一種礦車車體載礦區(qū)域的檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及礦場(chǎng)中礦車智能化作業(yè)領(lǐng)域，具體涉及一種礦車車體載礦區(qū)域的檢測(cè)方法。
【背景技術(shù)】
[0002]目前，實(shí)現(xiàn)礦場(chǎng)中礦車作業(yè)的智能化和自動(dòng)化管理，可以極大提高采礦，運(yùn)礦的效率，節(jié)約生產(chǎn)成本。而礦車車體載礦區(qū)域的顯著性檢測(cè)，是進(jìn)行礦車空滿狀態(tài)的自動(dòng)化檢測(cè)和分析，進(jìn)而為礦車調(diào)度提供準(zhǔn)確信息，實(shí)現(xiàn)智能化礦車調(diào)度管理的前提。在實(shí)際的礦場(chǎng)作業(yè)中，礦車所處的礦山環(huán)境條件復(fù)雜多變。在露天作業(yè)中，由于天氣變化帶來(lái)的光照強(qiáng)度變化，礦塵飛揚(yáng)帶來(lái)的視線模糊和干擾，以及礦車停放的隨意性，礦車地形的多樣性，都會(huì)干擾礦車作業(yè)的圖像監(jiān)控和采集。同時(shí)，礦車車體載礦區(qū)域的顯著性檢測(cè)，作為礦車智能化分析的重要前提步驟，需要盡可能的實(shí)現(xiàn)低延時(shí)的計(jì)算，為復(fù)雜的礦車智能化分析計(jì)算提供支持。因此，如何準(zhǔn)確且低延時(shí)地實(shí)現(xiàn)礦車車體載礦區(qū)域的顯著性檢測(cè)，是一個(gè)既具有挑戰(zhàn)性而又非常有意義的問(wèn)題。
[0003]關(guān)于圖像顯著性檢測(cè)，指的是類比于人的主觀認(rèn)知，獲取圖像上最顯著，最引人注目的圖像區(qū)域。在礦車作業(yè)中監(jiān)控圖像中，最引人注目的就是，礦車車體的載礦區(qū)域。mengmeng cheng等人在“Global Contrast based Salient Reg1n Detect1n，，，通過(guò)獲取全局對(duì)比度的方式實(shí)現(xiàn)圖像區(qū)域的顯著性檢測(cè)，在專用數(shù)據(jù)集上，獲得了非常好的顯著性檢測(cè)精度。但是在實(shí)際的礦山作業(yè)中，天氣變化不定，光照強(qiáng)度變化大，礦塵干擾嚴(yán)重，這種基于全局對(duì)比度實(shí)現(xiàn)圖像區(qū)域顯著性檢測(cè)的方式，無(wú)法實(shí)現(xiàn)復(fù)雜條件下，準(zhǔn)確的礦車車體載礦區(qū)域的顯著性檢測(cè)。同時(shí)采用全局對(duì)比度的方式實(shí)現(xiàn)圖像顯著性檢測(cè)，涉及的計(jì)算量大，時(shí)間開(kāi)銷大，無(wú)法實(shí)現(xiàn)顯著性檢測(cè)的低延時(shí)。
[0004]采用機(jī)器學(xué)習(xí)的方法，來(lái)檢測(cè)礦車車體載礦區(qū)域的顯著性，是一種非常有效的檢測(cè)辦法。在機(jī)器學(xué)習(xí)器的設(shè)計(jì)和研究中，Hinton等人在“ImageNet Classificat1n withDeep Convolut1nal Neural Networks’ (Neural Informat1n Processing Systems2012)，專門設(shè)計(jì)了基于深層次網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)的機(jī)器學(xué)習(xí)器，通過(guò)監(jiān)督學(xué)習(xí)的方式，可以實(shí)現(xiàn)非常高的檢測(cè)精度。自此，基于網(wǎng)絡(luò)化的機(jī)器學(xué)習(xí)結(jié)構(gòu)，在許多方面，包括顯著性檢測(cè)等，展示了其具有提高精度的能力。基于網(wǎng)絡(luò)化機(jī)器學(xué)習(xí)器，能夠?qū)Ω鞣N復(fù)雜條件進(jìn)行樣本學(xué)習(xí)，通過(guò)學(xué)習(xí)大量樣本，來(lái)提升學(xué)習(xí)器的泛化能力和檢測(cè)分類能力，進(jìn)而可以高魯棒性地對(duì)礦車車體載礦區(qū)域顯著性進(jìn)行檢測(cè)。在應(yīng)用于礦車車體載礦區(qū)域顯著性檢測(cè)的過(guò)程中，涉及到機(jī)器學(xué)習(xí)器的設(shè)計(jì)。設(shè)計(jì)出魯棒性的，且具有很強(qiáng)泛化能力的學(xué)習(xí)器對(duì)礦車車體載礦區(qū)域顯著性檢測(cè)，具有非常大的意義。
[0005]同時(shí)，網(wǎng)絡(luò)化的機(jī)器學(xué)習(xí)結(jié)構(gòu)可以提高顯著性檢測(cè)精度，但是這種深層次的網(wǎng)絡(luò)結(jié)構(gòu)在時(shí)間開(kāi)銷上比較大。

【發(fā)明內(nèi)容】

[0006]本發(fā)明旨在至少解決上述技術(shù)問(wèn)題之一。
[0007]為此，本發(fā)明的一個(gè)目的在于提出一種礦車車體載礦區(qū)域的檢測(cè)方法。
[0008]為了實(shí)現(xiàn)上述目的，本發(fā)明的第一方面的實(shí)施例公開(kāi)了一種礦車車體載礦區(qū)域的檢測(cè)方法，包括以下步驟:S1:對(duì)監(jiān)控獲取的礦車作業(yè)圖像，進(jìn)行灰度圖變化和伸縮變換，得到固定尺寸的第一圖像；S2:根據(jù)中間模板參數(shù)對(duì)所述第一圖像進(jìn)行多層卷積網(wǎng)格訓(xùn)練，形成多層多尺度的第二圖像，其中，所述中間模版參數(shù)包括:層數(shù)L，每層模版為％ XMi，其中，L、MjPi均為自然數(shù)，且i e [1，……，L] ;S3:基于所述第二圖像和背景訓(xùn)練圖進(jìn)行重構(gòu)得到多個(gè)第三圖像，其中，背景訓(xùn)練圖為監(jiān)控殘疾裝置采集的沒(méi)有礦車載礦作業(yè)時(shí)的場(chǎng)景圖；S4:將多個(gè)所述第三圖像與所述第一圖像進(jìn)行誤差計(jì)算得到單位面積的誤差；以及S5:將所述單位面積的誤差和預(yù)設(shè)的閾值進(jìn)行比較，如果所述生成的單位面積誤差大于所述預(yù)設(shè)的閾值，則進(jìn)行迭代運(yùn)算得到新中間模版參數(shù)，并返回步驟S2，使用所述新中間模版參數(shù)替代所述中間模版參數(shù)進(jìn)行多層卷積網(wǎng)格訓(xùn)練，如果所述生成的單位面積誤差不大于所述預(yù)設(shè)的閾值，則停止運(yùn)算，得到最終模版參數(shù)。
[0009]根據(jù)本發(fā)明實(shí)施例的礦車車體載礦區(qū)域的檢測(cè)方法，構(gòu)建多尺度圖像空間，構(gòu)建基于多層卷積模板網(wǎng)絡(luò)實(shí)現(xiàn)完整的顯著性檢測(cè)網(wǎng)絡(luò)訓(xùn)練機(jī)制，以提高系統(tǒng)的魯棒性和泛化能力。
[0010]另外，根據(jù)本發(fā)明上述實(shí)施例的礦車車體載礦區(qū)域的檢測(cè)方法，還可以具有如下附加的技術(shù)特征:
[0011]進(jìn)一步地，所述步驟S1進(jìn)一步包括:S101:對(duì)監(jiān)控獲取的礦車作業(yè)圖像進(jìn)行伸縮變化和灰度處理，得到固定尺寸的中間礦車作業(yè)圖像；S102:基于高斯金字塔對(duì)所述中間礦車作業(yè)圖像進(jìn)行多尺度變化得到所述第一圖像，其中，多尺度變化包括圖像升尺度和圖像降尺度。
[0012]進(jìn)一步地，所述步驟S3進(jìn)一步包括:S301:對(duì)所述背景訓(xùn)練圖進(jìn)行伸縮變化和灰度處理，得到與所述中間礦車作業(yè)圖像尺寸相同的中間背景訓(xùn)練圖；S302:基于高斯金字塔對(duì)所述中間背景訓(xùn)練圖進(jìn)行多尺度變化，其中，多尺度變化包括圖像升尺度和圖像降尺度；以及S303:對(duì)所述第一圖像和經(jīng)過(guò)多尺度變化后的所述中間背景訓(xùn)練圖進(jìn)行迭代計(jì)算生成多個(gè)所述第三圖像，其中，每次迭代過(guò)程中，生成的卷積圖會(huì)分別與所述中間背景訓(xùn)練圖做像素級(jí)的與操作運(yùn)算。
[0013]進(jìn)一步地，所述步驟S4進(jìn)一步包括:多個(gè)所述第三圖像分別所述第一圖像進(jìn)行像素級(jí)的減操作得到多個(gè)圖像誤差；對(duì)多個(gè)所述圖像誤差求和；對(duì)求和后的圖像誤差除以多個(gè)所述第三圖像總的像素灰度值之和；以及對(duì)求和后的圖像誤差除以多個(gè)所述第三圖像總的像素灰度值之和除以所述背景訓(xùn)練圖像用于圖像重構(gòu)的數(shù)目得到所述單位面積的誤差。
[0014]進(jìn)一步地，在所述步驟S5中，所述則進(jìn)行迭代運(yùn)算得到新中間模版參數(shù)的過(guò)程包括以下步驟:采用當(dāng)前的中間模版參數(shù)減去所述單位面積的誤差與預(yù)設(shè)的學(xué)習(xí)率參數(shù)的乘積作為所述新中間模版參數(shù)，其中，所述學(xué)習(xí)率參數(shù)用于設(shè)定訓(xùn)練速率。
[0015]本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過(guò)本發(fā)明的實(shí)踐了解到。
【附圖說(shuō)明】
[0016]本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中:
[0017]圖1是本發(fā)明一個(gè)實(shí)施例的用于礦車車體載礦區(qū)域顯著性檢測(cè)的網(wǎng)絡(luò)訓(xùn)練機(jī)制的流程示意圖；
[0018]圖2是本發(fā)明一個(gè)實(shí)施例的基于訓(xùn)練出來(lái)的網(wǎng)絡(luò)參數(shù)實(shí)現(xiàn)礦車車體載礦區(qū)域顯著性檢測(cè)機(jī)制的流程示意圖；
[0019]圖3是本發(fā)明一個(gè)實(shí)施例的礦車車體載礦區(qū)域顯著性魯棒性檢測(cè)的具體實(shí)施過(guò)程的流程示意圖。
【具體實(shí)施方式】
[0020]下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過(guò)參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。
[0021]在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“中心”、“縱向”、“橫向”、“上”、“下”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”、“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡(jiǎn)化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對(duì)本發(fā)明的限制。此外，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性。
[0022]在本發(fā)明的描述中，需要說(shuō)明的是，除非另有明確的規(guī)定和限定，術(shù)語(yǔ)“安裝”、“相連”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以通過(guò)中間媒介間接相連，可以是兩個(gè)元件內(nèi)部的連通。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語(yǔ)在本發(fā)明中的具體含義。
[0023]參照下面的描述和附圖，將清楚本發(fā)明的實(shí)施例的這些和其他方面。在這些描述和附圖中，具體公開(kāi)了本發(fā)明的實(shí)施例中的一些特定實(shí)施方式，來(lái)表示實(shí)施本發(fā)明的實(shí)施例的原理的一些方式，但是應(yīng)當(dāng)理解，本發(fā)明的實(shí)施例的范圍不受此限制。相反，本發(fā)明的實(shí)施例包括落入所附加權(quán)利要求書的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。
[0024]以下結(jié)合附圖描述根據(jù)本發(fā)明實(shí)施例的一種礦車車體載礦區(qū)域的檢測(cè)方法。
[0025]請(qǐng)參考圖1，本發(fā)明的實(shí)施例的一種礦車車體載礦區(qū)域的檢測(cè)方法包括以下步驟:
[0026]實(shí)施例一
[0027]—、多尺度圖生成
[0028]針對(duì)監(jiān)控輸入的礦車作業(yè)圖像，進(jìn)行灰度圖變化和伸縮變換，得到固定尺寸的第一圖像。在本專利中，主要選取的歸一化圖像尺寸為640x480。然后做基于高斯金字塔技術(shù)做多尺度變化，形成多尺度圖像。在本設(shè)計(jì)中，高斯金子塔的數(shù)目為1，多尺度層數(shù)為4。層與層之間的縮放比例為0.5。在圖像多尺度縮放過(guò)程中，采用了圖像升尺度和圖像降尺度相結(jié)合的方式。升尺度次數(shù)為1，降尺度次數(shù)為3。
[0029]對(duì)所述第一圖像多層卷積網(wǎng)格訓(xùn)練，形成多層多尺度的第二圖像。在本淺層網(wǎng)絡(luò)中，多層卷積模板網(wǎng)絡(luò)的層數(shù)為4層，每層模板大小分別為6x6，5x5, 4x4, 3x3,分別對(duì)應(yīng)多尺度圖像的4層圖像進(jìn)行卷積運(yùn)算。在初始卷積計(jì)算的時(shí)候，對(duì)應(yīng)的4層卷積模板權(quán)重系數(shù)是隨機(jī)產(chǎn)生。隨機(jī)數(shù)產(chǎn)生的范圍為0到1。當(dāng)卷積運(yùn)算完成后，會(huì)生成相應(yīng)的4層多尺度的卷積圖。
[