CN112270689A - 一种采用人工神经网技术的道路边界遥测识别算法 - Google Patents

一种采用人工神经网技术的道路边界遥测识别算法 Download PDF

Info

Publication number
CN112270689A
CN112270689A CN202011116151.5A CN202011116151A CN112270689A CN 112270689 A CN112270689 A CN 112270689A CN 202011116151 A CN202011116151 A CN 202011116151A CN 112270689 A CN112270689 A CN 112270689A
Authority
CN
China
Prior art keywords
boundary
road
scanning
axis
points
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.)
Withdrawn
Application number
CN202011116151.5A
Other languages
English (en)
Inventor
周芦慧
肖良军
刘利民
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.)
Huzhou University
Original Assignee
Huzhou University
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 Huzhou University filed Critical Huzhou University
Priority to CN202011116151.5A priority Critical patent/CN112270689A/zh
Publication of CN112270689A publication Critical patent/CN112270689A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

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

Abstract

本发明提出了一种采用人工神经网技术的道路边界遥测识别算法，具体包括以下步骤：S1.获取的扫描探头和地面扫描点之间的距离信息；S2.将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；S3.通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；S4.通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。能够实现自动给出道路测量的边界的目的，为确定路面的平整度、面积和其他参数的计算范围提供科学依据。

Description

一种采用人工神经网技术的道路边界遥测识别算法
【技术领域】
本发明涉及道路遥测数据分析的技术领域，特别是一种采用人工神经网技术的道路边界遥测识别算法，更具体地说是通过人工智能神经网络技术，对道路遥测数据进行分析，达到自动确定道路有效边界的目的。
【背景技术】
目前确定道路边界的方法存在下述不足：
1、缺少非人工确定道路边界的方案。
2、欠缺通过遥测数据确定道路边界的解决方案。
3、未见采用人工智能技术，可以通过遥测数据分析，自动确定道路边界的可执行方案。
【发明内容】
本发明的目的就是解决现有技术中的问题，提出一种采用人工神经网技术的道路边界遥测识别算法，该算法处理速度快、通用性好、有效性强，能够节省人工，智能自动确定道路边界。
为实现上述目的，本发明提出了一种采用人工神经网技术的道路边界遥测识别算法，该识别算法基于人工智能神经网络，通过对现场遥测数据进行推理计算，自动获取道路有效边界，具体包括以下步骤：
S1.获取现场遥测数据：获取扫描探头和地面扫描点之间的距离信息；
S2.设定三维坐标系：将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；
S3.确定道路边界的初始值：通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；
S4.确定有效道路边界：通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。
作为优选，步骤S1中，所述扫描探头设置在无人机上，所述现场遥测数据获取的方式具体为：无人机在相关道路上方，按照设计轨迹纵向飞行，通过扫描探头对地面进行横向扫描，获取无人机上扫描探头和地面扫描点之间的距离信息。
作为优选，所述横向扫描所采用的方式包括：激光扫描、超声波扫描。
作为优选，所述识别算法以对应纵轴y的横轴上的x点组合为输入，通过不同层级内的神经元变换和权重组合，找到高差ΔZ突变组元，获得输出边界序列RB(y)，具体表述如下：
Figure BDA0002730245900000021
在式(1-1)中，道路边界函数f{RBlr(y)}用矩阵集合表述，被描述为跟随纵坐标y值变化的左边界Cl(y)RBl(y)和右边界Cr(y)RBr(y)横坐标x点的集合；RB(y)表示对应于y的边界点x，C表示智能平滑校正因子，T表示转置矩阵，C由人工智能***的规则推理集，根据相邻边界点和边界延伸趋势推理产生；
Figure BDA0002730245900000022
Figure BDA0002730245900000031
式(2-1)表示道路左边界初值由高差趋势突变的x最大值构成，式(2-2)表示道路右边界初值由高差趋势突变的x最小值构成；其中，RB(y)表示对应于y的边界点x，X(y)表示应于y的x值，σ(ΣWΔZ)为人工神经网络推理函数，W为神经元的输入权重因子，ΔZ为相应x、y坐标点附近的高差值组元参数，ΔZ的输出由相关坐标点附近的25个神经元推理产生。
作为优选，所述识别算法放置于云中心，可对多段道路同时进行计算。
本发明的有益效果：本发明采用人工智能神经网络技术，对无人机通过激光、超声或其他无线电波等测距方法采集获取的现场遥测数据进行计算分析判断，实现自动给出道路测量的边界的目的，为确定路面的平整度、面积和其他参数的计算范围提供科学依据。本发明可以对无路缘石的道路表面进行边界分析，从而实现快速、准确、有效地对路面范围做出判断，为进一步的路面平整度、路面有效面积的分析计算提供有效边界，可以提高工作效益和施工质量、节省人力资源、缩短测量与计算时间，有助于相关道路的作业、整修和验收，有利于道路的科学施工和养护。本发明可以满足物联网集成管理、分布作业的使用要求。
本发明的特征及优点将通过实施例结合附图进行详细说明。
【附图说明】
图1是本发明一种采用人工神经网技术的道路边界遥测识别算法的所采用***结构示意图；
图2是本发明一种采用人工神经网技术的道路边界遥测识别算法的三维坐标示意框图；
图3是本发明一种采用人工神经网技术的道路边界遥测识别算法的左边界人工神经网络模型结构示意图。
【具体实施方式】
参阅图1为本发明的所采用***的结构示意图，主要包括设置在云中心的道路边界遥测识别算法和在现场作业的数据遥测***。
参阅图2，图3本发明采用人工神经网技术的道路边界遥测识别算法为对现场遥测数据进行计算、推理、分析的计算方法。
现场遥测数据是无人机在相关道路上方，按照设计轨迹纵向飞行，扫描探头通过激光、超声波或其他无线电波对地面进行横向扫描(在同一道路轨迹点上，探头摆动，对地面扫描)，获取的无人机和地面扫描点之间的距离信息。
计算方法是先设定三维坐标系(如图2所示)，将纵向轨迹定义为y轴(在同一个y值点上，探头摆动对地面横向扫描。完成一个y值的横向扫描后，无人机带动探头进入下一个y值点，探头进行下一点的摆动扫描)、横向扫描定义为x轴、扫描点之间的高差定义为z轴；通过对y轴上同一点的不同x线点的相邻点阵推理计算；根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位；伴随y值变化，可以找到一连串的x点，从而找到道路边界的初始值；通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。由于这个计算方法采用了人工智能神经网络方法，进行推理计算，所有称之为基于人工神经网络的边界识别算法。
这个算法被放置在云中心，可以对多段道路同时进行计算。算法的具体表述如下：
Figure BDA0002730245900000041
在式(1-1)中，道路边界函数f{RBlr(y)}用矩阵集合表述，被描述为跟随纵坐标y值变化的左边界Cl(y)RBl(y)和右边界Cr(y)RBr(y)横坐标x点的集合。RB(y)表示对应于y的边界点x，C表示智能平滑校正因子，T表示转置矩阵。C由专用人工智能***的规则推理集，根据相邻边界点和边界延伸趋势推理产生。
Figure BDA0002730245900000051
Figure BDA0002730245900000052
式(2-1)表示道路左边界初值由高差趋势突变的x最大值构成。
式(2-2)表示道路右边界初值由高差趋势突变的x最小值构成。
因为三维坐标轴的y轴，设置在道路的中央部分，其左部的x值均为负值，把产生高差突变区域的最右端，也就是相应最大的x值，确定为左边界初值；相反，y轴右部的x值均为正值，把产生高差突变区域的最左端，也就是相应最小的x值，确定为右边界初值。
其中，RB(y)表示对应于y的边界点x，X(y)表示应于y的x值，σ(ΣWΔZ)为人工神经网络推理函数，W为神经元的输入权重因子，ΔZ为相应x、y坐标点附近的高差值组元参数。ΔZ的输出由相关坐标点附近的25个神经元推理产生。该人工神经网推理算法，以对应纵轴y的横轴上的x点组合为输入，通过不同层级内的神经元变换和权重组合，找到高差ΔZ突变组元，获得输出边界序列RB(y)。
该算法通过智能推理寻找地面横轴扫描遥测数据的突变值，获取道路边界的x、y坐标序列。因为采用了人工智能推理分析方法，可以自动查找道路边界，尤其对于那些没有路缘石的道路边界的自动获取，具有较大助益，而且可以满足物联网集成管理、分布作业的使用要求。
上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后的方案均属于本发明的保护范围。

Claims (5)

1.一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：该识别算法基于人工智能神经网络，通过对现场遥测数据进行推理计算，自动获取道路有效边界，包括以下步骤：
S1.获取现场遥测数据：获取扫描探头和地面扫描点之间的距离信息；
S2.设定三维坐标系：将扫描探头的纵向轨迹定义为y轴、对地面的横向扫描定义为x轴、地面扫描点之间的高差定义为z轴；
S3.确定道路边界的初始值：通过对y轴上同一点的不同x线点的相邻点阵推理计算，根据z轴上邻点高差的变化趋势，在产生突变的位置，求得最接近边界的相应x点位，伴随y值变化，可以找到一连串的x点，确定道路边界的初始值；
S4.确定有效道路边界：通过对道路边界初始值进行平滑分析校正，获得基于x、y坐标的有效道路边界。
2.如权利要求1所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：步骤S1中，所述扫描探头设置在无人机上，所述现场遥测数据获取的方式具体为：无人机在相关道路上方，按照设计轨迹纵向飞行，通过扫描探头对地面进行横向扫描，获取无人机上扫描探头和地面扫描点之间的距离信息。
3.如权利要求2所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：所述横向扫描所采用的方式包括：激光扫描、超声波扫描。
4.如权利要求1所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：所述识别算法以对应纵轴y的横轴上的x点组合为输入，通过不同层级内的神经元变换和权重组合，找到高差ΔZ突变组元，获得输出边界序列RB(y)，具体表述如下：
Figure FDA0002730245890000021
在式(1-1)中，道路边界函数f{RBlr(y)}用矩阵集合表述，被描述为跟随纵坐标y值变化的左边界Cl(y)RBl(y)和右边界Cr(y)RBr(y)横坐标x点的集合；RB(y)表示对应于y的边界点x，C表示智能平滑校正因子，T表示转置矩阵，C由人工智能***的规则推理集，根据相邻边界点和边界延伸趋势推理产生；
Figure FDA0002730245890000022
Figure FDA0002730245890000023
式(2-1)表示道路左边界初值由高差趋势突变的x最大值构成，式(2-2)表示道路右边界初值由高差趋势突变的x最小值构成；其中，RB(y)表示对应于y的边界点x，X(y)表示应于y的x值，σ(ΣWΔZ)为人工神经网络推理函数，W为神经元的输入权重因子，ΔZ为相应x、y坐标点附近的高差值组元参数，ΔZ的输出由相关坐标点附近的25个神经元推理产生。
5.如权利要求4所述的一种采用人工神经网技术的道路边界遥测识别算法，其特征在于：所述识别算法放置于云中心，可对多段道路同时进行计算。
CN202011116151.5A 2020-10-19 2020-10-19 一种采用人工神经网技术的道路边界遥测识别算法 Withdrawn CN112270689A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011116151.5A CN112270689A (zh) 2020-10-19 2020-10-19 一种采用人工神经网技术的道路边界遥测识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011116151.5A CN112270689A (zh) 2020-10-19 2020-10-19 一种采用人工神经网技术的道路边界遥测识别算法

Publications (1)

Publication Number Publication Date
CN112270689A true CN112270689A (zh) 2021-01-26

Family

ID=74337262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011116151.5A Withdrawn CN112270689A (zh) 2020-10-19 2020-10-19 一种采用人工神经网技术的道路边界遥测识别算法

Country Status (1)

Country Link
CN (1) CN112270689A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341417A (zh) * 2021-06-09 2021-09-03 深圳市九洲电器有限公司 基于探测雷达的路面障碍检测方法、车辆及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341417A (zh) * 2021-06-09 2021-09-03 深圳市九洲电器有限公司 基于探测雷达的路面障碍检测方法、车辆及存储介质
CN113341417B (zh) * 2021-06-09 2024-04-19 深圳市九洲电器有限公司 基于探测雷达的路面障碍检测方法、车辆及存储介质

Similar Documents

Publication Publication Date Title
WO2020192000A1 (zh) 一种基于自主导航的畜禽信息感知机器人与地图构建方法
CN106714336A (zh) 一种基于改进克里金算法的无线传感网温度监测方法
Wu et al. Building crack identification and total quality management method based on deep learning
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN103606164B (zh) 基于高维三重马尔可夫场的sar图像分割方法
CN103954300A (zh) 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法
CN115376031B (zh) 基于联邦自适应学习的公路无人机巡检数据处理方法
CN112560981B (zh) 生成对抗模型的训练方法、装置、设备、程序和存储介质
CN113781585B (zh) 一种增材制造零件表面缺陷在线检测方法及***
CN112270689A (zh) 一种采用人工神经网技术的道路边界遥测识别算法
CN113532439A (zh) 输电线路巡检机器人同步定位与地图构建方法及装置
CN112541634B (zh) 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN110543698B (zh) 基于小波布朗运动纹理融合模型测量表面粗糙度的方法
CN115619953A (zh) 一种面向崎岖地形的移动机器人地形建图方法及***
CN116542139A (zh) 一种液体喷射抛光表面粗糙度的预测方法及装置
CN113850304B (zh) 一种高准确率的点云数据分类分割改进方法
CN115359197A (zh) 一种基于空间自相关神经网络的地质曲面重构方法
CN115984360A (zh) 一种基于图像处理的计算干滩长度的方法及***
Tian et al. An improved method for NURBS surface based on particle swarm optimization BP neural network
CN114170449A (zh) 一种基于深度学习的人工智能图像识别装置
CN112784785A (zh) 一种多样本拟合图像清晰化处理方法
CN112950689B (zh) 一种基于信息熵的三维表征方法
Yan et al. Water Quality Detection Based on FCN and Embedded System
Chen et al. Internet of Things-Based Agricultural Mechanization Using Neural Network Extreme Learning on Rough Set
CN117171856B (zh) 一种基于手持Lidar的公路铁路数字信息建模方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210126

WW01 Invention patent application withdrawn after publication