CN112541886A - 一种激光雷达和相机融合人工智能矿石识别方法和装置 - Google Patents
一种激光雷达和相机融合人工智能矿石识别方法和装置 Download PDFInfo
- Publication number
- CN112541886A CN112541886A CN202011358800.2A CN202011358800A CN112541886A CN 112541886 A CN112541886 A CN 112541886A CN 202011358800 A CN202011358800 A CN 202011358800A CN 112541886 A CN112541886 A CN 112541886A
- Authority
- CN
- China
- Prior art keywords
- ore
- camera
- point cloud
- laser radar
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000005286 illumination Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 5
- 239000000428 dust Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种激光雷达和相机融合人工智能矿石识别方法和装置,其适用性较强,且实时性好。具体方案为:矿石置于匀速运行的传送带上;采用二维激光雷达对矿石发射激光信号,并根据矿石返回信号采集得到矿石的点云数据信息;点云数据信息包括距离点云和反射率点云。利用线阵相机配合照明光源采集矿石的相机图像。对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;三通道分别为灰度值通道、距离点云通道、反射率点云通道。对矿石的三通道图像进行归一化、剔除干扰背景、去噪处理,提取纹理特征、三维形状特征以及灰度特征,并利用卷积神经网络对提取的特征进行识别,得出矿石识别结果。
Description
技术领域
本发明涉及光电检测、光电成像和光电测量技术领域,具体涉及一种激光雷达和相机融合人工智能矿石识别方法和装置。
背景技术
在矿石开采方面,我国每年矿石产量极大,对矿石/杂料及煤/矸的分选需求也极大。据统计,截止2018年底前,单煤炭产量即可达39.7亿吨/年。以其中煤炭行业为例,目前煤炭开采方面已由传统的人工开采转换到现代化的半自动化机械开采,然而在煤矸分选方面,仍然以人工分选为主,有着分选效率低下、人员劳动强度大的劣势,同时分选环境恶劣,对分选人员的健康威胁极大。
目前矿石领域的成像识别方法主有高清相机成像法、红外相机成像法和X射线成像法。其中高清相机成像法通过相机拍摄传送带上的矿石,然后对矿石信息进行一系列信息处理后提取矿石的灰度和纹理和外形等特征,最后运用分类算法或卷积神经网络对其分类。然而单一的相机在信息采集方面只能采集2D的平面信息,受外界环境的影响大如光照、粉尘等,且由于许多矿石与杂料的纹理类似造成其在实际应用中识别效果不佳。
射线辐射对人体健康危害大,高清相机红外相机受现场环境恶劣的限制,使得这些方法在矿石识别方面实际应用效果不佳。
激光雷达受水的影响较大,当被测物表面有水时,表面形成类似镜面,对激光雷达发射的激光光束全反射,导致部分激光光束无法回到激光雷达接收器,造成采集信息的部分丢失,而相机不会受水的影响且分辨率较高弥补了激光雷达的部分缺陷。因此现有的矿石识别方法适用性较差,且实时性不好。
发明内容
有鉴于此,本发明提供了一种激光雷达和相机融合人工智能矿石识别方法和装置,其适用性较强,且实时性好。
为达到上述目的,本发明的技术方案提供的一种激光雷达和相机融合人工智能矿石识别方法,包括如下步骤:
S1、矿石置于匀速运行的传送带上;采用二维激光雷达对矿石发射激光信号,并根据矿石返回信号采集得到矿石的点云数据信息;点云数据信息包括距离点云和反射率点云。
S2、利用线阵相机配合照明光源采集矿石的相机图像。
S3、对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;三通道分别为灰度值通道、距离点云通道、反射率点云通道。
S4、对矿石的三通道图像进行归一化、剔除干扰背景、去噪处理,提取纹理特征、三维形状特征以及灰度特征,并利用卷积神经网络对提取的特征进行识别,得出矿石识别结果。
进一步地,二维激光雷达采集矿石的点云数据信息与线阵相机采集矿石的相机图像同时进行;
进一步地,对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;
具体为:
S301、根据二维激光雷达与线阵相机的安装位置,对矿石的点云数据信息及二维图像数据信息进行空间位置的匹配。
S302、根据点云数据信息中的距离点云和反射率点云,分别得到距离点云图和反射率图。
S303、建立二维激光雷达坐标系;针对线阵相机系统建立三个坐标系,分别为像素坐标系、图像坐标系和相机坐标系,像素坐标系相机图像的像素坐标系;图像坐标系是在像素坐标系下建立实际度量单位为刻度的坐标系;相机坐标系用于表示物体与线阵相机的相对位置。
S304、二维激光雷达坐标系经过刚体变换到相机坐标系,相机坐标系经过投影透视到图像坐标系,图像坐标系经过平移变换到像素坐标系,由此得到点云数据信息到相机图像的转换关系。
S305、根据求得的转换关系,二维激光雷达的反射率图与距离点云图的每一个点均转换至相机图像上,转换后,相机图像上多余的像素做剔除处理。
S306、将转换后的三个大小相同的图像合并形成三维矩阵,即为三通道数据,三通道分别为灰度值通道、距离点云通道、反射率点云通道。
本发明的另外一个实施例提供了一种相机和激光雷达融合人工智能矿石识别装置,装置包括:激光雷达模块、相机模块、数据传输模块、数据融合模块以及信息识别模块;
矿石置于匀速运行的传送带上。
激光雷达模块用于向传送带上的矿石发射激光信号,并根据矿石返回的信号采集得到矿石的点云数据信息,点云数据信息包括距离点云和反射率点云。
相机模块包含相机和照明光源,采集传送带上的矿石的二维图像数据信息。
数据传输模块,将激光雷达模块采集的矿石的点云数据信息与相机采集的二维图像数据传输至数据融合模块。
数据融合模块,将数据传输模块送达的矿石的点云数据信息与相机采集的二维图像数据进行预处理,并实现像素级融合成像,形成三通道图像。
信息识别模块,提取矿石的三通道图像的纹理特征、三维形状特征及灰度特征,利用卷积神经网络对提取的特征进行识别,得出矿石的识别结果。
进一步地,二维激光雷达采集矿石的点云数据信息与线阵相机采集矿石的二维图像数据信息同时进行;通过在二维激光雷达与线阵相机下方安装光电开关来控制两者的同步采集。
即当矿石在传送带上运动,矿石前端运动到二维激光雷达与线阵相机正下方时,开始触发光电开关,二维激光雷达与线阵相机同时开启,分别采集矿石的点云数据信息和矿石的二维图像数据信息;当矿石后端离开激光雷达与相机正下方时,结束光电开关触发,二维激光雷达与线阵相机同时停止采集。
有益效果:
本发明提供的一种激光雷达和相机融合人工智能矿石识别方法和装置,融合激光雷达和相机数据,可弥补两者各自的缺陷,激光雷达对湿水矿石数据的采集能力较弱但可采集三维距离信息以及回波强度信息,相机无法采集三维信息,对于受灰尘覆盖,灰度相近的矿石识别能力较弱但湿水矿石对其并无较大影响且图像数据分辨率高信息量大,整个装置没有射线辐射危害,适应性强。本发明通过对激光点云和图像数据的像素级融合,形成的三通道图像包含了灰度、距离和回波强度三个通道的信息,包含信息量大,可从中提取的表面纹理、三维形状特征更多,矿石表面不会因为湿水或受到灰尘遮盖而导致纹理和三维形状特征缺失。运用卷积神经网络算法,相较传统识别分类算法,识别准确度高,实时性好。
附图说明
图1为本发明提供的一种基于激光成像的人工智能矿石识别装置组成示意图;
图2为本发明实施例中二维激光雷达与线阵相机数据融合流程图;
图3为本发明实施例中矿石人工智能识别方法流程图;
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
为了解决现有矿石识别方法适用性较差,以及识别实时性不好的问题,如图1所示,本发明提供了一种基于激光成像的人工智能矿石识别装置,该装置包括:激光雷达模块、相机模块、数据传输模块、数据融合模块、以及信息识别模块。
图1中①、②分别为激光雷达模块和相机模块,矿石(图1中④)在传送带(图1中③)上匀速运动,二维激光雷达与线阵相机完成对矿石点云数据及图像信息的采集;
信号传输模块,用于将矿石点云数据及图像信息传输至数据融合模块;如图1中⑤信号传输模块由网线以及电脑端接收处理软件组成。
数据融合模块,对信号传输模块处获取的点云数据信息及图像信息进行预处理并运用融合算法进行融合,并得到矿石对应的三通道图像;
信息识别模块,对融合后的矿石三通道图像进行归一化、剔除干扰背景、去噪处理,提取纹理、三维形状、灰度特征信息,并利用卷积神经网络对处理后的特征信息进行识别,得到矿石识别结果。
在本发明中,数据融合模块和信息识别模块可以集成在上位机PC中,见图中⑥,二维激光雷达与线阵相机可以作为下位机。
在本发明中,数据融合模块对激光雷达采集的点云数据信息(距离点云和反射率点云)以及相机采集的图像信息进行融合,具体地:
本发明中的数据融合模块采用了像素级融合的方法,在这里由于二维激光雷达与线阵相机的安装位置不同,在融合前需要保证空间位置的匹配。
本发明中通过在二维激光雷达与线阵相机下方安装光电开关来控制两者的同步采集,即当矿石在传送带上运动,矿石前端运动到激光雷达与相机正下方时,开始触发光电开关,激光雷达与相机同时开始采集,当矿石后端离开激光雷达与相机正下方时,结束光电开关触发,激光雷达与相机同时停止采集。这样保证了激光雷达与相机在这段相同的采集时间内采集的为同一矿石,起到了与前后矿石的分割作用,并且由于现场识别作业时,系统24小时工作,采用此种采集方式,在传送带上无矿石时,激光雷达与相机不采集,不工作,减少激光雷达与相机的工作时间和工作压力,延长了系统的使用时限。
在这里利用传送带扫描的特点,使用了二维激光雷达与线阵相机来进行数据采集,相较于使用面阵相机与二维激光雷达及面阵相机与三维激光雷达进行数据融合降低了数据融合的难度。且二维激光雷达及线阵相机都具有更高的扫描频率,结合扫描传送带上匀速运动物体的特点可以获得相较三维激光雷达和面阵相机更加高分辨率的点云数据以及图像数据。
在融合之前由于二维激光雷达与线阵相机安装的位置与角度不同,需要进行二维激光雷达与线阵相机的联合标定工作,常见的标定方法如Autoware、Matlab等标定工具箱一般只适用于面阵相机与三维激光雷达的标定。
传统的激光雷达与相机标定中通常使用三维标定物(如立方块、菱形块等),但制作高精度的三维标定板难度较大,
在本发明中对于二维激光雷达与线阵相机的标定,可将常见的二维棋盘格标定板以不同姿态放置在传送带上匀速运动通过雷达与相机下方,此处用作标定的不是传统的距离点云,而是反射率点云,反射率点云成像后,棋盘格标定板清晰可见,与传统的激光雷达和相机标定使用三维标定物,并提取三维标定物的棱角边缘特征与相机图像中对应边缘特征进行匹配相比,该方法将三维点云与二维图像进行标定转化为了二维图像之间的标定。步骤更为简单,且可供使用的成熟标定算法更多。
由于二维激光雷达的采集频率一般低于线阵相机的采集频率,所以采集后经反射率点云和距离点云映射投影所获得的激光雷达反射率图与距离点云图的分辨率一般低于线阵相机所采集图像的分辨率。在进行融合时,根据求得的转换关系,激光雷达反射率图与距离点云图的每一个点均可转换至相机图像上,此时,转化后,相机图像上多余的像素可做剔除处理,以保证三者分辨率的一致性。
图像的本质在数学上表示为一个矩阵,如分辨率100×100的图像可表示为一个100×100的二维矩阵,图像中每个像素的灰度值对应矩阵中对应坐标的数值。经过上述标定及预处理,此时三通道的融合,即将三个大小相同的二维矩阵合并形成三维矩阵。形成三通道数据,三通道分别为灰度值通道、距离点云通道、反射率点云通道。
本发明中的装置,利用二维激光雷达联合线阵相机对矿石进行识别,识别精度能达到毫米级别,能识别矿石的表面纹理和三维形状,由相机图像数据弥补了激光雷达对湿水矿石识别能力差的劣势,又由激光雷点云数据达弥补了相机对灰尘掩盖下,纹理不清晰,灰度近似的矿石识别效果差的劣势。二者相互融合,整个装置具有很强的适用性以及鲁棒性。
本发明提供了一种激光雷达和相机融合成像人工智能矿石识别方法,如图2和图3所示,该方法包括如下步骤:
S1、矿石置于匀速运行的传送带上;采用二维激光雷达对矿石发射激光信号,并根据矿石返回信号采集得到矿石的点云数据信息;点云数据信息包括距离点云和反射率点云。
S2、利用线阵相机配合照明光源采集矿石的相机图像。
S3、对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;三通道分别为灰度值通道、距离点云通道、反射率点云通道。
S4、对矿石的三通道图像进行归一化、剔除干扰背景、去噪处理,提取纹理特征、三维形状特征以及灰度特征,并利用卷积神经网络对提取的特征进行识别,得出矿石识别结果。
本发明实施例中首先利用已知类别的矿石,采用步骤S1~S4的方式提取特征,作为训练样本,对预先建立的卷积神经网络模型进行训练得到训练好的卷积神经网络模型,利用训练好的卷积神经网络模型对未知类别雷达提取的特征进行识别,得出矿石识别结果。
如图2所示的S3的二维激光雷达与线阵相机数据融合流程,将标定板以不同姿态放在传送带上来采集标定数据,并用标定算法计算获得旋转变换矩阵,利用旋转变化矩阵将点云数据每个像素一一映射到图像数据的像素上得到三通道图像。S3具体可包含如下步骤:
S301、根据二维激光雷达与线阵相机的安装位置,对矿石的点云数据信息及二维图像数据信息进行空间位置的匹配。
S302、根据点云数据信息中的距离点云和反射率点云,分别得到距离点云图和反射率图。
S303、建立二维激光雷达坐标系;针对线阵相机系统建立三个坐标系,分别为像素坐标系、图像坐标系和相机坐标系,像素坐标系相机图像的像素坐标系;图像坐标系是在像素坐标系下建立实际度量单位为刻度的坐标系;相机坐标系用于表示物体与线阵相机的相对位置。本发明中,得到反射率图和相机图像后,可建立二维激光雷达坐标系(X1-Y1-Z1),其中二维激光雷达坐标系的原点为二维激光雷达的几何中心,XL轴水平向前,YL轴水平向左,ZL轴竖直向上;针对线阵相机系统建立三个坐标系,分别为像素坐标系、图像坐标系和相机坐标系,像素坐标系为(u,v),原点为相机图像左上角,u轴水平向左、v轴竖直向下;图像坐标系是在像素坐标系下建立实际度量单位为刻度的坐标系,表示为(x,y),图像坐标系的原点为线阵相机光轴与相机图像平面的交点,位于相机图像平面中心,x,y轴分别于u,v轴平行;相机坐标系用于表示物体与线阵相机的相对位置,表示为(X2-Y2-Z2),相机坐标系的原点为相机光心O点,X2,Y2轴平行于x,y轴,Z2平行于相机光轴,垂直于图像平面。
S304、二维激光雷达坐标系经过刚体变换到相机坐标系,相机坐标系经过投影透视到图像坐标系,图像坐标系经过平移变换到像素坐标系,由此得到点云数据信息到相机图像的转换关系。S304具体为:
二维激光雷达转换到相机坐标系,其中R为3×3的矩阵,表示空间坐标旋转;T为3×1的矩阵,表示空间坐标平移;
从相机坐标系到图像坐标系的转换,是从三维坐标系转换到二维坐标系,其中f为线阵相机的焦距;
从图像坐标系到像素坐标系转换,单位长度和坐标原点不同,进行平移和伸缩变换,其中dx为x轴方向上图像坐标系中实际尺寸与对应像素之间的倍率关系,同理dy为y轴方向上的倍率关系,u0为两坐标系原点x轴方向的偏移量,y0为坐标原点y轴方向的偏移量:
激光雷达坐标系经过刚体变换到相机坐标系,相机坐标系经过投影透视到图像坐标系,图像坐标系经过平移变换到像素坐标系。则激光雷达到相机的坐标转换关系可以表示为:
运用张正友标定算法可求得激光雷达与CCD相机之间的坐标转换关系即R、T旋转平移矩阵,通过R、T坐标转换关系可将激光雷达采集的点云数据投影所得的反射率图坐标与相机采集的图像中的像素坐标一一对应。
S305、根据求得的转换关系,二维激光雷达的反射率图与距离点云图的每一个点均转换至相机图像上,转换后,相机图像上多余的像素做剔除处理。
S306、将转换后的三个大小相同的图像合并形成三维矩阵,即为三通道数据,三通道分别为灰度值通道、距离点云通道、反射率点云通道。
如图3所示的矿石人工智能识别方法,通过二维激光雷达和线阵相机采集点云数据及图像数据,用图2中所示融合方法将其融合得到灰度、距离点云、回波强度点云三通道图像,并对三通道图像进行滤波去噪,以及剔除背景处理,从处理后的的三通道图像中提取纹理特征、三维形状特征、灰度特征并用于卷积神经网络模型的训练,最后利用训练出来的模型对实时采集的矿石进行识别并得到结果。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种相机和激光雷达融合人工智能矿石识别方法,其特征在于,包括如下步骤:
S1、矿石置于匀速运行的传送带上;采用二维激光雷达对矿石发射激光信号,并根据矿石返回信号采集得到矿石的点云数据信息;所述点云数据信息包括距离点云和反射率点云;
S2、利用线阵相机配合照明光源采集矿石的相机图像;
S3、对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;三通道分别为灰度值通道、距离点云通道、反射率点云通道
S4、对矿石的所述三通道图像进行归一化、剔除干扰背景、去噪处理,提取纹理特征、三维形状特征以及灰度特征,并利用卷积神经网络对提取的特征进行识别,得出矿石识别结果。
2.如权利要求1所述的方法,其特征在于,二维激光雷达采集矿石的点云数据信息与线阵相机采集矿石的相机图像同时进行;
3.如权利要求1所述的方法,其特征在于,所述对矿石的点云数据信息及相机图像进行像素级融合,得到矿石的三通道图像;
具体为:
S301、根据所述二维激光雷达与所述线阵相机的安装位置,对矿石的点云数据信息及二维图像数据信息进行空间位置的匹配;
S302、根据所述点云数据信息中的距离点云和反射率点云,分别得到距离点云图和反射率图;
S303、建立二维激光雷达坐标系;针对线阵相机系统建立三个坐标系,分别为像素坐标系、图像坐标系和相机坐标系,所述像素坐标系相机图像的像素坐标系;所述图像坐标系是在所述像素坐标系下建立实际度量单位为刻度的坐标系;所述相机坐标系用于表示物体与线阵相机的相对位置;
S304、二维激光雷达坐标系经过刚体变换到相机坐标系,相机坐标系经过投影透视到图像坐标系,图像坐标系经过平移变换到像素坐标系,由此得到点云数据信息到相机图像的转换关系;
S305、根据求得的转换关系,二维激光雷达的反射率图与距离点云图的每一个点均转换至相机图像上,转换后,相机图像上多余的像素做剔除处理;
S306、将转换后的三个大小相同的图像合并形成三维矩阵,即为三通道数据,三通道分别为灰度值通道、距离点云通道、反射率点云通道。
4.一种相机和激光雷达融合人工智能矿石识别装置,其特征在于,所述装置包括:激光雷达模块、相机模块、数据传输模块、数据融合模块以及信息识别模块;
矿石置于匀速运行的传送带上;
所述激光雷达模块用于向传送带上的矿石发射激光信号,并根据矿石返回的信号采集得到矿石的点云数据信息,所述点云数据信息包括距离点云和反射率点云;
所述相机模块包含相机和照明光源,采集传送带上的矿石的二维图像数据信息;
所述数据传输模块,将激光雷达模块采集的矿石的点云数据信息与相机采集的二维图像数据传输至数据融合模块;
所述数据融合模块,将所述数据传输模块送达的矿石的点云数据信息与相机采集的二维图像数据进行预处理,并实现像素级融合成像,形成三通道图像;
所述信息识别模块,提取矿石的所述三通道图像的纹理特征、三维形状特征及灰度特征,利用卷积神经网络对提取的特征进行识别,得出矿石的识别结果。
5.如权利要求1所述的装置,其特征在于,二维激光雷达采集矿石的点云数据信息与线阵相机采集矿石的二维图像数据信息同时进行;通过在二维激光雷达与线阵相机下方安装光电开关来控制两者的同步采集;
即当矿石在传送带上运动,矿石前端运动到二维激光雷达与线阵相机正下方时,开始触发光电开关,二维激光雷达与线阵相机同时开启,分别采集矿石的点云数据信息和矿石的二维图像数据信息;当矿石后端离开激光雷达与相机正下方时,结束光电开关触发,二维激光雷达与线阵相机同时停止采集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358800.2A CN112541886A (zh) | 2020-11-27 | 2020-11-27 | 一种激光雷达和相机融合人工智能矿石识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011358800.2A CN112541886A (zh) | 2020-11-27 | 2020-11-27 | 一种激光雷达和相机融合人工智能矿石识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112541886A true CN112541886A (zh) | 2021-03-23 |
Family
ID=75015307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011358800.2A Pending CN112541886A (zh) | 2020-11-27 | 2020-11-27 | 一种激光雷达和相机融合人工智能矿石识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541886A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688900A (zh) * | 2021-08-23 | 2021-11-23 | 阿波罗智联(北京)科技有限公司 | 雷达和视觉数据融合处理方法、路侧设备及智能交通系统 |
CN114387428A (zh) * | 2021-12-10 | 2022-04-22 | 北京理工大学 | 基于毫米波成像和光学图像的煤矸石识别方法、装置和存储介质 |
CN114648686A (zh) * | 2022-03-10 | 2022-06-21 | 哈尔滨工程大学 | 一种融合激光点云与rgb图像数据的逆光水面目标识别方法、系统及装置 |
CN114972358A (zh) * | 2022-08-03 | 2022-08-30 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能的城市测绘激光点云偏移检测方法 |
CN115880644A (zh) * | 2023-01-06 | 2023-03-31 | 华夏天信物联科技有限公司 | 一种基于人工智能的煤量识别的方法及系统 |
WO2023070312A1 (zh) * | 2021-10-26 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 图像处理方法 |
CN116129365A (zh) * | 2023-04-18 | 2023-05-16 | 天津美腾科技股份有限公司 | 输送设备上颗粒物料的检测方法和系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
CN106228537A (zh) * | 2016-07-12 | 2016-12-14 | 北京理工大学 | 一种三维激光雷达与单目摄像机的联合标定方法 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN108230242A (zh) * | 2018-01-10 | 2018-06-29 | 大连理工大学 | 一种从全景激光点云到视频流的转换方法 |
CN109949372A (zh) * | 2019-03-18 | 2019-06-28 | 北京智行者科技有限公司 | 一种激光雷达与视觉联合标定方法 |
EP3525000A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene based on lidar data and radar data of the scene |
CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN111161338A (zh) * | 2019-12-26 | 2020-05-15 | 浙江大学 | 一种基于二维图像灰度进行深度预测的点云密度提升方法 |
CN111340797A (zh) * | 2020-03-10 | 2020-06-26 | 山东大学 | 一种激光雷达与双目相机数据融合检测方法及系统 |
CN111553859A (zh) * | 2020-04-29 | 2020-08-18 | 清华大学 | 一种激光雷达点云反射强度补全方法及系统 |
CN111812671A (zh) * | 2020-06-24 | 2020-10-23 | 北京佳力诚义科技有限公司 | 基于激光成像的人工智能矿石识别装置和方法 |
CN111951306A (zh) * | 2020-08-31 | 2020-11-17 | 华通科技有限公司 | 一种激光雷达与图像视频融合的目标检测方法 |
CN111965626A (zh) * | 2020-08-11 | 2020-11-20 | 上海禾赛科技股份有限公司 | 用于激光雷达的回波检测校正方法及装置、环境感知系统 |
-
2020
- 2020-11-27 CN CN202011358800.2A patent/CN112541886A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104005325A (zh) * | 2014-06-17 | 2014-08-27 | 武汉武大卓越科技有限责任公司 | 基于深度和灰度图像的路面裂缝检测装置和方法 |
CN106228537A (zh) * | 2016-07-12 | 2016-12-14 | 北京理工大学 | 一种三维激光雷达与单目摄像机的联合标定方法 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN108230242A (zh) * | 2018-01-10 | 2018-06-29 | 大连理工大学 | 一种从全景激光点云到视频流的转换方法 |
EP3525000A1 (en) * | 2018-02-09 | 2019-08-14 | Bayerische Motoren Werke Aktiengesellschaft | Methods and apparatuses for object detection in a scene based on lidar data and radar data of the scene |
CN109949372A (zh) * | 2019-03-18 | 2019-06-28 | 北京智行者科技有限公司 | 一种激光雷达与视觉联合标定方法 |
CN110188696A (zh) * | 2019-05-31 | 2019-08-30 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN111161338A (zh) * | 2019-12-26 | 2020-05-15 | 浙江大学 | 一种基于二维图像灰度进行深度预测的点云密度提升方法 |
CN111340797A (zh) * | 2020-03-10 | 2020-06-26 | 山东大学 | 一种激光雷达与双目相机数据融合检测方法及系统 |
CN111553859A (zh) * | 2020-04-29 | 2020-08-18 | 清华大学 | 一种激光雷达点云反射强度补全方法及系统 |
CN111812671A (zh) * | 2020-06-24 | 2020-10-23 | 北京佳力诚义科技有限公司 | 基于激光成像的人工智能矿石识别装置和方法 |
CN111965626A (zh) * | 2020-08-11 | 2020-11-20 | 上海禾赛科技股份有限公司 | 用于激光雷达的回波检测校正方法及装置、环境感知系统 |
CN111951306A (zh) * | 2020-08-31 | 2020-11-17 | 华通科技有限公司 | 一种激光雷达与图像视频融合的目标检测方法 |
Non-Patent Citations (2)
Title |
---|
梁静等: "《三维激光扫描技术及应用》", 31 May 2020, 黄河水利出版社, pages: 108 - 113 * |
胡克钢: "基于ODVS的隧道病害检测方法研究", 《中国优秀硕士论文电子期刊网》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688900A (zh) * | 2021-08-23 | 2021-11-23 | 阿波罗智联(北京)科技有限公司 | 雷达和视觉数据融合处理方法、路侧设备及智能交通系统 |
WO2023070312A1 (zh) * | 2021-10-26 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 图像处理方法 |
US11823326B2 (en) | 2021-10-26 | 2023-11-21 | Contemporary Amperex Technology Co., Limited | Image processing method |
CN114387428A (zh) * | 2021-12-10 | 2022-04-22 | 北京理工大学 | 基于毫米波成像和光学图像的煤矸石识别方法、装置和存储介质 |
CN114648686A (zh) * | 2022-03-10 | 2022-06-21 | 哈尔滨工程大学 | 一种融合激光点云与rgb图像数据的逆光水面目标识别方法、系统及装置 |
CN114972358A (zh) * | 2022-08-03 | 2022-08-30 | 江苏菲尔浦物联网有限公司 | 一种基于人工智能的城市测绘激光点云偏移检测方法 |
CN115880644A (zh) * | 2023-01-06 | 2023-03-31 | 华夏天信物联科技有限公司 | 一种基于人工智能的煤量识别的方法及系统 |
CN115880644B (zh) * | 2023-01-06 | 2023-05-16 | 华夏天信物联科技有限公司 | 一种基于人工智能的煤量识别的方法及系统 |
CN116129365A (zh) * | 2023-04-18 | 2023-05-16 | 天津美腾科技股份有限公司 | 输送设备上颗粒物料的检测方法和系统 |
CN116129365B (zh) * | 2023-04-18 | 2023-08-15 | 天津美腾科技股份有限公司 | 输送设备上颗粒物料的检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541886A (zh) | 一种激光雷达和相机融合人工智能矿石识别方法和装置 | |
CA3157194C (en) | Systems and methods for augmentation of sensor systems and imaging systems with polarization | |
US10899014B2 (en) | Multiple lens-based smart mechanical arm and positioning and assembly method thereof | |
CN102589516B (zh) | 一种基于双目线扫描摄像机的动态距离测量系统 | |
CN108269238B (zh) | 深度图像采集装置和深度图像采集系统及其图像处理方法 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN112528979B (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN102374997A (zh) | 基于视觉系统的硬币表面质量高精度检测装置 | |
CN111476762A (zh) | 一种巡检设备的障碍物检测方法、装置和巡检设备 | |
CN115546741A (zh) | 一种双目视觉和激光雷达无人艇海洋环境障碍物识别方法 | |
CN112595236A (zh) | 一种水下激光三维扫描和实时测距的测量装置 | |
CN113996500A (zh) | 一种基于视觉点胶机器人的点胶智能识别系统 | |
CN114639115A (zh) | 一种人体关键点与激光雷达融合的3d行人检测方法 | |
CN112733877B (zh) | 一种多激光雷达立体成像人工智能矿石识别方法及装置 | |
CN210377552U (zh) | 一种水果分类用多面图像获取装置 | |
TW202225730A (zh) | 基於深度學習之高效率光達物件偵測方法 | |
CN116883480A (zh) | 基于双目影像与地基雷达融合点云的玉米株高检测方法 | |
CN111080685A (zh) | 一种基于多视角立体视觉的飞机钣金零件三维重建方法及系统 | |
CN116486287A (zh) | 基于环境自适应机器人视觉系统的目标检测方法及系统 | |
CN113421286B (zh) | 一种动作捕捉系统及方法 | |
CN113408545B (zh) | 一种基于微光学器件的端到端光电检测系统及方法 | |
CN114359403A (zh) | 一种基于非完整性蘑菇图像的三维空间视觉定位方法、系统及装置 | |
CN114937203A (zh) | 基于多目视觉图像视差的机场跑道异物检测方法 | |
CN210534857U (zh) | 一种波浪视频测量装置 | |
CN112598010B (zh) | 一种双目视觉的非结构化地形实时感知与重构方法 |
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 |