1緒論
1.1礦山智能視覺(jué)應(yīng)用及意義
1.2礦山智能視覺(jué)研究概況
1.2.1機(jī)器視覺(jué)應(yīng)用現(xiàn)狀
1.2.2目標(biāo)檢測(cè)研究現(xiàn)狀
1.2.3道路檢測(cè)研究現(xiàn)狀
1.2.4障礙檢測(cè)研究現(xiàn)狀
1.2.5多模態(tài)數(shù)據(jù)融合研究現(xiàn)狀
1.3礦山智能視覺(jué)發(fā)展趨勢(shì)…
2礦山智能視覺(jué)相關(guān)理論與技術(shù)
2.1深度學(xué)
2.2卷積神網(wǎng)絡(luò)·
2.3目標(biāo)圖像分割算法
2.3.1大類間分割法
2.3.2大熵法
2.4道路邊緣檢測(cè)算法
2.4.1 Sobel算法
2.4.2 Prewitt算法
2.4.3梯度幅值算法
2.5雙目視覺(jué)目標(biāo)測(cè)量
2.6相機(jī)標(biāo)定理論·
3礦區(qū)道路圖像數(shù)據(jù)集處理
3.1圖像數(shù)據(jù)降噪濾波處理
3.1.1均值濾波
3.1.2中值濾波
3.1.3高斯濾波
3.1.4雙邊濾波
3.1.5導(dǎo)向?yàn)V波
3.1.6加權(quán)小二乘濾波
3.1.7小波濾波
3.2圖像數(shù)據(jù)處理
3.2.1直方圖均衡化
3.2.2灰度變換…
3.2.3對(duì)數(shù)變換
3.2.4伽馬變換·
3.2.5 Retinex理論
3.3礦區(qū)道路圖像數(shù)據(jù)集構(gòu)建
3.3.1礦區(qū)道路圖像數(shù)據(jù)集標(biāo)注
3.3.2礦區(qū)道路圖像數(shù)據(jù)増強(qiáng)…
3.3.3礦區(qū)道路圖像數(shù)據(jù)集擴(kuò)增
4礦區(qū)非結(jié)構(gòu)化道路分割…
4.1 BiSeNetV2雙邊分割網(wǎng)絡(luò)模型
4.1.1模型結(jié)構(gòu)…
4.1.2道路特征提取階段
4.1.3道路特征融合階段
4.2OP-BiSeNetV2礦區(qū)道路分割模型·
4.2.1優(yōu)化模型結(jié)構(gòu)
4.2.2細(xì)節(jié)特征提取效率優(yōu)化設(shè)計(jì)
4.2.3.注意力機(jī)制優(yōu)化設(shè)計(jì)·
4.2.4特征圖上采樣優(yōu)化設(shè)計(jì)
4.3礦區(qū)道路分割實(shí)驗(yàn)與分析
4.3.1實(shí)驗(yàn)準(zhǔn)備與設(shè)計(jì)
4.3.2.多模型分割實(shí)驗(yàn)結(jié)果分析
4.3.3連續(xù)幀識(shí)別效果測(cè)試
4.4本章小結(jié)
5礦區(qū)非結(jié)構(gòu)化道路邊緣線跟蹤
5.1礦區(qū)道路邊緣線處理
5.1.1礦區(qū)道路邊緣線提取·
5.1.2礦區(qū)道路左右邊緣的分割
5.2礦區(qū)道路邊緣擬合
5.2.1直線道路邊緣擬合模型構(gòu)建
5.2.2彎道擬合模型構(gòu)建
5.2.3直線-拋物線擬合模型構(gòu)建
5.3礦區(qū)道路邊緣跟蹤
5.3.1道路跟蹤算法
5.3.2道路邊緣區(qū)域劃分
5.4礦區(qū)道路邊緣跟蹤實(shí)驗(yàn)與分析
5.4.1礦區(qū)道路邊緣檢測(cè)
5.4.2礦區(qū)道路邊緣跟蹤
5.5本章小結(jié)
6礦區(qū)無(wú)人車道路偏離檢測(cè)
6.1礦區(qū)車道偏離特征提取·
6.1.1礦區(qū)車道識(shí)別圖像預(yù)處理
6.1.2礦區(qū)車道邊緣線擬合
6.2基于PSO-BP的礦區(qū)車道偏離檢測(cè)
6.2.1BP神網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
6.2.2粒子群優(yōu)化網(wǎng)絡(luò)權(quán)重設(shè)計(jì)
6.3礦區(qū)車道偏離實(shí)驗(yàn)與分析
6.3.1實(shí)驗(yàn)準(zhǔn)備與設(shè)計(jì)
6.3.2實(shí)驗(yàn)結(jié)果分析
本章小結(jié)
7礦區(qū)復(fù)雜道路動(dòng)態(tài)路網(wǎng)構(gòu)建
7.1礦區(qū)道路提取數(shù)據(jù)集的建立
7.1.1礦區(qū)道路數(shù)據(jù)集的人工標(biāo)注
7.1.2露天礦區(qū)道路圖像預(yù)處理
7.1.3數(shù)據(jù)集擴(kuò)增及劃分
7.2 DeepLabv3 道路提取模型結(jié)構(gòu)
7.2.1空洞卷積
7.2.2空洞空間金字塔池化
7.2.3解碼-編碼器結(jié)構(gòu)
7.3礦區(qū)路網(wǎng)圖像分割優(yōu)化模型構(gòu)建
7.3.1礦區(qū)道路提取優(yōu)化模型
7.3.2礦區(qū)道路特征提取
7.3.3道路數(shù)據(jù)不平衡修正
……
9.2.1雙目相機(jī)立體校正原理
9.2.2雙目相機(jī)立體校正實(shí)驗(yàn)
9.3立體匹配算法研究
9.3.1立體匹配的步驟與約束條件
9.3.2 SGBM半全局立體匹配算法
9.4 立體匹配視差測(cè)距
9.5本章小結(jié)
10跨模態(tài)融合的礦區(qū)無(wú)人車道路障礙測(cè)量
10.1跨模態(tài)數(shù)據(jù)融合架構(gòu)設(shè)計(jì)
10.1.1時(shí)間融合
10.1.2 空間融合
10.2礦區(qū)行車障礙跨模態(tài)數(shù)據(jù)空間匹配
10.2.1 障得物圖像畸變矯正算法
10.2.2基于特征點(diǎn)匹配的跨模態(tài)數(shù)據(jù)融合
10.3礦區(qū)行車障礙空間距離融合計(jì)算·
10.3.1碰撞目標(biāo)特征設(shè)計(jì)
10.3.2距離估計(jì)模型
10.4行車障礙空間距離融合計(jì)算
10.5障礙空間測(cè)量實(shí)驗(yàn)與分析
10.6本章小結(jié)
11礦區(qū)智能視覺(jué)綜合應(yīng)用案例
11.1礦區(qū)道路障礙目標(biāo)數(shù)據(jù)集
11.1.1礦區(qū)行車數(shù)據(jù)采集
11.1.2障礙目標(biāo)標(biāo)注
11.2礦區(qū)道路障礙目標(biāo)檢測(cè)實(shí)驗(yàn)分析
11.2.1實(shí)驗(yàn)環(huán)境配置與評(píng)價(jià)指標(biāo)
11.2.2預(yù)網(wǎng)絡(luò)
11.2.3結(jié)果與分析
11.3礦區(qū)道路障礙目標(biāo)距離估計(jì)實(shí)驗(yàn)分析
11.4本章小結(jié)
參考文獻(xiàn)