CN117011309B - 基于人工智能及深度数据的自动盘煤*** - Google Patents

Abstract

本发明公开了一种基于人工智能及深度数据的自动盘煤***，属于人工智能技术领域，包括：分割模块，分割平面法向量正交分布系数获得模块，点云距离变异系数计算模块，X方向滤波窗口贡献指数获得模块，滤波窗口贡献指数获得模块，窗口大小及权重确定模块，滤波模块用于对煤堆的三维点云数据进行滤波，并进行煤质检测。基于点云数据的等值序列进行点云平面分割，对分割平面的点云数据的向量以及平面法向量进行分析获得切合窗口异质性距离序列，再基于分割平面切合窗口异质性距离序列的随机项确定滤波窗口贡献指数，进而确定滤波窗口大小和像素点的权重以实现煤质检测。如此，提高了对点云数据滤波的精度，提升了自动盘煤***煤质检测的准确性。

Description

基于人工智能及深度数据的自动盘煤***

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能及深度数据的自动盘煤***。

背景技术

自动盘煤***是一种应用于煤矿、发电厂、钢铁厂的自动化***，用于实现对煤炭进行自动化采集、运输和装载的过程，利用现代技术和设备，取代了传统的人工操作，提高了生产的效率和安全性。但是自动盘煤***对煤堆变化的适应力较差，因此在实际的自动盘煤***中会有一个煤堆的检测操作。由于煤堆和周围的环境经过长时间堆放的影响基本都是黑色场景，从普通图像上难以辨别出不同煤堆的变化，所以一般都是通过激光雷达设备获取煤堆的点云数据，通过对点云数据的分析，判断煤堆的情况。

对点云数据进行分析之前需要对点云数据进行滤波，以去除在数据采集过程中因环境和设备因素产生的噪点。在传统的点云滤波算法中，统计滤波计算每个点与周围点的统计特征，设定阈值进行噪点的判断，但是高密度点云计算结果容易不准；体素滤波是将点云按网格划分为体素，容易丢失细节信息，降低分辨率；半径滤波对每一个点指定半径范围计算特征，半径人为设定，不能适应不同的数据密度和噪声级别；最近邻滤波针对每个点找到其最近邻点，通过设定滤波窗口进行平均化处理，由于滤波窗口比较固定因此容易受到离群点的影响。因此亟需一种能适用于自动盘煤***的高精度的滤波方式。

发明内容

本发明提供一种基于人工智能及深度数据的自动盘煤***，旨在提高对点云数据滤波的精度，提升自动盘煤***煤堆检测的准确性。

为实现上述目的，本发明提供一种基于人工智能及深度数据的自动盘煤***，所述***包括：

分割模块，用于基于煤堆的三维点云数据中的坐标进行量化，并基于量化获得的Y方向等值序列进行点云平面分割，获得煤堆的分割平面；

分割平面法向量正交分布系数获得模块，用于获得所述分割平面的分割平面点云规整同质性系数，并基于所述分割平面点云规整同质性系数及分割平面的法向量确定分割平面法向量正交分布系数；

点云距离变异系数计算模块，用于确定分割平面切合窗口异质性距离序列及其随机项，并计算随机项中各个像素点的点云距离变异系数；

X方向滤波窗口贡献指数获得模块，用于将分割平面法向量正交分布系数与像素 点的点云距离变异系数之和确定为对应像素点在方向上的滤波窗口贡献指数；

滤波窗口贡献指数获得模块，用于将像素点在方向上的滤波窗口贡献指数与获 得的Y方向上的滤波窗口贡献指数之和确定为滤波窗口贡献指数；

窗口大小及权重确定模块，用于基于所述滤波窗口贡献指数和对应点云的强度确定滤波窗口的大小，并确定滤波窗口内各个像素点的权重；

滤波模块，用于基于所述滤波窗口大小和各个像素点的权重对煤堆的三维点云数据进行滤波，并基于滤波后的数据进行煤堆检测。

可选地，所述分割模块包括：

点云数据获取单元，用于通过激光雷达设备获取煤堆的三维点云数据，将所述三维点云数据中的坐标、强度确定为目标点云数据；

等值序列获得单元，用于基于预设量化级别对所述目标点云数据中的坐标值进行量化，获得X方向等值序列和Y方向等值序列；

分割平面获得单元，用于基于Y方向等值序列进行点云平面分割，获得煤堆的分割平面。

可选地，所述分割平面法向量正交分布系数获得模块包括：

分割平面点云规整同质性系数获得单元，用于基于分割平面对应位置的高度值、分割平面对应真实点云的高度值、分割平面的面积、分割平面内点云数据的个数确定分割平面的分割平面点云规整同质性系数；

分割平面法向量正交分布系数获得单元，用于根据分割平面点云规整同质性系数、分割平面的法向量、以及分割平面上点云组合的个数、点云组合的法向量确定分割平面法向量正交分布系数。

可选地，所述点云距离变异系数计算模块包括：

分割平面切合窗口异质性距离序列获得单元，用于基于分割平面法向量正交分布系数及分割平面截取的平面切合窗口确定分割平面切合窗口异质性距离序列；

点云距离变异系数计算单元，用于基于所述分割平面切合窗口异质性距离序列的随机项及所述分割平面法向量正交分布系数计算所述随机项中各个像素点的点云距离变异系数。

可选地，所述分割平面切合窗口异质性距离序列获得单元包括：

差值获得单元，用于确定分割平面截取的平面切合窗口内真实点云的高度值与基于平面切合窗口内的点云数据获得的拟合直线的差值；

幂函数值确定单元，用于确定的分割平面法向量正交分布系数次方的幂函数值；

确定单元，用于将所述差值与幂函数值的乘积确定为分割平面切合窗口异质性距离序列。

可选地，所述点云距离变异系数计算单元包括：

分解单元，用于基于X11分解法对分割平面切合窗口异质性距离序列进行分解获得随机项序列；

计算单元，用于基于随机项序列、分割平面法向量正交分布系数、剔除当前值的随机项均值及方差计算随机项中各个位置的点云距离变异系数。

可选地，所述滤波窗口贡献指数获得模块还包括：

基于X的等值序列获得像素点在Y方向上的滤波窗口贡献指数；

可选地，所述窗口大小及权重确定模块包括：

滤波窗口大小确定单元，用于将目标像素点的滤波窗口贡献指数与目标像素点对应点云的强度之和确定为滤波窗口大小；

权重确定单元，用于基于滤波窗口内像素点与目标像素点的滤波窗口贡献指数、强度以及欧式距离确定像素点的权重。

可选地，所述滤波模块包括：

调整像素值获得单元，用于将滤波窗口内各个像素点的原像素值与对应的权重相乘获得各个像素点的调整像素值；

滤波后像素值确定单元，用于计算滤波窗口各个像素点的调整像素值的像素值均值，将所述像素值均值确定为滤波窗口内对应像素点滤波后的像素值；

分析单元，用于对滤波后的像素值进行分析，获得煤堆的检测结果。

可选地，所述滤波模块还包括：

基于煤堆的检测结果进行自动盘煤操作的运行规划。

相比现有技术，本发明提出的一种基于人工智能及深度数据的自动盘煤***，该 ***包括：分割模块，用于基于煤堆的三维点云数据中的坐标进行量化，并基于量化获得的 Y方向等值序列进行点云平面分割，获得煤堆的分割平面；分割平面法向量正交分布系数获 得模块，用于获得所述分割平面的分割平面点云规整同质性系数，并基于所述分割平面点 云规整同质性系数及分割平面的法向量确定分割平面法向量正交分布系数；点云距离变异 系数计算模块，用于确定分割平面切合窗口异质性距离序列及其随机项，并计算随机项中 各个像素点的点云距离变异系数；X方向滤波窗口贡献指数获得模块，用于将分割平面法向 量正交分布系数与像素点的点云距离变异系数之和确定为对应像素点在方向上的滤波窗 口贡献指数；滤波窗口贡献指数获得模块，用于将像素点在方向上的滤波窗口贡献指数与 获得的Y方向上的滤波窗口贡献指数之和确定为滤波窗口贡献指数；窗口大小及权重确定 模块，用于基于所述滤波窗口贡献指数和对应点云的强度确定滤波窗口的大小，并确定滤 波窗口内各个像素点的权重；滤波模块，用于基于所述滤波窗口大小和各个像素点的权重 对煤堆的三维点云数据进行滤波，并基于滤波后的数据进行煤堆检测。如此，基于点云数据 的等值序列进行点云平面分割，再对分割平面对应的点云数据的向量以及平面法向量进行 分析获得分割平面切合窗口异质性距离序列，再基于分割平面切合窗口异质性距离序列的 随机项确定滤波窗口贡献指数，进而确定滤波窗口大小和像素点的权重。如此，提高了对点 云数据滤波的精度，提升了自动盘煤***煤堆检测的准确性。

附图说明

图1是本发明基于人工智能及深度数据的自动盘煤***的组成示意图；

图2是本发明基于人工智能及深度数据的自动盘煤***的第一细化组成示意图；

图3是本发明基于人工智能及深度数据的自动盘煤***的第二细化组成示意图；

图4是本发明基于人工智能及深度数据的自动盘煤***的第三细化组成示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参照图1，图1是本发明基于人工智能及深度数据的自动盘煤***的组成示意图。

如图1所示，本发明一实施例提出一种基于人工智能及深度数据的自动盘煤***，所述***包括：

分割模块10，用于基于煤堆的三维点云数据中的坐标进行量化，并基于量化获得 的Y方向等值序列进行点云平面分割，获得煤堆的分割平面；

参照图2，图2是本发明基于人工智能及深度数据的自动盘煤***的第一细化组成示意图，如图2所示，分割模块10包括：

点云数据获取单元101，用于通过激光雷达设备获取煤堆的三维点云数据，将所述三维点云数据中的坐标、强度确定为目标点云数据；

具体地，可以通过无人机搭载激光雷达设备对煤堆进行扫描，从而获得煤堆的三维点云数据。由于采集设备获取到的点云数据受到环境因素和自身设备精度的限制，所以获得的点云数据存在噪点，本实施例基于三维点云数据进行滤波处理，以降低噪点的影响。

三维点云数据包含很多信息，如颜色、坐标、强度、回波次数、GPS时间等。由于在煤堆环境中主要都是黑色，从颜色无法进行区分，因此本实施例仅选取三维点云数据中的坐标和强度的参数信息，将坐标、强度确定为目标点云数据，即目标点云数据包括四个参数：X坐标值、Y坐标值、Z坐标值以及强度，将强度表示为E，则可以将目标点云数据表示为（X, Y,Z, E）。

等值序列获得单元102，用于基于预设量化级别对所述目标点云数据中的坐标值进行量化，获得X方向等值序列和Y方向等值序列；

为了简化分析，需要对目标点云数据的空间坐标值进行量化，三个坐标 的预设量化级别分别为。如针对坐标值进行量化，预设量化级别为M个，每个级 别的宽度为，将此范围内目标点云数据的X坐标值对应量化到一个级 别上，最终得到的X方向等值序列可以表示为。同理可以将Y方向等值 序列表示为，将Z方向等值序列表示为。

分割平面获得单元103，用于基于Y方向等值序列进行点云平面分割，获得煤堆的 分割平面。

点云数据经过平面分割时，将近似同一个平面的的点云数据进行拟合，最终得到一个细小的拟合平面，本实施例将该细小的拟合平面标记为分割平面，并且每个分割平面对应有一个拟合平面方程。从煤堆的俯视图角度分析，在俯视图的二维图像中，可以看作是由一个个煤块表面组成的，这里认为通过点云平面分割可以将俯视图中所有的煤块点云数据，分割为一个个煤块平面，也即分割平面。

本实施例将分割平面表示为，将对应的拟合平面方程表示为。此外，点云 平面对应于真实的煤块表面，拟合平面方程的数据对应于煤块表面的点云数据。

本实施例基于Y方向等值序列按点云分割的公知技术进行点云平面分割，获得多 个分割平面，本实施例将分割平面表示为。此外，将分割平面对应的真实的平面拟合方 程表示为。将拟合平面方程对应的真实的点云数据表示为，真实的点云数 据即为拟合平面方程中对应的点云数据。

分割平面法向量正交分布系数获得模块20，用于获得所述分割平面的分割平面点云规整同质性系数，并基于所述分割平面点云规整同质性系数及分割平面的法向量确定分割平面法向量正交分布系数；

本实施例基于分割平面及其对应的真实的点云数据确定分割平面的分 割平面点云规整同质性系数。

具体地，分割平面法向量正交分布系数获得模块20包括：

分割平面点云规整同质性系数获得单元，用于基于分割平面对应位置的高度值、 分割平面对应真实点云的高度值、分割平面的面积、分割平面内点云数据的个数确定分割 平面的分割平面点云规整同质性系数；

将分割平面的分割平面点云规整同质性系数表示为，则有：

其中，表示分割平面的面积，表示分割平面内点云数据的个数，表示分割 平面对应真实点云的高度值，表示分割平面对应的高度值，其值基于拟合平面方程获 得。从煤堆的俯视图角度，真实点云的高度值为对应点云数据的Z轴坐标值。

基于分割平面与其对应真实点云数据的高度差值获得分割平面的分割平面点云 规整同质性系数。分割平面点云规整同质性系数能反应煤块表面的平整光滑程度。实 际场景中的煤块表面较为规整，高度差值较小，因此基于正常的点云数据得到的较大；但 是当表面的点云数据受到环境因素干扰时，真实点云数据与分割平面的高度差值较大，对 应的较小。在计算时，引入分割平面的面积可以自适应调整由于面积大小不同的分 割平面对计算的影响。

分割平面法向量正交分布系数获得单元，用于根据分割平面点云规整同质性系数、分割平面的法向量、以及分割平面上点云组合的个数、点云组合的法向量确定分割平面 法向量正交分布系数。

通过点云平面分割可以将一个个离散的点云数据分割到不同的分割平面上，一般 地，每个分割平面对应于一个煤块表面。本实施例用表示第个分割平面的分割平面点 云规整同质性系数。在点云平面分割的同时可以得到平面的法向量，本实施例用表示 第个分割平面的法向量，用表示映射在分割平面第a个点云数据的三维坐标，表示映射在分割平面上第b个点云数据的三维坐标。在理想条件下点云数据刚好位 于分割平面上，也即点云数据刚好位于对应的煤块的表面上，所以分割平面的法向量 应当垂直于映射于分割平面上任意两个点云数据连线构成的向量。然而，实际情况中点云 数据并不一定都位于分割平面上，因此结合，可以得到分割平面法向量正交分布系数，将 第个分割平面的分割平面法向量正交分布系数表示为，则有：

其中，表示投影到第个分割平面上的点云数据进行两两组合得到的点云数 据组合的数量，也即第个分割平面上任意两个点云数据进行组合的获得的组合总数， 表示第个分割平面的法向量，表示映射在第个分割平面上点云数据a与 点云数据b组成的的点云数据组合的法向量，表示取法向量的模， 表示取法向量的模。

分割平面法向量正交分布系数表示平面法向量与映射该分割平面上点云数据 组合向量的余弦值。在理想状态下，平面法向量垂直于平面上任意两点数据组合的向量，所 以余弦值为零，对应的分割平面法向量正交分布系数为零。但是实际上点云数据在分割 平面上下分布，所以该余弦值一般不为零，求得的余弦值越小表明点云数据越贴近分割平 面，分割平面法向量正交分布系数的倒数值也将越小，对应的分割平面法向量正交分布 系数越小。

点云距离变异系数计算模块30，用于确定分割平面切合窗口异质性距离序列及其 随机项，并计算随机项中各个像素点的点云距离变异系数；

点云平面分割可以看作是在俯视图上对点云划分区域，转换分析的角度从正视图 和侧视图上对点云进行线分割。例如在分析和的关系时，对Y方向等值序列按预设量化 级别N进行分割操作，可以得到组和的关系。如表示第一个序列，表示序列在方向上的位置，表示的数值是当前位置点云的Y轴量化坐标。为方便起见，下述分析 以对进行分割为例。

参照图3，图3是本发明基于人工智能及深度数据的自动盘煤***的第二细化组成示意图，如图3所示，点云距离变异系数计算模块30包括：

分割平面切合窗口异质性距离序列获得单元301，用于基于分割平面法向量正交 分布系数及分割平面截取的平面切合窗口确定分割平面切合窗口异质性距离序列；

其中，分割平面切合窗口异质性距离序列获得单元301包括：

差值获得单元，用于确定分割平面截取的平面切合窗口内真实点云的高度值与基于平面切合窗口内的点云数据获得的拟合直线的差值；

幂函数值确定单元，用于确定的分割平面法向量正交分布系数次方的幂函数 值；

确定单元，用于将所述差值与幂函数值的乘积确定为分割平面切合窗口异质性距 离序列。

由于方向等值序列会被分割平面切分为许多平面切合窗口的短序列， 用表示方向等值序列被分割平面切分下来在第个位置的高度值。对方 向等值序列进行线性回归获得拟合直线，离散的点云数据在拟合直线附近分布。结合分割 平面法向量正交分布系数，获得点云平面切合窗口异质性距离序列。将第个Y方向等 值序列被第个分割平面截取的切合窗口异质性距离序列的第i个位置的值表示为，则有：

其中，表示分割平面的法向量确定分割平面法向量正交分布系数； 表示方向等值序列被分割平面切分下来在第个位置的高度值，此处的高度值对 应于点云数据中的Z轴坐标值。表示与对应的拟合直线上的高度值。表 示的分割平面法向量正交分布系数次方的幂函数值。当确定分割平面截取的切合 窗口异质性距离序列的每个位置的值后即可获得切合窗口异质性距离序列。

受激光雷达设备精度的影响，激光雷达设备采集到的点云数据实际上是在煤块的 真实表面上下随机分布，这种随机性服从高斯分布，因此方向等值序列被分割平面切分下来在第个位置的Y值的值在拟合直线附近上下波动，此时分割平面的法 向量确定分割平面法向量正交分布系数相对较小，使得点云平面切合窗口异质性距离 序列中对应的值较小。但是当某个点云数据受环境因素影响而成为离群点时，其值的大小将明显区别于点云平面切合窗口异质性距离序列中中其它位置的正常 值，受这些离群点的极端值的影响，距离差值会变大且分割平面的法向 量确定分割平面法向量正交分布系数变大，最终导致点云平面切合窗口异质性距离序 列中对应的值变大。

点云距离变异系数计算单元302，用于基于所述分割平面切合窗口异质性距离序 列的随机项及所述分割平面法向量正交分布系数计算所述随机项中各个像素点的点云 距离变异系数。

其中，点云距离变异系数计算单元302包括：

分解单元，用于基于X11分解法对分割平面切合窗口异质性距离序列进行分解获得随机项序列；

X11分解法（X11 decomposition）是一个经典的分解方法，本实施例基于X11的公 知技术对分割平面切合窗口异质性距离序列进行分解，获得趋势项、周期项和随机项。其中 趋势项和周期项与煤堆本身变换趋势相关，本实施例不作过多分析。由于随机项中包含了 设备采集精度和环境因素影响得到的随机变换，因此需要进一步对随机项进行分析。本实 施例对应的随机项表示为，将所有的随机项按对应的位置表示成随机项序 列。

计算单元，用于基于随机项序列、分割平面法向量正交分布系数、剔除当前值 的随机项均值及方差计算随机项中各个位置的点云距离变异系数。

将第个Y方向等值序列被第个分割平面截取的平面切合窗口异质性距离序 列的第i个位置的点云距离变异系数表示为，则有：

其中，和分别表示平面切合窗口内随机项序列中剔除第i个位置的其它 随机项的均值和方差。

点云距离变异系数表明了平面切合窗口序列内的点云数据到拟合曲线的 随机波动情况。正常情况下，该波动呈现随机波动，并且幅度较小，与正常分布较小的分割 平面法向量正交分布系数值相乘得到的点云距离变异系数值较小。当某一点云 数据为离群点时，与周围距离拟合直线的差值较大，剔除该离群点后，平面切合窗口异质性 距离序列的均值和方差均变小，因此分子和分母均变大，此情况下分割平面法向 量正交分布系数也较大，最终得到的点云距离变异系数值变大。

X方向滤波窗口贡献指数获得模块40，用于将分割平面法向量正交分布系数与 像素点的点云距离变异系数之和确定为对应像素点在方向上的滤波窗口贡献指 数；

为了方便描述，本实施例将点云数据标记为对应位置的像素点。将个方向等值 序列都进行上述操作得到每个位置对应像素点的点云距离变异系数。

将方向上的滤波窗口贡献指数表示为，则有：

滤波窗口贡献指数获得模块50，用于将像素点在方向上的滤波窗口贡献指数 与获得的Y方向上的滤波窗口贡献指数之和确定为滤波窗口贡献指数；

所述滤波窗口贡献指数获得模块50还包括：基于X的等值序列获得像素点在Y方向 上的滤波窗口贡献指数；

基于Y方向等值序列的点云平面分割，可以看作是对俯视图的分割。对方向等值 序列进行点云平面分割，可以看作是对侧视图的分割，本实施例基于同样的操作获得得到方向上的滤波窗口贡献指数。

将滤波窗口贡献指数表示为，则有：

窗口大小及权重确定模块60，用于基于所述滤波窗口贡献指数和对应点 云的强度确定滤波窗口的大小，并确定滤波窗口内各个像素点的权重；

在俯视图中基于每一个点云数据对应位置的像素点的滤波窗口贡献指数，以及根据滤波窗口中的像素点距离中心像素点的距离计算不同权重。

具体地，窗口大小及权重确定模块60包括：滤波窗口大小确定单元，用于将目标像 素点的滤波窗口贡献指数与目标像素点对应点云的强度之和确定为滤 波窗口大小；

将目标像素点o对应的滤波窗口的大小表示为W，则有：

其中，表示以目标像素点o为中心的的滤波窗口贡献指数，表 示目标像素点o对应的点云数据的强度。

权重确定单元，用于基于滤波窗口内像素点与目标像素点的滤波窗口贡献指数、强度以及欧式距离确定像素点的权重。

将滤波窗口内的点云数据对应的像素点i的权重表示为，则有：

其中，表示滤波窗口内像素点i与目标像素点o的滤波窗 口贡献指数差值的绝对值，表示像素点i对应的点云数据的强度，表示目标像素点0与滤波窗口内像素点i之间的欧式距离。

如此可以获得对点云数据进行滤波的滤波窗口大小W和滤波窗口内每个像素点的 权重。当目标像素点是正常波动的点云数据时，其与周围点云数据的滤波窗口贡 献指数的值较为近似，此时只需要较小的滤波窗口W进行滤波，降低设备的精度对点云数据 的影响，能够得到较为接近真实煤堆表面的点云信息。当目标像素点对应于离群点点云数 据时，其周围都是小波动的点云数据，此时与周围点云数据的滤波窗口贡献指数的差值较 大，并且该点云数据的强度也较强，对应于一个较大的滤波窗口W，并且滤波窗口内各个像 素点的权重不同。

滤波模块70，用于基于所述滤波窗口大小和各个像素点的权重对煤堆的三维点云数据进行滤波，并基于滤波后的数据进行煤堆检测。

参照图4，图4是本发明基于人工智能及深度数据的自动盘煤***的第三细化组成示意图，如图4所示，所述滤波模块70包括：

调整像素值获得单元701，用于将滤波窗口内各个像素点的原像素值与对应的权重相乘获得各个像素点的调整像素值；

滤波后像素值确定单元702，用于计算滤波窗口各个像素点的调整像素值的像素值均值，将所述像素值均值确定为滤波窗口内对应像素点滤波后的像素值；

获得窗口大小和各个像素点的权重后，对目标像素点进行滤波时，分别将目标像素点所在的滤波窗口内的像素点的原像素值与滤波窗口对应各个像素点的权重相乘再求均值，该均值就是目标像素点滤波后的像素值。

如此实现了对点云数据的精确滤波。由于避免了直接对点云数据进行处理，所以在提高滤波精度的同时也提高了滤波的效率。

分析单元703，用于对滤波后的像素值进行分析，获得煤堆的检测结果。

基于点云数据对应的滤波后像素值，在三维坐标系中，可以准确获取煤堆的大小即面积，以及煤堆的高度，精准获得煤堆的检测结果。

所述滤波模块70还包括：

基于煤堆的检测结果进行自动盘煤操作的运行规划。

当确定煤堆的高度、面积、存煤量等检测结果后，则基于煤堆的检测结果进行自动化采集、运输、装载等自动盘煤***的操作运行规划，提高场地的利用率和煤堆的高效管理。

本实施例通过上述方案，提供了一种基于人工智能及深度数据的自动盘煤***， 该***包括：分割模块，用于基于煤堆的三维点云数据中的坐标进行量化，并基于量化获得 的Y方向等值序列进行点云平面分割，获得煤堆的分割平面；分割平面法向量正交分布系数 获得模块，用于获得所述分割平面的分割平面点云规整同质性系数，并基于所述分割平面 点云规整同质性系数及分割平面的法向量确定分割平面法向量正交分布系数；点云距离变 异系数计算模块，用于确定分割平面切合窗口异质性距离序列及其随机项，并计算随机项 中各个像素点的点云距离变异系数；X方向滤波窗口贡献指数获得模块，用于将分割平面法 向量正交分布系数与像素点的点云距离变异系数之和确定为对应像素点在方向上的滤波 窗口贡献指数；滤波窗口贡献指数获得模块，用于将像素点在方向上的滤波窗口贡献指数 与获得的Y方向上的滤波窗口贡献指数之和确定为滤波窗口贡献指数；窗口大小及权重确 定模块，用于基于所述滤波窗口贡献指数和对应点云的强度确定滤波窗口的大小，并确定 滤波窗口内各个像素点的权重；滤波模块，用于基于所述滤波窗口大小和各个像素点的权 重对煤堆的三维点云数据进行滤波，并基于滤波后的数据进行煤堆检测。如此，基于点云数 据的等值序列进行点云平面分割，再对分割平面对应的点云数据的向量以及平面法向量进 行分析获得分割平面切合窗口异质性距离序列，再基于分割平面切合窗口异质性距离序列 的随机项确定滤波窗口贡献指数，进而确定滤波窗口大小和像素点的权重。如此，提高了对 点云数据滤波的精度，提升了自动盘煤***煤堆检测的准确性。

以上所述仅为本发明的优选实施例，并非因此限制本发明的范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的保护范围内。

Claims (7)

1.一种基于人工智能及深度数据的自动盘煤***，其特征在于，所述***包括：

分割模块，用于基于煤堆的三维点云数据中的坐标进行量化，并基于量化获得的Y方向等值序列进行点云平面分割，获得煤堆的分割平面；

分割平面法向量正交分布系数获得模块，用于获得所述分割平面的分割平面点云规整同质性系数，并基于所述分割平面点云规整同质性系数及分割平面的法向量确定分割平面法向量正交分布系数；

点云距离变异系数计算模块，用于确定分割平面切合窗口异质性距离序列及其随机项，并计算随机项中各个像素点的点云距离变异系数；

X方向滤波窗口贡献指数获得模块，用于将分割平面法向量正交分布系数与像素点的点云距离变异系数之和确定为对应像素点在方向上的滤波窗口贡献指数；

滤波窗口贡献指数获得模块，用于将像素点在方向上的滤波窗口贡献指数与获得的Y方向上的滤波窗口贡献指数之和确定为滤波窗口贡献指数；

窗口大小及权重确定模块，用于基于所述滤波窗口贡献指数和对应点云的强度确定滤波窗口的大小，并确定滤波窗口内各个像素点的权重；

滤波模块，用于基于所述滤波窗口大小和各个像素点的权重对煤堆的三维点云数据进行滤波，并基于滤波后的数据进行煤质检测；

所述分割平面法向量正交分布系数获得模块包括：

分割平面点云规整同质性系数获得单元，用于基于分割平面对应位置的高度值、分割平面对应真实点云的高度值、分割平面的面积、分割平面内点云数据的个数确定分割平面的分割平面点云规整同质性系数；

分割平面法向量正交分布系数获得单元，用于根据分割平面点云规整同质性系数、分割平面的法向量、以及分割平面上点云组合的个数、点云组合的法向量确定分割平面法向量正交分布系数；

所述点云距离变异系数计算模块包括：

分割平面切合窗口异质性距离序列获得单元，用于基于分割平面法向量正交分布系数及分割平面截取的平面切合窗口确定分割平面切合窗口异质性距离序列；

点云距离变异系数计算单元，用于基于所述分割平面切合窗口异质性距离序列的随机项及所述分割平面法向量正交分布系数计算所述随机项中各个像素点的点云距离变异系数；

所述分割平面切合窗口异质性距离序列获得单元包括：

差值获得单元，用于确定分割平面截取的平面切合窗口内真实点云的高度值与基于平面切合窗口内的点云数据获得的拟合直线的差值；

幂函数值确定单元，用于确定的分割平面法向量正交分布系数次方的幂函数值；

确定单元，用于将所述差值与幂函数值的乘积确定为分割平面切合窗口异质性距离序列；

将分割平面的分割平面点云规整同质性系数表示为/>，则有：

其中，表示分割平面的面积，/>表示分割平面内点云数据的个数，/>表示分割平面对应真实点云的高度值，/>表示分割平面/>对应的高度值，其值基于拟合平面方程获得；从煤堆的俯视图角度，真实点云的高度值/>为对应点云数据的Z轴坐标值。

2.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述分割模块包括：

点云数据获取单元，用于通过激光雷达设备获取煤堆的三维点云数据，将所述三维点云数据中的坐标、强度确定为目标点云数据；

等值序列获得单元，用于基于预设量化级别对所述目标点云数据中的坐标值进行量化，获得X方向等值序列和Y方向等值序列；

分割平面获得单元，用于基于Y方向等值序列进行点云平面分割，获得煤堆的分割平面。

3.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述点云距离变异系数计算单元包括：

分解单元，用于基于X11分解法对分割平面切合窗口异质性距离序列进行分解获得随机项序列；

计算单元，用于基于随机项序列、分割平面法向量正交分布系数、剔除当前值的随机项均值及方差计算随机项中各个位置的点云距离变异系数。

4.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述滤波窗口贡献指数获得模块还包括：

基于X的等值序列获得像素点在Y方向上的滤波窗口贡献指数。

5.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述窗口大小及权重确定模块包括：

滤波窗口大小确定单元，用于将目标像素点的滤波窗口贡献指数与目标像素点对应点云的强度之和确定为滤波窗口大小；

权重确定单元，用于基于滤波窗口内像素点与目标像素点的滤波窗口贡献指数、强度以及欧式距离确定像素点的权重。

6.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述滤波模块包括：

调整像素值获得单元，用于将滤波窗口内各个像素点的原像素值与对应的权重相乘获得各个像素点的调整像素值；

滤波后像素值确定单元，用于计算滤波窗口各个像素点的调整像素值的像素值均值，将所述像素值均值确定为滤波窗口内对应像素点滤波后的像素值；

分析单元，用于对滤波后的像素值进行分析，获得煤堆的检测结果。

7.根据权利要求1所述的基于人工智能及深度数据的自动盘煤***，其特征在于，所述滤波模块还包括：

基于煤堆的检测结果进行自动盘煤操作的运行规划。