本发明涉及防碰撞，具体为一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统。
背景技术：
1、矿区无人驾驶技术的价值不容忽视，它在现代科技发展的推动下，正逐步成为确保矿山安全生产的关键技术，为矿山运营带来了显著的益处。现有的矿区环境中的扬尘、雨雾和弱光等复杂环境对无人驾驶技术的构成挑战。碰撞技术主要是基于激光雷达、毫米波和可见光摄像头。
2、现有测速技术虽然具有很多优点，但也存在着一些缺点。
3、(1)激光雷达：设备本身的成本相对较高，这增加了系统的整体成本。尽管目前已有许多企业开始研发低成本的激光雷达，但成本问题仍然是限制其普及的一个因素。复杂环境适应性：在极端天气条件下，如浓雾、暴雨等，激光雷达的性能可能会受到影响，导致识别精度下降。此外，在高度拥挤、杂乱的环境中，激光雷达可能面临信息过载的问题，难以快速准确地区分重要障碍物。
4、(2)毫米波：毫米波雷达在识别障碍物属性信息方面存在困难，无法像摄像头直接识别出障碍物类别，无法像激光雷达准确获取障碍物位置和尺寸大小。
5、(3)可见光视觉摄像头：视觉传感器在光线条件较差的情况下，如夜晚或浓雾天气，性能可能会受到影响，导致识别精度下降。对复杂环境的适应性有限：在极端天气条件下，如雨、雾等，视觉传感器的性能可能会受到严重影响，导致系统无法正常工作。
6、为此，本发明提出了一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统。
技术实现思路
1、针对现有技术存在的上述不足，本发明提供了一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，解决了传统摄像头在复杂环境下难以准确检测障碍物的问题。
2、本发明提供如下技术方案：一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，包括以下模块：
3、超宽光谱摄像头模组：通过若干组摄像头对车辆周边进行环视，获得广域的视线范围；
4、光谱信息分析模组：捕获整个可见光和近红外光谱范围内的光谱信息，并通过光谱信息分析结果，且具体操作如下：
5、①首先使用超宽光谱相机进行场景拍摄，获取包括可见光和近红外光在内的全光谱图像；
6、②将全光谱图像分解成不同波长范围的光谱数据。分解后主要有四种灰度图像，其对应的波段分别为红光(r)、绿光(g)、蓝光(b)、近红外光(nr)四个波段的反射率。不同物体四个波段的图像会有一定的差异，可以利用四种光谱的差异来区分不同物体；
7、③采用加权平均的方式把近红外波段依次融入红光、绿光、蓝光，生成假彩色，其中alpha代表权重，默认采用0.5，根据不同的环境会进行调整。计算公式如下所示：
8、r_fusion＝alpha*r_reflection+(1-alpha)*nr_ref；
9、g_fusion＝alpha*g_reflection+(1-alpha)*nr_ref；
10、b_fusion＝alpha*b_reflection+(1-alpha)*nr_ref；
11、其中r_ref、g_ref、b_ref、nr_ref分别代表红光(r)、绿光(g)、蓝光(b)、近红外光(nr)四个波段的反射率。alpha代表权重，r_fusion、g_fusion、b_fusion分别代表三个波段融合后的结果；
12、④把融合后的图像分别缩放到0-255区间，重新生成rgb图像，计算公式如下所示：
13、r_new＝255*(r_fusion-min(r_fusion))/((max(r_fusion)-min(r_fusio n))；
14、g_new＝255*(g_fusion-min(g_fusion))/((max(g_fusion)-min(g_fusio n))；
15、b_new＝255*(b_fusion-min(b_fusion))/((max(b_fusion)-min(b_fusio n))；
16、其中，min函数表示灰度图像中的最小值，max函数表示灰度图像中的最大值；
17、障碍物检测模块：对假彩色图像中目标进行数据标注、经过数据预处理、数据拆分、模型选择、模型训练、模型评估和目标检测一系列步骤，识别图像中的目标物体并标注其位置和类别信息；
18、碰撞预警模块：通过超宽光谱摄像头检测的车辆位置和移动数据，并判断车辆是否存在碰撞风险；
19、系统控制模块：通过检测的结果进行车辆控制。
20、优选的，障碍物检测模块主要包括以下单元：
21、数据标注单元：以光谱分析模块输出的假彩色图像为基础数据，对图像的目标物体进行标注，包括目标的位置和类别信息；
22、数据预处理单元：对采集的全光谱图像进行预处理，包括去噪、数据增强操作，加强图像质量和准确性；
23、数据拆分单元：将预处理后的全光谱图像数据集划分为训练集、验证集和测试集；
24、模型选择单元：选择能处理全光谱图像的深度学习模型，如卷积神经网络(yolo系列)或者其变种；
25、模型训练单元：使用标注的全光谱图像数据集对深度学习模型进行训练，以学习目标物体的特征和位置信息；
26、模型评估单元：使用验证集对训练好的深度学习模型进行评估，以验证其对目标物体的检测准确性和泛化能力；
27、目标检测单元：使用训练好的深度学习模型对新的全光谱图像进行目标检测，识别图像中的目标物体并标注其位置和类别信息。
28、优选的，碰撞预警模块主要包括以下单元：
29、目标检测和跟踪单元：利用计算机视觉技术，如卷积神经网络(cnn)，对摄像头获取的图像进行目标检测和跟踪，并帮助识别道路上的车辆、行人和其他障碍物；
30、距离估计单元：通过摄像头图像进行立体视觉或光流估计，估计目标物体与车辆之间的距离和相对速度；
31、碰撞风险评估单元：基于目标检测和距离估计的结果，利用机器学习算法或物理模型来评估潜在的碰撞风险；
32、预警系统：当检测到潜在的碰撞风险时，系统可以通过车内显示屏、声音提示、震动座椅方式向驾驶员发出警告，提醒其采取避免碰撞的行动。
33、优选的，系统控制模块包括以下单元：
34、行为预测单元：通过机器学习算法，对检测到的目标进行行为预测，例如预测其他车辆的变道意图、行人的行动方向；
35、路径规划单元：基于目标检测和环境感知的结果，进行路径规划，确定车辆的行驶路径和行驶轨迹；
36、车辆控制单元：将路径规划的结果转化为车辆控制指令，包括转向、加速、减速操作，通过车辆的自动驾驶系统或者辅助驾驶系统对车辆进行控制；
37、人机交互单元：在进行车辆控制时，系统可以通过车内显示屏、声音提示方式向驾驶员或乘客展示车辆的控制决策和执行情况。
38、与现有技术对比，本发明具备以下有益效果：
39、该基于超宽光谱摄像头的矿区复杂环境防碰撞系统，可以获取更丰富的环境信息，包括可见光和红外信息，实现对矿区复杂环境中障碍物的感知和检测，解决了传统摄像头在复杂环境下难以准确检测障碍物的问题。
1.一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，其特征在于，包括以下模块：
2.根据权利要求1所述的一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，其特征在于，障碍物检测模块主要包括以下单元：
3.根据权利要求1所述的一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，其特征在于，碰撞预警模块主要包括以下单元：
4.根据权利要求1所述的一种基于超宽光谱摄像头的矿区复杂环境防碰撞系统，其特征在于，系统控制模块包括以下单元：
