CN117908045A - 一种船上人员防跌落检测方法及相关设备 - Google Patents
一种船上人员防跌落检测方法及相关设备 Download PDFInfo
- Publication number
- CN117908045A CN117908045A CN202410088426.0A CN202410088426A CN117908045A CN 117908045 A CN117908045 A CN 117908045A CN 202410088426 A CN202410088426 A CN 202410088426A CN 117908045 A CN117908045 A CN 117908045A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- cloud data
- point
- data set
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013519 translation Methods 0.000 claims description 15
- 230000014759 maintenance of location Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000002265 prevention Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及集装箱装卸的技术领域，尤其是涉及一种船上人员防跌落检测方法及相关设备。本申请首先基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，其次通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；再获取M个工作平面区域以及作业人员的位置信息；接着判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；若高度差大于第一预设阈值，则确定危险边缘的位置信息；再接着根据危险边缘的位置信息以及作业人员的位置信息判断作业人员是否处于风险区域；最后若作业人员处于风险区域，则发出警示信息。本申请具有避免在集装箱装卸作业中工作人员出现坠落风险的效果。
Description
技术领域
本申请涉及集装箱装卸的技术领域，尤其是涉及一种船上人员防跌落检测方法及相关设备。
背景技术
在港口码头，岸桥进行集装箱装船或者卸船作业时，需要安排人员上船进行指挥作业，该人员充当指挥员的角色。指挥员工作职责通常为负责协调和监督装卸作业，因此指挥员需要与码头工人、岸桥操作员和船舶工作人员保持紧密联系。
在整个装卸过程中，指挥员需要与多个团队和个人协调，包括但不限于码头管理、船舶乘员、货物处理人员等，需确保所有活动都按计划进行，避免任何延迟或错误，从而确保集装箱正确地从船舶到岸桥(或反之)的移动。然而，在船上作业时，指挥员面临着多种潜在的风险点，包括船舷边落水风险、未盖好的舱盖板区域人员跌落风险以及由于集装箱码放高低落差导致的人员跌落风险等。
由于指挥员在指挥的作业过程中，需要在集装箱或船舶甲板上行走，倘若指挥员位于船舷边，可能出现因船体的晃动或失足而落水的风险；倘若舱盖板未盖好可能出现指挥员跌落或陷入货物储存区的风险；由于不同高度的集装箱堆放，指挥员在行走或者操作的过程中容易出现跌落风险，对此情况有待改善。
发明内容
为了避免在集装箱装卸作业中工作人员出现坠落风险，本申请提供一种船上人员防跌落检测方法及相关设备，采用如下的技术方案：
第一方面，本申请提供了一种船上人员防跌落检测方法，包括：
当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，所述N为大于或者等于2的整数；
通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对所述目标点云数据集合进行分析，以得到作业人员的位置信息，所述M为大于或者等于2的整数；
判断所述M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
若所述高度差大于所述第一预设阈值，则确定危险边缘的位置信息；
根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域；
若所述作业人员处于所述风险区域，则发出警示信息。
通过采用上述技术方案，在岸桥进行集装箱装船或者卸船作业时，需要有作业人员登船后进行指挥作业，由于船上作业时作业人员面临着多种潜在的风险点，为了防止作业人员在船上指挥时出现跌落的风险，本申请首先通过N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，值得注意的是，N个激光雷达中每个激光雷达位于岸桥上不同的位置上，但N个激光雷达均对目标区域进行扫描；其次，通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点数据集合；接着，基于区域生长算法对目标点云数据结合进行分析，得到M个工作平面以及基于目标检测算法对目标点云数据集合进行分析，得到作业人员的位置信息，并判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值，若高度差大于第一预设阈值，则确定危险边缘信息，再接着，根据危险边缘信息以及作业人员的位置信息判断作业人员是否处于风险区域，若作业人员处于风险区域，则发出警示信息，以提示作业人员远离风险区域，从而避免在集装箱装卸作业中工作人员出现坠落风险。
可选的，所述根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域包括:
根据所述危险边缘的位置信息以及所述作业人员的位置信息获取所述作业人员和所述危险边缘之间的目标间距；
判断所述目标间距是否小于第二预设阈值；
若所述目标间距不小于所述第二预设阈值，则判定所述作业人员不处于所述风险区域；
若所述目标间距小于所述第二预设阈值，则判定所述作业人员处于所述风险区域。
通过采用上述技术方案，根据危险边缘的位置信息以及作业人员的位置信息进行计算，以得到作业人员和危险边缘之间的目标间距，并判断目标间距是否小于第二预设阈值，当目标间距小于第二预设阈值时，则可以判断作业人员处于风险区域，当目标间距不小于第二预设阈值时，则可以判断作业人员不处于风险区域，因此本申请可以通过计算得到作业人员的和危险边缘之间的目标间距，根据目标间距的大小判断作业人员是否处于风险区域。
可选的，所述判定所述作业人员处于所述风险区域之后，所述方法还包括：
当所述作业人员处于所述风险区域时，实时统计所述作业人员在所述风险区域内的滞留时间；判断所述滞留时间是否达到第三预设阈值；
若所述滞留时间达到所述第三预设阈值，则发出所述警示信息；
若所述滞留时间未达到所述第三预设阈值，则不发出所述警示信息。
通过采用上述技术方案，当作业人员处于风险区域时，实时统计作业人员在风险区域内的滞留时间，并通过判断滞留时间是否达到第三预设阈值，决定是否发出警示时间；例如，假设第三预设阈值为3秒，倘若滞留时间达到3秒后发出警示信息；由于存在作业人员误触风险区域后，立刻远离风险区域，为了不使得警示信息干扰到作业人员的正常作业，倘若滞留时间未达到3秒，则不发出警示信息。
可选的，所述通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合包括：
确定三维旋转平移矩阵；
通过所述三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至所述基准坐标系下，其中，所述第一点云数据组为所述初始点云数据集合中的任意一组点云数据；
将投影后的所述第一点云数据组中的所有点云数据与所述基准坐标系中的所有点云数据进行融合，得到所述目标点云数据集合。
通过采用上述技术方案，通过三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至基准坐标系下，需要说明的是，第一点云数据组应为同一个激光雷达获取的点云数据，再将投影后的第一点云数据组中的所有点云数据与基准坐标系中的所有点云数据进行融合后，得到目标点云数据集合。
可选的，所述基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域包括：
步骤1、计算所述目标点云数据集合中每个点云数据的法线，得到法线集合；
步骤2、获取所述法线集合中每条法线的曲率值；
步骤3、将所述法线集合中曲率值最小的目标法线所对应的点云数据确定为初始种子点，并将所述初始种子点加入所述种子点序列中；
步骤4、搜索所述初始种子点的邻域点集合，并判断目标邻域点的法线与所述目标法线之间的目标夹角是否小于法线夹角阈值，所述目标邻域点为所述邻域点集合中的任意一个邻域点；步骤5、若所述目标夹角小于所述法线夹角阈值，则判断所述目标邻域点所对应的法线的目标曲率值是否小于曲率阈值；
步骤6、若所述目标曲率值小于所述曲率阈值，则将所述目标邻域点加入所述种子点序列中；步骤7、剔除所述种子点序列中的所述初始种子点；
步骤8、将所述目标邻域点确定为所述初始种子点，重复执行步骤4至步骤7，直至所述种子点序列被清空，并根据所述种子点序列生成所述目标法线所对应的目标工作平面区域；
步骤9、将所述法线集合中除所述目标法线之外的其他法线中曲率值最小的法线确定为所述初始种子点，重复执行步骤3至步骤8，直至所述目标点云数据集合中每个点云数据均执行完成步骤3至步骤8，以得到所述M个工作平面区域。
通过采用上述技术方案，基于目标点云数据集合中每个点云数据的法线，以及每条法线的曲率值，将法线集合中的曲率值最小的目标法线所对应的点云数据确定为初始种子点，重复执行步骤4至步骤7，直至种子点序列被清空，并根据种子点序列生成目标法线所对应的目标工作平面区域；将法线集合中除目标法线之外的其他法线中曲率值最小的法线确定为初始种子点，重复执行步骤3至步骤8，以得到M个工作平面区域。
可选的，所述判断所述目标邻域点所对应的法线的目标曲率值是否小于曲率阈值之后，所述方法还包括：
若所述目标曲率值不小于曲率阈值，则不将所述目标邻域点加入所述种子点序列中，并继续搜索其他邻域点。
通过采用上述技术方案，当目标曲率值不小于曲率阈值，则证明目标邻域点不符合要求，不将目标邻域点加入种子点序列中，并继续搜索其他邻域点，直至其他邻域点中存在目标曲率值小于曲率阈值的邻域点，或者，直至邻域点集合中没有满足目标曲率值小于曲率阈值条件的邻域点结束。
可选的，所述发出警示信息之后，所述方法还包括：
判断在预设时间内所述工作人员是否离开所述风险区域；
若在所述预设时间内所述工作人员已离开所述风险区域，则停止发出所述警示信息；
若在所述预设时间内所述工作人员未离开所述风险区域，则通过记录仪对所述风险区域进行视频记录。
通过采用上述技术方案，在发出警示信息之后，判断在预设之间内工作人员是否离开风险区域，若在预设时间内工作人员已离开风险区域，则停止发出警示信息，若在预设时间内工作人员未离开风险区域，则通过记录对风险区域进行视频记录，倘若发生事故后，便于后续的追责的工作。
第二方面，本申请提供了一种船上人员防跌落检测装置，包括：
采集模块，用于当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，所述N为大于或者等于2的整数；
处理模块，用于通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
分析模块，用于基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对所述目标点云数据集合进行分析，以得到作业人员的位置信息，所述M为大于或者等于2的整数；
第一判断模块，用于判断所述M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
确定模块，用于若所述高度差大于所述第一预设阈值，则确定危险边缘的位置信息；
第二判断模块，用于根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域；
警示模块，用于若所述作业人员处于所述风险区域，则发出警示信息。
通过采用上述技术方案，首先采集模块基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，值得注意的是，N个激光雷达中每个激光雷达位于岸桥上不同的位置上，但N个激光雷达均对目标区域进行扫描；其次，处理模块通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点数据集合；接着，分析模块基于区域生长算法对目标点云数据结合进行分析，得到M个工作平面以及基于目标检测算法对目标点云数据集合进行分析，得到作业人员的位置信息，并通过第一判断模块判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值，若高度差大于第一预设阈值，则由确定模块确定危险边缘信息，再接着，第二判断模块根据危险边缘信息以及作业人员的位置信息判断作业人员是否处于风险区域，若作业人员处于风险区域，则发出警示信息，以提示作业人员远离风险区域，从而避免在集装箱装卸作业中工作人员出现坠落风险。
第三方面，本申请提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在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船上人员防跌落检测方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述船上人员防跌落检测方法的步骤。
综上所述，可以看出，本申请提供的实施例中，在岸桥进行集装箱装船或者卸船作业时，需要有作业人员登船后进行指挥作业，由于船上作业时作业人员面临着多种潜在的风险点，为了防止作业人员在船上指挥时出现跌落的风险，本申请首先通过N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，其次，通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点数据集合；接着，基于区域生长算法对目标点云数据结合进行分析，得到M个工作平面以及基于目标检测算法对目标点云数据集合进行分析，得到作业人员的位置信息；通过判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值，若高度差大于第一预设阈值，则确定危险边缘信息，再接着，根据危险边缘信息以及作业人员的位置信息判断作业人员是否处于风险区域，若作业人员处于风险区域，则发出警示信息，以提示作业人员远离风险区域，从而避免在集装箱装卸作业中工作人员出现坠落风险。
附图说明
图1是本申请实施例提供的船上人员防跌落检测设备的硬件结构示意图；
图2是本申请实施例提供的船上人员防跌落检测方法的流程示意图。
图3是本申请实施例提供的PFH计算原理示意图；
图4是本申请实施例提供的局部坐标系示意图；
图5是本申请实施例提供的PFH与FPFH特征计算过程的示意图；
图6是本申请实施例提供的船上人员防跌落检测装置的虚拟结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在岸桥进行集装箱装船或者卸船作业时，需要有作业人员登船后进行指挥作业。参照图1，图1为本申请实施例提供的船上人员防跌落检测设备的硬件结构示意图，船上人员防跌落检测设备包括激光雷达101、摄像头102、AI算法服务器103、声光报警器104等设备。图1中的105即为岸桥，图1中的106即为集装箱船，工作人员登上集装箱船后可能位于甲板上、集装箱上或船舷边。
集装箱船上装卸作业面宽度超过60米，且相邻平面之间存在高度落差，例如相邻两个集装箱之间的高度差可能超过2M，或者，集装箱和甲板之间的高度差超过2M，或者，靠近船舷边存在坠海的风险，因此船上作业时作业人员面临着多种潜在的风险点。
本申请中的方案，在岸桥上安装有N个激光雷达，并且N个激光雷达分布在岸桥的不同位置，可能包括桥吊、岸边等多个关键位置，以确保全面、多角度的监测。通过N个激光雷达采集点云数据，并融合成船上工作区域的点云数据，通过3D点云图像的合成，将船岸作业界面融合成整体。根据工作人员于落差边缘(也即危险边缘)的距离、停留时间等信息，形成报警记录。
例如，在3D点云图像中的自动形成风险区域的电子围栏，一旦有工作人员接近，则将发送预警信息至工作人员的手持端设备，提醒工作人员注意风险并避免事故的发生。值得注意的是，报警开始后通过摄像头对风险区域录制视频，保留视频证据。
本申请实施例公开一种船上人员防跌落检测方法。
参照图2，图2为本申请实施例提供的船上人员防跌落检测方法的流程示意图，该方法包括如下步骤：
S10、当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，N为大于或者等于2的整数；
其中，在港口码头通过岸桥对集装箱装船或者卸船作业时，利用N个激光雷达对目标区域进行激光扫描，目标区域为需要进行装卸作业的集装箱船。点云数据是由激光雷达在扫描过程中返回的测量点组成的，每个点都具有空间坐标信息。对目标区域进行激光扫描后，将每个激光雷达对应的点云数据进行汇总，以得到初始点云数据集合。
需要说明的是，N个激光雷达会同时或依次对集装箱船进行扫描，以获取多个角度、位置的点云数据。这些激光雷达在不同位置安装，可以提供更全面的扫描覆盖。
S20、通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
其中，其中，通过不同视角下不同点云之间的映射关系，利用3D点云配准算法将同一目标场景(也即目标区域)的不同点云转换到同一基准坐标系下，得到目标点云数据集合。点云数据具有无序性、非结构化、不均匀等数据特性。3D点云配准是点云处理技术的一个重要组成部分，通过将初始点云数据集合的不同点云数据转换至同一基准坐标，由此可以将原始的无序、非结构化、不均匀的数据进行标准化处理，为后续的点云配准提供标准格式的数据基础。
一个实施例中，步骤S20包括：
确定三维旋转平移矩阵；
通过三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至基准坐标系下，其中，第一点云数据组为初始点云数据集合中的任意一组点云数据；
将投影后的第一点云数据组中的所有点云数据与基准坐标系中的所有点云数据进行融合，得到目标点云数据集合。
在实施例中，首先确定三维旋转平移矩阵，例如，由点A移动至点B，可以视为点A沿着向量AB平移至点B，则向量AB＝B-A，三维旋转平移矩阵为RTA＝B。通过三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至基准坐标系下，需要说明的是，第一点云数据组应为同一个激光雷达获取的点云数据，再将投影后的第一点云数据组中的所有点云数据与基准坐标系中的所有点云数据进行融合后，得到目标点云数据集合。
点云配准分为粗配准(Coarse Registration)和精配准(Fine Registration)两个阶段。配准前的原始点云(也即第一点云数据组)都是通过三维旋转平移矩阵对点云位姿进行调整进而获得配准后的点云(也即目标点云数据集合)，因此点云配准的过程就是矩阵变换的过程。下面对粗配准及精配准方法进行详细说明：
一、粗配准
激光雷达采集的点云数据，包含了点云的位置坐标信息及强度信息，同时也包含了点、法线、曲率这些最真实的、最能还原点云特征的数据。本申请采用Fast PointFeature Histograms(FPFH)算法提取点云特征，完成点云粗配准。
特征直方图(PFH)是基于特征点与其邻域点的空间几何关系来编码的。参照图3，图3为本申请实施例提供的PFH计算原理示意图，特征点作为查询点Pq，图3中的301即为查询点，图3中的302即为邻域点。在查询点领域(指定的半径，该查询点区域如图3中的303区域)内搜索Pk个点，得到点Pq及其k个最邻近的点组成的k+1个点的集合，集合中的点两两配对，可以得到个点对。
对于每一组点对，首先建立局部坐标系：
u＝ns；
w＝u×v；
其中，×表示外积。基于其特征表示为：
α＝v·nt；
θ＝arvtan(w·nt,u·nt)；
d＝||pt-ps||2；
其中，·表示内积，d为源点和目标点的欧式距离。具体表示如图4所示，图4为本申请实施例提供的局部坐标系示意图，图4展示了查询点对应的领域点集合中任意两点的特征关系。
为了计算查询点的PFH特征，将该查询点的邻域中个点对的＜α,φ,θ,d＞特征集合放在一个直方图中，统计投票数量。具体而言，将每个特征划分为n个区间，则PFH特征矢量有n4维，前三个特征都为角度，因此可以做归一化处理。
FPFH首先计算了快速特征直方图(FPFH)具有n个点的点云p的点特征直方图的理论计算复杂度为o(nk2)，其中k是点云p中每个点p的邻近数。快速点特征直方图，它可以将算法的计算复杂度降低到O(NK)，同时仍然保留了PFH的大部分判别能力。具体而言：
每个查询点Pq与它邻域点之间的三个特征元素＜α,φ,θ＞，在这里不同于PFH，PFH是计算邻域点所有组合的特征元素，而FPFH只计算查询点和近邻点之间的特征元素。
如图5所示，图5为本申请实施例提供的PFH与FPFH特征计算过程的示意图。
左侧是PFH计算特征过程，即邻域点所有组合的特征值(图中所有连线，包括但不限于Pq和Pk之间的连线)，右侧是FPFH中计算内容，只需要计算Pq查询点和临近点之间的特征元素，临近点为Pq和Pk之间的连线上的点。将＜α,φ,θ,d＞特征简化为＜α,φ,θ＞的步骤称为Simplified Point Feature Histogram(SPFH)。
然后，FPFH会重新确定k近邻域，确定查询点Pq的邻域点Pk的特征元素的SPFH值、查询点Pq和近邻的距离值以及k的数值，即修正了k邻域点对的统计方式，分为两部分：一部分是查询点与周围k个点组成的点对，另一部分是每个邻点与周围k个点组成的点对，第二部分的统计量取加权平均，如下式：
其中，权重ωk表示查询点Pq与邻点Pk的距离。这将搜索空间扩大到最多2r的范围。如此，通过FPFH算法获得了点集中每个点的特征描述算子，然后，可以使用RANSAC算法来计算对应关系。RANSAC算法是基于随机采样的思想，通过不断地采样点对并计算它们之间的变换矩阵，来找到符合大多数点对的变换矩阵。
RANSAC算法计算对应关系的步骤如下：
(1)从两片点云中随机采样M个点对。
(2)使用这些点对计算变换矩阵T。
(3)计算变换矩阵T对应的点对集合R。
(4)如果R中的点对数目大于阈值，则认为T是正确的变换矩阵。
(5)重复步骤1-4，直到找到满足要求的变换矩阵。
二、精配准
精配准算法使用ICP点云配准算。ICP算法的基本原理是：分别在带匹配的目标点云P和源点云Q中，按照一定的约束条件，找到最邻近点(pi，qi)，然后计算出最优匹配参数R和t，使得误差函数最小。误差函数为E(R,t)为：
其中n为最邻近点对的个数，pi为目标点云P中的一点，qi为源点云Q中与pi对应的最近点，R为旋转矩阵，t为平移向量。也就是说整体分为最近点匹配算法和最优变换求解算法。
需要说明的是，最近点匹配算法利用初始R0、t0或上一次迭代得到的Rk-1、Rk-1对初始点云进行变换，得到一个临时的变换点云，然后用这个点云和目标点云进行比较，找出源点云中每一个点在目标点云中的。
需要说明的是，最优变换求解算法对于ICP算法，求最优变换是有闭形式解(closed-form solution)的，可以借助SVD分解来计算。在已知点的对应关系的情况下，设分别表示源点云和目标点云的质心，令/>令这是一个3x3矩阵，对H进行SVD分解得到H＝U∑vT，则可推导最优旋转为：
R*＝VUT；
最优平移为：
如此，通过粗精两种配准算法完成本项目点云配准。
S30、基于区域生长算法对目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对目标点云数据集合进行分析，以得到作业人员的位置信息，M为大于或者等于2的整数；
其中，区域生长算法是一种常用于点云分析的方法，它可以用于识别和分割出具有相似属性或特征的点云区域。在这个情境中，基于区域生长算法来分析目标点云数据集合，以获取M个工作平面区域和作业人员的位置信息。
使用区域生长算法，选择一个点云数据作为种子点，然后通过定义生长准则(例如，点之间的距离、法向一致性等)，逐步将周围相似的点加入同一个区域。这个过程会逐渐生成不同的区域。
PointRCNN(Point-based 3D Object Detection with PointRCNN)是一种基于点云的三维目标检测算法。本申请中的方案使用目标检测算法对目标点云数据集合进行分析，以得到作业人员的位置信息。
一个实施例中，步骤S30包括：
步骤1、计算目标点云数据集合中每个点云数据的法线，得到法线集合；
步骤2、获取法线集合中每条法线的曲率值；
步骤3、将法线集合中曲率值最小的目标法线所对应的点云数据确定为初始种子点，并将初始种子点加入种子点序列中；
步骤4、搜索初始种子点的邻域点集合，并判断目标邻域点的法线与目标法线之间的目标夹角是否小于法线夹角阈值，目标邻域点为邻域点集合中的任意一个邻域点；
步骤5、若目标夹角小于法线夹角阈值，则判断目标邻域点所对应的法线的目标曲率值是否小于曲率阈值；
步骤6、若目标曲率值小于曲率阈值，则将目标邻域点加入种子点序列中；
步骤7、剔除种子点序列中的初始种子点；
步骤8、将目标邻域点确定为初始种子点，重复执行步骤4至步骤7，直至种子点序列被清空，并根据种子点序列生成目标法线所对应的目标工作平面区域；
步骤9、将法线集合中除目标法线之外的其他法线中曲率值最小的法线确定为初始种子点，重复执行步骤3至步骤8，直至目标点云数据集合中每个点云数据均执行完成步骤3至步骤8，以得到M个工作平面区域。
在实施例中，首先获取目标点云数据集合中每个点云数据的法线以及每条法线的曲率值，将法线集合中曲率值最小的目标法线所对应的点云数据确定为初始种子点，并将初始种子点加入种子点序列中，接着重复执行步骤4至步骤7，直至种子点序列被清空。其次根据种子点序列生成目标法线所对应的目标工作平面区域。
需要注意的是，由于每次搜索完初始种子点的邻域曲率之后都会删除初始种子点，直至邻域点集合中没有同时满足目标夹角小于法线夹角阈值以及目标曲率值小于曲率阈值两个条件的领域点，种子点序列不会出现新增，这种情况下种子点序列会被清空。
最后将法线集合中除目标法线之外的其他法线中曲率值最小的法线确定为初始种子点，重复执行步骤3至步骤8，以得到M个工作平面区域。其中，区域增长算法会将点云分割为多个符合预设阈值条件的点云数据完成聚类，本申请中的方案使用区域生长算法找到所有平面形成数组，遍历每一个平面，通过法向量的值筛选是否为工作人员的工作区域。
一个实施例中，在判断目标邻域点所对应的法线的目标曲率值是否小于曲率阈值的步骤之后，还执行以下步骤：
若目标曲率值不小于曲率阈值，则不将目标邻域点加入种子点序列中，并继续搜索其他邻域点。
在实施例中，为了避免将边缘或过渡区域的点加入到同一个区域，倘若目标曲率值不小于曲率阈值，也即目标领域点不符合预设阈值条件，则不将目标领域点加入种子点序列中，并继续搜索其他领域点。
这个曲率阈值的选择通常取决于具体的应用场景和点云数据的特性。较高的阈值可能会导致更平坦的表面被划分为不同的区域，而较低的阈值可能会导致将边缘点与相邻的平坦区域一起合并。因此，在实际的应用中可能需要通过实验数据以及以往的经验来调整曲率阈值。
S40、判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
其中，在M个工作平面区域中，对于相邻的工作平面区域，计算它们之间的高度差，将计算得到的高度差与第一预设阈值进行比较。
S50、若高度差大于第一预设阈值，则确定危险边缘的位置信息；
其中，将高度差和第一预设阈值进行比较，如果高度差大于阈值，则确定危险边缘，对高度差大于第一预设阈值的区域进行进一步分析，以提取危险边缘的具体位置信息。这可能包括确定危险边缘的坐标或者表示边缘的点云集合。
一种实施例中，基于PointRCNN目标检测算法对危险边缘生成3D边界框。PointRCNN目标检测算法包括两个阶段，下面对PointRCNN目标检测算法的两个阶段进行说明：
第一阶段旨在以自下而上的方案生成3D边界框，首先，对点云语义分割，对每个点预测一个前景背景的类别，从分割的前景点中生成经过去冗余的少量边界框。这个方法可以有效的避免在整个3D空间中使用大量3D锚框。第二阶段进行更加精细的3D边界框优化。采用Point cloud region pooling和Canonical 3D bounding box refinement操作来处理第一阶段学到的点云特征。与直接估计全局坐标的方法不同，处理后的3D点被转换为规范的局部坐标并与第一阶段点云分割后的点云语义特征组合完成坐标优化。
S60、根据危险边缘的位置信息以及作业人员的位置信息判断作业人员是否处于风险区域；
其中，判断作业人员位置是否在风险区域内，将获取的作业人员的位置信息与危险边缘的位置信息进行比较。倘若作业人员的位置接近于危险边缘的位置那么可以判断作业人员处于风险状态。
一个实施例中，步骤S60包括：
根据危险边缘的位置信息以及作业人员的位置信息获取作业人员和危险边缘之间的目标间距；判断目标间距是否小于第二预设阈值；
若目标间距不小于第二预设阈值，则判定作业人员不处于风险区域；
若目标间距小于第二预设阈值，则判定作业人员处于风险区域。
在实施例中，根据危险边缘的位置信息以及作业人员的位置信息进行计算，以得到作业人员和危险边缘之间的目标间距，并判断目标间距是否小于第二预设阈值，当目标间距小于第二预设阈值时，则可以判断作业人员处于风险区域，当目标间距不小于第二预设阈值时，则可以判断作业人员不处于风险区域，因此本申请可以通过计算得到作业人员的和危险边缘之间的目标间距，根据目标间距的大小判断作业人员是否处于风险区域。
一个实施例中，在判定作业人员处于风险区域的步骤之后，还执行以下步骤：
当作业人员处于风险区域时，实时统计作业人员在风险区域内的滞留时间；
判断滞留时间是否达到第三预设阈值；
若滞留时间达到第三预设阈值，则发出警示信息；
若滞留时间未达到第三预设阈值，则不发出警示信息。
在实施例中，当作业人员处于风险区域时，实时统计作业人员在风险区域内的滞留时间，并通过判断滞留时间是否达到第三预设阈值，决定是否发出警示时间；例如，假设第三预设阈值为3秒，倘若滞留时间达到3秒后发出警示信息；由于存在作业人员误触风险区域后，立刻远离风险区域，为了不使得警示信息干扰到作业人员的正常作业，倘若滞留时间未达到3秒，则不发出警示信息。
S70、若作业人员处于风险区域，则发出警示信息。
其中，当作业人员位于风险区域时，则发出警示信息，警示信息用于指示工作人员远离风险区域。下面对发出警示信息的方式进行举例说明：
方式一、通过喇叭、扬声器或其他音频设备发出明显的声音警报，以引起作业人员的注意。这可以是持续的警报声或特定的警告信号。
方式二、使用可见光、LED灯、或其他视觉信号发出警示。这可以包括闪烁的灯光、颜色变化、或者在显示屏上显示特定的警告信息。
方式三、发送即时通知到作业人员的手机或其他通讯设备上，以确保他们及时收到警示信息。这可以通过短信、应用通知或其他通讯方式实现。
一个实施例中，在步骤S70之后，还执行以下步骤：
判断在预设时间内工作人员是否离开风险区域；
若在预设时间内工作人员已离开风险区域，则停止发出警示信息；
若在预设时间内工作人员未离开风险区域，则通过记录仪对风险区域进行视频记录。
在实施例中，在发出警示信息之后，判断在预设之间内工作人员是否离开风险区域，若在预设时间内工作人员已离开风险区域，则停止发出警示信息，若在预设时间内工作人员未离开风险区域，则通过记录对风险区域进行视频记录，倘若发生事故后，便于后续的追责的工作。
上面从船上人员防跌落检测方法的角度对本申请实施例进行说明，下面从船上人员防跌落检测装置的角度对本申请实施例进行说明，请参阅图6，图6为本申请实施例提供的船上人员防跌落检测装置的虚拟结构示意图，该船上人员防跌落检测装置600包括：
采集模块601，用于当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，N为大于或者等于2的整数；
处理模块602，用于通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
分析模块603，基于区域生长算法对目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对目标点云数据集合进行分析，以得到作业人员的位置信息，M为大于或者等于2的整数；
第一判断模块604，用于判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
确定模块605，用于若高度差大于第一预设阈值，则确定危险边缘的位置信息；
第二判断模块606，用于根据危险边缘的位置信息以及作业人员的位置信息判断作业人员是否处于风险区域；
警示模块607，用于若作业人员处于风险区域，则发出警示信息。
在实施例中，首先采集模块基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，值得注意的是，N个激光雷达中每个激光雷达位于岸桥上不同的位置上，但N个激光雷达均对目标区域进行扫描；其次，处理模块通过点云配准算法将初始点云数据集合转换至同一基准坐标系下，以得到目标点数据集合；接着，分析模块基于区域生长算法对目标点云数据结合进行分析，得到M个工作平面以及基于目标检测算法对目标点云数据集合进行分析，得到作业人员的位置信息，并通过第一判断模块判断M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值，若高度差大于第一预设阈值，则由确定模块确定危险边缘信息，再接着，第二判断模块根据危险边缘信息以及作业人员的位置信息判断作业人员是否处于风险区域，若作业人员处于风险区域，则发出警示信息，以提示作业人员远离风险区域，从而避免在集装箱装卸作业中工作人员出现坠落风险。
一种可能的实施方式中，所述第二判断模块606具体用于：
根据危险边缘的位置信息以及作业人员的位置信息获取作业人员和危险边缘之间的目标间距；判断目标间距是否小于第二预设阈值；
若目标间距不小于第二预设阈值，则判定作业人员不处于风险区域；
若目标间距小于第二预设阈值，则判定作业人员处于风险区域。
一种可能的实施方式中，所述第二判断模块606还具体用于：
当作业人员处于风险区域时，实时统计作业人员在风险区域内的滞留时间；
判断滞留时间是否达到第三预设阈值；
若滞留时间达到第三预设阈值，则发出警示信息；
若滞留时间未达到第三预设阈值，则不发出警示信息。
一种可能的实施方式中，所述处理模块602具体用于：
确定三维旋转平移矩阵；
通过三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至基准坐标系下，其中，第一点云数据组为初始点云数据集合中的任意一组点云数据；
将投影后的第一点云数据组中的所有点云数据与基准坐标系中的所有点云数据进行融合，得到目标点云数据集合。
一种可能的实施方式中，所述分析模块603具体用于：
步骤1、计算目标点云数据集合中每个点云数据的法线，得到法线集合；
步骤2、获取法线集合中每条法线的曲率值；
步骤3、将法线集合中曲率值最小的目标法线所对应的点云数据确定为初始种子点，并将初始种子点加入种子点序列中；
步骤4、搜索初始种子点的邻域点集合，并判断目标邻域点的法线与目标法线之间的目标夹角是否小于法线夹角阈值，目标邻域点为邻域点集合中的任意一个邻域点；
步骤5、若目标夹角小于法线夹角阈值，则判断目标邻域点所对应的法线的目标曲率值是否小于曲率阈值；
步骤6、若目标曲率值小于曲率阈值，则将目标邻域点加入种子点序列中；
步骤7、剔除种子点序列中的初始种子点；
步骤8、将目标邻域点确定为初始种子点，重复执行步骤4至步骤7，直至种子点序列被清空，并根据种子点序列生成目标法线所对应的目标工作平面区域；
步骤9、将法线集合中除目标法线之外的其他法线中曲率值最小的法线确定为初始种子点，重复执行步骤3至步骤8，直至目标点云数据集合中每个点云数据均执行完成步骤3至步骤8，以得到M个工作平面区域。
一种可能的实施方式中，所述分析模块603还具体用于：
若目标曲率值不小于曲率阈值，则不将目标邻域点加入种子点序列中，并继续搜索其他邻域点。
一种可能的实施方式中，所述警示模块607具体用于：
判断在预设时间内工作人员是否离开风险区域；
若在预设时间内工作人员已离开风险区域，则停止发出警示信息；
若在预设时间内工作人员未离开风险区域，则通过记录仪对风险区域进行视频记录。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
本领域普通技术作业人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种船上人员防跌落检测方法，其特征在于，包括：
当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，所述N为大于或者等于2的整数；
通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对所述目标点云数据集合进行分析，以得到作业人员的位置信息，所述M为大于或者等于2的整数；
判断所述M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
若所述高度差大于所述第一预设阈值，则确定危险边缘的位置信息；
根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域；
若所述作业人员处于所述风险区域，则发出警示信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域包括:
根据所述危险边缘的位置信息以及所述作业人员的位置信息获取所述作业人员和所述危险边缘之间的目标间距；
判断所述目标间距是否小于第二预设阈值；
若所述目标间距不小于所述第二预设阈值，则判定所述作业人员不处于所述风险区域；
若所述目标间距小于所述第二预设阈值，则判定所述作业人员处于所述风险区域。
3.根据权利要求2所述的方法，其特征在于，所述判定所述作业人员处于所述风险区域之后，所述方法还包括：
当所述作业人员处于所述风险区域时，实时统计所述作业人员在所述风险区域内的滞留时间；
判断所述滞留时间是否达到第三预设阈值；
若所述滞留时间达到所述第三预设阈值，则发出所述警示信息；
若所述滞留时间未达到所述第三预设阈值，则不发出所述警示信息。
4.根据权利要求1所述的方法，其特征在于，所述通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合包括：
确定三维旋转平移矩阵；
通过所述三维旋转平移矩阵将第一点云数据组中的所有点云数据投影至所述基准坐标系下，其中，所述第一点云数据组为所述初始点云数据集合中的任意一组点云数据；
将投影后的所述第一点云数据组中的所有点云数据与所述基准坐标系中的所有点云数据进行融合，得到所述目标点云数据集合。
5.根据权利要求1所述的方法，其特征在于，所述基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域包括：
步骤1、计算所述目标点云数据集合中每个点云数据的法线，得到法线集合；
步骤2、获取所述法线集合中每条法线的曲率值；
步骤3、将所述法线集合中曲率值最小的目标法线所对应的点云数据确定为初始种子点，并将所述初始种子点加入所述种子点序列中；
步骤4、搜索所述初始种子点的邻域点集合，并判断目标邻域点的法线与所述目标法线之间的目标夹角是否小于法线夹角阈值，所述目标邻域点为所述邻域点集合中的任意一个邻域点；
步骤5、若所述目标夹角小于所述法线夹角阈值，则判断所述目标邻域点所对应的法线的目标曲率值是否小于曲率阈值；
步骤6、若所述目标曲率值小于所述曲率阈值，则将所述目标邻域点加入所述种子点序列中；
步骤7、剔除所述种子点序列中的所述初始种子点；
步骤8、将所述目标邻域点确定为所述初始种子点，重复执行步骤4至步骤7，直至所述种子点序列被清空，并根据所述种子点序列生成所述目标法线所对应的目标工作平面区域；
步骤9、将所述法线集合中除所述目标法线之外的其他法线中曲率值最小的法线确定为所述初始种子点，重复执行步骤3至步骤8，直至所述目标点云数据集合中每个点云数据均执行完成步骤3至步骤8，以得到所述M个工作平面区域。
6.根据权利要求5所述的方法，其特征在于，所述判断所述目标邻域点所对应的法线的目标曲率值是否小于曲率阈值之后，所述方法还包括：
若所述目标曲率值不小于曲率阈值，则不将所述目标邻域点加入所述种子点序列中，并继续搜索其他邻域点。
7.根据权利要求5所述的方法，其特征在于，所述发出警示信息之后，所述方法还包括：
判断在预设时间内所述工作人员是否离开所述风险区域；
若在所述预设时间内所述工作人员已离开所述风险区域，则停止发出所述警示信息；
若在所述预设时间内所述工作人员未离开所述风险区域，则通过记录仪对所述风险区域进行视频记录。
8.一种船上人员防跌落检测装置，其特征在于，包括：
采集模块，用于当对集装箱进行装卸作业时，基于N个激光雷达对目标区域进行激光扫描，以得到初始点云数据集合，所述N为大于或者等于2的整数；
处理模块，用于通过点云配准算法将所述初始点云数据集合转换至同一基准坐标系下，以得到目标点云数据集合；
分析模块，基于区域生长算法对所述目标点云数据集合进行分析，以得到M个工作平面区域，以及基于目标检测算法对所述目标点云数据集合进行分析，以得到作业人员的位置信息，所述M为大于或者等于2的整数；
第一判断模块，用于判断所述M个工作平面区域中相邻的工作平面区域之间的高度差是否大于第一预设阈值；
确定模块，用于若所述高度差大于所述第一预设阈值，则确定危险边缘的位置信息；
第二判断模块，用于根据所述危险边缘的位置信息以及所述作业人员的位置信息判断所述作业人员是否处于风险区域；
警示模块，用于若所述作业人员处于所述风险区域，则发出警示信息。
9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在存储器上并可在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权利要求1-7中任一项所述的一种船上人员防跌落检测方法的步骤。
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，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的一种船上人员防跌落检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410088426.0A CN117908045A (zh) | 2024-01-22 | 2024-01-22 | 一种船上人员防跌落检测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410088426.0A CN117908045A (zh) | 2024-01-22 | 2024-01-22 | 一种船上人员防跌落检测方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117908045A true CN117908045A (zh) | 2024-04-19 |
Family
ID=90689361
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410088426.0A Pending CN117908045A (zh) | 2024-01-22 | 2024-01-22 | 一种船上人员防跌落检测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117908045A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110770790A (zh) * | 2017-06-14 | 2020-02-07 | 祖克斯有限公司 | 基于体素的地平面估计和对象分割 |
| DE102019118581A1 (de) * | 2019-07-09 | 2021-01-14 | Endress+Hauser SE+Co. KG | Messgerät und Verfahren zur Erstellung einer Tanktabelle |
| WO2021179988A1 (zh) * | 2020-03-09 | 2021-09-16 | 长沙智能驾驶研究院有限公司 | 基于三维激光的集卡防砸检测方法、装置和计算机设备 |
| KR102388177B1 (ko) * | 2022-02-15 | 2022-04-19 | 두텍 주식회사 | 태풍 대비 컨테이너 크레인용 자동화 안전 고박 시스템 |
| CN116430352A (zh) * | 2023-04-18 | 2023-07-14 | 济南大学 | 一种基于激光雷达的集装箱位置和姿态检测方法 |
-
2024
- 2024-01-22 CN CN202410088426.0A patent/CN117908045A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110770790A (zh) * | 2017-06-14 | 2020-02-07 | 祖克斯有限公司 | 基于体素的地平面估计和对象分割 |
| DE102019118581A1 (de) * | 2019-07-09 | 2021-01-14 | Endress+Hauser SE+Co. KG | Messgerät und Verfahren zur Erstellung einer Tanktabelle |
| WO2021179988A1 (zh) * | 2020-03-09 | 2021-09-16 | 长沙智能驾驶研究院有限公司 | 基于三维激光的集卡防砸检测方法、装置和计算机设备 |
| KR102388177B1 (ko) * | 2022-02-15 | 2022-04-19 | 두텍 주식회사 | 태풍 대비 컨테이너 크레인용 자동화 안전 고박 시스템 |
| CN116430352A (zh) * | 2023-04-18 | 2023-07-14 | 济南大学 | 一种基于激光雷达的集装箱位置和姿态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521497B2 (en) | Method and system for recognition of objects near ship by using deep neural network | |
| US9936169B1 (en) | System and method for autonomous PTZ tracking of aerial targets | |
| Fefilatyev et al. | Detection and tracking of ships in open sea with rapidly moving buoy-mounted camera system | |
| US9767371B2 (en) | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same | |
| US7949150B2 (en) | Automatic camera calibration and geo-registration using objects that provide positional information | |
| KR102530691B1 (ko) | 접안 모니터링 장치 및 방법 | |
| CN112027918B (zh) | 一种基于机器视觉的集卡防吊起检测方法 | |
| KR20170133010A (ko) | 카메라 영상을 이용한 선박의 안전접안 시스템 및 그 방법 | |
| WO2019130554A1 (en) | Image processing apparatus, image processing method, and non-transitory computer readable medium storing image processing program | |
| Bloisi et al. | Camera based target recognition for maritime awareness | |
| KR20210099371A (ko) | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 | |
| CN112949566A (zh) | 一种监控方法、装置、系统及计算机存储介质 | |
| JP2007121111A (ja) | 合成開口レーダ画像による目標物識別方法及び装置 | |
| US9830532B1 (en) | Object detection in images using distance maps | |
| Zhang et al. | Image-based vehicle tracking from roadside LiDAR data | |
| CN117908045A (zh) | 一种船上人员防跌落检测方法及相关设备 | |
| Giorgini et al. | Ground segmentation from large-scale terrestrial laser scanner data of industrial environments | |
| Bloisi et al. | Integrated visual information for maritime surveillance | |
| CN112101134A (zh) | 物体的检测方法及装置、电子设备和存储介质 | |
| US10304205B2 (en) | Image processing apparatus, method of controlling the same, and storage medium | |
| US20240013406A1 (en) | Trajectory predicting method and computing system for trajectory prediction | |
| CN115267827A (zh) | 一种基于高度密度筛选的激光雷达港区障碍物感知方法 | |
| Mori et al. | Classification of pole-like objects using point clouds and images captured by mobile mapping systems | |
| GB2602896A (en) | Automatic digital inspection of railway environment | |
| CN113379921A (zh) | 轨道识别方法、装置、存储介质及设备 |
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 |