CN114991047A - 基于智能视觉和双向地面清洁度判断的清扫方法及系统 - Google Patents

基于智能视觉和双向地面清洁度判断的清扫方法及系统 Download PDF

Info

Publication number
CN114991047A
CN114991047A CN202210919436.5A CN202210919436A CN114991047A CN 114991047 A CN114991047 A CN 114991047A CN 202210919436 A CN202210919436 A CN 202210919436A CN 114991047 A CN114991047 A CN 114991047A
Authority
CN
China
Prior art keywords
garbage
ground
data
intelligent
cleanliness
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
Application number
CN202210919436.5A
Other languages
English (en)
Inventor
徐龙生
庞世玺
孙振行
杨纪冲
魏珑
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.)
Shandong Kailin Environmental Protection Equipment Co ltd
Original Assignee
Shandong Kailin Environmental Protection Equipment 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 Shandong Kailin Environmental Protection Equipment Co ltd filed Critical Shandong Kailin Environmental Protection Equipment Co ltd
Priority to CN202210919436.5A priority Critical patent/CN114991047A/zh
Publication of CN114991047A publication Critical patent/CN114991047A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
    • E01H—STREET CLEANING; CLEANING OF PERMANENT WAYS; CLEANING BEACHES; DISPERSING OR PREVENTING FOG IN GENERAL CLEANING STREET OR RAILWAY FURNITURE OR TUNNEL WALLS
    • E01H1/00—Removing undesirable matter from roads or like surfaces, with or without moistening of the surface
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Structural Engineering (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明属于一般图像处理技术领域，提供了一种基于智能视觉和双向地面清洁度判断的清扫方法及系统，本发明通过获取智能清扫车前方的图像数据和深度数据双重数据；通过图像融合技术实现以图像数据为主深度数据为辅的垃圾识别新方案，识别出所有垃圾后，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度，弥补了简单依靠图像识别垃圾易误判的缺点；然后，根据判断第一地面清洁度是否大于预设地面清洁度，来确定智能扫地车根据第一功率进行工作还是根据第二功率进行工作，实现了对智能扫地车的精准控制。

Description

基于智能视觉和双向地面清洁度判断的清扫方法及系统
技术领域
本发明属于一般图像处理技术领域，尤其涉及一种基于智能视觉和双向地面清洁度判断的清扫方法及系统。
背景技术
智能扫地车是将扫地和吸尘相结合的一体化垃圾清扫车，具有工作效率高、清洁成本低、清洁效果好、安全性能高以及经济回报率高等优点，已经被广泛应用于各大中小城市道路的清扫工作。目前的智能扫地车相关研究聚焦于实现无人驾驶和改进机械结构，对于利用软件系统辅助提高清洁能力的研究较少。
发明人发现，现有的基于智能扫地车的清扫方法存在以下问题：简单依靠图像识别垃圾存在误判，目前主流的垃圾识别技术是利用神经网络对图像或者视频进行垃圾识别，虽然能取得较高的准确率，但是仍然存在误判的可能，比如将图像中的反光物体或墙壁等物体识别成垃圾，在积水路面或者光滑地板等存在倒影的场景识别垃圾数量异常；智能扫地车缺乏对地面清洁度指标的深度研究与应用，地面清洁度是量化地面脏乱程度的指标，围绕该指标的研究较少，还存在继续完善的空间余地；智能扫地车缺乏对自我清扫能力的感知，目前的智能扫地车都只是关注清扫前的地面情况，忽视了对于清扫后的情况观察，进而不能对清扫结果进行评判，因此不能让智能扫地车拥有对自我清扫能力的感知。
发明内容
本发明为了解决上述问题，提出了一种基于智能视觉和双向地面清洁度判断的清扫方法及系统，本发明借助摄像头和激光雷达的双重数据信息，通过图像融合技术实现以图像数据为主深度数据为辅的垃圾识别新方案，弥补简单依靠图像识别垃圾易误判的缺点；引入并提出新的地面清洁度计算方法，计算过程中增加垃圾分布新维度以此让指标数值更符合实际情况；提出在车前和车后双向均设置传感器的新方案，实现通过观察清洁后的地面来赋予智能扫地车自我清扫能力的感知与进化。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明提供了一种基于智能视觉和双向地面清洁度判断的清扫方法，包括：
获取智能清扫车前方的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。
进一步的，获取智能清扫车后方的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第二地面清洁度；
比较所述第二地面清洁度和所述第一地面清洁度的差值，如果差值大于预设差值，则判定为清洁能力良好，否则，判定为清洁能力差。
进一步的，智能清扫车前方的图像数据和深度数据分别通过安装在车前的摄像头和激光雷达获取；智能清扫车后方的图像数据和深度数据分别通过安装在车后的摄像头和激光雷达获取。
进一步的，如果差值小于预设差值的次数多于预设次数，则进行报警。
进一步的，用训练好的神经网络对图像数据进行垃圾识别与标记。
进一步的，深度数据为除地面深度数据，去除地面深度数据中低于或等于地面高度的深度数据，保留高于地面高度的深度数据。
进一步的，将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，判断该垃圾是否真实存在，对真实存在的垃圾按照类型进行权值赋分，对相互覆盖的垃圾进行分数融合。
进一步的，将所有的垃圾相互连线构成无向带权图，其中连线权值是垃圾之间的距离，连线的起点和终点均是实体的几何中心。
进一步的，利用最小生成树算法求出最小生成树。
第二方面，本发明还提供了一种基于智能视觉和双向地面清洁度判断的清扫系统，包括：
数据采集模块，被配置为：获取智能清扫车前方的图像数据和深度数据；
数据处理模块，被配置为：标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
第一地面清洁度计算模块，被配置为：将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
智能清扫车控制模块，被配置为：判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。
与现有技术相比，本发明的有益效果为：
1、本发明通过获取智能清扫车前方的图像数据和深度数据双重数据；通过图像融合技术实现以图像数据为主深度数据为辅的垃圾识别新方案，识别出所有垃圾后，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度，弥补了简单依靠图像识别垃圾易误判的缺点；然后，根据判断第一地面清洁度是否大于预设地面清洁度，来确定智能扫地车根据第一功率进行工作还是根据第二功率进行工作，实现了对智能扫地车的精准控制；
2、本发明中还获取了智能清扫车后方的图像数据和深度数据，通过数据融合后识别出所有垃圾，然后将所有垃圾相互连线构成无向带权图，求出最小生成树，将最小生成树中节点值和边值相加得到第二地面清洁度；最后比较所述第二地面清洁度和所述第一地面清洁度的差值，如果差值大于预设差值，则判定为清洁能力良好，否则，判定为清洁能力差；实现了对清扫结果进行评判，以及智能扫地车对自我清扫能力感知的目的。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例1的摄像头和激光雷达安装示意图；
图2为本发明实施例1的清扫过程流程图；
图3为本发明实施例1的摄像头拍摄图像数据，同时激光雷达扫描地面深度数据时的示意图；
图4为本发明实施例1的垃圾识别和标记示意图；
图5为本发明实施例1的权值赋分后的示意图；
图6为本发明实施例1的分数融合后的示意图；
图7为本发明实施例1的无向带权图示意图；
图8为本发明实施例1的最小生成树示意图；
图9为本发明实施例1的地面清洁度计算流程图；
1、摄像头；2、激光雷达。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1：
本实施例提供了一种基于智能视觉和双向地面清洁度判断的清扫方法，包括：
获取智能清扫车前方的图像数据和深度数据；可以理解的，获取的是一定区域内的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后利用最小生成树算法求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。清扫完后，如存在无法清扫的垃圾，则根据深度数据自动避障并向智能清扫车的后台发送定位信息，申请工作人员进行人工处理；同时，采集下一个单位面积的图像数据和深度数据算出第一地面清洁度，准备进行下一个作业。
本实施例中，在控制智能清扫车清扫后，获取智能清扫车后方的图像数据和深度数据；可以理解的，获取的是与清扫前对应区域内的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后利用最小生成树算法求出最小生成树，将最小生成树中节点值和边值相加得到第二地面清洁度；
比较所述第二地面清洁度和所述第一地面清洁度的差值，如果差值大于预设差值，则判定为清洁能力良好，否则，判定为清洁能力差。
如图1所示，智能清扫车前方的图像数据和深度数据分别通过安装在车前的摄像头1和激光雷达2获取；智能清扫车后方的图像数据和深度数据分别通过安装在车后的摄像头1和激光雷达2获取。
如果差值小于预设差值的次数多于预设次数，则进行报警；具体的，差值越大代表智能清扫车的清洁能力越强，如果差值多次过于小，比如差值小于预设差值的次数多于预设次数，则证明智能清扫车存在问题，会自动向智能清扫车的后台发送定位数据并报警停车。
用训练好的神经网络对图像数据进行垃圾识别与标记。
深度数据为除地面深度数据，去除地面深度数据中低于或等于地面高度的深度数据，保留高于地面高度的深度数据。
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，判断该垃圾是否真实存在，对真实存在的垃圾按照类型进行权值赋分，对相互覆盖的垃圾进行分数融合。
将所有的垃圾相互连线构成无向带权图，其中连线权值是垃圾之间的距离，连线的起点和终点均是实体的几何中心。
如图1所示具体的，智能清扫车的清扫过程为：
S1、清扫前数据采集，智能清扫车前方的摄像头1将车前区域拍照获得图像数据，智能清扫车辆前方的激光雷达2扫描车辆前方的地面信息获得深度数据。
S2、计算清扫前地面清洁度，就是计算第一地面清洁度，根据地面清洁度算法算出对应区域的第一地面清洁度；如果第一地面清洁度高，代表地面很脏，如果第一地面清洁度很低则代表地面很干净。
S3、执行清扫作业，如果地面很干净，此时智能清扫车可以使用低功率模式进行清扫作业，反之则使用高功率模式进行清扫作业；如果在深度数据中显示有智能清扫车无法清扫的大型垃圾，则智能清扫车会根据深度数据自动避障并向智能清扫车的后台发送定位信息，申请工作人员进行人工处理。
S4、清扫后数据采集，智能清扫车后方的摄像头1将车后区域拍照获得图像数据，智能清扫后方的激光雷达2扫描智能清扫车后方的地面信息获得深度信息。
S5、计算清扫后地面清洁度，就是计算第二地面清洁度，根据地面清洁度算法算出对应区域的第二地面清洁度；如果第二地面清洁度高代表地面很脏，如果第二地面清洁度很低则代表地面很干净。
S6、清扫能力评估，将清扫后的第二地面清洁度与清扫前的第一地面清洁度进行比对；差值越大代表智能清扫车的清洁能力越强，如果差值多次过于小则证明智能清扫车存在问题，会自动向智能清扫车的后台发送定位数据并报警停车。
S7、完成清扫工作。
如图9所示，地面清洁度算法算步骤如下：
S2.1、数据采集，利用所述摄像头1拍摄照片获取图像数据，同时利用所述激光雷达2扫描地面数据，如图2所示。
S2.2、垃圾识别，框选前方单位面积之内的范围，利用训练好的神经网络对该范围内的垃圾进行识别标记，如图3所示。
S2.3、处理深度数据，框选所述激光雷达2扫描的地面数据，得到二维深度图；去除二维深度图上的低于或等于地面高度的点，只保留高于地面的深度数据，如图4所示。
S2.4、数据融合并赋分，将图像数据中标记的垃圾与二维深度图的相同位置进行融合，判断该垃圾是否真实存在；若垃圾真实存在则为有效，不存在则为无效；如图3和图4中反光处被识别成塑料，结合二维深度图发现为误判，则去掉该标记；然后按照垃圾类型赋予带权分数，如图5所示。
S2.5、分数融合，为了减少后期的计算，对相互覆盖的垃圾进行分数融合，如三片树叶合成一个3分的实体，如图6所示。
S2.6、构建无向带权图，将所有的垃圾相互连线构成无向带权图，其中连线权值是垃圾之间的距离，连线的起点和终点均是实体的几何中心，如图7所示。
S2.7、利用最小生成树算法求得无向带权图的最小生成树，将数据相加得到地面清洁度数值，如图8所示。
实施例2：
本实施例提供了一种基于智能视觉和双向地面清洁度判断的清扫系统，包括：
数据采集模块，被配置为：获取智能清扫车前方的图像数据和深度数据；
数据处理模块，被配置为：标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
第一地面清洁度计算模块，被配置为：将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
智能清扫车控制模块，被配置为：判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。
所述系统的工作方法与实施例1的基于智能视觉和双向地面清洁度判断的清扫方法相同，这里不再赘述。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，包括：
获取智能清扫车前方的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。
2.如权利要求1所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，获取智能清扫车后方的图像数据和深度数据；
标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第二地面清洁度；
比较所述第二地面清洁度和所述第一地面清洁度的差值，如果差值大于预设差值，则判定为清洁能力良好，否则，判定为清洁能力差。
3.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，智能清扫车前方的图像数据和深度数据分别通过安装在车前的摄像头和激光雷达获取；智能清扫车后方的图像数据和深度数据分别通过安装在车后的摄像头和激光雷达获取。
4.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，如果差值小于预设差值的次数多于预设次数，则进行报警。
5.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，用训练好的神经网络对图像数据进行垃圾识别与标记。
6.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，深度数据为除地面深度数据，去除地面深度数据中低于或等于地面高度的深度数据，保留高于地面高度的深度数据。
7.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，判断该垃圾是否真实存在，对真实存在的垃圾按照类型进行权值赋分，对相互覆盖的垃圾进行分数融合。
8.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，将所有的垃圾相互连线构成无向带权图，其中连线权值是垃圾之间的距离，连线的起点和终点均是实体的几何中心。
9.如权利要求2所述的基于智能视觉和双向地面清洁度判断的清扫方法，其特征在于，利用最小生成树算法求出最小生成树。
10.基于智能视觉和双向地面清洁度判断的清扫系统，其特征在于，包括：
数据采集模块，被配置为：获取智能清扫车前方的图像数据和深度数据；
数据处理模块，被配置为：标记图像数据中的垃圾所在位置，去除深度数据中低于或等于地面高度的数据；
第一地面清洁度计算模块，被配置为：将图像数据中标记的垃圾所在位置和深度数据中相同位置进行融合，识别出所有垃圾，将所有垃圾相互连线构成无向带权图，然后求出最小生成树，将最小生成树中节点值和边值相加得到第一地面清洁度；
智能清扫车控制模块，被配置为：判断计算得到的第一地面清洁度是否大于预设地面清洁度，如果是，则控制智能清扫车使用第一功率进行工作，否则，控制智能清扫车使用第二功率进行工作；其中，所述第一功率大于所述第二功率。
CN202210919436.5A 2022-08-02 2022-08-02 基于智能视觉和双向地面清洁度判断的清扫方法及系统 Pending CN114991047A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210919436.5A CN114991047A (zh) 2022-08-02 2022-08-02 基于智能视觉和双向地面清洁度判断的清扫方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210919436.5A CN114991047A (zh) 2022-08-02 2022-08-02 基于智能视觉和双向地面清洁度判断的清扫方法及系统

Publications (1)

Publication Number Publication Date
CN114991047A true CN114991047A (zh) 2022-09-02

Family

ID=83021811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210919436.5A Pending CN114991047A (zh) 2022-08-02 2022-08-02 基于智能视觉和双向地面清洁度判断的清扫方法及系统

Country Status (1)

Country Link
CN (1) CN114991047A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116122208A (zh) * 2023-02-21 2023-05-16 天津工大智行科技有限公司 利用高温蒸汽的清扫车吸尘系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109288455A (zh) * 2018-09-21 2019-02-01 北京智行者科技有限公司 垃圾清扫方法及装置
CN110924341A (zh) * 2019-12-20 2020-03-27 烟台海德专用汽车有限公司 一种垃圾清扫系统、清扫设备及清扫方法
CN111767896A (zh) * 2020-07-15 2020-10-13 吉林大学 一种清扫车底盘上装协同控制方法及感知识别实现装置
CN111985317A (zh) * 2020-07-10 2020-11-24 上海富洁科技有限公司 用于道路智能清扫的路面清洁度评估方法
CN112131964A (zh) * 2020-08-31 2020-12-25 南京汽车集团有限公司 一种道路作业车辆视觉感知系统及其使用方法
CN112211145A (zh) * 2020-09-07 2021-01-12 徐州威卡电子控制技术有限公司 一种用于扫路机半自动化扫路方法及装置
US20210289692A1 (en) * 2017-12-05 2021-09-23 Jiangsu University Multi-Scale Habitat Information-Based Method and Device For Detecting and Controlling Water and Fertilizer For Crops In Seedling Stage

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210289692A1 (en) * 2017-12-05 2021-09-23 Jiangsu University Multi-Scale Habitat Information-Based Method and Device For Detecting and Controlling Water and Fertilizer For Crops In Seedling Stage
CN109288455A (zh) * 2018-09-21 2019-02-01 北京智行者科技有限公司 垃圾清扫方法及装置
CN110924341A (zh) * 2019-12-20 2020-03-27 烟台海德专用汽车有限公司 一种垃圾清扫系统、清扫设备及清扫方法
CN111985317A (zh) * 2020-07-10 2020-11-24 上海富洁科技有限公司 用于道路智能清扫的路面清洁度评估方法
CN111767896A (zh) * 2020-07-15 2020-10-13 吉林大学 一种清扫车底盘上装协同控制方法及感知识别实现装置
CN112131964A (zh) * 2020-08-31 2020-12-25 南京汽车集团有限公司 一种道路作业车辆视觉感知系统及其使用方法
CN112211145A (zh) * 2020-09-07 2021-01-12 徐州威卡电子控制技术有限公司 一种用于扫路机半自动化扫路方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116122208A (zh) * 2023-02-21 2023-05-16 天津工大智行科技有限公司 利用高温蒸汽的清扫车吸尘系统
CN116122208B (zh) * 2023-02-21 2023-10-13 天津工大智行科技有限公司 利用高温蒸汽的清扫车吸尘系统

Similar Documents

Publication Publication Date Title
CN107981790B (zh) 室内区域划分方法及扫地机器人
CN109213137A (zh) 扫地机器人、扫地机器人系统及其工作方法
CN111733743A (zh) 一种自动清扫方法及清扫系统
CN110269550B (zh) 一种门位置识别方法以及移动机器人
CN114991047A (zh) 基于智能视觉和双向地面清洁度判断的清扫方法及系统
CN111552764B (zh) 一种车位检测方法、装置、系统及机器人和存储介质
CN113741438A (zh) 路径规划方法、装置、存储介质、芯片及机器人
CN107767687B (zh) 基于双目立体视觉的空闲停车位检测方法及系统
CN111055811A (zh) 一种基于车载智能摄像头的雨刮器控制方法及系统
CN113420687A (zh) 可行驶区域的获取方法、装置和车辆
CN112489067A (zh) 一种清扫车控制方法和采用该控制方法作业的清扫车
CN111608124A (zh) 一种高速服务区清扫机器人自主导航方法
CN105467985A (zh) 自移动表面行走机器人及其图像处理方法
Wang et al. Multi-cue road boundary detection using stereo vision
CN110515386A (zh) 一种智能机器人
CN109965780B (zh) 一种地面清洁装置和系统
CN112353322B (zh) 基于激光头的阳光噪点过滤方法、芯片以及机器人
CN113787987A (zh) 针对挡风玻璃前视摄像头视野区域的自清洁方法及系统
JP2010055340A (ja) 走行路推定装置及びプログラム
CN111192283A (zh) 一种限高杆检测和高度计算方法
CN111739332B (zh) 一种停车场管理系统
CN112587035B (zh) 移动机器人识别工作场景的控制方法和系统
CN113066133B (zh) 一种基于路面标识几何特征的车载摄像头在线自标定方法
US20230122704A1 (en) Image selection method, self-propelled apparatus, and computer storage medium
JP4106163B2 (ja) 障害物検出装置及びその方法

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