CN111473755B - 一种远程测距方法及装置 - Google Patents

一种远程测距方法及装置 Download PDF

Info

Publication number
CN111473755B
CN111473755B CN202010315498.6A CN202010315498A CN111473755B CN 111473755 B CN111473755 B CN 111473755B CN 202010315498 A CN202010315498 A CN 202010315498A CN 111473755 B CN111473755 B CN 111473755B
Authority
CN
China
Prior art keywords
data
distance
error correction
detection data
environment
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
Application number
CN202010315498.6A
Other languages
English (en)
Other versions
CN111473755A (zh
Inventor
郑文
张翔
林恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Original Assignee
Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd filed Critical Fujian Huichuan Internet Of Things Technology Science And Technology Co ltd
Priority to CN202010315498.6A priority Critical patent/CN111473755B/zh
Publication of CN111473755A publication Critical patent/CN111473755A/zh
Application granted granted Critical
Publication of CN111473755B publication Critical patent/CN111473755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/045—Correction of measurements
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请实施例提供一种远程测距方法及装置，涉及测距技术领域，该方法包括：检测当前测距环境，得到环境检测数据；测量远程测距装置与待测物体之间的距离，得到距离测量数据；根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。可见，实施这种实施方式，能够在远程测距的同时考虑到环境因素的干扰，从而综合性的规避误差的产生，进而获取到准确的距离数据。

Description

一种远程测距方法及装置
技术领域
本申请涉及测距技术领域，具体而言，涉及一种远程测距方法及装置。
背景技术
目前，在建筑施工环境中往往需要大量且准确的距离数据，以便于后续建筑施工工作的展开。然而，在实践中发现，目前常用的光电测距仪虽然精度已有很大的提升，但是却依然存在这一定的误差，因此，如何消除这种误差已经成为了本领域技术人员迫切想要解决的问题之一。
发明内容
本申请实施例的目的在于提供一种远程测距方法及装置，能够在远程测距的同时考虑到环境因素的干扰，从而综合性的规避误差的产生，进而获取到准确的距离数据。
本申请实施例第一方面提供了一种远程测距方法，所述方法包括：
检测当前测距环境，得到环境检测数据；
测量远程测距装置与待测物体之间的距离，得到距离测量数据；
根据预设的误差校正模型和所述环境检测数据对所述距离测量数据进行误差校正处理，得到距离校正数据。
在上述实现过程中，该远程测距方法可以优先对当前的测距环境进行参数采集，得到环境检测数据；然后，再对远程测距装置与待测物体之间的距离进行测量，得到距离测量数据；在获取到环境检测数据和距离测量数据之后，该方法再将环境检测数据输入到预设的误差校正模型中，以使具有环境检测数据的误差校正模型可以对距离测量数据进行误差校正，从而得到矫正后的距离校正数据。可见，实施这种实施方式，能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
进一步地，所述方法还包括：
获取环境数据样本集合；
获取与所述环境数据样本集合相对应的真实距离样本集合；
根据所述环境数据样本集合、所述真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。
在上述实现过程中，该方法在进行测距在之前，还可以优先获取大量的环境检测数据，并将这些环境检测数据确定为环境数据样本集合；然后，再获取与上述环境数据样本集合中各个环境检测环境数据对应的真实距离数据，并组成与上述环境数据样本集合相对应的真实距离样本集合；最后，再根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。可见，实施这种实施方式，能够在测距之前通过人工智能方法训练出误差校正模型，以使误差校正模型可以被直接投入测距场景中进行使用，从而起到对距离测量数据的误差规避效果，提高测距结果的准确性。
进一步地，所述根据所述环境数据样本集合、所述真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型的步骤包括：
根据所述环境数据样本集合和所述真实距离样本集合生成三维坐标系样本；
将所述三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。
在上述实现过程中，该方法在根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型的过程中，可以优先根据环境数据样本集合和真实距离样本集合生成三维坐标系样本；其中，该三维坐标系样本包括真实距离的横纵高三维坐标，即该真实距离可以在该三维坐标系中的横纵平面、横高平面以及纵高平面三个平面进行投影得到与相应坐标对应的图像，以便于进行后续的坐标转换与相应计算；并在最后，将三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。可见，实施这种实施方式，能够将人工智能分析模型的输入参数坐标化，以使人工训练的精准度可以随着数据的精确化而得以提高，进而能够通过高精确度的人工智能模型提高远程测距的准确度。
进一步地，所述方法还包括：
根据所述环境检测数据、所述距离测量数据和所述距离校正数据对所述误差校正模型进行迭代更新处理，得到新的误差校正模型。
在上述实现过程中，该方法还可以将环境检测数据输入到环境数据样本集合中，并将距离测量数据和距离校正数据输入到真实距离样本集合中，以使误差校正模型可以根据更新后的环境数据样本集合和真实距离样本集合进行更新迭代，得到新的误差校正模型。可见，实施这种实施方式，能够对误差校正模型进行随时随地的二次更新，以使误差校正模型可以更准确地对距离测量数据进行校正，从而得到更准确的距离校正数据，进而提高远程测距的准确程度。
进一步地，所述环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、所述远程测距装置的机舱温度、所述远程测距装置中主板的主板温度以及所述远程测距装置对应云台的云台温度中的一种或多种。
在上述实现过程中，该方法可以检测到天气数据、温度数据、湿度数据、气压数据、光照数据以及风力数据等等，以使该方法在获取到这些数据之后可以全方面地对距离测量数据进行误差校正，从而得到准确的距离校正数据。
本申请实施例第二方面提供了一种远程测距装置，所述远程测距装置包括：
检测单元，用于检测当前测距环境，得到环境检测数据；
测量单元，用于测量远程测距装置与待测物体之间的距离，得到距离测量数据；
处理单元，用于根据预设的误差校正模型和所述环境检测数据对所述距离测量数据进行误差校正处理，得到距离校正数据。
在上述实现过程中，该远程测距装置可以通过检测单元来检测当前测距环境，得到环境检测数据；然后再通过测量单元来测量远程测距装置与待测物体之间的距离，得到距离测量数据；最后，再通过处理单元来根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。可见，实施这种实施方式，该远程测距装置可以通过多个单元的协同工作实现测距结果的准确获取，并且该远程测距装置还能够通过多个单元各自的针对性工作，提高工作质量，提高工作效率，从而得到准确的测距结果；另一方面，实施这种实施方式，还能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
进一步地，所述远程测距装置还包括：
获取单元，用于获取环境数据样本集合；
获取单元，还用于获取与所述环境数据样本集合相对应的真实距离样本集合；
训练单元，用于根据所述环境数据样本集合、所述真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。
在上述实现过程中，该远程测距装置还可以通过获取单元来获取环境数据样本集合；通过获取单元来获取与环境数据样本集合相对应的真实距离样本集合；再通过训练单元来根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。可见，实施这种实施方式，能够在测距之前通过人工智能方法训练出误差校正模型，以使误差校正模型可以被直接投入测距场景中进行使用，从而起到对距离测量数据的误差规避效果，提高测距结果的准确性。
进一步地，所述训练单元包括：
生成子单元，用于根据所述环境数据样本集合和所述真实距离样本集合，生成三维坐标系样本；
训练子单元，用于将所述三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。
在上述实现过程中，训练单元可以通过生成子单元来根据环境数据样本集合和真实距离样本集合，生成三维坐标系样本；然后再通过训练子单元将三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。可见，实施这种实施方式，能够将人工智能分析模型的输入参数坐标化，以使人工训练的精准度可以随着数据的精确化而得以提高，进而能够通过高精确度的人工智能模型提高远程测距的准确度。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的远程测距方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的远程测距方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种远程测距方法的流程示意图；
图2为本申请实施例提供的另一种远程测距方法的流程示意图；
图3为本申请实施例提供的一种远程测距装置的结构示意图；
图4为本申请实施例提供的另一种远程测距装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本申请实施例提供了一种远程测距方法的流程示意图。该远程测距方法可以通过对标准被测物采用视频激光测距实测得到实测值对不同目标进行采样，得到标准被测物标准值与实测值的对应样本，利用采样样本数据集进行深度学习训练误差校正模型，在实际测距过程中，系统实测值自动调用该误差校正模型对误差进行校正。其中，该远程测距方法包括：
S101、检测当前测距环境，得到环境检测数据。
本实施例中，当前测距环境为该远程测距方法中实际测距的环境。
举例来说，该远程测距方式是通过计算机观看激光测距仪对建筑物进行测距的画面，此时，激光测距仪对建筑物进行测距场景变为当前测距环境。
本实施例中，环境检测数据用于指代当前测距环境中包括的温湿度数据、天气数据(包括降雨、降雪)、气压数据、光照度数据等等，对此本实施例中不作任何限定。
在本实施例中，环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、远程测距装置的机舱温度、远程测距装置中主板的主板温度以及远程测距装置对应云台的云台温度中的一种或多种。
在本实施例中，环境检测数据可以理解为远程测距装置在测距过程中的外在环境数据和远程测距装置在测距过程中的内在环境数据。
在本实施例中，上述的内在环境数据可以理解为远程测距装置包括的机舱、主板、云台等部件位置的温度、湿度等等。
S102、测量远程测距装置与待测物体之间的距离，得到距离测量数据。
本实施例中，远程测距装置可以是一种包括计算单元、激光测距单元等等的多单元组合装置。
在本实施例中，远程测距装置可以通过激光测距单元来测量远程测距装置与待测物体之间直线距离，以使距离测量数据可以被获取得到。
在本实施例中，该距离测量数据为二维数据，在实际情况当中，该二维数据是具有立体角的，因此该距离测量数据可以承载于三维立体坐标系中，以使该距离测量数据能够体现出更多信息。
在本实施例中，该距离测量数据可以理解为在空间中的矢量数据。
S103、根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。
本实施例中，误差校正模型是预设的人工智能模型。
在本实施例中，误差校正模型用于根据环境检测数据对距离测量数据进行误差校正处理，以得到准确的规避误差的距离校正数据。
作为一种可选的实施方式，根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据可以包括：
将环境检测数据输入至预设的误差校正模型中，以使误差校正模型可以根据环境检测数据对距离测量数据进行误差校正处理，得到规避误差后的距离校正数据。
实施这种实施方式，能够将环境检测数据作为误差校正模型的输入参数，以使该误差校正模型可以根据该输入参数对距离测量数据进行误差校正，从而得到准确的距离校正数据。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机和平板等智能设备，对此本实施例中不作任何限定。
可见，实施图1所描述的远程测距方法，能够优先对当前的测距环境进行参数采集，得到环境检测数据；然后，再对远程测距装置与待测物体之间的距离进行测量，得到距离测量数据；在获取到环境检测数据和距离测量数据之后，该方法再将环境检测数据输入到预设的误差校正模型中，以使具有环境检测数据的误差校正模型可以对距离测量数据进行误差校正，从而得到矫正后的距离校正数据。可见，实施这种实施方式，能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
实施例2
请参看图2，图2为本申请实施例提供的另一种远程测距方法的流程示意图。图2所描述的远程测距方法的流程示意图是根据图1所描述的远程测距方法的流程示意图进行改进得到的。其中，该远程测距方法包括：
S201、获取环境数据样本集合。
本实施例中，环境数据样本集合用于表示误差校正模型的训练样本集合。
在本实施例中，环境数据样本集合包括多种环境检测数据，而该多种环境检测数据所对应的测距环境皆有一定的差异，因此环境数据样本集合可以包括所有环境情况下的数据信息。
S202、获取与环境数据样本集合相对应的真实距离样本集合。
本实施例中，环境数据样本集合中包括多种环境检测数据，而每种环境检测数据皆对应一个真实距离和一个真实测量距离。
举例来说，环境检测数据为大雾天气所对应的，此时激光测距仪可以获取到一个真实测量举例，并在人工的辅助下对真实测量距离进行误差规避处理以得到对应的真实距离；因此，一个环境检测数据对应一个真实距离和一个真实测量距离。
在本实施例中，环境数据样本集合包括的环境检测数据具有相对应的真实距离，而该真实距离并不局限于同一场景；举例来说，相同环境检测数据之下，真实距离可以为到建筑物五楼的距离或到建筑物六楼的距离，而此时两个真实距离可以对应相同的两个环境检测数据，从而使得环境检测数据与真实距离是一一对应的。相应的，上述的真实测量距离也与之相对应。
本实施例中，真实距离样本集合包括多个真实距离和多个一一对应真实测量距离，其中，真实距离为实际且准确的距离信息，而真实测距距离为当时情况下测距的结果。
S203、根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。
本实施例中，人工智能分析模型是一种设置好参数与相应公式的模型，只需要输入样本数据便可以开始训练。
在本实施例中，人工智能训练的过程中会根据环境数据、与环境数据相对应的真实距离进行综合训练处理，以使误差校正模型可以体现出三个具体参数：环境检测数据、建筑物之间的准确距离数据以及测距仪的测距数据，其中建筑物之间的准确距离数据与测距仪的测距数据之间的偏差是由环境检测数据导致的，因此该误差校正模型可以通过人工智能的训练获知到环境检测数据所导致的误差，以便于在使用过程中该方法可以根据环境检测数据和距离测量数据来进行测距误差的规避，从而使得后续的距离校正数据更加准确。
作为一种可选的实施方式，根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型的步骤可以包括：
根据环境数据样本集合和真实距离样本集合生成三维坐标系样本；
将三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。
本实施例中，该环境数据样本集合可以包括不同环境参数(包括环境温度、设备内部温度、气压值、风速风向或者环境亮度等等)。
在本实施例中，三维坐标系样本可以是由水平、垂直光栅角度和真实距离样本集合中的真实数据(或真实测量距离)形成的坐标系样本，该三维坐标系样本作为人工智能模型的输入，以便人工智能模型进行模型训练。
实施这种实施方式，能够根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型的过程中，可以优先根据环境数据样本集合和真实距离样本集合生成三维坐标系样本；其中，该三维坐标系样本包括真实距离的横纵高三维坐标，即该真实距离可以在该三维坐标系中的横纵平面、横高平面以及纵高平面三个平面进行投影得到与相应坐标对应的图像，以便于进行后续的坐标转换与相应计算；并在最后，将三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。可见，实施这种实施方式，能够将人工智能分析模型的输入参数坐标化，以使人工训练的精准度可以随着数据的精确化而得以提高，进而能够通过高精确度的人工智能模型提高远程测距的准确度。
本实施例中，步骤S201～S203可以理解为对标准被测物在不同环境下进行测量采样作为训练样本，并将训练样本输入分析模型生成误差校正模型的过程。
S204、检测当前测距环境，得到环境检测数据。
本实施例中，当前测距环境为该远程测距方法中实际测距的环境。
举例来说，该远程测距方式是通过计算机观看激光测距仪对建筑物进行测距的画面，此时，激光测距仪对建筑物进行测距场景变为当前测距环境。
本实施例中，环境检测数据的检测可以包括：通过折射率传感器进行大气折射率误差的测量；通过多功能风速仪测温湿度计进行温湿度、环境亮度、风速误差的测量；通过建筑施工地大气压照度仪进行大气压的测量；通过海拔环境光亮度计进行光亮度的测量等等。
本实施例中，环境检测数据用于指代当前测距环境中包括的温湿度数据、天气数据(包括降雨、降雪)、气压数据、光照度数据等等，对此本实施例中不作任何限定。
在本实施例中，环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、远程测距装置的机舱温度、远程测距装置中主板的主板温度以及远程测距装置对应云台的云台温度中的一种或多种。
S205、测量远程测距装置与待测物体之间的距离，得到距离测量数据。
本实施例中，远程测距装置可以是一种包括计算单元、激光测距单元等等的多单元组合装置。
在本实施例中，远程测距装置可以通过激光测距单元来测量远程测距装置与待测物体之间直线距离，以使距离测量数据可以被获取得到。
在本实施例中，该距离测量数据为二维数据，在实际情况当中，该二维数据是具有立体角的，因此该距离测量数据可以承载于三维立体坐标系中，以使该距离测量数据能够体现出更多信息。
在本实施例中，该距离测量数据可以理解为在空间中的矢量数据。
S206、根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。
本实施例中，误差校正模型是预设的人工智能模型。
在本实施例中，误差校正模型用于根据环境检测数据对距离测量数据进行误差校正处理，以得到准确的规避误差的距离校正数据。
作为一种可选的实施方式，根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据可以包括：
将环境检测数据输入至预设的误差校正模型中，以使误差校正模型可以根据环境检测数据对距离测量数据进行误差校正处理，得到规避误差后的距离校正数据。
实施这种实施方式，能够将环境检测数据作为误差校正模型的输入参数，以使该误差校正模型可以根据该输入参数对距离测量数据进行误差校正，从而得到准确的距离校正数据。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
在本实施例中，该方法的执行主体还可以为智能手机和平板等智能设备，对此本实施例中不作任何限定。
本实施例中，步骤S204～S206可以理解为利用传感器获取环境参数以及实际测距数据，并将上述参数及远程测距设备实际测距数据输入上述误差校正模型进行校正得到测量结果值的过程。
S207、根据环境检测数据、距离测量数据和距离校正数据对误差校正模型进行迭代更新处理，得到新的误差校正模型。
本实施例中，环境检测数据、距离测量数据以及距离校正数据可以计算出当前环境检测数据下的测距误差，以使该测距误差可以对误差校正模型进行更新迭代，从而使得新的误差校正模型更具有普适性。
本实施例中，该方法可以采用神经网络算法在非线性映射关系拟合的优点来提高测距误差校正的准确程度。
在本实施例中，该方法可以对测量结果值进行存储，并定期进行误差校正模型的优化，实现一种实时更新的效果。
本实施例中，该方法能够针对频率误差、大气折射率误差、真空光速测距误差以及温湿度、环境亮度、风速误差等参数进行误差规避处理，从而得到准确的距离校正数据。
可见，实施图2所描述的远程测距方法，能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
实施例3
请参看图3，图3为本申请实施例提供的一种远程测距装置的结构示意图。其中，该远程测距装置包括：
检测单元310，用于检测当前测距环境，得到环境检测数据；
测量单元320，用于测量远程测距装置与待测物体之间的距离，得到距离测量数据；
处理单元330，用于根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。
本实施例中，对于远程测距装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图3所描述的远程测距装置，能够通过检测单元310来检测当前测距环境，得到环境检测数据；然后再通过测量单元320来测量远程测距装置与待测物体之间的距离，得到距离测量数据；最后，再通过处理单元330来根据预设的误差校正模型和环境检测数据对距离测量数据进行误差校正处理，得到距离校正数据。可见，实施这种实施方式，该远程测距装置可以通过多个单元的协同工作实现测距结果的准确获取，并且该远程测距装置还能够通过多个单元各自的针对性工作，提高工作质量，提高工作效率，从而得到准确的测距结果；另一方面，实施这种实施方式，还能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
实施例4
请参看图4，图4为本申请实施例提供的另一种远程测距装置的结构示意图。图4所描述的远程测距装置的结构示意图是根据图3所描述的远程测距装置的结构示意图进行改进得到的。其中，该远程测距装置还包括：
获取单元340，用于获取环境数据样本集合；
获取单元340，还用于获取与环境数据样本集合相对应的真实距离样本集合；
训练单元350，用于根据环境数据样本集合、真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型。
作为一种可选的实施方式，训练单元340包括：
生成子单元341，用于根据环境数据样本集合和真实距离样本集合，生成三维坐标系样本；
训练子单元342，用于将三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型。
作为一种可选的实施方式，该远程测距装置还包括：
更新单元360，用于根据环境检测数据、距离测量数据和距离校正数据对误差校正模型进行迭代更新处理，得到新的误差校正模型。
作为一种可选的实施方式，环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、远程测距装置的机舱温度、远程测距装置中主板的主板温度以及远程测距装置对应云台的云台温度中的一种或多种。
本实施例中，对于远程测距装置的解释说明可以参照实施例1或实施例2中的描述，对此本实施例中不再多加赘述。
可见，实施图4所描述的远程测距装置，能够根据当前的环境检测数据对误差校正模型进行参数设置，以使误差校正模型可以根据当前的环境自动对距离测量数据进行误差校正，以使最终得到的测距结果能够规避环境误差，从而提高测距精度。
本申请实施例提供了一种电子设备，包括存储器以及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行本申请实施例1或实施例2中任一项远程测距方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，计算机程序指令被一处理器读取并运行时，执行本申请实施例1或实施例2中任一项远程测距方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (5)

1.一种远程测距方法，其特征在于，所述方法包括：
检测当前测距环境，得到环境检测数据；所述环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、远程测距装置的机舱温度、所述远程测距装置中主板的主板温度以及所述远程测距装置对应云台的云台温度中的一种或多种；
测量远程测距装置与待测物体之间的距离，得到距离测量数据；所述距离测量数据为空间中的矢量数据；
根据预设的误差校正模型和所述环境检测数据对所述距离测量数据进行误差校正处理，得到距离校正数据；
所述方法还包括：
获取环境数据样本集合；
获取与所述环境数据样本集合相对应的真实距离样本集合；
根据所述环境数据样本集合和所述真实距离样本集合生成三维坐标系样本；
将所述三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型；
所述根据预设的误差校正模型和所述环境检测数据对所述距离测量数据进行误差校正处理，得到距离校正数据的步骤包括：
将环境检测数据输入至预设的误差校正模型中，以使误差校正模型可以根据环境检测数据对距离测量数据进行误差校正处理，得到规避误差后的距离校正数据。
2.根据权利要求1所述的远程测距方法，其特征在于，所述方法还包括：
根据所述环境检测数据、所述距离测量数据和所述距离校正数据对所述误差校正模型进行迭代更新处理，得到新的误差校正模型。
3.一种远程测距装置，其特征在于，所述远程测距装置包括：
检测单元，用于检测当前测距环境，得到环境检测数据；所述环境检测数据至少包括天气检测数据、温度检测数据、湿度检测数据、气压检测数据、光照度检测数据、风力检测数据、所述远程测距装置的机舱温度、所述远程测距装置中主板的主板温度以及所述远程测距装置对应云台的云台温度中的一种或多种；
测量单元，用于测量远程测距装置与待测物体之间的距离，得到距离测量数据；所述距离测量数据为空间中的矢量数据；
处理单元，用于根据预设的误差校正模型和所述环境检测数据对所述距离测量数据进行误差校正处理，得到距离校正数据；其中，所述远程测距装置还包括：
获取单元，用于获取环境数据样本集合；
获取单元，还用于获取与所述环境数据样本集合相对应的真实距离样本集合；
训练单元，用于根据所述环境数据样本集合、所述真实距离样本集合以及预设的人工智能分析模型进行人工智能训练，得到误差校正模型；其中，所述训练单元包括：
生成子单元，用于根据所述环境数据样本集合和所述真实距离样本集合，生成三维坐标系样本；
训练子单元，用于将所述三维坐标系样本输入至预设的人工智能分析模型中进行人工智能训练，得到误差校正模型；
所述处理单元，具体用于将环境检测数据输入至预设的误差校正模型中，以使误差校正模型可以根据环境检测数据对距离测量数据进行误差校正处理，得到规避误差后的距离校正数据。
4.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至2中任一项所述的远程测距方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至2任一项所述的远程测距方法。
CN202010315498.6A 2020-04-21 2020-04-21 一种远程测距方法及装置 Active CN111473755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010315498.6A CN111473755B (zh) 2020-04-21 2020-04-21 一种远程测距方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010315498.6A CN111473755B (zh) 2020-04-21 2020-04-21 一种远程测距方法及装置

Publications (2)

Publication Number Publication Date
CN111473755A CN111473755A (zh) 2020-07-31
CN111473755B true CN111473755B (zh) 2022-05-17

Family

ID=71755908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010315498.6A Active CN111473755B (zh) 2020-04-21 2020-04-21 一种远程测距方法及装置

Country Status (1)

Country Link
CN (1) CN111473755B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111982040B (zh) * 2020-08-18 2022-02-15 山东泰和建设管理有限公司 基于滚动测距仪的距离测算方法、装置、计算机设备及存储介质
CN112965048B (zh) * 2021-02-09 2023-04-07 深圳市灵明光子科技有限公司 激光测距误差校正方法、装置、电子设备和存储介质
CN114126042A (zh) * 2021-11-22 2022-03-01 中大检测(湖南)股份有限公司 一种基于tdoa的wlan定位方法
CN117053838A (zh) * 2023-10-11 2023-11-14 深圳市潼芯传感科技有限公司 一种测距传感器测距结果校准方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100510633C (zh) * 2007-02-08 2009-07-08 北京航空航天大学 一种基于神经网络进行温度补偿的光纤陀螺
JP5549230B2 (ja) * 2010-01-13 2014-07-16 株式会社リコー 測距装置、測距用モジュール及びこれを用いた撮像装置
CN102346030B (zh) * 2010-07-30 2016-09-14 原相科技股份有限公司 依据温度校正测距装置量测的待测距离的方法及其装置
CN102445149B (zh) * 2010-10-14 2014-02-19 上海微电子装备有限公司 一种工件台位置测量装置与测量方法
CN102121824B (zh) * 2010-12-08 2013-12-04 中国电信股份有限公司 远程测距终端、方法和系统
CN103090845B (zh) * 2013-01-15 2015-01-14 浙江成功软件开发有限公司 一种基于多影像的远程测距方法
WO2016020826A1 (en) * 2014-08-07 2016-02-11 Ingenera Sa Method and relevant device for measuring distance with auto-calibration and temperature compensation
US10089738B2 (en) * 2016-08-30 2018-10-02 Microsoft Technology Licensing, Llc Temperature compensation for structured light depth imaging system
CN107657635B (zh) * 2017-10-17 2022-03-29 奥比中光科技集团股份有限公司 深度相机温度误差校正方法及系统
CN108709521A (zh) * 2018-06-04 2018-10-26 中核(天津)科技发展有限公司 一种高精度位移测量装置及测量方法
CN110046412B (zh) * 2019-04-02 2022-10-25 合肥工业大学 一种基于优化bp神经网络的圆光栅测角误差修正方法

Also Published As

Publication number Publication date
CN111473755A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111473755B (zh) 一种远程测距方法及装置
CN111354042B (zh) 机器人视觉图像的特征提取方法、装置、机器人及介质
JP2019215853A (ja) 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体
CN110197615B (zh) 用于生成地图的方法及装置
CN109887041B (zh) 一种机械臂控制数字相机摄影中心位置和姿态的方法
CN111443337B (zh) 一种基于手眼标定的雷达-imu标定方法
CN110363758B (zh) 一种光学遥感卫星成像质量确定方法及系统
CN111156989B (zh) 基于指向自动测定的空间碎片实时天文定位方法
CN113267258A (zh) 红外测温方法、装置、设备、智能巡检机器人及存储介质
Mirko et al. Assessing the Impact of the Number of GCPS on the Accuracy of Photogrammetric Mapping from UAV Imagery
CN111444570A (zh) 一种施工误差信息的获取方法及装置
CN111750896B (zh) 云台标定方法、装置、电子设备及存储介质
CN109506617B (zh) 传感器数据处理方法、存储介质、电子设备
CN109712197B (zh) 一种机场跑道网格化标定方法及系统
CN113610702B (zh) 一种建图方法、装置、电子设备及存储介质
CN112597574B (zh) 一种建筑信息模型的构建方法及装置
CN111637892A (zh) 一种基于视觉和惯性导航组合的移动机器人定位方法
CN115861407A (zh) 基于深度学习的安全距离检测方法及系统
CN111207683A (zh) 一种隧道变形的监测方法、装置及计算机可读存储介质
CN113495281B (zh) 可移动平台的实时定位方法及装置
CN115147561A (zh) 位姿图生成方法、高精地图生成方法和装置
CN113049006B (zh) 一种基于模型参数估计的星光矢量蒙气差修正方法
CN111307176B (zh) 一种vr头戴显示设备中视觉惯性里程计的在线标定方法
CN112729109A (zh) 一种点云数据的校正方法及装置
KR102393300B1 (ko) 객체 지도 생성 시스템 및 그 방법

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