来确定。所以与清扫强度对应的扫盘马达转速n扫盘、风机转速n风机和扫盘与地面的接地压力P力分别为：
扫盘与路面的接触压力的调节可通过扫盘上方的机械结构来控制，通过压力传感器的反馈即可达到预定的接地压力；扫盘转速由液压马达控制，可通过控制马达的功率来控制扫盘的转速；吸尘系统中风机由道路清扫车的副发动机驱动，故可通过调节副发动机的功率来调节风机的转速。
(3)道路清扫车的智能控制：微处理器控制单元可根据探测到的道路综合污染程度的等级来控制清扫车的行驶速度和清扫装置的清扫强度；当道路综合污染度等级越大时说明道路污染程度越大，这时应该降低清扫车的行驶速度：
式中Vi为车辆的行驶速度，Vmax为车辆在校园内的允许最大速度，g为道路的污染等级。
当道路综合污染等级越大时，应该增大清扫装置的的清扫强度。具体为增大扫盘马达的转速、风机的转速及扫盘与路面的接触压力：
式中S为清扫强度，g为道路的污染等级系数，Smin为道路清扫车所需的最小的清扫强度。
智能道路清扫车可根据安装在扫盘上方的粉尘浓度传感器探测的灰尘浓度来控制喷水装置水量调节阀开度的大小的以实现节约用水。将灰尘浓度同样分为三个等级，D1、D2、和D3,当清扫时灰尘浓度Di≤D1时，水量调节阀关闭；当灰尘浓度Di≥D3时，水量调节阀开度最大；当D1＜Di＜D3时，水量调节阀开度与灰尘浓度成正相关关系，灰尘浓度越大水量调节阀开度越大，可实现喷水量随灰尘浓度的变化而变化，达到节约用水目的。
(4)清扫车的安全自动驾驶：通过GPS、激光雷达和双目摄像头等传感器来实现清扫车的自动驾驶和安全避障功能。规划行驶路径：基于校园真实路况，设定清扫车的运行路径，车辆运行过程中，不断获取自车的GPS和惯性传感器获取的参数，并在电子地图上定位自车的位置使得清扫车能够按照规定的路线进行行驶；安全避障功能的实现：车顶的激光雷达和分布与车身四周的双目摄像头不断获取车辆的运行环境信息，通过标定激光雷达和摄像头，将激光雷达的数据投影到图像坐标中，并使用机器学习的方法，学习激光雷达点云数据和图像特征，重构运行环境的三维场景，识别道路标线和路缘石，识别障碍物、车辆和行人，并根据三次样条曲线计算之后的行驶轨迹，达到自动避让障碍物的目的以实现安全驾驶。
本发明的道路清扫车操作方法可识别清扫车当前所在道路的污染程度，并可根据路面的污染程度来控制清扫车的行驶速度和清扫装置的清扫强度，还可根据安装在扫盘上方的灰尘浓度传感器探测到的灰尘浓度来控制喷水装置水量调节阀的大小实现自动喷水降尘功能；且可依据GPS及惯性传感器、激光雷达和双目摄像头等传感器可实现道路清扫车在校园内的安全自动驾驶。
智能道路清扫车在校园中的工作过程：通过安装在清扫车前方的摄像头对清扫车前方的道路信息进行图像采集，将采集的图像信息输入预先训练好的BP神经网路模型对路面上的垃圾等污染物进行识别，将图像中不同距离的垃圾等污染物的像素点进行权值的修订，最终将得到的垃圾等污染物的加权像素点之和与整个图像的加权像素点之和作比，得出道路图像污染度指标；安装在扫盘上方的灰尘浓度传感器可检测到扫盘工作时上方的灰尘浓度；编码器可检测道路清扫车的行驶速度；综合道路图像污染度指标和灰尘浓度信息可得到当前道路的综合污染程度，并将其分为三个等级。微处理器可根据前方道路的综合污染度来控制车辆的行驶速度及清扫装置的清扫强度。安装在扫盘上方的灰尘浓度传感器可检测到扫盘工作时上方的灰尘浓度，当灰尘浓度超过预设的最低灰尘浓度阈值时将打开喷嘴进行喷水除尘作业，当灰尘浓度大于预设的最大浓度阈值时将喷嘴开度开到最大，当灰尘浓度介于最大阈值和最小阈值之间时喷水量的大小与灰尘浓度成正相关关系，灰尘浓度越大喷水量也就越大；通过车载GPS系统和惯性传感器获取车辆的位置信息，将其匹配到电子地图中以实现自车位置的定位功能，使清扫车按照设定的路线行驶；采用安装于车顶的可360°旋转的激光扫描雷达和分布车辆四周的四组双目摄像头获取车辆的运行环境三维数据，将激光扫描雷达的数据投影到图像中，通过机器学习的方法识别道路中的行人、车辆等障碍物，以及路缘石位置、车道线等，达到自动避障的目的以实现安全驾驶。本发明的清扫车结构简单，性能可靠，适合广泛推广；与传统扫路车相比，该扫路车节省了人力，并可根据道路污染度控制作业强度及清扫车额的行驶速度，降低清扫装置的损耗，提高工作效率；且可根据清扫时灰尘浓度情况自动调节喷水量的大小在保证降尘效果的同时节约用水。
尽管以上结合附图对本发明的实施方案进行了描述，但是本发明并不局限于上述的具体实施方案，上述的具体实施方案仅仅是示意性的、指导性的，而并不是限制性的。本领域的普通技术人员在此说明书的启示下，在不脱离本发明权力要求所保护的范围的情况下，仍可以做出许多中的形式，这些均属于本发明的保护之列。
Claims (1)
1.一种智能道路清扫车的道路污染物识别方法，其特征在于，
所述智能道路清扫车包括：道路清扫车车体、激光雷达(1)、摄像头(2)、编码器(3)、粉尘浓度探测器(5)、惯性传感器(6)、GPS(7)和处理控制器；
激光雷达(1)安装于道路清扫车车体的顶部且能够旋转扫描；
摄像头(2)为多个，分别安装于道路清扫车车体顶部的四周；
编码器(3)安装于道路清扫车的驱动桥壳内，用于检测道路清扫车的实时速度；
GPS(7)和惯性传感器(6)安装于道路清扫车车体上，用于获取道路清扫车的运行轨迹及姿态；
粉尘浓度探测器(5)安装于道路清扫车的扫盘的上方，用于检测扫盘上方的灰尘浓度；
激光雷达(1)、摄像头(2)、编码器(3)、粉尘浓度探测器(5)、惯性传感器(6)和GPS(7)的信号输出分别与处理控制器的信号接收端相连接，处理控制器的信号输出端分别与道路清扫车的清扫装置(4)和驱动装置的信号接收端相连接；
道路清扫车还包括喷水装置，处理控制器的信号输出端与喷水装置的信号接收端相连接；
所述道路污染物识别方法包括以下步骤：
步骤1，模型训练，获取待清扫道路的干净路面及道路设施的RGB图像，将获取的RGB图像转化到HSV空间，获得干净路面及道路设施图像的色调、饱和度和亮度三个线性无关的信息值，将获得的三个线性无关的信息值作为BP神经网络模型的输入对模型进行训练，获得能够识别干净路面及道路设施的BP神经网络模型；
步骤2，待清扫道路的污染物识别，采集待清扫路面的实时图像，将采集的实时图像信息输入到步骤1获得的BP神经网络模型进行识别；识别的方法具体包括：将干净路面及道路设施从采集的图像信息中分割出来，图像信息中剩余部分即为污染物；
步骤3，待清扫道路的路面图像污染度指标的确定，对步骤2采集的图像中的像素点施以不同的权值，距离道路清扫车近的像素点比距离道路清扫车远的像素点施加的权值小，将施加权值后污染物的像素点之和与施加权值后整个图像的像素点之和作比，得到待清扫道路的路面图像污染度指标Pi，关系式为：
式中Pi为待清扫道路的路面图像污染度指标，P污为加权后污染物像素点之和，P总为加权后整个图像的像素点之和，si为在图像的第i行污染物所占的像素点数，Si为第i行图像像素点数，wi为第i行像素点的权值；
步骤4，待清扫道路的综合污染度指标的确定，采集待清扫道路的灰尘浓度，将灰尘浓度与步骤3获得的图像污染度指标叠加获得待清扫道路的综合污染度指标，叠加计算公式为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3；
其中，步骤1中，将获得的三个线性无关的信息值分别进行2层小波包分解，获得每个信息值分量4个频率段的能量值，将获得的12个能量值参数作为BP神经网络模型的输入对模型进行训练；步骤3中像素点的权值确定的具体方法包括：将摄像头采集的道路图像分为n行，每行包括m行像素点，m行像素点的权值相同；图像中第m×n行的像素点的权值根据其与道路清扫车距离从近到远为w1、w2……wi……wn，采用一个预设面积的物体对权值进行校准，预设面积的物体在道路图像的第i行所占像素点的个数综合为，ai预设面积的物体在道路图像第1行所占像素点个数的总和为a1，预设面积的物体在道路图像第n行所占像素点个数的总和为an；相同面积的物体置于摄像区域的不同位置，满足a1w1＝aiwi＝anwn；当w1为1时满足
基于所述污染物识别方法的智能道路清扫车控制方法，包括以下步骤：
步骤S1，通过激光雷达和摄像头获取道路清扫车周围的信息，通过GPS系统和惯性传感器获取道路清扫车自身的行驶参数，根据采集的周围信息和行驶参数，处理控制器控制道路清扫车的行驶装置实现道路清扫车在待清扫道路上的自动行驶；
步骤S2，通过激光雷达和摄像头采集待清扫道路的图像信息，通过粉尘浓度探测器采集待清扫道路的灰尘浓度信息，根据图像信息和灰尘浓度信息获取待清扫道路的综合污染度指标；
步骤S3，根据步骤S2获得综合污染度指标，处理控制器调节道路清扫车的行驶速度并控制道路清扫车的清扫装置对待清扫道路进行清扫；
步骤S3中，处理控制器调节道路清扫车的行驶速度的具体方法包括，待清扫道路的综合污染度等级与道路清扫车的行驶速度满足关系
式中Vi为道路清扫车的行驶速度，Vmax为最大允许速度，g为待清扫道路的综合污染度等级；
g的确定方法为：
其中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3；当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10<Ci<1OO时，道路综合污染度指标g＝2，此时为二级污染程度；
步骤S3中，处理控制器控制道路清扫车的清扫装置对待清扫道路进行清扫时，满足关系
式中S为清扫强度，g为待清扫道路的综合污染度等级，Smin为道路清扫车所需的最小的清扫强度；
Smin为最小的清扫强度，对应扫盘马达的所需最小转速nmin扫盘，风机所需最小转速nmin风机，及扫盘与地面所需最小的接地压力Pmin力；
S为清扫强度，对应的扫盘马达转速n扫盘、风机转速n风机和扫盘与地面的接地压力P力；即：
通过扫盘马达的转速、风机的转速及扫盘与路面的接触压力的调节来实现清扫强度的调节；
g的确定方法为：
式中，Ci表示待清扫道路的综合污染度指标，Pi为待清扫道路的路面图像污染度指标，Di为采集的待清扫道路的灰尘浓度，p基为图像污染指标的归一因子，默认取值为1％；d基为灰尘浓度归一因子，默认取值为100mg/m3；当Ci≤10时，道路综合污染度指标g＝1，即一级污染程度；当Ci≤100时，道路综合污染度指标g＝3，即三级污染程度；当10<Ci<1OO时，道路综合污染度指标g＝2，此时为二级污染程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810821934.XA CN109024417B (zh) | 2018-07-24 | 2018-07-24 | 一种智能道路清扫车及其道路污染物识别方法和控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810821934.XA CN109024417B (zh) | 2018-07-24 | 2018-07-24 | 一种智能道路清扫车及其道路污染物识别方法和控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109024417A CN109024417A (zh) | 2018-12-18 |
| CN109024417B true CN109024417B (zh) | 2021-01-26 |
Family
ID=64645661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810821934.XA Active CN109024417B (zh) | 2018-07-24 | 2018-07-24 | 一种智能道路清扫车及其道路污染物识别方法和控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109024417B (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IT201900001111A1 (it) * | 2019-01-25 | 2020-07-25 | Dulevo Int S P A | Spazzatrice stradale automatizzata e procedimento di pulizia stradale di detta spazzatrice stradale |
| CN109859562A (zh) * | 2019-01-31 | 2019-06-07 | 南方科技大学 | 数据生成方法、装置、服务器及存储介质 |
| CN109871639B (zh) * | 2019-03-07 | 2022-09-09 | 吉林大学 | 一种基于视觉感知技术的清扫车作业功率计算装置及方法 |
| CN110755002B (zh) * | 2019-04-04 | 2021-03-23 | 苏州科睿信飞智能科技有限公司 | 一种智能多功能室外清扫机器人 |
| CN110077749A (zh) * | 2019-05-07 | 2019-08-02 | 厦门攸信信息技术有限公司 | 一种自动行走垃圾收集车 |
| CN110172941B (zh) * | 2019-06-14 | 2021-05-04 | 广东特丽洁环境工程有限公司 | 一种智慧城市道路环卫系统 |
| CN110241766B (zh) * | 2019-06-14 | 2021-05-04 | 广东特丽洁环境工程有限公司 | 一种智慧城市道路环卫方法 |
| CN110674731A (zh) * | 2019-09-22 | 2020-01-10 | 江苏悦达专用车有限公司 | 一种基于深度学习的道路清洁度量化方法 |
| CN110705527B (zh) * | 2019-11-25 | 2023-03-03 | 甘肃建投重工科技有限公司 | 一种基于机器视觉自动识别的洗扫车路面高压预清洗装置 |
| CN111218911B (zh) * | 2019-12-17 | 2021-11-12 | 苏州奥创智能科技有限公司 | 一种应用于扫路清洁车辆的节能系统及节能方法 |
| CN111426609B (zh) * | 2020-04-03 | 2022-09-30 | 交通运输部天津水运工程科学研究所 | 一种散货港口粉尘全域网格化监测方法 |
| CN111663479A (zh) * | 2020-05-06 | 2020-09-15 | 徐州徐工环境技术有限公司 | 一种自适应的清扫车降尘水路 |
| CN111608118B (zh) * | 2020-06-08 | 2022-01-11 | 烟台海德专用汽车有限公司 | 一种扫路车的风机和扫盘的自动控制方法及系统 |
| CN112211145A (zh) * | 2020-09-07 | 2021-01-12 | 徐州威卡电子控制技术有限公司 | 一种用于扫路机半自动化扫路方法及装置 |
| CN112419122B (zh) * | 2020-11-17 | 2024-03-05 | 南京汽车集团有限公司 | 一种道路作业车的数据处理方法 |
| CN112562351B (zh) * | 2020-12-03 | 2022-07-19 | 江西台德智慧科技有限公司 | 一种基于智能识别的智能眼镜 |
| CN113140131B (zh) * | 2021-03-29 | 2022-06-17 | 成都理工大学工程技术学院 | 一种基于数字地球降低高速交通事故的系统 |
| CN113160225A (zh) * | 2021-05-20 | 2021-07-23 | 神华准格尔能源有限责任公司 | 露天矿粉尘浓度识别方法、存储介质及电子设备 |
| CN113296082A (zh) * | 2021-05-28 | 2021-08-24 | 南京牧镭激光科技有限公司 | 一种激光净空雷达监测风机净空距离时的标定方法及辅助装置 |
| CN113311119A (zh) * | 2021-07-28 | 2021-08-27 | 深圳市图元科技有限公司 | 气体源头追踪方法、装置及系统 |
| CN113499003B (zh) * | 2021-09-10 | 2021-11-23 | 江苏洁路宝环保科技有限公司 | 用于重油污地面清洁的洗地装置 |
| CN113546905B (zh) * | 2021-09-22 | 2021-11-23 | 锦涵信息科技南通有限公司 | 一种自动化生产的计算机机箱外壳生产用清洁装置 |
| CN114808810B (zh) * | 2022-04-12 | 2022-12-30 | 吉林大学 | 一种半自主交互式无人清扫车清扫系统及清扫方法 |
| CN115115285B (zh) * | 2022-08-29 | 2022-12-13 | 江苏思锐装备科技有限公司 | 一种清扫车的水系统智能控制方法 |
| GB2623745A (en) * | 2022-10-17 | 2024-05-01 | Bucher Municipal Ltd | A road cleaning vehicle |
| CN116884226B (zh) * | 2023-09-07 | 2023-11-21 | 山东金宇信息科技集团有限公司 | 一种用于道路维护的生态监控预警方法、设备及介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101403610B (zh) * | 2008-11-06 | 2011-02-16 | 陕西科技大学 | 一种基于数字图像法测量皮革面积的系统及其方法 |
| US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
| CN105512666A (zh) * | 2015-12-16 | 2016-04-20 | 天津天地伟业数码科技有限公司 | 一种基于视频的河道垃圾识别方法 |
| CN206938471U (zh) * | 2017-02-28 | 2018-01-30 | 山东家家乐电器科技有限公司 | 无人驾驶垃圾清扫车 |
| CN207003345U (zh) * | 2017-07-13 | 2018-02-13 | 邢台职业技术学院 | 一种纯电动智能道路清扫车 |
| CN107239774B (zh) * | 2017-07-27 | 2020-09-25 | 深圳市盛路物联通讯技术有限公司 | 一种路面智能清洁方法及装置 |
-
2018
- 2018-07-24 CN CN201810821934.XA patent/CN109024417B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109024417A (zh) | 2018-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109024417B (zh) | 一种智能道路清扫车及其道路污染物识别方法和控制方法 | |
| CN110244322B (zh) | 基于多源传感器的路面施工机器人环境感知系统及方法 | |
| CN109460709B (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| CN110487562B (zh) | 一种用于无人驾驶的车道保持能力检测系统及方法 | |
| CN102682292B (zh) | 基于单目视觉的道路边缘检测及粗定位方法 | |
| CN107462223B (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
| CN111369541B (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
| CN104200657B (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
| CN109797691A (zh) | 无人清扫车及其行车方法 | |
| CN105488454A (zh) | 基于单目视觉的前方车辆检测与测距 | |
| CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
| CN110928301A (zh) | 一种检测微小障碍的方法、装置及介质 | |
| CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
| CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
| CN108198417A (zh) | 一种基于无人机的道路巡检系统 | |
| CN112211145A (zh) | 一种用于扫路机半自动化扫路方法及装置 | |
| CN110502971A (zh) | 基于单目视觉的道路车辆识别方法及系统 | |
| CN113516108A (zh) | 基于数据识别的工地抑尘数据匹配处理方法及系统 | |
| CN111179220B (zh) | 车道标识线质量检测方法、系统及存储介质 | |
| CN112720408B (zh) | 一种全地形机器人视觉导航控制方法 | |
| CN105447431A (zh) | 一种基于机器视觉的入坞飞机跟踪定位方法及系统 | |
| CN112115968B (zh) | 一种智能清扫车垃圾识别方法及系统 | |
| CN211498390U (zh) | 一种车载冰面识别追踪系统 | |
| Zheng et al. | Research on environmental feature recognition algorithm of emergency braking system for autonomous vehicles | |
| CN105184240B (zh) | 基于扫描线聚类的安防视频道路自动识别算法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: Room 039, F901, 9th Floor, Block 4-C, Xixian Financial Port, Fengjing Avenue, Fengxin Road, Fengdong New City Energy and Jinmao District, Xixian New District, Xi'an City, Shaanxi Province, 710100 Patentee after: Shaanxi Dachuang Hongrui Intelligent Transportation Technology Co.,Ltd. Address before: 710064 No. 33, South Second Ring Road, Shaanxi, Xi'an Patentee before: CHANG'AN University |
|
| TR01 | Transfer of patent right |