AI算法在全站仪棱镜自动识别与跟踪系统及方法与流程

ai算法在全站仪棱镜自动识别与跟踪系统及方法
技术领域
1.本发明涉及人工智能技术领域，具体为ai算法在全站仪棱镜自动识别与跟踪系统及方法。


背景技术：

2.工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
3.目前为止，ai在全站仪棱镜识别中应用未开启，并且现有棱镜识别技术基于传统视觉方案实现，传统视觉识别算法在场景泛化性方面存在一定的不足，棱镜运动过程中会出现丢失现象，多干扰源等等情况，实际应用场景中棱镜丢失后难以重新识别，所以我们提出ai算法在全站仪棱镜自动识别与跟踪系统及方法，用以解决上述所提到的问题。


技术实现要素：

4.本发明的目的在于提供ai算法在全站仪棱镜自动识别与跟踪系统及方法，以解决上述背景技术中提出现有棱镜识别技术基于传统视觉方案实现，传统视觉识别算法在场景泛化性方面存在一定的不足，棱镜运动过程中会出现丢失现象，多干扰源等等情况，实际应用场景中棱镜丢失后难以重新识别的问题。
5.为实现上述目的，本发明提供如下技术方案：ai算法在全站仪棱镜自动识别与跟踪系统，包括数据采集模块、预处理模块、检测模块和跟踪模块，所述数据采集模块与预处理模块连接，所述预处理模块和检测模块连接，所述检测模块和跟踪模块连接，所述检测模块包括atr主板、全站仪物镜、棱镜，所述atr主板包括信号调制、ai图像处理单元和图像驱动单元，所述信号调制连接有激光驱动电路，所述激光驱动电路连接有激光管，所述激光管与全站仪物镜连接，所述全站仪物镜连接有消光片，所述消光片连接有镀膜平片，所述镀膜平片连接有图像传感芯片，所述图像传感芯片与ai图像处理单元和图像驱动单元连接，所述全站仪物镜设置在棱镜的一侧；
6.检测模块：利用采集的数据集用矩形框画出需检测的棱镜，在检测模块中主要完成的工作是利用多层卷积网络提取数据集中的特征然后与矩形框中棱镜的特征进行获取二者之间的差距循环利用网络中的每个节点的特征值的变动来减少二者间的差距最终获得二者间差距即损失值达到最小值，该组特征即为整个模型所需要的特征值，模型损失迭代达到最小值拟合后，将实时数据输入即可获取数据中的棱镜感兴趣区域；
7.跟踪模块：如果检测到有棱镜信息将检测的棱镜所在选择框的像素坐标导入到跟踪算法模块进行已有棱镜特征匹配，判断是否是已经检测过的棱镜，如果出现过则赋予该
棱镜相应的id编号，如果没有出现则赋予新的id编号；
8.ai数据处理模块：数据采集的相机有滤光片等一些光学器件进行环境光干扰的消除，视野中呈现的是棱镜的光圈，采集的图像数据中主要有棱镜，反光片的干扰物体，采集的场所包括室内、室外场景，室外经常基于全站仪测量的有效距离，在采集是以固定距离范围内，在各种测绘场景下采集棱镜的形态。
9.优选的，所述激光管与全站仪物镜通过激光光纤耦合。
10.优选的，所述图像传感芯片与图像驱动单元为双向连接。
11.优选的，所述数据集为单棱镜无干扰、多棱镜无干扰、单棱镜有干扰、多棱镜有干扰与无棱镜有干扰中的一种。
12.ai算法在全站仪棱镜自动识别与跟踪方法，包括以下步骤：
13.s1.输入端将视频数据输入到预处理模块进行预处理；
14.s2.将预处理后的图像帧数据倒伏到检测模型当中；
15.s3.对检测模型进行判断后检测到有棱镜后将结果转至步骤s4跟踪算法模块中，如果没有检测到棱镜将结果导入到步骤s5中并判断是否需要向控制端发送棱镜信息的信号；
16.s4.将检测模型的数据输出结果输入跟踪模型中获得该模型中棱镜的id与其位置坐标信息；
17.s5.实时接收控制端信号获得请求数据信号后实时将检测结果发送至控制端从而达到对点机控制作用。
18.优选的，所述步骤s1中数据采集模块从镜头获取视频图像数据后送入预处理模块进行视频帧提取。
19.优选的，所述步骤s2中图像帧数据筛选和重新定义大小后送入到检测模型模块进行棱镜识别。
20.优选的，所述步骤s3中根据检测模块的识别结果进行判断，如果检测到没有棱镜直接返回无棱镜信号，如果检测到有棱镜信息将检测的棱镜所在选择框的坐标导入到跟踪算法模块进行棱镜特征匹配。
21.优选的，所述步骤s5中判断是否是已有棱镜而后输出棱镜对应id，之后实时监测控制是否有请求信号，将棱镜信息传输到控制端中。
22.与现有技术相比，本发明的有益效果是：
23.1、本发明中，ai识别技术可以在学习更多复杂环境下的棱镜状态包括形状、大小、亮度等等特征，从而使得在识别棱镜方面更加快速，应用范围更广；
24.2、本发明中，ai抗干扰能力强，实时性高，通过ai识别与跟踪功能可以解决棱镜运动过程中出现的丢失现象，多干扰源等等情况。
25.本发明中，ai识别技术可以在学习更多复杂环境下的棱镜状态包括形状、大小、亮度等等特征，从而使得在识别棱镜方面更加快速，应用范围更广，ai抗干扰能力强，实时性高，ai算法中的跟踪功能可以通过设定特征存储量阈值来控制棱镜帧丢失后出现复现达到重识别的功能，将ai检测模块实时给控制端反馈棱镜的位置信息从而使驱动器定位到棱镜完成测量功能。
附图说明
26.图1为本发明的结构框图；
27.图2为本发明中棱镜识别系统原理图；
28.图3为本发明中ai算法流程图；
29.图4为本发明中棱镜数据集在室内的示意图；
30.图5为本发明中棱镜数据集在室外的示意图。
具体实施方式
31.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，都属于本发明保护的范围。
32.在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
33.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
34.实施例一
35.请参阅图1至图5，本发明提供的一种实施例：ai算法在全站仪棱镜自动识别与跟踪系统及方法，包括数据采集模块、预处理模块、检测模块和跟踪模块，数据采集模块与预处理模块连接，预处理模块和检测模块连接，检测模块和跟踪模块连接，检测模块包括atr主板、全站仪物镜、棱镜，atr主板包括信号调制、ai图像处理单元和图像驱动单元，信号调制连接有激光驱动电路，激光驱动电路连接有激光管，激光管与全站仪物镜连接，全站仪物镜连接有消光片，消光片连接有镀膜平片，镀膜平片连接有图像传感芯片，图像传感芯片与ai图像处理单元和图像驱动单元连接，全站仪物镜设置在棱镜的一侧；
36.检测模块：利用采集的数据集用矩形框画出需检测的棱镜，在检测模块中主要完成的工作是利用多层卷积网络提取数据集中的特征然后与矩形框中棱镜的特征进行获取二者之间的差距循环利用网络中的每个节点的特征值的变动来减少二者间的差距最终获得二者间差距即损失值达到最小值，该组特征即为整个模型所需要的特征值，模型损失迭代达到最小值拟合后，将实时数据输入即可获取数据中的棱镜感兴趣区域；
37.跟踪模块：如果检测到有棱镜信息将检测的棱镜所在选择框的像素坐标导入到跟踪算法模块进行已有棱镜特征匹配，判断是否是已经检测过的棱镜，如果出现过则赋予该棱镜相应的id编号，如果没有出现则赋予新的id编号；
38.ai数据处理模块：数据采集的相机有滤光片等一些光学器件进行环境光干扰的消
除，视野中呈现的是棱镜的光圈，采集的图像数据中主要有棱镜，反光片的干扰物体，采集的场所包括室内、室外场景，室外经常基于全站仪测量的有效距离，在采集是以固定距离范围内，在各种测绘场景下采集棱镜的形态。
39.ai算法在全站仪棱镜自动识别与跟踪方法，包括以下步骤：
40.s1.输入端将视频数据输入到预处理模块进行预处理；
41.s2.将预处理后的图像帧数据倒伏到检测模型当中；
42.s3.对检测模型进行判断后检测到有棱镜后将结果转至步骤s4跟踪算法模块中，如果没有检测到棱镜将结果导入到步骤s5中并判断是否需要向控制端发送棱镜信息的信号；
43.s4.将检测模型的数据输出结果输入跟踪模型中获得该模型中棱镜的id与其位置坐标信息；
44.s5.实时接收控制端信号获得请求数据信号后实时将检测结果发送至控制端从而达到对点机控制作用。
45.实施例二
46.请参阅图1至图5，本发明提供的一种实施例：ai算法在全站仪棱镜自动识别与跟踪系统，包括数据采集模块、预处理模块、检测模块和跟踪模块，数据采集模块与预处理模块连接，预处理模块和检测模块连接，检测模块和跟踪模块连接，检测模块包括atr主板、全站仪物镜、棱镜，atr主板包括信号调制、ai图像处理单元和图像驱动单元，信号调制连接有激光驱动电路，激光驱动电路连接有激光管，激光管与全站仪物镜连接，激光管与全站仪物镜通过激光光纤耦合，全站仪物镜连接有消光片，消光片连接有镀膜平片，镀膜平片连接有图像传感芯片，图像传感芯片与ai图像处理单元和图像驱动单元连接，图像传感芯片与图像驱动单元为双向连接，全站仪物镜设置在棱镜的一侧；
47.检测模块：利用采集的数据集用矩形框画出需检测的棱镜，在检测模块中主要完成的工作是利用多层卷积网络提取数据集中的特征然后与矩形框中棱镜的特征进行获取二者之间的差距循环利用网络中的每个节点的特征值的变动来减少二者间的差距最终获得二者间差距即损失值达到最小值，该组特征即为整个模型所需要的特征值，模型损失迭代达到最小值拟合后，将实时数据输入即可获取数据中的棱镜感兴趣区域，数据集为单棱镜无干扰、多棱镜无干扰、单棱镜有干扰、多棱镜有干扰与无棱镜有干扰中的一种；
48.跟踪模块：如果检测到有棱镜信息将检测的棱镜所在选择框的像素坐标导入到跟踪算法模块进行已有棱镜特征匹配，判断是否是已经检测过的棱镜，如果出现过则赋予该棱镜相应的id编号，如果没有出现则赋予新的id编号；
49.ai数据处理模块：数据采集的相机有滤光片等一些光学器件进行环境光干扰的消除，视野中呈现的是棱镜的光圈，采集的图像数据中主要有棱镜，反光片的干扰物体，采集的场所包括室内、室外场景，室外经常基于全站仪测量的有效距离，在采集是以固定距离范围内，在各种测绘场景下采集棱镜的形态。
50.ai算法在全站仪棱镜自动识别与跟踪方法，包括以下步骤：
51.s1.输入端将视频数据输入到预处理模块进行预处理，数据采集模块从镜头获取视频图像数据后送入预处理模块进行视频帧提取；
52.s2.将预处理后的图像帧数据倒伏到检测模型当中，图像帧数据筛选和重新定义
大小后送入到检测模型模块进行棱镜识别；
53.s3.对检测模型进行判断后检测到有棱镜后将结果转至步骤s4跟踪算法模块中，如果没有检测到棱镜将结果导入到步骤s5中并判断是否需要向控制端发送棱镜信息的信号，根据检测模块的识别结果进行判断，如果检测到没有棱镜直接返回无棱镜信号，如果检测到有棱镜信息将检测的棱镜所在选择框的坐标导入到跟踪算法模块进行棱镜特征匹配；
54.s4.将检测模型的数据输出结果输入跟踪模型中获得该模型中棱镜的id与其位置坐标信息；
55.s5.实时接收控制端信号获得请求数据信号后实时将检测结果发送至控制端从而达到对点机控制作用，判断是否是已有棱镜而后输出棱镜对应id，之后实时监测控制是否有请求信号，将棱镜信息传输到控制端中。
56.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。