面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要。依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统。根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集。基于迁移学习的改进AlexNet网络和RPN网络获取煤矸混合特征图像样本的分类信息和像素坐标,通过相机标定方法获得像素坐标在相机坐标系中的位置坐标。构建煤矸分拣机器人分布式控制系统的局域网络,实现识别定位系统与主控系统的实时煤矸检测信息交互。基于煤矸识别定位系统对煤矸图像的检测模型进行测试,试验结果表明,煤矸识别定位系统的识别模型检测准确率可达90.17%,煤矸目标最大定位误差9.45 mm,系统响应测试时间低于350 ms,满足煤矿复杂分选的基本要求。该煤矸识别模型对煤矸混合特征图像具有较好的检测结果,为煤矸图像识别方法应用于煤矿智能化分选发展提供了研究基础。

基于改进ORB的复杂场景煤矸石匹配算法

在煤矸石分拣过程中,传统方法通过视觉识别与胶带速度预测煤矸石实时位姿,然而,由于煤矸石随胶带高速长距离运输过程中常发生打滑和跑偏现象,预测位姿与分拣区域实际位姿不一致,导致机械臂空抓、误抓,影响分拣效率。针对这一问题,提出了一种改进的ORB匹配算法用于煤矸石在分拣区域的二次定位,首先引入局部自适应伽马校正的oFAST特征检测,提高低光照下的匹配准确率;此外,针对矸石在高速移动中由于动态干扰产生的较多误匹配点,结合BEBLID描述子和GMS算法进行快速特征匹配,并运用随机抽样一致性算法优化匹配点选择,增强算法鲁棒性;最终,通过得到的匹配点计算最小外接矩形完成位姿获取。实验结果显示,所提算法相较于传统ORB算法在尺度、光照、视角变化下煤矸石匹配正确率分别提升了16.7%、36%和22%,平均误差为1.29 mm,平均匹配耗时在40 ms以内,适用于复杂场景下煤矸石的匹配定位。

基于多机械臂协同的煤矸分拣方法研究

针对目前主流的煤矸分选方法存在资源浪费大、环境污染重、分选效率低等问题,提出了一种多机械臂协同的煤矸分拣机器人,重点研究了该机器人的多动态目标多机械臂协同煤矸分拣方法。为了解决工业现场环境下的矸石识别问题,提出了一种基于深度学习网络的煤矸快速识别方法,实现了拣矸带式输送机上煤矸石流的实时识别,有效提高了其综合准确率;采用双目视觉技术,实时获取矸石的相对坐标和深度信息,并研究相应的三维信息误差分析与误差补偿方法,为机械手的煤矸分拣提供依据;为了实现分拣模块中多矸石的高效分拣,提出一种多动态目标多机械臂协同的煤矸分拣策略和相应的分拣流程,实现了机械臂矸石拣取轨迹的自主规划。试验结果表明:所提煤矸快速识别和定位方法对煤矸混合样本下的目标识别准确率达到76.92%;多臂协同分拣方式相对单臂方式显著提升了煤矸分拣效率。基于多机械臂协同的煤矸分拣机器人可实现煤和矸石的自动化和智能化分选,降低煤炭分选的投资和生产成本,提高煤炭质量。