[发明专利]基于深度学习的煤堆取煤点提取方法及装置

权利要求书

1.基于深度学习的煤堆取煤点提取方法，其特征在于，包括以下：

获取目标煤堆的第一点云数据集；

对所述第一点云数据集进行滤波处理得到第二点云数据集；

根据所述第二点云数据集制作目标煤堆的训练集以及测试集；

根据所述训练集进行训练得到训练模型；

加载所述训练模型，输入测试集，得到分割出的作业面；

根据所述作业面，通过坐标计算得到取煤点的坐标。

2.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，具体的，所述目标煤堆的第一点云数据集通过激光雷达扫描的方式获得。

3.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，具体的，所述根据所述第二点云数据集制作目标煤堆的训练集以及测试集，包括以下，

对第二点云数据集中的点云数据进行标注，标注分为背景对应txt文件中的0以及平面对应txt文件中1；

将标注好的点云数据进行打乱处理，并丢弃不能被2048整除的点云数据得到剩下的点云数据；

将剩下的点云数据分为多份，每份2048个数据，按4：1的比例分配到训练集以及测试集的文件夹，文件夹中的数据有四列，前三列是点云的x,y,z的位置信息，第四列是标签信息。

4.根据权利要求1所述的基于深度学习的煤堆取煤点提取方法，其特征在于，上述根据所述训练集进行训练得到训练模型，加载所述训练模型，输入测试集，得到分割出的作业面，具体包括以下，

将训练集中的数据分为两份，一份保存位置信息三列，另一份保存标签信息，设置batch为4，分批训练数据，每个batch数据的大小为（4，2048，3），先对数据进行最远点采样处理，包括以下，

采样1024点，设置半径数值和半径内点的数量，第一个半径是0.05，半径内点的数量为16，最终得到大小为（4，1024，16，3）大小的点，第二个半径是0.1，采样半径内的点为32，最终得到大小为（4，1024，32，3）大小的点；将第一个batch数据进行特征提取，特征提取分为四次，每次都分别对两个不同半径的数据进行卷积提取特征，结束后进行特征维度拼接；每次都有三个卷积层，且每个卷积层后有bn和relu层；第一次三卷积层的数据为（16，16，32），每个卷积层后都有bn层和relu层，第一个卷积层输入通道是6，输出通道16，卷积核大小为1*1，stride为1*1，卷积核数量为16 ，第二个卷积层输入通道是16，输出通道为16，卷积核大小为1*1，stride为1*1，卷积核数量为16，第三个卷积层输入通道是16，输出通道为32，卷积核大小为1*1，stride为1*1，卷积核数量为32，第一份半径数据经过三层卷积后得到数据大小为（4，1024，16，32），卷积后进行max操作得到点的数据为（4，1024，32），第二份半径点的数也通过三层卷积（32，32，64）后得到数据大小为（4，1024，32，64），max后点的数据大小为（4，1024，64），将两份数据按dim = -1进行特征拼接，得到（4，1024，96）；

将得到的（4，1024，96）数据还需要进行最远点采样处理操作三次，分别采样数目为256、64、16，最终得到点的数据大小为（4，16，1024），其中1024是特征；

接下来是上采样的过程，通过插值最终得到的数据大小为（4，128，2048）；

最后经过mlp全连接层输出数据大小（4，2048，2）。

5.基于深度学习的煤堆取煤点提取装置，其特征在于，包括以下：

点云获取模块，用于获取目标煤堆的第一点云数据集；

滤波处理模块，用于对所述第一点云数据集进行滤波处理得到第二点云数据集；

数据集制作模块，用于根据所述第二点云数据集制作目标煤堆的训练集以及测试集；

训练模块，用于根据所述训练集进行训练得到训练模型；

作业面生成模块，用于加载所述训练模型，输入测试集，得到分割出的作业面；

煤点坐标计算模块，用于根据所述作业面，通过坐标计算得到取煤点的坐标。

6.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。