Detección de Objetos en Caminos de Minería Inteligente Basada en Fusión de Características Multiescala en Redes de Múltiples UAV
Autores: Xu, Xinkai; Zhao, Shuaihe; Xu, Cheng; Wang, Zhuang; Zheng, Ying; Qian, Xu; Bao, Hong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de Objetos en Caminos de Minería Inteligente Basada en Fusión de Características Multiescala en Redes de Múltiples UAV
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Camiones de minería
Sin conductor
Obstáculos
Modelo IMOD
Sistemas inteligentes
Red neuronal convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
En entornos mineros complejos, se requiere que los camiones mineros sin conductor cooperen con múltiples sistemas inteligentes. Deben realizar la evasión de obstáculos basándose en factores como el ancho de la carretera del sitio, el tipo de obstáculo, el estado de movimiento del cuerpo del vehículo y la concavidad-convexidad del terreno. Dirigiéndose al área de minería a cielo abierto, este documento propone un modelo de detección de objetos en caminos mineros inteligentes (IMOD) desarrollado utilizando un enfoque de 5G-multi-UAV y aprendizaje profundo. El modelo IMOD emplea sensores de datos para monitorear datos de superficie en tiempo real dentro de una red colaborativa 5G de múltiples sistemas. El modelo transmite datos a varios sistemas inteligentes y dispositivos de borde en tiempo real, y la tarjeta de minería no tripulada construye el área de conducción sobre la marcha. El modelo IMOD utiliza una red neuronal convolucional para identificar obstáculos frente a los camiones mineros sin conductor en tiempo real, optimizando el control colaborativo de múltiples sistemas y la programación de camiones mineros sin conductor basándose en datos de obstáculos. Múltiples sistemas cooperan para maniobrar alrededor de obstáculos, incluyendo la evasión de obstáculos estáticos, como maniquíes de pie y acostados, barriles de aceite vacíos y vehículos; evitando continuamente múltiples obstáculos; y evitando obstáculos dinámicos como personas caminando y vehículos en movimiento. Para este estudio, recopilamos y construimos de manera independiente un conjunto de datos de imágenes de obstáculos específico para el área minera, y las pruebas experimentales y análisis revelan que el modelo IMOD mantiene una ruta suave y una actitud de movimiento del vehículo estable, asegurando la seguridad de los camiones mineros sin conductor, así como del personal y el equipo en el área minera. Los experimentos de ablación y robustez demuestran que el modelo IMOD supera al modelo YOLOv5 sin modificar, con una mejora promedio de aproximadamente 9.4% en múltiples medidas de rendimiento. Además, en comparación con otros algoritmos, este modelo muestra mejoras significativas en el rendimiento.
Descripción
En entornos mineros complejos, se requiere que los camiones mineros sin conductor cooperen con múltiples sistemas inteligentes. Deben realizar la evasión de obstáculos basándose en factores como el ancho de la carretera del sitio, el tipo de obstáculo, el estado de movimiento del cuerpo del vehículo y la concavidad-convexidad del terreno. Dirigiéndose al área de minería a cielo abierto, este documento propone un modelo de detección de objetos en caminos mineros inteligentes (IMOD) desarrollado utilizando un enfoque de 5G-multi-UAV y aprendizaje profundo. El modelo IMOD emplea sensores de datos para monitorear datos de superficie en tiempo real dentro de una red colaborativa 5G de múltiples sistemas. El modelo transmite datos a varios sistemas inteligentes y dispositivos de borde en tiempo real, y la tarjeta de minería no tripulada construye el área de conducción sobre la marcha. El modelo IMOD utiliza una red neuronal convolucional para identificar obstáculos frente a los camiones mineros sin conductor en tiempo real, optimizando el control colaborativo de múltiples sistemas y la programación de camiones mineros sin conductor basándose en datos de obstáculos. Múltiples sistemas cooperan para maniobrar alrededor de obstáculos, incluyendo la evasión de obstáculos estáticos, como maniquíes de pie y acostados, barriles de aceite vacíos y vehículos; evitando continuamente múltiples obstáculos; y evitando obstáculos dinámicos como personas caminando y vehículos en movimiento. Para este estudio, recopilamos y construimos de manera independiente un conjunto de datos de imágenes de obstáculos específico para el área minera, y las pruebas experimentales y análisis revelan que el modelo IMOD mantiene una ruta suave y una actitud de movimiento del vehículo estable, asegurando la seguridad de los camiones mineros sin conductor, así como del personal y el equipo en el área minera. Los experimentos de ablación y robustez demuestran que el modelo IMOD supera al modelo YOLOv5 sin modificar, con una mejora promedio de aproximadamente 9.4% en múltiples medidas de rendimiento. Además, en comparación con otros algoritmos, este modelo muestra mejoras significativas en el rendimiento.