基于TOF相机的露天矿卡车装载体积测量实验研究

TOF相机作为新兴技术设备,在三维建模、体积计算等方面具有良好的应用前景。针对露天矿山多个环节都涉及到的矿用卡车装载计量的需求,为了更进一步提升矿用卡车装载计量评价效果,本研究利用TOF相机进行矿用卡车装载体积计量的方法。该方法首先采用TOF相机提取矿用卡车的点云,然后使用cloudcompare对点云进行降噪、分割等预处理,构建矿用卡车的点云表面模型,并对装载前后的点云模型进行配准,最后计算矿用卡车的装载体积,并且同时提供了2种矿用卡车装载体积计算的方法。实验室环境下对矿用卡车模型装载体积进行多次测试,同真实体积相比,平均误差小于5%。

露天矿卡车司机驾驶行为Yolo-V5检测模型轻量级优化研究

针对Yolo-V5目标检测算法在露天矿应用中存在的模型拟合能力低、实时目标检测占用内存过大及设备配置要求高等缺陷,提出融合优化策略对Yolo-V5模型进行轻量级优化研究。在模型训练阶段,引入动量改进torch.optim.SGD()算法对模型训练权重进行优化,加快训练收敛速度,增强模型拟合度;模型训练后,在OpenVino环境下对Yolo-V5模型进行网络层剪枝和FP16量化,模型体积压缩75%,运算内存降低33.88%。通过实验室对比试验,得出如下结论:相较搭载GPU设备,采用融合优化策略的检测模型,在低配置CPU设备上推理FPS提升83.71%,平均推理时间降低45.11%,8类驾驶行为检测预警时间降低9.89%~82.21%,对吸烟、吃喝、手机检测精确度提升3.34%~10.00%。研究表明:融合优化策略实现了Yolo-V5轻量级优化的研究目标,实时目标检测摆脱了对GPU设备的依赖,为Yolo-V5目标检测进一步在露天矿应用推广打下了良好的研究基础。