Key points are not available for this paper at this time.
La conduite traditionnelle des excavatrices repose uniquement sur l'observation manuelle, entraînant une augmentation des dangers dans des environnements non structurés. Lorsque l'excavatrice travaille dans un environnement relativement sombre, il y a des risques potentiels tant pour le conducteur que pour les piétons environnants. Afin de résoudre ce problème, cette étude tire parti de trois capteurs différents, y compris des caméras infrarouges, des caméras RGB et des capteurs de détection et de télémétrie par laser (LiDAR), et propose une nouvelle approche de détection d'obstacles jour-nuit en fusionnant les données de plusieurs capteurs. Pour l'environnement sombre de la nuit, la caméra infrarouge est adoptée pour la tâche de détection. Cependant, comparée aux caméras RGB, la caméra infrarouge a généralement des résolutions plus faibles, rendant difficile son application directe pour la détection d'obstacles. Par conséquent, une méthode de traitement d'amélioration d'image pour les images infrarouges à basse résolution est développée sur la base de la différence de Gaussienne (DoG). Ensuite, une méthode de reconnaissance d'image basée sur YOLO-v5 est proposée pour détecter les images après l'amélioration d'image. Enfin, une méthode de fusion multisensorielle est suggérée pour identifier l'information sémantique et les coordonnées 3-D des objets. Des études expérimentales sont menées pour évaluer la qualité d'image et l'efficacité de diverses tâches de reconnaissance d'objets. Les résultats des expériences démontrent que notre méthode est capable non seulement d'extraire avec précision les informations de position des piétons d'un environnement de fond compliqué et d'alerter les piétons en temps opportun, mais aussi de maintenir des performances de détection dans un environnement de travail d'excavatrice la nuit.
Zou et al. (Mar,) ont étudié cette question.