通过基于3D LiDAR的深度学习,在煤场危险区域进行强大的行人检测和入侵判断
Anxin Zhao1, Yekai Zhao1, Qiuhong Zheng1
1College of Communication and Information Technology, Xi'an University of Science and Technology, Xi'an 710054, China.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
这项研究介绍了一种基于3D LiDAR的系统,用于检测煤场的行人入侵,克服了在照明不佳的情况下视觉方法的局限性. 新型EFT-RCNN网络实现了高精度和实时性能,以提高安全性.
科学领域:
- 机器人和自动化机器人与自动化
- 计算机视觉 计算机视觉
- 工业安全 工业安全 工业安全
背景情况:
- 步行者侵入煤炭场造成事故,目前的视觉检测方法因照明不好和缺乏3D数据而受到限制.
- 由于环境因素和检测系统的局限性,像煤场这样的工业区的安全监督受到挑战.
研究的目的:
- 开发一种使用3D LiDAR技术,用于煤场的强大的3D行人入侵检测方法.
- 在复杂的工业环境中提高行人检测的准确性和可靠性.
主要方法:
- 提出了一个新的行人检测网络,EFT-RCNN,结合了EnhancedVFE,FocalConv和TeBEVPooling,以改进3D空间特征提取和鸟视图 (BEV) 生成.
- 使用多边形面和高度限制定义精确的3D危险区域.
- 实施了点-区域等级判断方法,用于空间关系计算和分级警告.
主要成果:
- 与基线相比,EFT-RCNN在KITTI数据集上的行人检测平均精度提高了4.39% (3D) 和4.68% (BEV).
- 在实践测试中,实现了28.56 FPS的实时处理,检测准确率为92.9%,平均距离测量误差为0.054 m.
结论:
- 拟议的基于3D LiDAR的方法有效地减轻了环境干扰,以便在煤炭场进行强大的行人检测.
- 该系统为在工业环境中积极预防行人入侵事故提供了可靠的解决方案.
