本技術(shù)涉及工業(yè)物聯(lián)網(wǎng)(aiot)和智能交通管理領(lǐng)域，尤其涉及一種基于5gredcap模組的工業(yè)車輛行人防撞檢測與預(yù)警系統(tǒng)。

背景技術(shù)：

1、隨著工業(yè)自動化的快速發(fā)展，現(xiàn)代工廠內(nèi)部環(huán)境越來越復(fù)雜，特種車輛與行人密集共存的現(xiàn)象頻繁出現(xiàn)。如何有效保障車輛與行人的安全成為了一項重要挑戰(zhàn)?，F(xiàn)有的防撞系統(tǒng)多依賴傳統(tǒng)的傳感器和處理器，往往在實時響應(yīng)和數(shù)據(jù)處理上存在延遲，導(dǎo)致防撞效果不佳。

技術(shù)實現(xiàn)思路

1、本技術(shù)的目的在于提出一種基于5g?redcap模組的工業(yè)車輛行人防撞檢測與預(yù)警系統(tǒng)，用于解決或者緩解現(xiàn)有技術(shù)中存在的技術(shù)問題。

2、一種基于5g?redcap模組的工業(yè)車輛行人防撞檢測與預(yù)警系統(tǒng)，其包括：

3、攝像頭，用于對工業(yè)車輛的作業(yè)環(huán)境進行實時視頻拍攝以形成環(huán)境視頻流；

4、距離傳感器，用于測量跟蹤到的目標(biāo)物與所述工業(yè)車輛之間的實時距離以及實時相對移動速度；

5、邊緣計算終端，其上部署有目標(biāo)識別模型、目標(biāo)跟蹤模型、預(yù)警模型，所述目標(biāo)識別模型用于從所述環(huán)境視頻流中識別出目標(biāo)物，所述目標(biāo)跟蹤模型用于對識別出的所述目標(biāo)物進行跟蹤，所述碰撞風(fēng)險識別模型用于根據(jù)所述目標(biāo)物與所述工業(yè)車輛之間的實時距離以及實時相對移動速度，預(yù)測所述目標(biāo)物與所述工業(yè)車輛是否會發(fā)生碰撞風(fēng)險，并在預(yù)測有所述碰撞風(fēng)險時，生成風(fēng)險預(yù)警策略，以對所述工業(yè)車輛進行制動或者減速控制；

6、5g?redcap模組，用于將所述環(huán)境視頻流、所述目標(biāo)物與所述工業(yè)車輛之間的實時距離以及實時相對移動速度、碰撞風(fēng)險的預(yù)測結(jié)果、風(fēng)險預(yù)警策略發(fā)送給后臺服務(wù)器。

7、可選地，所述攝像頭的數(shù)量至少為4個，以在所述工業(yè)車輛的前后左右四個方向上，分別安裝至少一個攝像頭，以對所述工業(yè)車輛的作業(yè)環(huán)境進行全景視頻拍攝。

8、可選地，所述邊緣計算終端還用于在預(yù)測有所述碰撞風(fēng)險時，生成報警信號。

9、可選地，所述的一種基于5g?redcap模組的工業(yè)車輛行人防撞檢測與預(yù)警系統(tǒng)，還包括：警燈和蜂鳴器中至少其一，所述警燈用于在所述報警信號的驅(qū)動下生成警示光信號，所述蜂鳴器用于在所述報警信號的驅(qū)動下生成警示聲音信號。

10、可選地，所述的一種基于5g?redcap模組的工業(yè)車輛行人防撞檢測與預(yù)警系統(tǒng)還包括：遠程監(jiān)控中心，與所述后臺服務(wù)器連接，以接收所述后臺服務(wù)器發(fā)送的監(jiān)控數(shù)據(jù)并進行實時分析。

11、可選地，所述目標(biāo)識別模型用于執(zhí)行如下步驟，以從所述環(huán)境視頻流中識別出目標(biāo)物：

12、將所述環(huán)境視頻流分解為單的視頻幀，形成原始視頻幀序列；

13、對所述原始視頻幀序列進行預(yù)處理，以篩選出關(guān)鍵幀并形成關(guān)鍵視頻幀序列；

14、對所述關(guān)鍵視頻幀序列進行光照照歸一化處理后再進行多尺度特征提取，得到多尺度特征圖；

15、對所述多尺度特征圖進行融合得到目標(biāo)物特征表示；

16、對所述目標(biāo)特征表示進行分類，以從所述環(huán)境視頻流中識別出目標(biāo)物。

17、可選地，所述對所述關(guān)鍵視頻幀序列進行光照歸一化處理，包括：

18、對所述關(guān)鍵視頻幀序列中的每一關(guān)鍵幀進行自適應(yīng)直方圖均衡化得到自適應(yīng)均衡直方圖；

19、對所述自適應(yīng)均衡直方圖進行光照補償?shù)玫焦庹昭a償后的圖像幀；

20、對所述光照補償后的圖像幀進行非線性映射，得到光照歸一化圖像幀。

21、可選地，基于對所述關(guān)鍵視頻幀序列中的每一關(guān)鍵幀進行自適應(yīng)直方圖均衡化得到自適應(yīng)均衡直方圖，其中，iadapt(x，y)表示在位置(x，y)處經(jīng)過自適應(yīng)直方圖均衡化后的像素值，l表示圖像可能的亮度級數(shù)，n表示局部區(qū)域內(nèi)的像素總數(shù)，g(k)表示局部區(qū)域內(nèi)第k亮度級別的像素數(shù)量，即局部直方圖，局部區(qū)域由圖像中的一個窗口定義，該窗口圍繞當(dāng)前像素(x，y)，并包括(x，y)周圍的像素；

22、基于icomp(x，y)＝iadapt(x，y)-log(iillum(x，y))對所述自適應(yīng)均衡直方圖進行光照補償?shù)玫焦庹昭a償后的圖像幀，其中，icomp(x，y)表示在位置(x，y)處經(jīng)過光照補償后的像素值，iillum(x，y)表示在位置(x，y)處估計的光照分量，該光照分量可通過分析圖像中的高亮度區(qū)域來估計；

23、基于inl(x，y)＝α·tanh(β·icomp(x，y))對所述光照補償后的圖像幀進行非線性映射，得到映射圖像幀，其中，inl(x，y)表示在位置(x，y)處經(jīng)過非線性映射后的像素值。

24、tanh表示雙曲正切函數(shù)，用于將補償后的像素值映射到一個預(yù)設(shè)的范圍內(nèi)，增強對比度，α和β：用于調(diào)整非線性映射的強度，α控制映射后值的范圍，β控制映射的敏感度；

25、基于對所述映射圖像幀進行對比度增強，得到光照歸一化圖像幀，ilce(x，y)表示在位置(x，y)處經(jīng)過局部對比度增強后的像素值，min(inl)和max(inl)分別表示非線性映射后圖像的最小值和最大值。

26、可選地，所述目標(biāo)跟蹤模型用于執(zhí)行如下步驟對識別出的所述目標(biāo)物進行跟蹤：

27、從所述環(huán)境視頻流中提取出顏色直方圖、邊緣特征、紋理特征，以定位環(huán)境視頻流的目標(biāo)對象；

28、對所述目標(biāo)對象和所述目標(biāo)物進行狀態(tài)預(yù)測，以基于計算所述目標(biāo)對象與所述目標(biāo)物的成本函數(shù)，和分別表示對所述目標(biāo)物進行狀態(tài)預(yù)測得到的目標(biāo)物i的預(yù)測位置和速度；px，j和vx，j是對所述目標(biāo)對象進行狀態(tài)預(yù)測得到的目標(biāo)對象j的預(yù)測位置和速度；σp和σv是位置和速度的測量噪聲標(biāo)準(zhǔn)差，通過描述的攝像頭的噪音特性來確定；wp和wv是權(quán)重因子，用于平衡位置和速度在成本計算中的重要性；

29、基于所述成本函數(shù)的最小化，對識別出的所述目標(biāo)物進行跟蹤。

30、可選地，所述碰撞風(fēng)險識別模型用于根據(jù)所述目標(biāo)物與所述工業(yè)車輛之間的實時距離以及實時相對移動速度，預(yù)測所述目標(biāo)物與所述工業(yè)車輛是否會發(fā)生碰撞風(fēng)險，并在預(yù)測有所述碰撞風(fēng)險時，生成風(fēng)險預(yù)警策略，以對所述工業(yè)車輛進行制動或者減速控制時，基于預(yù)測碰撞發(fā)生前剩余的時間，d(t)是當(dāng)前時刻的目標(biāo)物與車輛之間的距離，vrel(t)是相對速度；通過設(shè)定一個閾值ttcthreshold來判斷是否存在碰撞風(fēng)險，如果ttc(t)＜ttcthreshold，則認(rèn)為存在碰撞風(fēng)險，并基于生成相應(yīng)的預(yù)警策略，δv(t)是需要施加的減速度，kp和kd是比例和微分控制系數(shù)，用于調(diào)整制動強度。

31、本技術(shù)實施例的方案，有效解決了工業(yè)環(huán)境中特種車輛與行人密集共存時的安全防撞問題，具體如下：

32、(1)實時視頻監(jiān)控：采用攝像頭對工業(yè)車輛的作業(yè)環(huán)境進行實時視頻拍攝，形成環(huán)境視頻流。這種方式能夠直觀地反映車輛周圍環(huán)境的動態(tài)變化，為后續(xù)的目標(biāo)識別與跟蹤提供基礎(chǔ)數(shù)據(jù)。

33、(2)高精度距離與速度測量：利用距離傳感器實時測量跟蹤到的目標(biāo)物(如行人、其他車輛等)與工業(yè)車輛之間的距離以及相對移動速度。這一數(shù)據(jù)對于準(zhǔn)確預(yù)測碰撞風(fēng)險至關(guān)重要，因為它直接反映了目標(biāo)物與車輛之間的空間關(guān)系和動態(tài)變化。

34、(3)邊緣計算與智能分析：在邊緣計算終端上部署目標(biāo)識別模型、目標(biāo)跟蹤模型和碰撞風(fēng)險識別模型。這些模型利用環(huán)境視頻流和距離傳感器的數(shù)據(jù)進行實時處理，實現(xiàn)了從視頻中提取目標(biāo)物、跟蹤其運動軌跡，并根據(jù)實時距離和速度預(yù)測碰撞風(fēng)險。邊緣計算的應(yīng)用減少了數(shù)據(jù)傳輸延遲，提高了系統(tǒng)的實時響應(yīng)能力。

35、(4)風(fēng)險預(yù)警與自動控制：當(dāng)碰撞風(fēng)險識別模型預(yù)測到潛在的碰撞風(fēng)險時，立即生成風(fēng)險預(yù)警策略。這些策略可以包括控制工業(yè)車輛進行制動或減速，從而有效避免碰撞事故的發(fā)生。這種自動化的控制機制能夠迅速響應(yīng)潛在威脅，提高安全性。

36、(5)5g?redcap模組的高效通信：利用5g?redcap模組將關(guān)鍵數(shù)據(jù)(包括環(huán)境視頻流、實時距離與速度數(shù)據(jù)、碰撞風(fēng)險預(yù)測結(jié)果、風(fēng)險預(yù)警策略等)快速、可靠地發(fā)送給后臺服務(wù)器。5g?redcap作為5g網(wǎng)絡(luò)的一個輕量級版本，專為物聯(lián)網(wǎng)場景設(shè)計，能夠在保證數(shù)據(jù)傳輸速度的同時降低功耗和成本，非常適合于工業(yè)車輛防撞檢測與預(yù)警系統(tǒng)的應(yīng)用。