煤矿智能巡检机器人平滑轨迹规划研究

为解决传统机器人搭载的巡检仪器易受煤矿崎岖地面影响的问题,提出一种煤矿智能巡检机器人平滑轨迹规划方法。首先根据矿井情况构建机器人整体架构并设计并联结构,保证巡检仪的稳定;然后根据巡检机器人的运动方式构建其运动学模型,并计算位置误差,以实现对巡检机器人的理想控制;最后采用自适应遗传算法(AGA)对巡检机器人展开避障优化,通过计算获取最优路径,从而构建轨迹规划适应度函数,以此实现机器人巡检轨迹规划的目的,同时利用多项差值函数对规划轨迹进行平滑处理。实验结果表明,所提规划方法具有较为理想的规划轨迹能力,且最终的规划结果稳定性好。

基于STC目标跟踪的机器视觉测速算法

为了准确快速对移动目标进行速度测量,提出一种基于机器视觉的速度测量方法。计算图像中目标区域椭圆参数对采集相机进行角度调整。使用改进的STC跟踪算法,在相邻帧图像目标跟踪的同时采用轮廓线匹配的方式进行尺度调整。最后提取每张图像中目标轮廓最小外接矩形的中心点坐标,通过差分法得到相对运动速度,并利用反光带长度与图像中目标比例关系来计算实际速度。实验表明,该方法利用机器视觉在非接触条件下得到较为准确的结果。

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。

基于红外自动聚焦过程的最优函数选取

与可见光自动聚焦系统相比,红外自动聚焦系统的核心问题在于因红外探测器特殊的成像原理,聚焦过程被分为由远及近聚焦和由近及远聚焦。针对这两个过程所使用的自动聚焦函数,在分析各自聚焦函数曲线特征的基础上,运用灵敏度、陡峭区宽度、陡峭度、平缓区波动量和时间5个针对性的评价指标,对常用的13个典型的清晰度评价函数进行定量分析,提出适合两个聚焦过程的最优函数。结论表明:在由近及远的聚焦过程中,FLaplace可作为该过程的最优函数;而由远及近的聚焦过程中,FLaplace和FSML可作为最优函数的选取。

基于线激光的胶带纵向撕裂检测装置应用研究

介绍基于线激光视觉检测装置的基本组成和工作原理,以及在胶带纵向撕裂检测装置的应用。阐述选择合适的激光发射器、调整合适的发射器照射角度和照射距离以提高成像质量和缺陷分辨率,对实时算法的准确识别提供了良好的数据基础。

矿用巡检机器人轻量化多轴机械臂的应用

煤矿巡检一直以人工为主,在皮带运输过程中由于输送带运行速度快、物料飞落等不安全因素,易造成巡检人员伤害,给煤矿安全生产造成很大的困扰,因此采用矿用巡检机器人对运输中的带式输送机进行巡检,搭载轻量化多轴机械臂可实现对带式输送机底部、侧方的细微巡检,避免盲区,实现对整个带式输送机的全方位可视化巡检。从而对带式输送机运行中存在的故障隐患准确判断,确保煤矿高效安全生产。