本发明涉及自动化技术领域，具体涉及一种清扫车控制方法和采用该控制方法作业的清扫车。
背景技术：
随着城市规模的发展，人力成本的不断提高，智能化自主作业清扫车的需求增多。小型电动清扫车具有环保、灵活等优点，广泛应用于辅助道路、工业园区和大型场所等的清扫保洁。然而电动清扫车的工作地点车流复杂，工作时间长，司乘人员的操作强度大，且存在一定的交通安全隐患，尤其是现阶段清扫车智能化水平不高，由于清扫的工作任务不同，传统清扫车在作业期间较容易产生盘刷转速功率和实际工况不匹配的现象，从而造成一定程度的能源浪费。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种清扫车控制方法和采用该控制方法作业的清扫车，以改善现有清扫车无法根据工况自行调整清扫任务及路径的问题。
为实现上述目的及其它相关目的，本发明提供一种清扫车控制方法，包括如下步骤：
s1、获取清扫车前方路况图像；
s2、对所述路况图像进行边缘检测图像处理，并将各个垃圾物分别标记为不同的矩形框；
s3、计算出所述路况图像中所述矩形框的总面积和数量，当所述矩形框的总面积超过设定阈值时，则进行新清扫任务添加；
s4、根据线性时序逻辑理论将环境信息与添加后的清扫任务量相融合，构建清扫任务可行网络拓扑，通过路径寻优规划出最优工作路径。
在本发明一示例中，所述清扫车控制方法还包括以下步骤：
s5、获取清扫车盘刷待清扫区域图像；
s6、对所述待清扫区域图像进行边缘检测图像处理，并将所述待清扫区域图像中各个垃圾物分别标记为不同的矩形框；
s7、根据所述待清扫区域图像中的所述矩形框的总面积和数量建立清扫车刷盘的功率拟合模型；
s8、根据所述待清扫区域图像中所述矩形框的总面积和数量，选择实际作业时盘刷的功率大小。
在本发明一示例中，在步骤s7中，建立所述功率拟合模型的过程包括：
s71、在不同的路况和不同矩形框总面积的情况下，人工测试得到盘刷最佳的功率；
s72、采用机器学习中的线性回归算法拟合所述矩形框总面积、数量与盘刷功率之间的函数关系，得到盘刷功率拟合模型。
在本发明一示例中，在步骤s72中采用机器学习中的线性回归算法拟合所述矩形框总面积、数量与盘刷功率之间的函数关系的过程包括：
建立数学模型：x＝{(x11，x12)，(x21，x22)，……，(xn1，xn2)}，其中xi＝(xi1，xi2，)分别路况图像经opencv处理后所得到的矩形框的总面积大小和矩形框数量多少。
采用机器学习中线性回归算法建立拟合一元线性回归模型：
令α＝(βt；b)，定义损失函数为：
通过对损失函数求偏导数找到α，使得j(α)最小，即得到合适的盘刷功率拟合模型。
在本发明一示例中，在步骤s6中，对所述待清扫区域图像进行边缘检测图像处理的过程包括使用opencv中的边缘检测canny算子进行障碍物边缘检测。
在本发明一示例中，所述清扫车上安装有工控机，所述待清扫区域图像信息传输至所述工控机上，并在所述工控机上使用opencv中的边缘检测canny算子进行障碍物边缘检测。
在本发明一示例中，在所述障碍物边缘检测的过程中，使用腐蚀、膨胀函数进行形态学滤波处理。
在本发明一示例中，在所述形态学滤波处理之后，使用寻找轮廓和绘制矩形函数将所述垃圾物以矩形框标记出来。
在本发明一示例中，在每一所述盘刷上方安装一摄像头以获取所述盘刷待清扫区域图像。
在本发明一示例中，所述摄像头为广角摄像头。
在本发明一示例中，还提供一种清扫车，其采用上述任一项所述的清扫车控制方法进行作业。
如上所述，本发明清扫控制方法可以根据前方路况图像中的垃圾物数量及大小，自行添加清扫任务，可以根据不同垃圾物的大小，进行适合的任务量调整，使清扫车既能满足垃圾物清理的需求，又能节能环保。同时本发明方法可以将环境信息与添加后的任务量相融合从而实现路径自动寻优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示为本发明清扫车控制方法一实施例的流程示意图；
图2显示为图1中步骤s7的流程示意图；
图3显示为本发明清扫车一实施例的立体图；
图4显示为本发明清扫车另一实施例的立体图。
附图标记
1、主摄像头；2、第一盘刷摄像头；3、第二盘刷摄像头。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。下列实施例中未注明具体条件的试验方法，通常按照常规条件，或者按照各制造商所建议的条件。
当实施例给出数值范围时，应理解，除非本发明另有说明，每个数值范围的两个端点以及两个端点之间任何一个数值均可选用。除非另外定义，本发明中使用的所有技术和科学术语与本技术领域的技术人员对现有技术的掌握及本发明的记载，还可以使用与本发明实施例中所述的方法、设备、材料相似或等同的现有技术的任何方法、设备和材料来实现本发明。
本发明提供一种清扫车控制方法和采用该控制方法作业的清扫车，以改善现有清扫车无法根据工况自行调整任务量、盘刹转速及路径的问题。本发明清扫控制方法可以通过opencv对视觉系统采集的图像进行处理，并进一步根据垃圾物的大小和数量对任务量进行添加，可以根据不同垃圾物的大小，进行适合的任务量调整，使清扫车既能满足垃圾物清理的需求，又能节能环保。同时本发明方法可以将环境信息与添加后的任务量相融合从而实现路径自动寻优，另外本发明也可以根据垃圾物的大小和数量来调整盘刷至适合的转速，清扫效率较高。
为实现上述目的及其它相关目的，请参照图1，图1为本发明清扫车控制方法的流程示意图。本发明清扫车控制方法，包括如下步骤：
s1、获取清扫车前方路况图像。在该过程中可以采用设置于清扫车上的摄像头来进行前方路况的采集，请参阅图3，在本发明一示例中，在清扫车的上部设置有主摄像头，主摄像头设置于车头的上方，以便于能够清楚的捕捉清扫车前方的图像信息。所述摄像头为广角摄像头，镜头视角大，视野宽阔，不仅从某一视点观察到的景物范围要比人眼在同一视点所看到的大得多，而且景深长，可以表现出相当大的清晰范围。
s2、对所述路况图像进行边缘检测图像处理，并将各个垃圾物分别标记为不同的矩形框。在本步骤中，将路况图像通过opencv(opensourcecomputervisionlibrary)进行边缘检测图像处理，并将垃圾物标记为至少一矩形框。在本发明一示例中，所述清扫车上安装有工控机，所述路况图像信息传输至所述工控机上，并在所述工控机上使用opencv中的边缘检测canny算子进行障碍物边缘检测，在所述障碍物边缘检测的过程中，使用腐蚀、膨胀函数进行形态学滤波处理，最后进一步使用寻找轮廓和绘制矩形函数将所述垃圾物以矩形框标记出来。根据垃圾物的大小将垃圾物标记出不同的矩形框。
s3、计算出所述路况图像中所述矩形框的总面积和数量，当所述矩形框的总面积超过设定阈值时，则进行新清扫任务添加。在本步骤中，通过opencv计算出所有所述矩形框的总面积和数量，当所述总面积超过设定阈值时，则进行新清扫任务添加。在此过程中，所述工控机通过opencv进一步计算出图像中所有矩形框的总面积和数量，并根据所述总面积对任务量进行判断，当所述总面积超过设定阈值时，则进行新清扫任务添加。
s4、根据线性时序逻辑理论将环境信息与添加后的清扫任务量相融合，构建清扫任务可行网络拓扑，通过路径寻优规划出最优工作路径。在本步骤中，当检测出垃圾物添加新的任务后，可以根据新添加后的任务量与初始路径任务，通过线性时序逻辑理论，对任务需求通过线性时序任务公式，将初始任务与分配的新任务叠加，并进行网络拓扑，再通过路径寻优规划出工作最优路径。在运用线性时序逻辑理论时，通过线性时序任务公式描述任务需求，通过ltl2ba工具包将线性时序任务公式转换成buchi自动机，之后再经笛卡尔乘积构成网络拓扑，之后搜索最优路径后，映射回加权切换系统，达到路径寻优。
在本发明一实施例中，为了获得更好清扫及节能效果，所述清扫车控制方法还包括如下步骤：
s5、获取清扫车盘刷待清扫区域图像。在本步骤中可以采用设置于清扫车上的摄像头来进行前方路况的采集，请参阅图3，在本发明一示例中，在清扫车两侧的盘刹上方分别设置有第一盘刷摄像头和第二盘刷摄像头，车头的上方设置有能够获取路况图像的主摄像头。所述主摄像头、第一盘刷摄像头和第二盘刷摄像头均为广角摄像头，镜头视角大，视野宽阔，不仅从某一视点观察到的景物范围要比人眼在同一视点所看到的大得多，而且景深长，可以表现出相当大的清晰范围。
s6、对所述待清扫区域图像进行边缘检测图像处理，并将所述待清扫区域图像中各个垃圾物分别标记为不同的矩形框。在本步骤中，将待清扫区域图像通过opencv(opensourcecomputervisionlibrary)进行边缘检测图像处理，并将垃圾物标记为至少一矩形框。在本发明一示例中，所述清扫车上安装有工控机，所述待清扫区域图像信息传输至所述工控机上，并在所述工控机上使用opencv中的边缘检测canny算子进行障碍物边缘检测，在所述障碍物边缘检测的过程中，使用腐蚀、膨胀函数进行形态学滤波处理，最后进一步使用寻找轮廓和绘制矩形函数将所述垃圾物以矩形框标记出来。根据垃圾物的大小将垃圾物标记出不同的矩形框。
s7、根据所述待清扫区域图像中的所述矩形框的总面积和数量建立清扫车刷盘的功率拟合模型。在本步骤中，先计算出待清扫区域图像中所述矩形框的总面积和数量，然后根据计算出的待清扫区域图像中所述矩形框的总面积和数量，建立所述功率拟合模型。请参阅图2，建立所述功率拟合模型的过程具体包括：s71、在不同的路况和不同矩形框总面积的情况下，人工测试得到盘刷最佳的功率。在此步骤中，可以将路况进行分级，并在不同的路况等级下分别对不同的垃圾物矩形框面积进行盘刷功率测定，并将盘刷功率与不同路况和不同矩形框面积之间的实验参数存入至工控机中。s72、采用机器学习中的线性回归算法拟合所述矩形框总面积、数量与盘刷功率之间的函数关系，此步骤的具体过程包括：1、建立数学模型：x＝{(x11，x12)，(x21，x22)，……，(xn1，xn2)}，其中xi＝(xi1，xi2，)分别路况图像经opencv处理后所得到的矩形框的总面积大小和矩形框数量多少。2、采用机器学习中线性回归算法建立拟合一元线性回归模型：
s8：根据所述待清扫区域图像中所述矩形框的总面积和数量，选择实际作业时盘刷的功率大小。在该步骤中，工控机根据步骤s7中计算出的所有所述矩形框的总面积和数量，对应步骤s7中获得的盘刷功率拟合模型，选取对应的盘刷速度，并将该盘刷速度发送给盘刷转动执行机构，从而调整盘刷转速至对应的盘刷速度。
请参阅图3和图4，图3和图4为本发明清扫车一实施例的立体图。在本发明一示例中，还提供一种清扫车，所述清扫车包括清扫车主体、主摄像头1、第一盘刷摄像头2、第二盘刷摄像头3、gps定位装置、工控机、车载电源、控制器，其采用上述任一项所述的清扫车控制方法进行作业。主摄像头1、第一盘刷摄像头2、第二盘刷摄像头3分别通过usb与工控机连接，车载电源分别给工控机与各个摄像头进行供电，控制器通过数字i/o接口与盘刷连接。主摄像头1安装在车头处，第一盘刷摄像头2、第二盘刷摄像头3分别位于两侧盘刷上侧处，主摄像头1用于获得前方路况图像，第一盘刷摄像头2、第二盘刷摄像头3用于获取其对应盘刷位置处待清扫区域的图像。工控机基于机器学习与opencv模型，能够标记各个图像中垃圾物大小、数量，预测盘刷所需最优转速，同时gps定位装置与车头处摄像头传入的图像数据传入工控机，从而实现任务路径规划。在本发明清扫车一示例中，所述工控机在对清扫车的工作路径进行规划的同时，并选取最优盘刷转速从而对所述清扫车进行控制，以降低功率损耗节约能源。
如上所述，本发明清扫控制方法可以通过opencv对视觉系统采集的图像进行处理，并进一步根据垃圾物的大小和数量对任务量进行添加，可以根据不同垃圾物的大小，进行适合的任务量调整，使清扫车既能满足垃圾物清理的需求，又能节能环保。同时本发明方法可以将环境信息与添加后的任务量相融合从而实现路径自动寻优。另外本发明可以根据垃圾物的大小和数量来调整盘刷至适合的转速，清扫效率较高。所以，本发明有效克服了现有技术中的一些实际问题从而有很高的利用价值和使用意义。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
1.一种清扫车控制方法，其特征在于，包括如下步骤：
s1、获取清扫车前方路况图像；
s2、对所述路况图像进行边缘检测图像处理，并将各个垃圾物分别标记为不同的矩形框；
s3、计算出所述路况图像中所述矩形框的总面积和数量，当所述矩形框的总面积超过设定阈值时，则进行新清扫任务添加；
s4、根据线性时序逻辑理论将环境信息与添加后的清扫任务量相融合，构建清扫任务可行网络拓扑，通过路径寻优规划出最优工作路径。
2.根据权利要求1所述的清扫车控制方法，其特征在于，还包括以下步骤：
s5、获取清扫车盘刷待清扫区域图像；
s6、对所述待清扫区域图像进行边缘检测图像处理，并将所述待清扫区域图像中各个垃圾物分别标记为不同的矩形框；
s7、根据所述待清扫区域图像中的所述矩形框的总面积和数量建立清扫车刷盘的功率拟合模型；
s8、根据所述待清扫区域图像中所述矩形框的总面积和数量，选择实际作业时盘刷的功率大小。
3.根据权利要求2所述的清扫车控制方法，其特征在于，在步骤s7中，建立所述功率拟合模型的过程包括：
s71、在不同的路况和不同矩形框总面积的情况下，人工测试得到盘刷最佳的功率；
s72、采用机器学习中的线性回归算法拟合所述矩形框总面积、数量与盘刷功率之间的函数关系，得到盘刷功率拟合模型。
4.根据权利要求3所述的清扫车控制方法，其特征在于，在步骤s72中采用机器学习中的线性回归算法拟合所述矩形框总面积、数量与盘刷功率之间的函数关系的过程包括：
建立数学模型：x＝{(x11，x12)，(x21，x22)，……，(xn1，xn2)}，其中xi＝(xi1，xi2，)分别路况图像经opencv处理后所得到的矩形框的总面积大小和矩形框数量多少；
采用机器学习中线性回归算法建立拟合一元线性回归模型：
令α＝(βt；b)，定义损失函数为：
通过对损失函数求偏导数找到α,使得j(α)最小，即得到合适的盘刷功率拟合模型。
5.根据权利要求2所述的清扫车控制方法，其特征在于，在步骤s6中，对所述待清扫区域图像进行边缘检测图像处理的过程包括使用opencv中的边缘检测canny算子进行障碍物边缘检测。
6.根据权利要求5所述的清扫车控制方法，其特征在于，所述清扫车上安装有工控机，所述待清扫区域图像信息传输至所述工控机上，并在所述工控机上使用opencv中的边缘检测canny算子进行障碍物边缘检测。
7.根据权利要求5所述的清扫车控制方法，其特征在于，在所述障碍物边缘检测的过程中，使用腐蚀、膨胀函数进行形态学滤波处理。
8.根据权利要求7所述的清扫车控制方法，其特征在于，在所述形态学滤波处理之后，使用寻找轮廓和绘制矩形函数将所述垃圾物以矩形框标记出来。
9.根据权利要求2所述的清扫车控制方法，其特征在于，在每一所述盘刷上方安装一摄像头以获取所述盘刷待清扫区域图像。
10.一种清扫车，其特征在于，采用权利要求1至9中任一项所述的清扫车控制方法进行作业。
技术总结