基于深度学习的动态目标快速感知方法及系统

1.本发明涉及ai智能领域，具体而言，涉及一种基于深度学习的动态目标快速感知方法及系统。


背景技术：

2.随着电力技术的发展和用电单位对用电质量要求的提高，变电站的动态目标快速感知技术建设需求紧迫。当前的技术现状如下：
3.(1)当前建设用地缩减导致设备间距减少，由于缺乏精准感知定位技术手段和方法，使得变电站临近带电作业施工难度增加，安全作业空间缩小；
4.(2)城市线路通道的作业空间变得拥挤，缺乏非接触式安全距离主动动态识别判断；
5.(3)当前市场上已有的基于场强理论的距离感应装置的感应灵敏度、距离精度均受到电压、电磁场、传输环境介质较大影响。现阶段电厂的高精度动态目标快速感知监控平台还没有成熟产品的问题，亟需研究新技术新方法保障发电厂、变电站、配电站等多种带电作业施工现场人员和设备的安全。
6.综上，由于目前目标定位识别监管不利，变电站安全生产形势严峻，人身伤亡、设备损毁事故高发。动态目标感知检测方面虽然已发展了各种各样的检测算法，但大多数基于深度学习的目标感知方法都依赖于大量的注释标签，需要大量的工作量，不适用与不合作的空间目标，并且这些算法的通用性有待于进一步提高而且算法的精确性和鲁棒性还不够强，不能在复杂环境下快速、准确的进行目标锁定并计算出动态目标的状态和类别参数。此外，不同特征值的提取往往只注重图像上某一方面的信息，不能够更全面的表述目标。
7.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

8.本发明实施例提供了一种基于深度学习的动态目标快速感知方法及系统，以至少解决相关技术中对动态目标识别准确率不高的技术问题。
9.根据本发明实施例的一个方面，提供了一种基于深度学习的动态目标快速感知方法，包括：基于感知系统联合标定，进行环境感知，从不同数据源采集数据；基于所采集的数据，进行场景获取，获取地图数据和位姿信息；基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配；基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标.
10.根据本发明实施例的另一方面，还提供了一种基于深度学习的动态目标快速感知系统，包括：感知模块，被配置为基于感知系统联合标定，进行环境感知，从不同数据源采集数据；场景获取模块，被配置为基于所采集的数据，进行场景获取，获取地图数据和位姿信息；数据处理模块，被配置为基于所获取的地图数据和位姿信息，进行多元特征的归一化数
据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配；识别模块，被配置为基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标。
11.根据本发明实施例的又一方面，还提供了一种非接触式安全距离主动预警方法，包括：执行如上所述的基于深度学习的动态目标快速感知方法；并在所感知到的动态目标超出安全距离阈值之外的情况下，主动预警。
12.在本发明实施例中，基于感知系统联合标定，进行环境感知，从不同数据源采集数据；基于所采集的数据，进行场景获取，获取地图数据和位姿信息；基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配；基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标，从而解决了相关技术中对动态目标识别准确率不高的技术问题，进而具有快速准确地识别动态目标的技术效果。
附图说明
13.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
14.图1是根据本发明第一实施例的非接触式安全距离主动预警方法的流程图；
15.图2是根据本发明第二实施例的非接触式安全距离主动预警方法的流程图；
16.图3是根据本发明实施例的精准定位子系统的工作流程的流程图；
17.图4是根据本发明实施例的误差智能补偿子系统的工作流程的流程图；
18.图5是根据本发明实施例的环境监测子系统的工作流程的流程图；
19.图6是根据本发明实施例的环境监测子系统的另一种工作流程的流程图；
20.图7是根据本发明实施例的非接触式安全距离主动预警系统的结构示意图；
21.图8是根据本发明第一实施例的动态目标快速感知方法的流程图；
22.图9是根据本发明第二实施例的动态目标快速感知方法的流程图；
23.图10是根据本发明实施例的特征提取的示意图；
24.图11是根据本发明第三实施例的动态目标快速感知方法的流程图；
25.图12是根据本发明第四实施例的动态目标快速感知方法的流程图；
26.图13是根据本发明实施例的动态目标快速感知系统的结构示意图；
27.图14是根据本发明实施例的非接触式安全距离主动预警系统的结构示意图。
具体实施方式
28.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
29.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.概述
31.对于动态目标感知来讲，动态目标检测是实现识别的第一步，动态目标检测即为从序列图像中将变化区域从背景图像中精准提取出来。而动态识别感知的主要目的是根据路径识别获得的角度偏差和距离偏差来确定适当的控制量使两个偏差趋向极小。
32.本技术通过基于惯性、5g、gnss及三维地图数据库的多源现场信息尺度、时间、关系等多元特征归一化表达方法，构建多时空下数据统一基准框架，实现地图数据的特征分割，利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别感知，同时使用学习策略对参数进行了优化解决，实现了安全距离量化控制下的动态目标快速感知识别。
33.此外，通过非接触式安全距离主动动态识别，实现施工现场安全管控，有效保障工程项目建设的全管理，大幅提高输变电工程施工的安全性、时效性和科技性，有效保障输变电工程建设的安全；实现全部输变电工程机械、人员安全施工的目标。
34.实施例1
35.根据本发明实施例，提供了一种非接触式安全距离主动预警方法，如图1所示，该方法包括：
36.步骤s102，基于惯性器件，获取工程车辆及作业人员的定位数据。
37.基于惯性器件，例如惯性传感器，获取施工现场的所述工程车辆和所述作业人员的位姿信息，通过分析所述工程车辆和所述作业人员的运动特点，建立位姿运动约束模型；利用最优估计方法，进行运动约束的所述作业人员及所述工程车辆的位姿误差估计；利用弱捷联导航失效误差模型，获取所述作业人员及所述工程车辆的位姿信息。
38.之后，利用多频点信道估计，得到不同频点信号强度和多径时延簇；利用多径时空补偿模型，实现强电场干扰中的精确定位，以获取辅助定位信息；利用所述辅助定位信息，对所述作业人员及所述工程车辆的位姿信息进行修正，得到修正后的定位数据。
39.步骤s104，利用卡尔曼滤波和惯性位姿误差估计，对所述惯性器件进行误差补偿，并得到误差补偿后的定位数据。
40.利用卡尔曼滤波和惯性位姿误差估计，对所述惯性器件进行误差补偿可以包括以下至少之一：基于以下至少之一对所述惯性器件的陀螺输出误差进行补偿：陀螺原始输出值向量、粗标定零位输出、陀螺角速度零位输出值向量、温度相关零位输出、加速度相关零位输出、随机噪声信号、比例系数矩阵粗标定比例系数，输入角速度的比例系数、交叉偶合系数矩阵；对动态下的陀螺噪声进行滤波降噪处理，以对所述车辆载体的随机晃动误差进行补偿。
41.其中，对动态下的陀螺噪声进行滤波降噪处理可以包括：对运动状态下的陀螺噪声进行快速傅里叶变换；对快速傅里叶变换后的陀螺噪声进行第一次的遗传操作，随机生成二进制序列c，并基于所述二进制序列从快速傅里叶变换后的陀螺噪声中提取出噪声信
号；进行快速傅里叶逆变换，将所提取出的噪声信号变换为连续信号，并将所述连续信号与静止状态下的陀螺噪声信号进行比对，得到取反的序列；将取反的序列与快速傅里叶变换后的陀螺噪声进行乘法运算，以进行滤波降噪处理。
42.步骤s106，获取所述工程车辆及人员的作业现场环境数据；
43.例如，基于传感器自标定和系统联合标定，进行作业现场环境感知，采集现场数据；对所采集的数据进行数据预处理，以滤除干扰因素并提取特征；利用三维地图数据有效特征点提取方法，对所提取的特征进行多次特征匹配，以实时重构工程现场三维场景。
44.然后，基于地图数据图像化表述技术和数据自动关联分析技术，来分割所述地图数据的典型环境特征数据的超像素，并分析语义关系；利用稀疏卷积神经网络架构，基于所述语义关系和分割后的所述地图数据的典型环境特征数据的超像素，来对工程现场三维场景中的作业人员和工程车辆进行目标识别与主动监测。
45.步骤s108，基于误差补偿后的所述定位数据和所述作业现场环境数据确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内，并在处于所述变电站非接触式安全距离之外的情况下，主动预警。
46.例如，基于误差补偿后的所述定位数据和所述作业现场环境数据，利用多维场景联动可视化引擎，对所述工程车辆和所述作业人员的风险状态进行分类；基于预先配置的预警参数和分类后的风险状态，来确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内。
47.本实施例利用惯性定位进行带电施工环境与车辆干扰检测，并对工程车辆晃动误差进行补偿，解决了弱/无卫星环境下的空间定位；此外，还利用卫星增强定位技术对惯性定位进行辅助，提供了高精度空间定位，实现了施工现场安全管控。
48.本实施例中的非接触式主动预警方法，可以在事故发生前进行快速、有效、安全地预警，有效避免人员和设备损失，同时可以提升现有电厂科技性、安全性，促进电厂的数字化、信息化、科技化升级。
49.实施例2
50.根据本发明实施例，提供了一种非接触式安全距离主动预警方法。该方法可以应用在以下场景：项目应用环境包括500千伏交流场地、220千伏交流场地、35千分交流场地、500千伏柔直换流场地、大型深基坑作业场景等5种条件。如图2所示，该方法包括以下步骤：
51.步骤s201，调用精确定位子系统。
52.精准定位子系统以惯性自主定位定向为核心，卫星导航定位增强技术为辅，根据信号强度、环境条件、运动形式等因素，建立多源融合自主精准定位系统。
53.步骤s202，调用误差智能补偿子系统。
54.误差智能补偿子系统对车辆工作惯性数据进行周期划分和特征提取，利用深度神经网络建立模型，利用卡尔曼滤波和惯性位姿误差估计解决补偿。
55.步骤s203，调用环境监测子系统。
56.环境监测子系统基于惯性、5g、gnss及三维地图数据库，建立多时空下数据统一基准框架，提取有效特征点，结合深度学习算法，使用可视化显示技术完成融合显示。
57.环境监测子系统主要执行以下三个步骤：风险叠加评估、预警评估和多维度风险评估、分级预警和多维度统计分析。
58.风险叠加评估：利用多维场景联动可视化引擎，实现可视化模拟展示，实现设备、作业在实景地图上的精准定位及风险点的分类及风险状态显示，并实现区域内风险叠加评估结果在地图上的分级显示。
59.预警评估：建立多级网格下面向应急救援的多目标资源调度模型，实现识别预警参数配置的可视化和节点化、流程可视化展示和操作，实现预警评估指标自定义灵活配置。
60.多维度风险评估、分级预警和多维度统计分析：建立支持边缘计算微服务框架与弹性动态汇聚的可视化智能识别预警平台，支持多维度风险评估、分级预警和多维度统计分析，全面支撑监控现场指挥决策。
61.步骤s204，判断作业人员是否误操作。
62.步骤s205，调用控制与决策子系统。
63.控制决策子系统基于以上子系统，在现场操作人员发生误操作或超过安全距离时进行安全保护及主动预警。
64.步骤s206，发出警报，做出响应。
65.步骤s207，不做警报，继续监测。
66.本实施例有效解决了施工安全距离量化控制、监测手段单一、环境监测数据量大、施工环境监测空白等问题，通过非接触式安全距离主动动态识别，消除施工人员、车辆的误差，在事故发生之前做出安全预警，实现施工现场安全管控，避免发生严重生产事故，有效保障了工程项目建设的安全管理，大幅提高了输变电工程施工的安全性、时效性和科技性，有效保障输变电工程的建设，且方案具有普适性，可以根据不同工作场景的需求适当改良之后应用于大部分工作场景。
67.此外，通过将多源数据统一在统一时空基准下，使数据管理、统计、整理效率显著提高，解决了以上系统中数据处理庞杂的问题，同时填补了国内缺乏可穿戴便携式高精度定位设备的技术空白，推动了关键技术、信息服务、仪器装备的标准化、产品化和产业化，为电厂持续稳定安全作业与发展提供了科技保障。
68.实施例3
69.根据本发明实施例，提供了一种非接触式安全距离主动预警方法。本实施例中的步骤与实施例1和2中的步骤相似，不同之处在于精确定位子系统所执行的方法。
70.精准定位子系统包括惯性自主定位模块和弹性融合精准定位技术模块。精准定位子系统的工作流程如图3所示，包括以下步骤s302至步骤s304。
71.步骤s302，基于惯性器件获取位姿信息。
72.精准定位子系统的惯性自主定位模块对施工现场工程车辆和作业人员位姿信息获取问题，通过分析人员及工程车辆运动特点，建立车辆位姿运动约束模型。利用最优估计方法获取运动约束人员及车辆位姿误差估计方法，计算出最符合实际的位姿误差。结合弱捷联导航失效误差模型，实现作业人员及工程车辆位姿信息的精确获取。
73.步骤s304，基于5g的区域融合进行精准定位。
74.精准定位子系统的弹性融合精准定位技术模块使用基于5g的区域弹性融合精准协同定位方法，在多频点进行信道估计，得到不同频点信号的强度、多径时延簇分布等信息，建立多径的时空补偿模型，实现强电场干扰环境中的精准定位。
75.实施例4
76.根据本发明实施例，提供了一种非接触式安全距离主动预警方法。本实施例中的步骤与实施例2和3中的步骤相似，不同之处在于误差智能补偿子系统所执行的方法。误差智能补偿子系统的工作流程如图4所示。
77.首先，分析陀螺输出误差特性。
78.误差源包括惯性器件的确定性误差、随机误差、车辆随机晃动误差等。惯性器件的误差分为：零位误差、比例系数误差、交叉耦合误差、随机误差。
79.首先分析陀螺输出误差特性，其误差模型为：
[0080][0081]
为误差补偿后的角速度输出向量；aq为三轴陀螺原始输出值向量；n1为粗标定零位输出，n表示陀螺角速度零位输出值向量，n(t)为温度相关零位输出，n(a)为加速度相关零位输出；v(t)为随机噪声信号；比例系数矩阵由sf表示，sf1为粗标定比例系数，sf2(ω)为对应输入角速度的比例系数；交叉偶合系数矩阵由cr表示。
[0082]
其次，对车辆载体随机晃动误差进行校正。
[0083]
1)利用深度神经网络方法建立惯性感知器模型。
[0084]
2)根据自适应矩估计原理，利用工程车辆感知器参数优化方法，提高感知精度。
[0085]
最后，对动态下的陀螺噪声进行滤波降噪处理。
[0086]
选用静止状态下的陀螺噪声信号作为参考，为了提升行在正常行走下的陀螺信号质量，动态下的陀螺噪声是滤波降噪算法的主要处理对象，步骤如下：
[0087]
1)对运动状态带有噪声的陀螺数据进行快速傅里叶变换。
[0088]
2)进行第一次的遗传操作，随机生成二进制序列c。
[0089]
3)进行快速傅里叶逆变换，将提取出来的噪声信号变换为连续信号，与静止状态下的陀螺噪声信号进行比对。
[0090]
4)将取反的序列与运动状态快速傅里叶变换后的陀螺噪声进行乘法运算，完成整个滤波降噪过程。
[0091]
本实施例中，对车辆工作惯性数据进行周期划分和特征提取，利用深度神经网络建立模型，利用卡尔曼滤波和惯性位姿误差估计解决补偿，从而能够更精确地对工程车辆和作业人员进行定位。
[0092]
实施例5
[0093]
根据本发明实施例，提供了一种非接触式安全距离主动预警方法。本实施例中的步骤与实施例2至4中的步骤相似，不同之处在于环境监测子系统所执行的方法。
[0094]
本实施例采用空间直角坐标系或空间大地坐标系下的定位数据，必须将不同基准下的点云数据与定位数据统一在同一时空基准下。本实施的环境监测子系统的工作流程如图5所示，包括以下步骤s502至步骤s506。
[0095]
步骤s502，环境感知。
[0096]
基于传感器自标定、系统联合标定等标定手段，开展作业现场环境感知。
[0097]
步骤s504，特征提取与三维场景实时重构。
[0098]
对采集数据进行数据预处理完成干扰因素滤除和特征提取。利用地图数据图像化表述技术和数据自动关联分析技术，通过典型环境特征数据的超像素分割和语义关系分
析，实现地图数据的分割。利用三维地图数据有效特征点提取方法，进行多次特征匹配以实现施工现场三维场景实时重构。
[0099]
步骤s506，主动预警。
[0100]
结合深度学习，利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。融合imu的瞬时姿态高精度解算和5g、gnss，完整性获取场景。
[0101]
实施例6
[0102]
根据本发明实施例，提供了一种非接触式安全距离主动预警方法。本实施例中的步骤与实施例2至4中的步骤相似，不同之处在于环境监测子系统所执行的方法。
[0103]
本实施例采用空间直角坐标系或空间大地坐标系下的定位数据，必须将不同基准下的点云数据与定位数据统一在同一时空基准下。本实施的环境监测子系统的工作流程如图6所示，包括以下步骤s602至步骤s606。
[0104]
步骤s602，环境感知。
[0105]
首先进行数据采集，获取，例如，地图数据、惯性数据以及5g gnss数据等。
[0106]
然后进行系统标定。基于传感器自标定、系统联合标定等标定手段，开展作业现场环境感知。
[0107]
步骤s604，信息处理。
[0108]
信息处理主要包括两个部分：数据处理和数据融合。
[0109]
数据处理包括数据预处理、多元分割、特征提取等。数据融合包括统一基准、特征级等。通过信息处理，对采集数据进行数据预处理完成干扰因素滤除和特征提取。
[0110]
数据融合主要是统一基准，并确定特征级。
[0111]
步骤s606，环境重构与目标定位。
[0112]
环境重构与目标定位主要包括：环境建模、目标识别和主动监测。
[0113]
环境建模主要是基于环境特征，多次特征匹配，进行三维重建。目标识别主要是进行模板匹配，特征提取。主动监测主要是目标定位和目标监测。
[0114]
本实施例中，结合地图数据图像化表述技术和数据自动关联分析技术，利用典型环境特征数据的超像素分割和语义关系分析方法，实现地图数据的分割，结合深度学习，利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。
[0115]
实施例7
[0116]
根据本发明实施例，提供了一种非接触式安全距离主动预警装置。本实施例中的非接触式安全距离主动预警装置如图7所示，包括：
[0117]
精准定位子系统72，被配置为基于惯性器件，获取工程车辆及作业人员的定位数据；误差智能补偿子系统74，被配置为利用卡尔曼滤波和惯性位姿误差估计，对所述惯性器件进行误差补偿，并得到误差补偿后的定位数据；环境监测子系统76，被配置为获取所述工程车辆及人员的作业现场环境数据；控制与决策子系统78被配置为基于误差补偿后的所述定位数据和所述作业现场环境数据确定所述工程车辆或所述人员是否处于所述变电站非接触式安全距离内，并在处于所述变电站非接触式安全距离之外的情况下，主动预警。
[0118]
本实施例中的非接触式安全距离主动预警装置能够实现上述实施例1至6中的方法，此处不再赘述。
[0119]
本实施例由精准定位子系统、误差智能补偿子系统、环境监测子系统、控制与决策
子系统四个子系统组成，分别负责人员与设备定位、扰动与噪声消除、电厂工作环境监测和安全措施响应功能，具有精确预警的有益效果。
[0120]
下面的实施例将着重说明动态目标快速感知方法。在动态目标快速感知方法的基础上，可以在动态目标超过安全距离阈值时，主动预警。换句话说，以下实施例中的动态目标快速感知方法，是非接触式安全距离主动预警方法的一部分。非接触式安全距离主动预警方法包括：动态目标快速感知方法和预警方法，其中预警方法是在动态目标快速感知方法识别出的动态目标超过安全距离阈值时，主动进行预警。
[0121]
实施例8
[0122]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法，如图8所示，该方法包括：
[0123]
步骤s802，基于感知系统联合标定，进行环境感知，从不同数据源采集数据；
[0124]
步骤s804，基于所采集的数据，进行场景获取，获取地图数据和位姿信息；
[0125]
步骤s806，基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配。
[0126]
在一个示例性实施例中，基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理包括以下至少之一：对所获取的地图数据和位姿信息，进行信息尺度的归一化数据预处理；对所获取的地图数据和位姿信息，进行时间序列归一化数据预处理；对所获取的地图数据和位姿信息，进行全局归一化数据预处理。
[0127]
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行信息尺度的归一化数据预处理包括：对所获取的地图数据和位姿信息进行标准化处理，其中，所述标准化处理包括以下至少之一：将来自不同数据源的数据的数据编码方式统一为相同的方式；将来自不同数据源的数据的数据格式统一为相同的格式；对标准化处理后的地图数据和位姿信息进行匹配处理，其中，所述匹配处理包括以下至少之一：将不同数据源的标识同一事物的不同属性匹配到一起；将不同数据源的相同数据标识成重复；对匹配处理后的地图数据和位姿信息进行数据筛选，以选定一致性维度数据。
[0128]
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行时间序列归一化数据预处理包括：基于相邻时间序列之间的模式相关性和在时间维度上数据不断产生的特性，利于后续算法，对来自不同数据源的所获取的地图数据和位姿信息进行时间配准。
[0129]
在一个示例性实施例中，对所获取的地图数据和位姿信息，进行全局归一化数据预处理包括：将时间序列加窗分段后，获取多段固定窗口长度的时间子序列；基于相邻时间序列的关系因子，利用当前窗口内时间子序列的极大值、极小值对所述当前窗口内的时间子序列进行归一化数据预处理。
[0130]
在一个示例性实施例中，在通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配之前，所述方法还包括：将所述感知系统的误差状态向量定义为列向量；基于所述列向量确定所述感知系统的惯性器件的角速度和加速度与测量值的关系；基于所确定的惯性器件的角速度和加速度与测量值的关系确定所述惯性器件的更新方程；利用所确定的更新方程来确定所述惯性器件的姿态误差。
[0131]
例如，利用所确定的更新方程来确定所述惯性器件的姿态误差包括：根据地图特征点提取和匹配关系，得到所述地图数据的各帧之间的转移矩阵；利用所述转移矩阵解算
出相应的姿态角信息，使用所述惯性器件的角增量变化值作为权重调整因子并基于所述姿态角信息解算出姿态误差。
[0132]
步骤s808，基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标。
[0133]
本实施例将多时空下的数据统一基准，提高了数据的多源信息处理能力；利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别，适用于多类目标，自适应能力强，识别准确率高。
[0134]
本实施例可以应用在带电施工现场，用于快速识别作业人员和工程车辆。本实施例一方面可有效降低目前基于主观经验和传统传感器信号判断而引发停电事故、人身事故和设备事故的发生概率，有效解决带电施工作业过程中存在的主要安全隐患，另一方面同时有利于施工过程中管理方的监管，进一步提升电网行业形象，有效提高供电可靠性和用户用电满意度，社会效益明显，因此本实施例提出的方法具备实用价值。
[0135]
此外，本实施例提出的非接触式安全距离主动动态目标识别算法是基于惯性、5g、gnss及三维地图数据库的多源现场信息尺度、时间、关系等多元特征归一化表达方法，构建多时空下数据统一基准框架，实现地图数据的特征分割，结合深度学习算法，利用稀疏卷积神经网络架构实现对施工现场实景地图典型特征提取和智能在线识别感知，同时使用学习策略对参数进行了优化，空间统一基准就是把需要感知的目标及环境位姿信息建立在统一的坐标系或者通过矩阵变换可以得到，改善了不同空间目标的识别监测。
[0136]
并且，本实施例中的感知系统能够在复杂环境下快速、准确地计算出动态目标的状态及类别参数，显著提升了动态目标识别正确率和快速性。
[0137]
除了应用到带电施工现场之外，本实施例提供的动态目标快速感知方法可以在各个领域广泛应用，为实现普适性、主动性、精度高、性价比高的动态识别快速感知技术提供了新的技术路线。特别的本实施例提出的基于深度学习的动态目标快速感知策略可应用于其它领域基于深度学习的目标识别监测中，所以本实施例提出的方法的普适性更强。
[0138]
实施例9
[0139]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法。
[0140]
基于深度学习的动态目标快速感知方法实现的前提是感知系统、场景获取、归一化表达、特征提取的完成。整个过程首先是感知系统，使用三维地图库、5g gnss和惯性器件进行多源数据的采集，完成信息尺度、时间和空间关系场景信息的获取，然后进行多元特征的归一化表达，构建三维作业场景；基于非线性最小二乘法、松弛法及bayes估计理论等方法，进行超像素分割和语义分析来进行特征匹配，将特征匹配得到的信息利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
[0141]
本技术中多元特征归一化是指多源现场信息尺度、时间、关系等多元特征归一化表达。目标识别是指从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。
[0142]
图9是本实施例提供的基于深度学习的动态目标快速感知方法的流程图，如图9所示，该方法包括：
[0143]
步骤s902，感知系统感知环境数据。
[0144]
带电作业场所的感知系统主要包括5g、gnss、惯性器件和高精度三维地图库。
[0145]
步骤s904，场景获取。
[0146]
根据感知系统获得信息得到地图数据、作业人员和工程车辆的位姿信息。
[0147]
步骤s906，归一化表达及特征匹配。
[0148]
针对现场作业环境，基于惯性、5g、gnss及三维地图数据库的多源数据，完成信息尺度、时间和空间关系的多元特征归一化表达，构建三维作业场景，并基于非线性最小二乘法、松弛法及bayes估计理论等方法进行超像素分割和语义分析，以进行特征匹配。此外，地图数据经过过滤和分割，提取特征数据，通过多次特征匹配实现施工现场三维场景实时重构。其中，特征提取的过程如图10所示。
[0149]
在本实施例中，归一化表达主要包括信息尺度的归一化表达、时间序列的归一化表达、全局归一化表达。
[0150]
1.信息尺度的归一化方法
[0151]
1)标准化，标准化的目的是使不同数据源的数据编码方式，数据格式等相同，为下一步数据匹配打下基础(数据标准化中的代码标准化过程)。
[0152]
2)匹配，数据匹配的工作有两方面，一是将不同数据源的标识同一事物的不同属性匹配到一起，使数据更完善；另一是将不同数据源的相同数据标识成重复，为下一步的筛选打下基础。例如：来源于不同数据源中重复的客户姓名。
[0153]
3)筛选，数据筛选的主要目的是选定一致性维度作为主数据，也就是最终交付的一致性维度数据。
[0154]
2.时间序列归一化方法
[0155]
在时间序列归一化主要完成多源数据的时间配准，由于时间序列的特殊性，例如，相邻序列之间的模式相关性，在时间维度上数据是不断产生的特性，在归一化方法的选用上，也应该尽可能的利于后续算法/模型工作。
[0156]
3.全局的归一化方法
[0157]
在全局归一化的基础上，结合小波/傅里叶变换中加窗的思想，产生了加窗归一化。
[0158]
利用窗口内序列的极大值、极小值对该窗口内的时间序列进行归一化，这种方法一定程度上解决了时间跨度多大时不同测量条件下序列幅值差异的问题。给定的时间序列s，对s加窗分段后s共有n段窗口长度为l的序列构成：s＝{s1,s2,
…
,sn}。对s进行自适应归一化，归一化后序列为：r＝{r1,r2,
…
,rn}，其中
[0159][0160][0161][0162]
其中，α和β是相邻时间序列的关系因子，，i＝{1,2......n}di是迭代过程变量，是迭代过程变量，ri是归一化后的序列，fi是迭代过程变量，是迭代过程变量。
[0163]
步骤s908，识别动态目标。
[0164]
目标识别过程是从空间或时间分布数据信息中将属于目标的部分筛选出来并进行特征判断。机器学习是解决这类问题的有利工具。在机器学习过程中，采用适宜的算法与分类器并选取合适的先验特征，以识别动态目标。
[0165]
实施例10
[0166]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法。
[0167]
在本实施例中，基于传感器自标定、系统联合标定等标定手段，开展作业现场环境感知。对采集数据进行数据预处理完成干扰因素滤除和特征提取。实景地图融合包括特征级和空间统一基准融合。通过研究三维地图数据的有效特征点提取方法，通过多次特征匹配实现施工现场三维场景实时重构；结合地图数据图像化表述技术和数据自动关联分析技术，研究典型环境特征数据的超像素分割和语义关系分析方法，实现地图数据的分割，结合深度学习，利用稀疏卷积神经网络架构实现对施工现场实景地图典型动态目标快速识别。
[0168]
首先，进行环境感知。在完成数据采集之后，获取例如地图数据、惯性数据以及5g gnss数据等。然后进行系统标定。基于传感器自标定、系统联合标定等标定手段，开展作业现场环境感知。
[0169]
其次，进行信息处理。信息处理主要包括两个部分：数据处理和数据融合。数据处理包括数据预处理、多元分割、特征提取等。数据融合包括统一基准、特征级等。通过信息处理，对采集数据进行数据预处理完成干扰因素滤除和特征提取。数据融合主要是统一基准，并确定特征级。
[0170]
最后，进行环境重构与目标定位。环境重构与目标定位主要包括：环境建模、目标识别和主动监测。环境建模主要是基于环境特征，多次特征匹配，进行三维重建。目标识别主要是进行模板匹配，特征提取。主动监测主要是目标定位和目标监测。
[0171]
本实施例中，结合地图数据图像化表述技术和数据自动关联分析技术，利用典型环境特征数据的超像素分割和语义关系分析方法，实现地图数据的分割，结合深度学习，利用稀疏卷积神经网络架构实现对施工现场实景地图典型目标识别与主动监测。
[0172]
实施例11
[0173]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法。该方法和实施例8至10中的方法类似，不同之处在于对动态目标进行识别。
[0174]
图11是根据本发明实施例的动态目标识别的方法的流程图，如图11所示，该方法包括以下步骤：
[0175]
步骤s1102，获取信息数据。
[0176]
感知系统进行环境感知，获取环境数据。
[0177]
步骤s1104，展开列向量。
[0178]
将惯性、5g、gnss系统误差状态向量定义为15
×
1的列向量：
[0179][0180]
其中，为k时刻下的imu、5g及gnss测量的姿态角误差的差值，定义为包含滚转角、俯仰角和偏航角的三维列向量；为陀螺仪输出的零偏值；δrk为导航系下的三轴位
置误差；δvk为导航系下的三轴速度误差；为加速度计输出的零偏值。
[0181]
角速度ω和加速度a与测量值的关系可以表示为：
[0182][0183]
其中，ωm为测量角速度，ng为导航系下的角速度补偿量，为测量加速度，na为导航系下的加速度补偿量。
[0184]
动态系统状态空间卷积模型描述的更新方程可以表示为：
[0185][0186]
其中，k为离散时间，为系统噪声；gk为噪声矩阵系数；vk为观测噪声矩阵；hk为观测矩阵；zk为观测量，为系统在时刻(k 1)的状态，x
k 1
∈rn，为对应信号的观测矩阵，f(xk)为系统在k时刻的状态函数，c为imu向导航坐标系的转移矩阵，ωb为imu下的角速度,ab为imu下的加速度。f(xk)定义如下：
[0187][0188]
其中，为陀螺仪输出的姿态角误差的差值，δa为加速度计输出的零偏值，为陀螺仪输出的零偏值，δti为imu采样时间隔为，δtc为相机采样时间隔为，为地图位姿到imu的姿态转移矩阵(由imu的安装结构可知为定值)，为k时刻姿态角误差。
[0189]
根据地图特征点提取和匹配关系可以得到各帧之间的转移矩阵r，则在导航坐标系下姿态矩阵可以表示为：
[0190][0191]
其中，c
11
至c
33
表示所获取的姿态数据信息，由此解算得到相应的姿态角信息：
[0192][0193]
其中，为k时刻下的姿态角，ψk为k时刻下偏航角，为k时刻下俯仰角，γk为k
时刻滚转角。(7)
[0194]
其中，姿态误差作为观测量可以表示为：
[0195][0196]
其中，为自适应动态匹配的组合位姿态角的差值，为imu、5g下测量的姿态角，为gnss测量的姿态角。
[0197]
自适应动态匹配的组合位姿解算姿态误差可以表示为：
[0198][0199]
其中，为权重调整因子，为单位时间内的平均角增量，为姿态误差。这里使用imu的角增量变化值作为权重调整因子γ的计算量，从而避免了由于定位误差过大或失败无法求解的问题。
[0200]
步骤s1106，三维重构。
[0201]
在完成信息尺度、时间和空间关系场景信息的获取之后，进行多元特征的归一化表达，构建三维作业场景。
[0202]
步骤s1108，输入输出关系。
[0203]
在深度学习训练时，优化器会对模型参数进行优化，以寻找一组最优解。卷积神经网络中的每一层的输入输出参数关系可以用神经元链接的权重w和输入输出的通道数等密切相关。
[0204]
步骤s1110，通过深度学习数据特征分析结果。
[0205]
利用稀疏卷积神经网络和运动估计融合模型建立动态目标感知自主学习模型来完成动态目标快速识别与实景地图显示。
[0206]
本实施例中，融合imu的瞬时姿态高精度解算和5g、gnss姿态计算不存在时间上漂移等优势，解决惯性姿态解算随机发散问题，发挥imu姿态测量的优势，进一步提高了姿态解算的准确性，实现动态运动下完整性地图融合识别。
[0207]
实施例12
[0208]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知方法，如图12所示，该方法包括：
[0209]
步骤s1201，获取位姿信息。
[0210]
三轴加速度计和三轴陀螺仪采集数据，所采集的数据通过捷联惯导导航结算，得到位置、速度和姿态。
[0211]
步骤s1202，运动控制触发。
[0212]
通过运动控制控制的负反馈，来调整修正零速度和零角速度，发挥imu姿态测量的优势，进一步提高了姿态解算的准确性，实现动态运动下完整性地图融合。
[0213]
步骤s1203，获取位置信息。
[0214]
基于三维地图数据库，进行特征提取与匹配，获得工程车辆和作业人员的位置信息。
[0215]
步骤s1204，对位置信息和位姿信息进行误差修正。
[0216]
将所得到的位姿信息，例如位置、速度和姿态数据，以及位置信息输入到扩展卡尔
曼滤波器中，对惯性器件的捷联惯导解算和以及地图的位置信息的解算结果进行误差修正。
[0217]
步骤s1205，进行位姿更新。
[0218]
基于位置信息进行深度重建，以实现三维重构。基于捷联惯导导航解算出的位置、速度和姿态信息，进行回环监测和相似度计算。基于三维重构的输出结果和相似度计算的输出结果，对半稠密地图和位姿进行更新，以获取完整场景。
[0219]
实施例13
[0220]
根据本发明实施例，提供了一种基于深度学习的动态目标快速感知系统，如图13所示，该系统包括：
[0221]
感知模块132，被配置为基于感知系统联合标定，进行环境感知，从不同数据源采集数据；场景获取模块134，被配置为基于所采集的数据，进行场景获取，获取地图数据和位姿信息；数据处理模块136，被配置为基于所获取的地图数据和位姿信息，进行多元特征的归一化数据预处理，并通过超像素分割和语义分析来对归一化数据预处理后的数据进行特征匹配；识别模块138，被配置为基于特征匹配得到的数据，利用稀疏卷积网络和运动估计融合，来感知所述动态目标。
[0222]
本实施例中的系统能够实现实施例8至12中任一项的方法，因此，此处不再赘述。
[0223]
实施例14
[0224]
根据本发明实施例，提供了一种非接触式安全距离主动预警系统，该系统如图14所示，包括可视化识别预警平台142，定位基准站143，多个移动定位终端141。
[0225]
可视化识别预警平台142包括基于5g和深度学习的非接触式安全距离主动预警系统，其运行在linux操作系统上。主站基于佳维视工控机tpcipc-100，intel bay trail j1900处理器，处理器性能稳定；内存采用ddr3内存技术，大小为8g；硬盘为512g ssd固态硬盘，1t hdd机械硬盘。软件方面，智齿windows、linux平台，默认rs232协议，可改422/485协议。
[0226]
定位基准站143选用千寻魔方mc262m pro gnss定位模组，内置双频rtk算法，选择bds b2a频段，定位精度：0.02 1ppm，测速精度《0.05m/s。
[0227]
移动定位终端141选用pa-imu-03d作为移动定位终端，其参数如下：启动时间≤5s，量程
±
200
°
/s，零偏重复性≤0.3
°
/h，零偏稳定性≤0.3
°
/h，标度因数非线性度≤200ppm，标度因数重复性≤200ppm，带宽≥300hz，随机游走系数≤0.05
°
/h，类型石英加速度计，量程
±
10g(各种量程可选择)，偏值≤1mg，偏值月综合误差＜5
×
10-5g(1σ)，偏值温度系数≤50ug/℃，标度因数月综合误差＜80ppm(1σ)，标度因数温度系数＜80ppm/℃。
[0228]
系统工作过程中，通过在工程车辆(载体)上指定位置上安装例如三个移动定位终端，如图14所示分别安装在工程车辆的驾驶室上方a，吊臂的最高点b以及操作室的上方c。其中a点的移动定位终端负责测量车辆的实际位置与车辆姿态，b点和c点的移动定位终端用于测量吊臂的伸长长度以及吊臂相对于载体的旋转角度。有a、b、c三点的位置信息，可以完成工程车辆位置和角度实时信息获取。
[0229]
将工程车辆位置和角度实时信息回传到可视化识别预警平台，平台利用已有的危险区域坐标与工程车辆位置信息对比识别，在超出设定预警安全阈值后主动预警。
[0230]
本实施例中的可视化识别预警平台相当于实施例7中的非接触式安全距离主动预
警装置，并且能够实现上述实施例1至6中的方法，因此，此处不再赘述。
[0231]
实施例15
[0232]
本发明的实施例还提供了一种存储介质，其上存储有程序，在所述程序被执行时，使得计算机执行实施例1至6、8至12中的的方法。
[0233]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0234]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。