CN113233270A - 基于机器人行驶安全的电梯内外判断方法及相关设备 - Google Patents

Abstract

本发明公开了一种基于机器人行驶安全的电梯内外判断方法、装置、计算机设备及存储介质，所述方法包括：通过获取激光数据，并基于预设数据转化方式，对激光数据进行转换，得到激光图像，将激光图像输入到场景分类模型中，进而通过场景分类模型对激光图像进行识别，得到电梯内外分类结果，实现不依赖传感器等容易被干扰的信号来进行电梯内外识别，采用本发明可以提高电梯内外识别的精准性和稳健性。

Description

基于机器人行驶安全的电梯内外判断方法及相关设备

技术领域

本发明涉及安全监控领域，尤其涉及一种基于机器人行驶安全的电梯内外判断方法、装置、计算机设备及存储介质。

背景技术

机器人在行驶的过程中，对于自己位置的判断，往往是很重要的。若出现定位丢失的情况，则会导致机器人无法抵达终点，甚至跌落至水池、台阶等危险区域。在机器人搭乘电梯的过程中，进出电梯的过程也极度依赖于定位，因此对于电梯场景内外的判断，是至关重要的。

当前电梯内外判断方法，大多是基于机器人的定位、自身和电梯的传感器数据来进行分析，但是这些方法很容易受到异常数据的干扰，一旦数据产生波动，则会导致机器人判断失误，做出一些异常举动，例如在电梯内判断为外部，直行时撞墙；出电梯时判断失误导致被门夹。因此需要有一种精准度较高的电梯内外的判断方法。

发明内容

本发明实施例提供一种基于机器人行驶安全的电梯内外判断方法、装置、计算机设备和存储介质，以提高在机器人行驶中对电梯内外的判断的精准性。

一种基于机器人行驶安全的电梯内外判断方法，包括：

获取激光数据，并基于预设数据转化方式，对所述激光数据进行转换，得到激光图像；

将所述激光图像输入到场景分类模型中，其中，所述场景分类模型为卷积神经网络；

通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果。

可选地，所述基于预设数据转化方式，对所述激光数据进行转换，得到激光图像包括：

按照预设比例，将所述激光数据转换为二值化数据；

基于所述二值化数据，生成二值化图像，将所述二值化图像作为所述激光图像。

可选地，所述按照预设比例，将所述激光数据转换为二值化数据包括：

将每束激光对应的激光数据的距离值按照预设比例进行缩放，得到所述每束激光对应的激光数据的距离值的缩放值；

按照所述缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到所述二值化数据。

可选地，所述场景分类模型包括骨干网络和分类分支网络，所述通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果包括：

通过所述骨干网络对所述激光图像进行特征提取，得到特征数据；

通过所述分类分支网络，对所述特征数据进行分类识别，得到电梯内外分类结果。

可选地，所述场景分类模型还包括检测分支网络，所述检测分支网络用于对干扰物品进行检测识别。

一种基于机器人行驶安全的电梯内外判断装置，包括：

图像生成模块，用于获取激光数据，并基于预设数据转化方式，对所述激光数据进行转换，得到激光图像；

图像输入模块，用于将所述激光图像输入到场景分类模型中，其中，所述场景分类模型为卷积神经网络；

识别分类模块，用于通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果。

可选地，所述图像生成模块包括：

数据转化单元，用于按照预设比例，将所述激光数据转换为二值化数据；

图像生成单元，用于基于所述二值化数据，生成二值化图像，将所述二值化图像作为所述激光图像。

可选地，所述数据转化单元包括：

数据缩放子单元，用于将每束激光对应的激光数据的距离值按照预设比例进行缩放，得到所述每束激光对应的激光数据的距离值的缩放值；

二值化子单元，用于按照所述缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到所述二值化数据。

可选地，所述场景分类模型包括骨干网络和分类分支网络，所述识别分类模块包括：

特征数据提取单元，用于通过所述骨干网络对所述激光图像进行特征提取，得到特征数据；

分类识别单元，用于通过所述分类分支网络，对所述特征数据进行分类识别，得到电梯内外分类结果。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器人行驶安全的电梯内外判断方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于机器人行驶安全的电梯内外判断方法的步骤。

本发明实施例提供的基于机器人行驶安全的电梯内外判断方法、装置、计算机设备及存储介质，通过获取激光数据，并基于预设数据转化方式，对激光数据进行转换，得到激光图像，将激光图像输入到场景分类模型中，进而通过场景分类模型对激光图像进行识别，得到电梯内外分类结果，实现不依赖传感器等容易被干扰的信号来进行电梯内外识别，有利于提高电梯内外识别的精准性和稳健性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的激光图像的示例图；

图2是本发明实施例提供的基于机器人行驶安全的电梯内外判断方法的实现流程图；

图3是本发明实施例提供的基于机器人行驶安全的电梯内外判断装置的示意图；

图4是本发明实施例提供的计算机设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1示出本发明实施例提供的基于机器人行驶安全的电梯内外判断方法中激光图像的示例图。

请参阅图2，图2示出本发明实施例提供的一种基于机器人行驶安全的电梯内外判断方法，详述如下：

S201：获取激光数据，并基于预设数据转化方式，对激光数据进行转换，得到激光图像。

具体地，通过采集机器人的激光数据，并基于预设的数据转化方式，对激光数据进行转化，得到激光图像，进而在后续通过该激光图像，来对机器人周边的环境，如本实施例中的电梯内外，进行识别。

其中，预设的数据转化方式，具体可以是通过对数据进行数据预处理，例如二值化等，得到能用于表征图像的数据，进而将处理后的数据转化为图像。具体数据转化方式，也可参考后续实施例的描述，为避免重复，此处不再赘述。

S202：将激光图像输入到场景分类模型中，其中，场景分类模型为卷积神经网络。

其中，卷积神经网络模型(Convolutional Neural Network，CNN)，是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，可以快速高效进行图像处理，本实施例中，预设的卷积神经网络模型包括主干网络和三个分支识别网络。

其中，主干网络包括多层卷积层，每层预设卷积层包括一个或多个卷积单元，卷积单元用于对输入的数据进行卷积处理。

S203：通过场景分类模型对激光图像进行识别，得到电梯内外分类结果。

具体地，本实施例中场景分类模型为基于卷积神经网络的分类模型，由卷积层(Convolution layer)、批量归一化层(Batch Normalization layer)、激活层(Activationlayer)、池化层(Pooling layer)和全连接层(Fully-connected layer)组成。在经过若干不同层的组合后，通过全连接层和Softmax激活函数输出各类别的概率，作为一种优选方式，本实施例在该模型中额外加入图像分类分支，进行多任务学习，同时提升检测与分类结果的精度，具体实现过程也可参考后续实施例的描述，为避免重复，此处不再赘述。

本实施例中，通过获取激光数据，并基于预设数据转化方式，对激光数据进行转换，得到激光图像，将激光图像输入到场景分类模型中，进而通过场景分类模型对激光图像进行识别，得到电梯内外分类结果，实现不依赖传感器等容易被干扰的信号来进行电梯内外识别，有利于提高电梯内外识别的精准性和稳健性。

在一具体可选方式中，步骤S201中，基于预设数据转化方式，对激光数据进行转换，得到激光图像包括：

按照预设比例，将激光数据转换为二值化数据；

基于二值化数据，生成二值化图像，将二值化图像作为激光图像。

其中，预设比例可以根据实际需求进行设定，此处不做限制。

具体地，根据预设的比例，对激光数据进行转换，使得采集到的激光数据变为二值化数据，进而通过二值化数据生成激光图像，，有利于后续通过激光图像进行分类识别。

本实施例中，通过数据二值化进而生成二值化图像的方式，有利于后续通过二值化图像进行分类识别。

在一具体可选方式中，按照预设比例，将激光数据转换为二值化数据，包括：

将每束激光对应的激光数据的距离值，按照预设比例进行缩放，得到每束激光对应的激光数据的距离值的缩放值；

按照缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到二值化数据。

其中，预设比例可以根据实际需求进行设定，此处不做具体限制。

本实施例中，通过将激光数据的距离值转化为二值化数据，有利于后续通过二值化数据生成二值化图像，进而提取特征进行分类识别，同时，激光数据的距离值转化为图像后，是判断电梯内外的一个较为明显的特征，有主题提高特征识别的准确性。

在一具体可选方式中，场景分类模型包括骨干网络和分类分支网络，步骤S203中，通过场景分类模型对激光图像进行识别，得到电梯内外分类结果包括：

通过骨干网络对激光图像进行特征提取，得到特征数据；

通过分类分支网络，对特征数据进行分类识别，得到电梯内外分类结果。

可选地，场景分类模型还包括检测分支网络，该检测分支网络用于对干扰物品进行检测识别。

其中，骨干(Backbone)网络是指对图像进行特征提取的网络，常见的有vggnet，resnet，inception等。

本实施例中，检测分支与分类分支共享骨干网络来提取多层次特征，在提取完特征后，分别送入两个分支进行不同任务的学习，因检测与分类任务的差异性，在分类分支中可以将输入特征利用池化层缩放为一个向量，然后再利用传统的分类器预测即可。而在检测分支中，可以预测诸如人腿、电梯门等有鲜明特征的目标。这样的联合模型设计，不仅可以充分利用多任务之间的关联性，还可以在很大程度上减小资源与时间的消耗。

容易理解地，在电梯内外门开关的过程中，相对于激光数据来看，存在一些能带来干扰的因子，比如人脚、电梯门等，本实施例采用检测分支网络，识别这些干扰因子，并进行排除，提高特征提取的精准程度，有利于后续分类结果的准确性。

本实施例中，通过骨干网络对激光图像进行特征提取，得到特征数据，在采用分类分支网络，对特征数据进行分类识别，得到电梯内外分类结果，提高分类的准确性和效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于机器人行驶安全的电梯内外判断装置，该基于机器人行驶安全的电梯内外判断装置与上述实施例中基于机器人行驶安全的电梯内外判断方法一一对应。如图3所示，图3为该基于机器人行驶安全的电梯内外判断装置的示意图：图像生成模块31、图像输入模块32和识别分类模块33。各功能模块详细说明如下：

图像生成模块31，用于获取激光数据，并基于预设数据转化方式，对激光数据进行转换，得到激光图像；

图像输入模块32，用于将激光图像输入到场景分类模型中，其中，场景分类模型为卷积神经网络；

识别分类模块33，用于通过场景分类模型对激光图像进行识别，得到电梯内外分类结果。

可选地，图像生成模块31包括：

数据转化单元，用于按照预设比例，将激光数据转换为二值化数据；

图像生成单元，用于基于二值化数据，生成二值化图像，将二值化图像作为激光图像。

可选地，数据转化单元包括：

数据缩放子单元，用于将每束激光对应的激光数据的距离值按照预设比例进行缩放，得到每束激光对应的激光数据的距离值的缩放值；

二值化子单元，用于按照缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到二值化数据。

可选地，场景分类模型包括骨干网络和分类分支网络，识别分类模块33包括：

特征数据提取单元，用于通过骨干网络对激光图像进行特征提取，得到特征数据；

分类识别单元，用于通过分类分支网络，对特征数据进行分类识别，得到电梯内外分类结果。

关于基于机器人行驶安全的电梯内外判断装置的具体限定可以参见上文中对于基于机器人行驶安全的电梯内外判断方法的限定，在此不再赘述。上述基于机器人行驶安全的电梯内外判断装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。

所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件连接存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D界面显示存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如电子文件的控制的程序代码等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器(Central ProcessingUnit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的程序代码或者处理数据。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有界面显示程序，所述界面显示程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的信息访问方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于机器人行驶安全的电梯内外判断方法，其特征在于，包括：

获取激光数据，并基于预设数据转化方式，对所述激光数据进行转换，得到激光图像；

将所述激光图像输入到场景分类模型中，其中，所述场景分类模型为卷积神经网络；

通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果。

2.如权利要求1的基于机器人行驶安全的电梯内外判断方法，其特征在于，所述基于预设数据转化方式，对所述激光数据进行转换，得到激光图像包括：

按照预设比例，将所述激光数据转换为二值化数据；

基于所述二值化数据，生成二值化图像，将所述二值化图像作为所述激光图像。

3.如权利要求2所述的基于机器人行驶安全的电梯内外判断方法，其特征在于，所述按照预设比例，将所述激光数据转换为二值化数据包括：

将每束激光对应的激光数据的距离值按照预设比例进行缩放，得到所述每束激光对应的激光数据的距离值的缩放值；

按照所述缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到所述二值化数据。

4.如权利要求1至3任一项所述的基于机器人行驶安全的电梯内外判断方法，其特征在于，所述场景分类模型包括骨干网络和分类分支网络，所述通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果包括：

通过所述骨干网络对所述激光图像进行特征提取，得到特征数据；

通过所述分类分支网络，对所述特征数据进行分类识别，得到电梯内外分类结果。

5.如权利要求4所述的基于机器人行驶安全的电梯内外判断方法，其特征在于，所述场景分类模型还包括检测分支网络，所述检测分支网络用于对干扰物品进行检测识别。

6.一种基于机器人行驶安全的电梯内外判断装置，其特征在于，包括：

图像生成模块，用于获取激光数据，并基于预设数据转化方式，对所述激光数据进行转换，得到激光图像；

图像输入模块，用于将所述激光图像输入到场景分类模型中，其中，所述场景分类模型为卷积神经网络；

识别分类模块，用于通过所述场景分类模型对所述激光图像进行识别，得到电梯内外分类结果。

7.如权利要求6所述的基于机器人行驶安全的电梯内外判断装置，其特征在于，所述图像生成模块包括：

数据转化单元，用于按照预设比例，将所述激光数据转换为二值化数据；

图像生成单元，用于基于所述二值化数据，生成二值化图像，将所述二值化图像作为所述激光图像。

8.如权利要求7所述的基于机器人行驶安全的电梯内外判断装置，其特征在于，

所述数据转化单元包括：

数据缩放子单元，用于将每束激光对应的激光数据的距离值按照预设比例进行缩放，得到所述每束激光对应的激光数据的距离值的缩放值；

二值化子单元，用于按照所述缩放值投影到图像上，将存在缩放值的区域标记为1，将不存在缩放值的区域标记为0，得到所述二值化数据。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的基于机器人行驶安全的电梯内外判断方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于机器人行驶安全的电梯内外判断方法。

Images