CN113673344B - 一种智能塔吊物料挂载位置识别方法和装置 - Google Patents

一种智能塔吊物料挂载位置识别方法和装置 Download PDF

Info

Publication number
CN113673344B
CN113673344B CN202110815497.2A CN202110815497A CN113673344B CN 113673344 B CN113673344 B CN 113673344B CN 202110815497 A CN202110815497 A CN 202110815497A CN 113673344 B CN113673344 B CN 113673344B
Authority
CN
China
Prior art keywords
hoisted
tower crane
type
hook
video monitoring
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
CN202110815497.2A
Other languages
English (en)
Other versions
CN113673344A (zh
Inventor
陈德木
蒋云
陆建江
陈曦
赵晓东
顾姣燕
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.)
Hangzhou Dajie Intelligent Transmission Technology Co Ltd
Original Assignee
Hangzhou Dajie Intelligent Transmission 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 Hangzhou Dajie Intelligent Transmission Technology Co Ltd filed Critical Hangzhou Dajie Intelligent Transmission Technology Co Ltd
Priority to CN202110815497.2A priority Critical patent/CN113673344B/zh
Publication of CN113673344A publication Critical patent/CN113673344A/zh
Application granted granted Critical
Publication of CN113673344B publication Critical patent/CN113673344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种基于图像目标提取的智能塔吊物料挂载位置识别方法和装置。该方法包括：在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。本申请能够精准的控制无人驾驶智能塔吊的物料挂载位置，寻找与其匹配的挂钩类型，同时保障塔吊的运行安全和效率。

Description

一种智能塔吊物料挂载位置识别方法和装置
技术领域
本申请涉及智能塔吊技术领域，尤其涉及一种基于图像目标提取的智能塔吊物料挂载位置识别方法和装置。
背景技术
目前的塔吊，基本都是人员在塔吊上的中控室进行操控，或者通过操作人员在远程进行实时智能操控。塔吊行业来说，目前的发展方向是无人塔吊、智能塔吊，那么在产业升级的过程中会遇到很多的技术问题。
无人塔吊一般只有一个挂钩，在一个时间段内只能运送一个待吊装物料，对于多个待吊装物料与多个挂钩适配的场景，尚没有解决方案。
发明内容
有鉴于此，本申请的目的在于提出一种基于图像目标提取的智能塔吊物料挂载位置识别方法和装置，本申请能够通过视频监控自动化的分析待吊装物料的位置和物理属性，寻找与其匹配的挂钩，兼顾安全和效率，提高智能塔吊工作效率。
基于上述目的，本申请提出了一种基于图像目标提取的智能塔吊物料挂载位置识别方法，包括：
在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
在一些实施例中，所述根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型，包括：
获取预设的摄像头位置与智能塔吊的位置；
获取所述视频监控数据中的一帧图像，所述图像中包括所述摄像头、塔吊、各个待吊装物料；
计算所述图像中各个待吊装物料与所述塔吊的之间所包含的像素数量；
将所述摄像头位置、塔吊位置换算到摄像头坐标系中，根据所述摄像头位置、塔吊位置的坐标、所述图像中各个待吊装物料与所述塔吊的之间所包含的像素数量，计算所述各个待吊装物料与所述塔吊的之间的距离和角度关系；
根据所述各个待吊装物料与所述塔吊的之间的距离和角度关系计算得到每个待吊装物料位置。
在一些实施例中，所述根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型，包括：
步骤1，采集视频监控数据，对视频监控数据集进行数据预处理，并生成对应的标签；步骤2，对预处理后的视频监控数据集进行增强操作，包括旋转、缩放、随机裁剪以及亮度、色度变换；步骤3，将增强操作后的数据集进行训练/验证/测试集的划分；步骤4，构建网络结构，导入训练集、验证集及其对应的标签进行训练；步骤5，对视频监控数据集进行数据预处理；步骤6，将预处理后的视频监控数据集输入步骤4构建的网络结构，加载网络结构对应的模型参数进行前向传播；步骤7，取出网络结构的输出结果，根据标签生成规则得到分类标签；步骤8，根据每类标签的含义将所述分类标签转化即得到最终的待吊装物料类型。
在一些实施例中，所述将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型，包括：
将大批量已知待吊装物料位置和物料类型导入到卷积神经网络，得到对应的挂钩类型；将已知待吊装物料位置和物料类型和挂钩类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K-means模型构成的AKC模型；
将待分类至少一个待吊装物料位置和物料类型输入训练好的AKC模型中，得到所述至少一个待吊装物料的挂钩类型。
在一些实施例中，根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的挂钩类型。
在一些实施例中，所述通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方，包括：
提取所述待吊装物料适用的挂钩距离所述待吊装物料的距离、角度和方向信息；
根据所述挂钩距离所述待吊装物料的距离、角度和方向信息控制移动车将所述待吊装物料运送至所述待吊装物料适用的挂钩正下方。
在一些实施例中，根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的路径规划，并按照更新后的路径将每个待吊装物料运送到其相应的挂钩正下方。
基于上述目的，本申请还提出了一种基于图像目标提取的智能塔吊物料挂载位置识别装置，包括：
监控模块，在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
物料识别模块，用于根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
挂钩类型匹配模块，用于将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
挂载位置规划模块，用于通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
总的来说，本申请的优势及给用户带来的体验在于：
本申请能够根据物料所在的位置和物料本身的物理属性，寻找与其匹配的挂钩类型，精准的控制无人驾驶智能塔吊的物料挂载位置，同时保障塔吊的运行安全和效率。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1示出本申请的装置架构原理示意图。
图2示出根据本申请实施例的基于图像目标提取的智能塔吊物料挂载位置识别方法的流程图。
图3示出根据本申请实施例的基于图像目标提取的智能塔吊物料挂载位置识别装置的构成图。
图4示出了本申请一实施例所提供的一种电子设备的结构示意图；
图5示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出本申请的装置架构原理示意图。本申请的实施例中，设备包括塔吊、待吊装物料、挂钩、摄像头、服务器等。在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。本申请能够精准的控制无人驾驶智能塔吊的物料挂载位置，同时保障塔吊的运行安全和效率。
图2示出根据本申请实施例的基于图像目标提取的智能塔吊物料挂载位置识别方法的流程图。如图2所示，该基于图像目标提取的智能塔吊物料挂载位置识别方法包括：
步骤101：在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
步骤102：根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
本实施例中，首先获取预设的摄像头位置与智能塔吊的位置；
获取所述视频监控数据中的一帧图像，所述图像中包括所述摄像头、塔吊、各个待吊装物料；
计算所述图像中各个待吊装物料与所述塔吊的之间所包含的像素数量；
将所述摄像头位置、塔吊位置换算到摄像头坐标系中，根据所述摄像头位置、塔吊位置的坐标、所述图像中各个待吊装物料与所述塔吊的之间所包含的像素数量，计算所述各个待吊装物料与所述塔吊的之间的距离和角度关系；
根据所述各个待吊装物料与所述塔吊的之间的距离和角度关系计算得到每个待吊装物料位置。
然后通过神经网络对待吊装物料的物理属性进行分类，包括：
步骤1，采集视频监控数据，对视频监控数据集进行数据预处理，并生成对应的标签；步骤2，对预处理后的视频监控数据集进行增强操作，包括旋转、缩放、随机裁剪以及亮度、色度变换；步骤3，将增强操作后的数据集进行训练/验证/测试集的划分；步骤4，构建网络结构，导入训练集、验证集及其对应的标签进行训练；步骤5，对视频监控数据集进行数据预处理；步骤6，将预处理后的视频监控数据集输入步骤4构建的网络结构，加载网络结构对应的模型参数进行前向传播；步骤7，取出网络结构的输出结果，根据标签生成规则得到分类标签；步骤8，根据每类标签的含义将所述分类标签转化即得到最终的待吊装物料类型。
步骤103：将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
本实施例中，首先将大批量已知待吊装物料位置和物料类型导入到卷积神经网络，得到对应的挂钩类型；将已知待吊装物料位置和物料类型和挂钩类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K-means模型构成的AKC模型；
将待分类至少一个待吊装物料位置和物料类型输入训练好的AKC模型中，得到所述至少一个待吊装物料的挂钩类型。
本实施例中，还可以进一步根据重量来优化待吊装物料对应的挂钩。具体包括：根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的挂钩类型。
步骤104：通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
本实施例中，首先提取所述待吊装物料适用的挂钩距离所述待吊装物料的距离、角度和方向信息；
根据所述挂钩距离所述待吊装物料的距离、角度和方向信息控制移动车将所述待吊装物料运送至所述待吊装物料适用的挂钩正下方。
本实施例中，还可以进一步根据重量来优化路径规划，包括：根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的路径规划，并按照更新后的路径将每个待吊装物料运送到其相应的挂钩正下方。
本申请能够根据物料所在的位置和物料本身的物理属性，寻找与其匹配的挂钩类型，精准的控制无人驾驶智能塔吊的物料挂载位置，同时保障塔吊的运行安全和效率。
以下举例说明本申请的基于图像目标提取的智能塔吊物料挂载位置识别效果：（以下数据仅为示意性举例，具体数据来源参照建筑和塔吊行业常用数据）
Figure 721218DEST_PATH_IMAGE001
申请实施例提供了一种基于图像目标提取的智能塔吊物料挂载位置识别装置，该装置用于执行上述实施例所述的基于图像目标提取的智能塔吊物料挂载位置识别方法，如图3所示，该装置包括：
监控模块501，在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
物料识别模块502，用于根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
挂钩类型匹配模块503，用于将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
挂载位置规划模块504，用于通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
本申请的上述实施例提供的基于图像目标提取的智能塔吊物料挂载位置识别装置与本申请实施例提供的基于图像目标提取的智能塔吊物料挂载位置识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于图像目标提取的智能塔吊物料挂载位置识别方法对应的电子设备，以执行上基于图像目标提取的智能塔吊物料挂载位置识别方法。本申请实施例不做限定。
请参考图4，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的基于图像目标提取的智能塔吊物料挂载位置识别方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该装置网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述基于图像目标提取的智能塔吊物料挂载位置识别方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的基于图像目标提取的智能塔吊物料挂载位置识别方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的基于图像目标提取的智能塔吊物料挂载位置识别方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的基于图像目标提取的智能塔吊物料挂载位置识别方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于图像目标提取的智能塔吊物料挂载位置识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器( DSP )来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
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，可轻易想到其各种变化或替换，这些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以所述权利要求的保护范围为准。

Claims (10)

1.一种基于图像目标提取的智能塔吊物料挂载位置识别方法，其特征在于，包括：
在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
2.根据权利要求1所述的方法，其特征在于，
所述根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型，包括：
获取预设的摄像头位置与智能塔吊的位置；
获取所述视频监控数据中的一帧图像，所述图像中包括所述摄像头、塔吊、各个待吊装物料；
计算所述图像中各个待吊装物料与所述塔吊之间所包含的像素数量；
将所述摄像头位置、塔吊位置换算到摄像头坐标系中，根据所述摄像头位置、塔吊位置的坐标、所述图像中各个待吊装物料与所述塔吊之间所包含的像素数量，计算所述各个待吊装物料与所述塔吊之间的距离和角度关系；
根据所述各个待吊装物料与所述塔吊之间的距离和角度关系计算得到每个待吊装物料位置。
3.根据权利要求2所述的方法，其特征在于，
所述根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型，包括：
步骤1，采集视频监控数据，对视频监控数据集进行数据预处理，并生成对应的标签；步骤2，对预处理后的视频监控数据集进行增强操作，包括旋转、缩放、随机裁剪以及亮度、色度变换；步骤3，将增强操作后的数据集进行训练集、验证集和测试集的划分；步骤4，构建网络结构，导入训练集、验证集及其对应的标签进行训练；步骤5，对视频监控数据集进行数据预处理；步骤6，将预处理后的视频监控数据集输入步骤4构建的网络结构，加载网络结构对应的模型参数进行前向传播；步骤7，取出网络结构的输出结果，根据标签生成规则得到分类标签；步骤8，根据每类标签的含义将所述分类标签转化即得到最终的待吊装物料类型。
4.根据权利要求1所述的方法，其特征在于，
所述将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型，包括：
将大批量已知待吊装物料位置和物料类型导入到卷积神经网络，得到对应的挂钩类型；将已知待吊装物料位置和物料类型和挂钩类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K-means模型构成的AKC模型；
将待分类至少一个待吊装物料位置和物料类型输入训练好的AKC模型中，得到所述至少一个待吊装物料的挂钩类型。
5.根据权利要求4所述的方法，其特征在于，进一步包括：
根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的挂钩类型。
6.如权利要求1所述的方法，其特征在于，
所述通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方，包括：
提取所述待吊装物料适用的挂钩距离所述待吊装物料的距离、角度和方向信息；
根据所述挂钩距离所述待吊装物料的距离、角度和方向信息控制移动车将所述待吊装物料运送至所述待吊装物料适用的挂钩正下方。
7.根据权利要求6所述的方法，其特征在于，进一步包括：
根据所述图像内所述待吊装物料所占据的像素空间，确定所述待吊装物料的体积；
根据所述待吊装物料类型和体积，计算所述待吊装物料的重量；
根据所述待吊装物料的重量超过预设阈值，更新所述待吊装物料对应的路径规划，并按照更新后的路径将每个待吊装物料运送到其相应的挂钩正下方。
8.一种基于图像目标提取的智能塔吊物料挂载位置识别装置，其特征在于，包括：
监控模块，在无人驾驶智能塔吊的周围安装至少一个摄像头，拍摄并获取所述无人驾驶智能塔吊的视频监控数据；所述塔吊至少安装有两个挂钩；
物料识别模块，用于根据所述视频监控数据使用物料识别算法识别所述无人驾驶智能塔吊附近的至少一个待吊装物料位置和物料类型；
挂钩类型匹配模块，用于将获得的所述至少一个待吊装物料位置和物料类型输入训练好的物料挂载位置匹配神经网络，确定所述至少一个待吊装物料的挂钩类型；
挂载位置规划模块，用于通过路径规划算法计算每个待吊装物料到达其对应的物料挂载位置的路径，按照所述路径将每个待吊装物料运送到其相应的挂钩正下方。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
CN202110815497.2A 2021-07-19 2021-07-19 一种智能塔吊物料挂载位置识别方法和装置 Active CN113673344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110815497.2A CN113673344B (zh) 2021-07-19 2021-07-19 一种智能塔吊物料挂载位置识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110815497.2A CN113673344B (zh) 2021-07-19 2021-07-19 一种智能塔吊物料挂载位置识别方法和装置

Publications (2)

Publication Number Publication Date
CN113673344A CN113673344A (zh) 2021-11-19
CN113673344B true CN113673344B (zh) 2023-06-06

Family

ID=78539497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110815497.2A Active CN113673344B (zh) 2021-07-19 2021-07-19 一种智能塔吊物料挂载位置识别方法和装置

Country Status (1)

Country Link
CN (1) CN113673344B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011145B (zh) * 2023-09-22 2024-02-23 杭州未名信科科技有限公司 智慧工地物料的全息图像显示拼接方法及应用其的系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5123534B2 (ja) * 2007-02-06 2013-01-23 大成建設株式会社 ジブクレーンの制御システム
DE202012012116U1 (de) * 2012-12-17 2014-03-19 Liebherr-Components Biberach Gmbh Turmdrehkran
US9818081B2 (en) * 2015-01-06 2017-11-14 Verizon Patent And Licensing Inc. Smart hook for retail inventory tracking
CN107609502A (zh) * 2017-09-05 2018-01-19 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法和装置
CN108529436B (zh) * 2018-05-24 2020-03-27 吴思 一种塔吊智能控制与操作系统
JP7310164B2 (ja) * 2019-02-14 2023-07-19 株式会社タダノ クレーン及び経路生成システム
CN112183964B (zh) * 2020-09-11 2024-03-12 杭州市地下管道开发有限公司 一种智慧工地管理方法、系统、设备及存储介质
CN112607602A (zh) * 2020-12-24 2021-04-06 郝明钰 一种塔机吊钩视频跟踪装置

Also Published As

Publication number Publication date
CN113673344A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
US9349076B1 (en) Template-based target object detection in an image
CN112837371B (zh) 基于3d匹配的物体抓取方法、装置及计算设备
CN108229341B (zh) 分类方法和装置、电子设备、计算机存储介质
CN113298169B (zh) 一种基于卷积神经网络的旋转目标检测方法及装置
CN110580475A (zh) 基于无人机巡检的线路诊断方法、电子装置及存储介质
CN111414915B (zh) 一种文字识别方法以及相关设备
CN111079638A (zh) 基于卷积神经网络的目标检测模型训练方法、设备和介质
CN113255626B (zh) 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置
CN113537070B (zh) 一种检测方法、装置、电子设备及存储介质
CN113911916B (zh) 用于智能塔吊的吊钩物料结合定位控制方法和系统
CN111310826A (zh) 样本集的标注异常检测方法、装置及电子设备
CN113673344B (zh) 一种智能塔吊物料挂载位置识别方法和装置
CN112508078A (zh) 图像多任务多标签识别方法、系统、设备及介质
CN113052295A (zh) 一种神经网络的训练方法、物体检测方法、装置及设备
CN113591645A (zh) 一种基于区域卷积神经网络的电力设备红外图像识别方法
CN112487861A (zh) 车道线识别方法、装置、计算设备及计算机存储介质
CN113734981B (zh) 智能塔吊物料运输路径设置方法和装置
CN110490058B (zh) 行人检测模型的训练方法、装置、系统和计算机可读介质
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN113239911A (zh) 一种无人驾驶智能塔吊视觉场景分析方法和装置
CN110222652B (zh) 行人检测方法、装置及电子设备
CN117095214A (zh) 文物存储环境监测方法及系统
CN111476144A (zh) 行人属性识别模型确定方法、装置及计算机可读存储介质
Zhang et al. AE-FPN: adaptive enhance feature learning for detecting wire defects
CN113255859B (zh) 一种基于电子标签的智能塔吊挂钩识别切换方法和装置

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