CN113240682A - 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统 - Google Patents

用于履带式起重机的防倾覆施工驾驶地图生成方法及系统 Download PDF

Info

Publication number
CN113240682A
CN113240682A CN202110601647.XA CN202110601647A CN113240682A CN 113240682 A CN113240682 A CN 113240682A CN 202110601647 A CN202110601647 A CN 202110601647A CN 113240682 A CN113240682 A CN 113240682A
Authority
CN
China
Prior art keywords
risk
information
construction
crawler crane
site
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.)
Granted
Application number
CN202110601647.XA
Other languages
English (en)
Other versions
CN113240682B (zh
Inventor
周诚
骆汉宾
余群舟
刘振华
杨俊�
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110601647.XA priority Critical patent/CN113240682B/zh
Publication of CN113240682A publication Critical patent/CN113240682A/zh
Application granted granted Critical
Publication of CN113240682B publication Critical patent/CN113240682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于履带式起重机的防倾覆施工驾驶地图生成方法,属于工程机械安全施工领域,包括如下步骤：S1，构建施工现场平面布置实景地图；S2，现场风险占位信息识别提取；S3，依据实际施工现场布局建立栅格化的驾驶地图，将步骤S2获取的风险占位信息映射到栅格化的驾驶地图内对应的占位栅格中，获得反映施工现场中风险占位因素的履带式起重机防倾覆施工驾驶地图。本发明能够快速、便捷的采集实时施工现场信息并提取现场倾覆风险占位信息，获得准确反映现场倾覆风险信息的施工驾驶地图，用于指导履带式起重机驾驶员以及现场安全管理人员合理的进行路径规划与驾驶操作，避免倾覆事故的发生，为履带式起重机的安全施工提供科学指导。

Description

用于履带式起重机的防倾覆施工驾驶地图生成方法及系统
技术领域
本发明属于工程机械安全施工领域，更具体地，涉及一种用于履带式起重机的防倾覆施工驾驶地图生成方法及系统。
背景技术
随着城市化进程的不断推进，起重机械作为建筑产业的重要组成部分，在工程建设中帮助现场施工人员完成材料的转运、预制构件的吊装等任务。同时随着建筑产业的升级转型，大型预制构件安装的需求逐渐增大，起重机械在工程建设过程中也将发挥着越来越重要的作用。其中，履带式起重机，即履带式起重机由于其可带载行驶、起重性能良好等诸多优点，广泛应用于各类复杂施工场景中。然而，由于施工现场日益复杂，针对现场履带式起重机施工安全管理难度也日益增加。在实际施工过程中，常依靠履带式起重机驾驶员以及现场安全管理人员的主观意识与施工经验进行操作，而施工现场是动态的，主观经验无法及时应对动态施工环境存在的风险问题，尤其是施工现场存在的环境风险；同时现场管理人员对施工环境信息把握不准确，存在大量驾驶风险盲区，驾驶员无法准确获得施工环境中的危险区域，仅通过主观经验进行驾驶作业，极大的增加了履带式起重机的施工风险，导致履带式起重机倾覆事故的发生，造成严重的人员伤亡与巨额的经济损失。因此，结合履带式起重机倾覆事故的影响因素，提出一种履带式起重机防倾覆施工驾驶地图生成方法，对提高履带式起重机施工驾驶的安全性，提高施工现场安全管理水平极有意义。
目前，履带式起重机的施工安全管理研究大多集中在对于履带式起重机行驶路径的规划，较少针对履带式起重机施工场景进行地图的构建，同时现有的施工地图，未能结合履带式起重机频发的倾覆事故，准确反映履带式起重机施工环境中风险因素，在动态的施工环境中，履带式起重机仍存在发生倾覆事故的风险。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种用于履带式起重机的防倾覆施工驾驶地图生成方法及系统，其目的在于，基于实际现场生成准确反映施工环境风险信息的履带式起重机防倾覆施工驾驶地图，从而及时的预警安全隐患，规避起重事故风险，保障起重作业的安全。
为实现上述目的，按照本发明的一个方面，提供了一种用于履带式起重机的防倾覆施工驾驶地图生成方法,包括如下步骤：
S1，施工现场地图数据采集：采集施工现场的实景环境信息，生成施工现场平面布置实景地图；
S2，现场风险占位信息识别提取：针对拼接生成的施工平面布置实景地图，进行地图单元分割得到单元分割图片；根据待提取的风险占位信息对应的占位特征，从施工平面布置实景地图中提取风险占位信息，并在单元分割图片中对风险占位信息进行标记，获得风险占位信息矩阵；
S3，防倾覆施工驾驶地图构建：依据实际施工现场布局建立栅格化的驾驶地图，将步骤S2获取的风险占位信息映射到栅格化的驾驶地图内对应的占位栅格中，获得反映施工现场中风险占位因素的履带式起重机防倾覆施工驾驶地图，以保障履带式起重机行驶作业的安全。
进一步地，所述S1进一步包括：
S11，对现场实景环境信息的采集：通过设置无人机绕施工现场进行航带飞行拍摄，获得高精度现场图片；
S12，高精度现场图片的拼接：首先对拍摄得到的高精度图片进行预处理，然后采用图像拼接算法对高精度图像进行尺度空间的变换，获得不同尺度下的图像，根据不同尺度下的图像提取图像中的特征点，计算特征点的方向以及相邻照片特征点的变换矩阵，基于相邻匹配图像中特征点的变换矩阵，将高精度图像进行配准拼接，生成一张完整的高分辨率施工现场平面布置实景图。
进一步地，所述S2进一步包括：
S21，对超高分辨率的施工现场平面布置实景图进行棋盘分割，为现场风险占位信息的识别提取提供图像数据；
S22，结合履带式起重机倾覆事故，进行主要事故影响因素分析：结合实际施工现场对易引起起重机倾覆的环境影响因素进行分析和排序，将主要的不利环境因素认定为现场的履带式起重机倾覆风险占位信息，然后基于步骤S21分割生成的地图单元，进行风险占位信息的识别提取。
进一步地，步骤S22中，风险占位信息包括施工现场中的坑槽、路面积水以及非硬化路面三类信息中的至少一种。
进一步地，所述S22中针对坑槽、路面积水以及非硬化路面占位信息的提取方法如下：
S221，针对施工现场坑槽风险占位信息提出基于轮廓的坑槽占位信息识别，具体步骤如下：
S2211，针对棋盘分割获得的分割单元图像进行预处理，包括灰度处理和二值化处理，并确定环境图像信息的最佳阈值，筛除图像中多余背景数据信息，使坑槽特征更加明显；
S2212，针对预处理后的分割单元图像进行轮廓识别，采用Prewitt一阶微分智能识别算子对图像进行平均像素与低通滤波来实现边缘检测，Prewitt算子通过在图像像素点(x，y)处建立3×3的灰度矩阵，对邻域像素点排列进行灰度的变化幅度计算来识别边缘，像素点灰度变化计算公式如下：
Figure BDA0003093125920000031
gx＝{f(x+1，y-1)+f(x+1，y)+f(x+1，y+1)}-{f(x-1，y-1)+f(x-1，y)+f(x-1，y+1)}
gy＝{f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+f(x，y-1)+f(x+1，y-1)}
其中，F(x，y)为像素点(x，y)处的梯度变化值；gx、gy为像素点水平方向与垂直方向上的卷积值；像素点(x，y)的相邻像素用x±1、y±1表示，f(*，*)为像素点(*，*)处的灰度值，*为通配符，指代x、x±1、y或y±1；对边缘算子的灰度变化梯度进行判断，当其高于预设阈值时，则认定该点为边缘轮廓点；
S2213，针对施工现场坑槽的典型直线边缘几何特征，通过霍夫变换进行轮廓中直线检测，霍夫变换将提取得到的边缘轮廓上的像素点坐标从x-y像素空间转换到极坐标空间，将每个像素点坐标用距离和角度来表示，表示关系如下：
ρ＝xcosθ+ysinθ
其中，(x，y)为边缘像素点坐标，ρ为边缘像素点到极坐标原点距离，θ为像素点与坐标原点连线与x轴所成的夹角；在平面直角坐标系中，两点确定一直线，对应在霍夫变换的参数空间中，图像中原始的一个像素点变成了一个正弦曲线，对应形成的正弦曲线的交点就是在平面直角坐标系中通过两个对应像素点的直线，通过霍夫变换并求参数空间中交点，即可提取得到复杂轮廓中的直线轮廓；
S2214，将识别提取得到的坑槽轮廓坐标点(xi，yi)进行标记保存，作为识别提取所得的坑槽风险占位信息；
S222，针对施工现场积水区域及非硬化路面风险占位信息提出基于纹理的占位信息识别，具体步骤如下：
S2221，针对棋盘分割获得的分割单元图像进行预处理，包括灰度处理和二值化处理，并确定环境图像信息的最佳阈值，筛除图像中多余背景数据信息，使积水及非硬化路面特征更加明显；
S2222，针对预处理后的分割单元图像进行积水与非硬化路面纹理提取：
通过灰度共生矩阵对现场图片进行纹理提取，灰度共生矩阵将图像像素点压缩L个灰度级，并从图像中任一像素点M(i，j)出发，统计与距离其步长为d，角度为θ的像素点M(i+a，j+b)同时出现的概率，图像中像素点在选定步长d与角度θ后生成灰度共生矩阵p(i，j，d，θ)；
S2223，针对积水区域纹理特征稳定以及纹理变化小的特征，通过灰度共生矩阵中信息熵值的特征图像进行积水特征识别提取，信息熵特征值计算公式如下：
Figure BDA0003093125920000051
其中，L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值；
针对非硬化道路区域的像素点值间变化大、相关性小，与所得其他区域的区别明显的特征，以相关性特征值作为非硬化路面的灰度共生矩阵统计特征量对非硬化道路区域进行特征提取，相关性特征值计算公式如下：
Figure BDA0003093125920000052
其中，
Figure BDA0003093125920000053
Figure BDA0003093125920000054
Figure BDA0003093125920000055
Figure BDA0003093125920000061
L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值。
S2224，依据纹理计算识别提取得到积水风险区域与非硬化路面风险区域占位特征后，分别将积水风险区域占位坐标点(xj，yj)与非硬化风险区域占位坐标点(xk，yk)进行标记保存，作为识别提取所得的积水风险占位信息以及非硬化路面风险占位信息。
进一步地，所述S3进一步包括：
S31，通过履带式起重机的尺寸、起重机工作安全距离以及图像像素与实际长度的比例关系，设定驾驶地图栅格大小；
S32，针对风险等级最高的施工现场坑槽风险占位信息，根据0-1映射逻辑进行栅格标记，具体地：以栅格大小作为判断框，对单元分割图片的像素矩阵进行遍历，若栅格单元中不存在占位特征边缘像素标记点，则该栅格单元划分为自由栅格；若栅格单元中存在一个或一个以上坑槽广义占位特征边缘像素标记点，则该栅格单元划分为坑槽风险占位栅格；
S33，针对非硬化路面占位信息与积水区域占位信息风险，按照比例映射逻辑进行栅格标记，具体地：以栅格大小作为判断框，对单元分割图片的像素矩阵进行遍历，若栅格单元中风险占位位特征像素标记点达到栅格内像素点比例的预设范围，则该栅格单元划分为对应风险信息的占位栅格，从而将连续、大面积的非硬化路面占位信息及积水占位信息映射到栅格中，避免将较小的风险占位因素映射到栅格地图中，造成栅格地图呈现信息的冗余。
为了实现上述目的，按照本发明的另一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的用于履带式起重机的防倾覆施工驾驶地图生成方法。
为了实现上述目的，按照本发明的另一个方面，提供了一种用于履带式起重机的防倾覆施工驾驶地图生成系统，包括如前所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提出的一种用于履带式起重机的防倾覆施工驾驶地图生成方法能够将施工现场内易引起起重机倾覆的风险环境信息转化成为风险占位信息，将上述信息映射到根据实景地图栅格化获得的栅格地图中，构建可以准确反映施工现场环境中风险占位信息的施工驾驶地图，有针对性的进行履带式起重机倾覆事故风险预警，推动施工现场履带式起重机工作安全管理水平的进步。
2、通过高精度现场图片的采集与拼接，能够获得高分辨率的施工现场平面布置实景图，从而在后续的分割和特征提取过程中提高风险占位信息的识别、提取精度，最终提升施工驾驶地图的精度，降低倾覆风险。
3、根据实际施工现场的环境进行不利环境影响因素的分析和排序，并将主要不利环境因素认定为现场的履带式起重机倾覆风险占位信息，可以减少地图冗余信息同时提高风险占位信息的识别提取精度。
4、针对坑槽、路面积水以及非硬化路面三种最主要和常见的不利环境因素设置不同的特征提取和筛选方法，确保在施工驾驶地图中准确反映不同环境因素的占位信息，以提供更多有价值的准确信息，辅助驾驶员和现场管理人员进行准确的判断，进一步降低倾覆风险。
5、针对不同占位信息的特点设计不同的映射方式，既能够以栅格化方式准确反映风险站位信息，又能够减少冗余信息的呈现，从而以更为简洁的施工驾驶地图提供准确的风险提示信息，提升便利性和准确性。
附图说明
图1是本发明提供的一种用于履带式起重机的防倾覆施工驾驶地图生成流程图；
图2是具体实施案例中施工现场环境中的风险占位信息；
图3是具体实施案例中采用的施工现场坑槽占位信息识别模型示意图；
图4是具体实施案例中采用的积水路面及非硬化路面占位信息识别模型示意图；
图5是具体实施案例中采用的0-1映射规则判断逻辑示意图；
图6是具体实施案例中采用的比例映射规则判断逻辑示意图；
图7是具体实施案例中履带式起重机防倾覆施工驾驶地图的构建示意图；
图8是本发明提供的一种用于履带式起重机的防倾覆施工驾驶地图生成的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1及图8所示，本发明提供的一种履带式起重机的防倾覆施工驾驶地图生成流程图。
所述施工现场地图的数据采集，设置无人机绕施工现场飞行航线，定点拍摄，并将拍摄所得实景照片进行配准拼接生成平面布置实景地图。
所述现场风险占位信息识别提取，结合履带式起重机倾覆事故环境影响因素，将施工现场地基承载力的主要因素：现场坑槽因素、路面积水因素、非硬化路面因素作为提取的风险占位信息；根据风险占位信息特征，确定风险占位信息的提取智能算法，构建识别模型，同时考虑识别效率与识别准确率，将完整的施工平面布置实景地图分割为单元图片，并在单元分割图片中对占位信息进行标记，输出识别得到的占位信息矩阵。
所述履带式起重机防倾覆施工驾驶地图构建，确定驾驶地图的地图栅格尺寸，保证栅格地图可以准确反映识别得到的占位信息；根据风险占位信息特征，分别采用0-1映射、比例映射规则，将风险占位信息准确映射到对应占位栅格中，生成一张可以准确反映施工现场中风险占位因素的履带式起重机防倾覆施工驾驶地图，保障履带式起重机行驶作业的安全。
优选地，本发明的履带式起重机防倾覆施工驾驶地图的生成方法主要包括施工平面布置实景地图的信息采集及实景地图拼接、施工现场风险占位信息(防倾覆广义占位信息)的识别提取以及占位信息到地图的映射关系确定。
所述施工平面布置实景地图的信息采集通过无人机拍摄，实现对履带式起重机施工现场的施工信息、环境信息等实时现场施工图片进行采集。所述实景地图拼接方法基于采集的施工环境图片进行施工现场平面布置实景地图的拼接构建，完整反映现场的施工环境信息。
所述防倾覆广义占位信息的识别提取主要是基于施工现场的平面布置实景地图，进行现场风险占位环境信息的识别与提取，其关键在于结合履带式起重机倾覆事故的主要影响因素，确定应识别的现场风险占位信息，并对完整地图进行均匀单元分割，采用智能算法在实景地图中进行占位信息的识别与提取，确定现场环境地图中存在的风险占位信息。
所述防倾覆驾驶地图的构建，是基于实际施工现场大小划分合适的栅格尺寸，并将提取得到的现场风险占位信息按照合适的映射规则准确的映射到栅格地图中，将其转换为栅格风险属性，生成一张可以反映履带式起重机施工驾驶过程中风险占位信息的地图，用于指导履带式起重机驾驶员以及现场安全管理人员合理的进行路径规划与驾驶操作，避免倾覆事故的发生。
本发明所提出的履带式起重机防倾覆施工驾驶地图生成方法能够快速、便捷的采集实时施工现场信息，并通过智能算法准确的提取现场倾覆风险占位信息，映射生成一张可以准确反映现场倾覆风险信息的施工驾驶地图，引导驾驶员进行合理的操作，避免履带式起重机行驶到风险区域发生倾覆事故，为履带式起重机的安全施工提供科学的指导。
下面以一个更为具体的实施例对本发明的履带式起重机防倾覆施工驾驶地图生成方法进行详细介绍：
S1，通过无人机航带飞行，设置70％航拍重叠率，无人机悬停定点拍摄施工现场实景图片；基于获取的实景图片，采用图像配准拼接智能算法，将高精度图像拼接生成为一张高分辨率施工现场平面布置地图，全面的反映施工现场各类环境信息。
S2，进行施工现场风险占位信息识别提取，基于现场实景地图识别得到风险占位信息。具体步骤如下：
S21，针对高分辨率施工现场平面布置地图进行棋盘分割，分割形式如下：
针对施工现场平面布置地图分割时，应当遵循以下原则：
1、图像分割应尽可能完整的覆盖施工现场；
2、分割后的图像分辨率不应过小，应可以清晰的通过分割后的图像识别出现场占位特征；
3、在分割单元图像中，单元图像应尽可能完整的反映特征，分割尺寸不应使得图像内占位特征被分割过细；
4、分割单元图像综合考虑风险占位信息识别效率和识别准确率，过大的分割尺寸会提高识别效率、降低识别准确率；过小的分割尺寸会降低效率，有利于识别的准确率。
S22，如图2所示，为本发明实施例中结合地基承载力主要影响因素确定的现场风险占位信息，本专利主要将施工现场中坑槽、路面积水以及非硬化路面三类对地基承载力影响最大的三类环境因素作为风险占位信息进行识别提取。
S221，如图3所示，在本实施例中，针对施工现场坑槽风险占位信息提出基于轮廓的坑槽占位信息识别，具体步骤如下：
S2211，针对分割单元图像进行预处理，首先对分割图像进行灰度处理，将图像像素三个分量转换为Gray分量，转换函数表达式如下：
Gray(i，j)＝0.299*R(i，j)+0.587*G(i，j)+0.114*B(i，j)
其中，Gray(i，j)为图像中像素点(i，j)处的灰度值，i＝0，1，2，...，M-1；j＝0，1，2，...，N-1；R(i，j)为像素点(i，j)处的红色通道数值，G(i，j)为像素点(i，j)处的绿色通道数值，B(i，j)为像素点(i，j)处的蓝色通道数值
对灰度图像进行二值化处理，确定环境图像信息的最佳阈值，筛除图像中多余背景数据信息，使坑槽特征更加明显。
S2212，针对预处理后的分割图像进行轮廓识别，采用Prewitt一阶微分智能识别算子对图像进行平均像素与低通滤波来实现边缘检测，Prewitt算子通过在图像像素点(x，y)处建立3×3的灰度矩阵，对邻域像素点排列进行灰度的变化幅度计算来识别边缘，像素点灰度变化计算公式如下：
Figure BDA0003093125920000111
gx＝{f(x+1，y-1)+f(x+1，y)+f(x+1，y+1)}-{f(x-1，y-1)+f(x-1，y)+f(x-1，y+1)}
gy＝{f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+f(x，y-1)+f(x+1，y-1)}
其中，F(x，y)为像素点(x，y)处的梯度变化值；gx、gy为像素点水平方向与垂直方向上的卷积值；f(x+1，y)为像素点(x，y)右侧像素点(x+1，y)处灰度值，其余类同。对边缘算子的灰度变化梯度进行判断，当其高于阈值时，则认定该点为边缘轮廓点。
S2213，针对施工现场坑槽的典型直线边缘几何特征，通过霍夫变换进行轮廓中直线检测，霍夫变换将提取得到的边缘轮廓上的像素点坐标从x-y像素空间转换到极坐标空间，将每个像素点坐标用距离和角度来表示，表示关系如下：
ρ＝xcosθ+ysinθ
其中，(x，y)为边缘像素点坐标，ρ为边缘像素点到极坐标原点距离，θ为像素点与坐标原点连线与x轴所成的夹角。在平面直角坐标系中，直线可以用两个点来确定，对应在霍夫变换的参数空间中，图像中原始的一个像素点变成了一个正弦曲线，对应形成的正弦曲线的交点就是在平面直角坐标系中通过两个对应像素点的直线，通过霍夫变换并求参数空间中交点，即可提取得到复杂轮廓中的直线轮廓。
S2214，将识别提取得到的坑槽轮廓坐标点(xi，yi)进行标记保存，作为识别提取所得的坑槽风险占位信息。
S222，如图4所示，在本实施例中，针对施工现场积水区域及非硬化路面风险占位信息提出基于纹理的占位信息识别，具体步骤如下：
S2221，参考本专利实施例的步骤S2211，针对分割图像进行预处理。
S2222，针对预处理后的分割单元图像进行积水与非硬化路面提取，由于在现场照片均具有明显的纹理特征，但为了准确的提取两种不同的占位信息，需要在纹理框架内准确的区分积水的纹理特征以及非硬化道路的纹理特征，本发明实施例通过灰度共生矩阵对现场图片进行纹理提取，灰度共生矩阵将图像像素点压缩L个灰度级，并从图像中任一像素点M(i，j)出发，统计与距离其步长为d，角度为θ的像素点M(i+a，j+b)同时出现的概率。图像中像素点在选定步长d与角度θ后生成灰度共生矩阵p(i，j，d，θ)。
S2223，针对积水区域纹理特征稳定以及纹理变化小的特征，可以通过灰度共生矩阵中信息熵值的特征图像进行识别提取，信息熵特征值计算公式如下：
Figure BDA0003093125920000131
其中，L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值。
针对非硬化道路区域的像素点值间变化大、相关性小，与所得其他区域的区别明显的特征，可以通过相关性特征作为非硬化路面的灰度共生矩阵统计特征量，相关性特征值计算公式如下：
Figure BDA0003093125920000132
其中，
Figure BDA0003093125920000133
Figure BDA0003093125920000134
Figure BDA0003093125920000135
L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值。
S2224，将依据纹理计算识别提取得到的积水风险区域与非硬化路面风险区域占位信息后，分别将积水风险区域占位坐标点(xj，yj)与非硬化风险区域占位坐标点(xk，yk)进行标记保存，作为识别提取所得的积水风险占位信息以及非硬化风险占位信息。
S3，基于识别提取得到的风险占位信息进行履带式起重机防倾覆施工驾驶地图构建。具体步骤如下：
S31，首先应确定驾驶地图栅格大小，栅格尺寸相对施工现场的履带起重机应具有参考价值，因此本实施例，通过履带式起重机的尺寸、起重机工作安全距离以及图像像素与实际长度的比例关系，综合确定一个准确、合适的地图栅格尺寸。
S32，如图5所示，由于施工现场坑槽风险占位信息的风险等级最高，坑槽的存在可能导致履带起重机在工作过程中由于履带踏空出现临边效应，导致整机失稳，出现倾翻事故，因此本实施例中提出一种0-1比例映射逻辑；以栅格大小作为判断框，对分割图片像素矩阵进行遍历，若栅格单元中不存在占位特征边缘像素标记点，则该栅格单元划分为自由栅格；若栅格单元中存在一个或一个以上坑槽广义占位特征边缘像素标记点。
S33，如图6所示，由于施工现场非硬化路面占位信息与积水区域占位信息风险等级依次降低，因此，本实施例提出一种比例映射逻辑；以栅格大小作为判断框，对分割图片像素矩阵进行遍历，若栅格单元中风险占位位特征像素标记点到达栅格内像素点比例要求，则该栅格单元划分为占位栅格；可以将连续、大面的非硬化路面占位信息及积水占位信息映射到栅格中，避免将较小的风险占位因素映射到栅格地图中，造成栅格地图呈现信息的冗余。
如图7所示，最终根据三种风险占位信息的特点，在栅格尺寸的基础上确定了广义占位特征像素点到栅格区域的映射规则，生成防倾覆履带式起重机施工驾驶地图，为履带式起重机的工作提供安全指导。
本实施例基于实际施工现场的典型现场特征，提出影响地基承载力的风险占位特征，并基于现场的广义占位特征构建了可以准确反映现场行驶路面环境因素的履带式起重机施工地图，为履带式起重机的安全行驶、安全工作提供了直接、准确的参考地图，对履带式起重机的智能化安全管理有着重要作用。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于履带式起重机的防倾覆施工驾驶地图生成方法,其特征在于,包括如下步骤：
S1，施工现场地图数据采集：采集施工现场的实景环境信息，生成施工现场平面布置实景地图；
S2，现场风险占位信息识别提取：针对拼接生成的施工平面布置实景地图，进行地图单元分割得到单元分割图片；根据待提取的风险占位信息对应的占位特征，从施工平面布置实景地图中提取风险占位信息，并在单元分割图片中对风险占位信息进行标记，获得风险占位信息矩阵；
S3，防倾覆施工驾驶地图构建：依据实际施工现场布局建立栅格化的驾驶地图，将步骤S2获取的风险占位信息映射到栅格化的驾驶地图内对应的占位栅格中，获得反映施工现场中风险占位因素的履带式起重机防倾覆施工驾驶地图，以保障履带式起重机行驶作业的安全。
2.如权利要求1所述的一种用于履带式起重机的防倾覆施工驾驶地图生成方法,其特征在于，所述S1进一步包括：
S11，对现场实景环境信息的采集：通过设置无人机绕施工现场进行航带飞行拍摄，获得高精度现场图片；
S12，高精度现场图片的拼接：首先对拍摄得到的高精度图片进行预处理，然后采用图像拼接算法对高精度图像进行尺度空间的变换，获得不同尺度下的图像，根据不同尺度下的图像提取图像中的特征点，计算特征点的方向以及相邻照片特征点的变换矩阵，基于相邻匹配图像中特征点的变换矩阵，将高精度图像进行配准拼接，生成一张完整的高分辨率施工现场平面布置实景图。
3.如权利要求1所述的一种用于履带式起重机的防倾覆施工驾驶地图生成方法,其特征在于，所述S2进一步包括：
S21，对超高分辨率的施工现场平面布置实景图进行棋盘分割，为现场风险占位信息的识别提取提供图像数据；
S22，结合履带式起重机倾覆事故，进行主要事故影响因素分析：结合实际施工现场对易引起起重机倾覆的环境影响因素进行分析和排序，将主要的不利环境因素认定为现场的履带式起重机倾覆风险占位信息，然后基于步骤S21分割生成的地图单元，进行风险占位信息的识别提取。
4.如权利要求3所述的一种用于履带式起重机的防倾覆施工驾驶地图生成方法，其特征在于，步骤S22中，风险占位信息包括施工现场中的坑槽、路面积水以及非硬化路面三类信息中的至少一种。
5.如权利要求4所述的一种用于履带式起重机的防倾覆施工驾驶地图生成方法，其特征在于，所述S22中针对坑槽、路面积水以及非硬化路面占位信息的提取方法如下：
S221，针对施工现场坑槽风险占位信息提出基于轮廓的坑槽占位信息识别，具体步骤如下：
S2211，针对棋盘分割获得的分割单元图像进行预处理，包括灰度处理和二值化处理，并确定环境图像信息的最佳阈值，筛除图像中多余背景数据信息，使坑槽特征更加明显；
S2212，针对预处理后的分割单元图像进行轮廓识别，采用Prewitt一阶微分智能识别算子对图像进行平均像素与低通滤波来实现边缘检测，Prewitt算子通过在图像像素点(x，y)处建立3×3的灰度矩阵，对邻域像素点排列进行灰度的变化幅度计算来识别边缘，像素点灰度变化计算公式如下：
Figure FDA0003093125910000021
gx＝{f(x+1，y-1)+f(x+1，y)+f(x+1，y+1)}-{f(x-1，y-1)+f(x-1，y)+f(x-1，y+1)}
gy＝{f(x-1，y+1)+f(x，y+1)+f(x+1，y+1)}-{f(x-1，y-1)+f(x，y-1)+f(x+1，y-1)}
其中，F(x，y)为像素点(x，y)处的梯度变化值；gx、gy为像素点水平方向与垂直方向上的卷积值；像素点(x，y)的相邻像素用x±1、y±1表示，f(*，*)为像素点(*，*)处的灰度值，*为通配符，指代x、x±1、y或y±1；对边缘算子的灰度变化梯度进行判断，当其高于预设阈值时，则认定该点为边缘轮廓点；
S2213，针对施工现场坑槽的典型直线边缘几何特征，通过霍夫变换进行轮廓中直线检测，霍夫变换将提取得到的边缘轮廓上的像素点坐标从x-y像素空间转换到极坐标空间，将每个像素点坐标用距离和角度来表示，表示关系如下：
ρ＝xcosθ+ysinθ
其中，(x，y)为边缘像素点坐标，ρ为边缘像素点到极坐标原点距离，θ为像素点与坐标原点连线与x轴所成的夹角；在平面直角坐标系中，两点确定一直线，对应在霍夫变换的参数空间中，图像中原始的一个像素点变成了一个正弦曲线，对应形成的正弦曲线的交点就是在平面直角坐标系中通过两个对应像素点的直线，通过霍夫变换并求参数空间中交点，即可提取得到复杂轮廓中的直线轮廓；
S2214，将识别提取得到的坑槽轮廓坐标点(xi，yi)进行标记保存，作为识别提取所得的坑槽风险占位信息；
S222，针对施工现场积水区域及非硬化路面风险占位信息提出基于纹理的占位信息识别，具体步骤如下：
S2221，针对棋盘分割获得的分割单元图像进行预处理，包括灰度处理和二值化处理，并确定环境图像信息的最佳阈值，筛除图像中多余背景数据信息，使积水及非硬化路面特征更加明显；
S2222，针对预处理后的分割单元图像进行积水与非硬化路面纹理提取：
通过灰度共生矩阵对现场图片进行纹理提取，灰度共生矩阵将图像像素点压缩L个灰度级，并从图像中任一像素点M(i，j)出发，统计与距离其步长为d，角度为θ的像素点M(i+a，j+b)同时出现的概率，图像中像素点在选定步长d与角度θ后生成灰度共生矩阵p(i，j，d，θ)；
S2223，针对积水区域纹理特征稳定以及纹理变化小的特征，通过灰度共生矩阵中信息熵值的特征图像进行积水特征识别提取，信息熵特征值计算公式如下：
Figure FDA0003093125910000041
其中，L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值；
针对非硬化道路区域的像素点值间变化大、相关性小，与所得其他区域的区别明显的特征，以相关性特征值作为非硬化路面的灰度共生矩阵统计特征量对非硬化道路区域进行特征提取，相关性特征值计算公式如下：
Figure FDA0003093125910000042
其中，
Figure FDA0003093125910000043
Figure FDA0003093125910000044
Figure FDA0003093125910000045
Figure FDA0003093125910000046
L为灰度共生矩阵灰度级；p(i，j)为像素点(i，j)对应的灰度共生矩阵值；
S2224，依据纹理计算识别提取得到积水风险区域与非硬化路面风险区域占位特征后，分别将积水风险区域占位坐标点(xj，yj)与非硬化风险区域占位坐标点(xk，yk)进行标记保存，作为识别提取所得的积水风险占位信息以及非硬化路面风险占位信息。
6.如权利要求4所述的一种用于履带式起重机的防倾覆施工驾驶地图生成方法，其特征在于，所述S3进一步包括：
S31，通过履带式起重机的尺寸、起重机工作安全距离以及图像像素与实际长度的比例关系，设定驾驶地图栅格大小；
S32，针对风险等级最高的施工现场坑槽风险占位信息，根据0-1映射逻辑进行栅格标记，具体地：以栅格大小作为判断框，对单元分割图片的像素矩阵进行遍历，若栅格单元中不存在占位特征边缘像素标记点，则该栅格单元划分为自由栅格；若栅格单元中存在一个或一个以上坑槽广义占位特征边缘像素标记点，则该栅格单元划分为坑槽风险占位栅格；
S33，针对非硬化路面占位信息与积水区域占位信息风险，按照比例映射逻辑进行栅格标记，具体地：以栅格大小作为判断框，对单元分割图片的像素矩阵进行遍历，若栅格单元中风险占位位特征像素标记点达到栅格内像素点比例的预设范围，则该栅格单元划分为对应风险信息的占位栅格，从而将连续、大面积的非硬化路面占位信息及积水占位信息映射到栅格中，避免将较小的风险占位因素映射到栅格地图中，造成栅格地图呈现信息的冗余。
7.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～6任一项所述的用于履带式起重机的防倾覆施工驾驶地图生成方法。
8.一种用于履带式起重机的防倾覆施工驾驶地图生成系统，其特征在于，包括如权利要求7所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
CN202110601647.XA 2021-05-31 2021-05-31 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统 Active CN113240682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110601647.XA CN113240682B (zh) 2021-05-31 2021-05-31 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110601647.XA CN113240682B (zh) 2021-05-31 2021-05-31 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统

Publications (2)

Publication Number Publication Date
CN113240682A true CN113240682A (zh) 2021-08-10
CN113240682B CN113240682B (zh) 2022-06-21

Family

ID=77136201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110601647.XA Active CN113240682B (zh) 2021-05-31 2021-05-31 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统

Country Status (1)

Country Link
CN (1) CN113240682B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782711A (zh) * 2022-06-20 2022-07-22 四川航天职业技术学院(四川航天高级技工学校) 一种基于图像识别的智能化风险检测方法及系统
CN117196320A (zh) * 2023-11-02 2023-12-08 湖南省交通科学研究院有限公司 一种架桥机过孔倾覆风险评估方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112132A (zh) * 2014-07-03 2014-10-22 中国人民解放军第二炮兵工程大学 一种枪械编号自动识别方法
US20200225044A1 (en) * 2017-10-05 2020-07-16 Toyota Jidosha Kabushiki Kaisha Map information provision system
CN111486855A (zh) * 2020-04-28 2020-08-04 武汉科技大学 一种具有物体导航点的室内二维语义栅格地图构建方法
CN111622295A (zh) * 2020-04-22 2020-09-04 浙江大学 一种挖掘机行驶安全系统和方法
CN112132951A (zh) * 2020-08-18 2020-12-25 北京旋极伏羲科技有限公司 一种基于视觉的网格语义地图的构建方法
CN112585656A (zh) * 2020-02-25 2021-03-30 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112132A (zh) * 2014-07-03 2014-10-22 中国人民解放军第二炮兵工程大学 一种枪械编号自动识别方法
US20200225044A1 (en) * 2017-10-05 2020-07-16 Toyota Jidosha Kabushiki Kaisha Map information provision system
CN112585656A (zh) * 2020-02-25 2021-03-30 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质
CN111622295A (zh) * 2020-04-22 2020-09-04 浙江大学 一种挖掘机行驶安全系统和方法
CN111486855A (zh) * 2020-04-28 2020-08-04 武汉科技大学 一种具有物体导航点的室内二维语义栅格地图构建方法
CN112132951A (zh) * 2020-08-18 2020-12-25 北京旋极伏羲科技有限公司 一种基于视觉的网格语义地图的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAO RUIXUE等: "Reliability Analysis on Anti-overturning Stability for Truck Crane", 《FRONTIERS OF MECHANICAL ENGINEERING AND MATERIALS ENGINEERING II, PTS 1 AND 2》 *
关泉珍 等: "基于A*算法的驾驶地图路径规划实现", 《北京联合大学学报（自然科学版）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782711A (zh) * 2022-06-20 2022-07-22 四川航天职业技术学院(四川航天高级技工学校) 一种基于图像识别的智能化风险检测方法及系统
CN117196320A (zh) * 2023-11-02 2023-12-08 湖南省交通科学研究院有限公司 一种架桥机过孔倾覆风险评估方法、系统及存储介质
CN117196320B (zh) * 2023-11-02 2024-02-06 湖南省交通科学研究院有限公司 一种架桥机过孔倾覆风险评估方法、系统及存储介质

Also Published As

Publication number Publication date
CN113240682B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN109948661B (zh) 一种基于多传感器融合的3d车辆检测方法
CN113240682B (zh) 用于履带式起重机的防倾覆施工驾驶地图生成方法及系统
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
CN112308826B (zh) 一种基于卷积神经网络的桥梁结构表面缺陷检测方法
CN103324920A (zh) 基于车辆正面图像与模板匹配的车型自动识别方法
CN111179152A (zh) 一种道路标识识别方法及装置、介质、终端
CN113421432A (zh) 交通限行信息检测方法、装置、电子设备和存储介质
CN112149649B (zh) 一种道路抛洒物检测方法、计算机设备及存储介质
CN112070756B (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
CN109870458B (zh) 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法
CN116110012B (zh) 用于智慧工地的危险违规动作识别方法及系统
CN111241994A (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN110619258A (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
Chen et al. A deep region-based pyramid neural network for automatic detection and multi-classification of various surface defects of aluminum alloys
CN110567383A (zh) 基于结构森林和亚像素的受电弓磨耗预警系统及检测方法
CN115139303A (zh) 一种栅格井盖检测方法、装置、设备及存储介质
CN111476157A (zh) 一种路口监控环境下的车道导向箭头识别方法
CN112215308B (zh) 一种吊装物体单阶检测方法、装置、电子设备及存储介质
CN113658244A (zh) 桥梁区域通航船舶三维几何尺寸辨识方法
CN113128346A (zh) 起重机施工现场的目标识别方法、系统、装置及存储介质
Cai et al. Robust road lane detection from shape and color feature fusion for vehicle self-localization
CN105678257A (zh) 一种交通调查车型识别方法、装置及其系统
CN114299247A (zh) 道路交通标志标线快速检测与问题排查方法
CN112651986B (zh) 环境识别方法、识别装置、识别系统、电子设备及介质
KR102585146B1 (ko) 딥러닝 기반의 도로손상 탐지 장치 및 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