CN110143447B - 锌锭垛自动下线转运加固方法 - Google Patents

Abstract

本发明涉及一种锌锭垛自动下线转运加固方法，本锌锭垛自动下线装车控制系统包括：用于输送锌锭的主流水线，用于从主流水线上抓取锌锭以进行码垛的码垛机器人，以及将锌锭垛搬运至锌锭垛存储区的激光AGV叉车；在锌锭垛存储区的上部设置有图像采集装置，以拍摄锌锭垛的俯视图像；以及通过一码垛识别模块接收图像采集装置发送的俯视图像，并判断锌锭垛的码垛状态，若码垛为松散形态，则控制码垛加固机器人对码垛进行固形；在装车时，通过激光AGV叉车将锌锭垛存储区的锌锭垛搬运至位于装车区的桁架机器人处进行装车。

Description

锌锭垛自动下线转运加固方法

技术领域

本发明涉及有色金属领域，具体为一种锌锭垛自动下线转运加固方法。

背景技术

在现如今，有色金属行业内大量的大体积大重量的锌锭垛需要搬运，采用人工搬运需要大量的人力物力，且具有危险性，采用激光AGV叉车进行运输具有良好的效果，但是在锌锭码垛堆高时，会出现码垛松散情况发生，如果码垛现场松散，容易在后续搬运过程中造成锌锭垮塌，引发生产事故。

因此，基于该技术问题，需要设计一种能够对锌锭垛进行加固的锌锭垛自动下线转运加固方法。

发明内容

本发明的目的是提供一种锌锭垛自动下线转运加固方法。

为了解决上述技术问题，本发明提供了一种锌锭垛自动下线转运加固方法，即

在锌锭垛存储区的上部设置有图像采集装置，以拍摄锌锭垛的俯视图像；以及

通过一码垛识别模块接收图像采集装置发送的俯视图像，并判断锌锭垛的码垛状态，若码垛为松散形态，则控制码垛加固机器人对码垛进行固形。

进一步，所述码垛识别模块适于将标准形态的码垛、松散形态的码垛的图像信息组合成初始特征集，以及将图像信息进行分割，对每一个区域分别提取灰度值，所述灰度值作为测试样本集，并将标准形态的码垛、松散形态的码垛的特征边沿和间隙作为训练样本集，构成码垛判断特征向量；以及

所述码垛识别模块还适于建立码垛识别模型，并采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c；将所述码垛判断特征向量分为训练样本和测试样本，采用训练样本对所述码垛识别模型进行训练；利用已训练的码垛识别模型对测试样本进行分类输出，以判定码垛识别模型的识别率，并在该识别率达到预设值后，将所述码垛识别模型用于识别实时样本的码垛类型。

进一步，所述码垛识别模块适于采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c，即

粒子群初始化，包括：

粒子群规模假定为N，迭代次数表示为T_max；

假定所述码垛识别模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；

粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；

粒子群内的每一个粒子i的个体最优位置值P_best的初始值等于所述粒子在所述矩形空间内的初始位置X⁰，记为P_i ⁰＝X⁰，整个粒子群的全局最优值G_best表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为

其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；

将粒子群内的每一个粒子i的历史个体最优位置

的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

利用公式(2)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

联立公式(1)和(2)，并利用公式(3)和(4)，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，通常默认取值为c₁＝c₂＝2；参数r₁和r₂是取值范围在区间[0,1]中的随机数；

判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述码垛识别模型中；否则，粒子群在所述矩形空间继续进行迭代搜索。

进一步，所述码垛识别模块适于利用已训练的码垛识别模型对测试样本进行分类，即

对于测试样本中的边沿和间隙特征值，分别根据已训练的码垛识别模型中的每单一支持向量机的输出O(y)是否为+1进行判断；

若输出O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；

若输出为O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类。

本发明的有益效果是，本锌锭垛自动下线装车控制系统通过拍摄锌锭垛的俯视图像，查看码垛状态，在发现码垛为松散形态，则控制码垛加固机器人对码垛进行固形，能够有效的解决码垛在后期搬运过程中由于松散堆放引起倒塌等问题。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的锌锭垛自动下线装车控制系统的分布示意图；

图2是本发明的锌锭垛自动下线装车控制系统的控制原理图；

图3是本发明的码垛加固机器人的结构示意图；

图4是本发明的锌锭垛的标准俯视图；

图5是本发明的锌锭垛的出现松散形态时的俯视图。

图中：锌锭1、边沿101、间隙102、主流水线2、码垛机器人3、激光AGV叉车4、桁架机器人5、车辆6、码垛加固机器人7、机器人主机701、吊架702、机械臂703、加固板704、升降装置705、旋转装置706、吊架小车707、电动丝杆708、图像采集装置8。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例

图1是本发明的锌锭垛自动下线装车控制系统的分布示意图。

图2是本发明的锌锭垛自动下线装车控制系统的控制原理图。

如图1和图2所示，本实施例提供了一种锌锭垛自动下线转运加固方法，包括：用于输送锌锭的主流水线2，用于从主流水线2上抓取锌锭以进行码垛的码垛机器人3，以及将锌锭垛搬运至锌锭垛存储区的激光AGV叉车4；在锌锭垛存储区的上部设置有图像采集装置8，以拍摄锌锭垛的俯视图像；以及通过一码垛识别模块接收图像采集装置8发送的俯视图像，并判断锌锭垛的码垛状态，若码垛为松散形态，则控制码垛加固机器人7对码垛进行固形；在装车时，通过激光AGV叉车4将锌锭垛存储区的锌锭垛搬运至位于装车区的桁架机器人5处进行装车。

所述图像采集装置8可以但不限于采用摄像头，可以安装在吊架上。

在本实施例中，主流水线2、码垛机器人3、激光AGV叉车4、桁架机器人5、码垛加固机器人7以及码垛识别模块均可以与主控模块相连，主控模块可以但不限于采用工控机或者PLC模块实现。

图3是本发明的码垛加固机器人7的结构示意图；

如图3所示，在本实施例中，所述码垛加固机器人7可以设置在锌锭垛存储区的上方；所述码垛识别模块在判断码垛松散后控制码垛加固机器人7对码垛进行合拢加固。

所述码垛加固机器人7包括机器人主机701，位于机器人主机701两侧的一对机械臂703，所述机械臂703的末端设置有加固板704；所述机器人主机701与吊架之间设置有升降装置705和旋转装置706；其中所述升降装置705用于控制机器人主机701升降，以及旋转装置706用于控制机器人主机701旋转一定角度，即所述码垛识别模块在识别锌锭垛为松散形态的码垛后，控制码垛加固机器人7打开机械臂703，所述机械臂703带动加固板704伸至锌锭垛两侧后合拢，以使加固板704夹顶在锌锭垛两侧以固形。

升降装置705可以但不限于采用电动丝杆或者由液压缸带动，旋转装置706可以采用转动电机，所述升降装置705和旋转装置706均由主控模块控制。

本码垛加固机器人7还可以包括位于吊架上且适于带动机器人主机701沿吊架横梁移动的吊架小车707，以及带动机器人主机701纵向移动的电动丝杆708。所述机械臂703与机器人主机701之间可以但不限于采用电动推杆，以及机械臂703与加固板704之间可以采用气缸驱动。所述吊架小车707、电动丝杆708、电动推杆和气缸均由主控模块控制。

图4是本发明的锌锭垛的标准俯视图；

图5是本发明的锌锭垛的出现松散形态时的俯视图。

结合图4和图5的对比，明显图5所示出的锌锭垛的上方出现了松散结构，该松散结构在锌锭垛达到一定高度后，在后续激光AGV叉车4搬运过程中容易造成锌锭倾倒。对于锌锭垛的俯视图像的识别以判断是否出现松散形态可以通过图像识别技术进行判断。

作为激光AGV叉车4一种可选的实施方式，为了提高激光AGV叉车4行进的可靠性，所述激光AGV叉车4的行驶路线上设有反射板，并以行驶的场地为参照物构建绝对坐标系；以反射板为参照物构建局部坐标系X'_S，Y_S'，原点为激光AGV叉车4上的激光头；激光AGV叉车4在行驶过程中根据反射板在绝对坐标系和局部坐标系中的关系修正行驶路线，即

X_S＝X₀+X'_S·Cosα₀-Y_S'·Sinα₀；

Y_S＝Y₀+X'_S·Sinα₀-Y_S'·Cosα₀；

α_S＝α₀+θ_S；

式中，X_S、Y_S为反射板在绝对坐标系中的横、纵坐标；α_S为反射板与激光头的连线，在绝对坐标系中与横轴的夹角；X'_S、Y_S'为反射板在局部坐标系中的横、纵坐标；θ_S为反射板与局部坐标系的横轴的夹角；X₀、Y₀为激光头在绝对坐标系中的横、纵坐标；α₀为局部坐标的横轴与绝对坐标系的横轴的夹角。

对于锌锭垛的图像识别过程可以采用以下方式进行。

所述码垛识别模块适于将标准形态的码垛、松散形态的码垛的图像信息组合成初始特征集，以及将图像信息进行分割，对每一个区域分别提取灰度值，所述灰度值作为测试样本集，并将标准形态的码垛、松散形态的码垛的特征边沿101和间隙102作为训练样本集，构成码垛判断特征向量；以及所述码垛识别模块还适于建立码垛识别模型，并采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c；将所述码垛判断特征向量分为训练样本和测试样本，采用训练样本对所述码垛识别模型进行训练；利用已训练的码垛识别模型对测试样本进行分类输出，以判定码垛识别模型的识别率，并在该识别率达到预设值后，将所述码垛识别模型用于识别实时样本的码垛类型。

从图4可以看出锌锭垛的标准俯视图中锌锭之间的间隙102和边沿101是均匀为直线的，图5中可以看出锌锭之间的间隙102和边沿101均出现变化，所以以特征边沿101和间隙102作为训练样本集能够比较准确的识别当前锌锭垛的堆码是否标准，在实际使用过程中，码垛的状态还可以有多种状态，因此需要通过粒子群算法对所述码垛识别模型进行参数寻优，以能够更加准确的识别锌锭垛的堆放情况。

具体的，所述码垛识别模块适于采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c，即粒子群初始化，包括：粒子群规模假定为N，迭代次数表示为T_max；假定所述码垛识别模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；粒子群内的每一个粒子i的个体最优位置值P_best的初始值等于所述粒子在所述矩形空间内的初始位置X⁰，记为P_i ⁰＝X⁰，整个粒子群的全局最优值G_best表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为

其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；将粒子群内的每一个粒子i的历史个体最优位置P_i ^t的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

利用公式(2)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

联立公式(1)和(2)，并利用公式(3)和(4)，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，通常默认取值为c₁＝c₂＝2；参数r₁和r₂是取值范围在区间[0,1]中的随机数；

判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述码垛识别模型中；否则，粒子群在所述矩形空间继续进行迭代搜索。

所述码垛识别模块适于利用已训练的码垛识别模型对测试样本进行分类，即对于测试样本中的边沿101和间隙102特征值，分别根据已训练的码垛识别模型中的每单一支持向量机的输出O(y)是否为+1进行判断；若输出O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；若输出为O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类。

设置粒子群算法对支持向量机模型进行参数寻优处理，解决了样本少的问题，并保证了松散结构的较高识别率，提高了码垛操作的可靠性以及安全性。

在本实施例中码垛识别模型的识别率对应的预设值可以设定在95％，当识别率达到95％后，所示码垛识别模型即可用于对实时样本的故障诊断分析。

支持向量机求得的判别函数形式上类似于一个神经网络。其输出是若干隐层中间层结点的线性组合，而每一个隐层结点对应于输入样本与一个支持向量的内积，因此又被称作是支持向量网络。

支持向量网络的基本思想是从线性可分情况下的最优分类面发展而来的。假设有两类样本，记录分类线与各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离为分类间隔，所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。

采用结构风险最小化原则的支持向量机，作为一种通用的学习机，支持向量机是统计学习理论用于解决实际问题的具体实现。它在本质上是求解凸二次规划问题。从理论上说，能够获得全局最优解，从而有效地克服了神经网络等方法无法避免的局部极值问题。专门针对有限样本情况而设计的学习机，它采用结构风险最小化原则，同时对经验风险和学习机的复杂度进行控制，有效地避免过学习现象的产生，能够获得比传统学习方法更优良的泛化能力。支持向量机通过非线性映射把低维输入空间的学习样本映射到高维特征空间，然后通过核函数的引入巧妙地避免了耗时的高维内积运算，使得算法的复杂度与特征空间的维数无关。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.一种锌锭垛自动下线转运加固方法，其特征在于，

在锌锭垛存储区的上部设置有图像采集装置，以拍摄锌锭垛的俯视图像；以及

通过一码垛识别模块接收图像采集装置发送的俯视图像，并判断锌锭垛的码垛状态，若码垛为松散形态，则控制码垛加固机器人对码垛进行固形；

所述码垛识别模块适于将标准形态的码垛、松散形态的码垛的图像信息组合成初始特征集，以及将图像信息进行分割，对每一个区域分别提取灰度值，所述灰度值作为测试样本集，并将标准形态的码垛、松散形态的码垛的特征边沿和间隙作为训练样本集，构成码垛判断特征向量；以及

所述码垛识别模块还适于建立码垛识别模型，并采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c；将所述码垛判断特征向量分为训练样本和测试样本，采用训练样本对所述码垛识别模型进行训练；利用已训练的码垛识别模型对测试样本进行分类输出，以判定码垛识别模型的识别率，并在该识别率达到预设值后，将所述码垛识别模型用于识别实时样本的码垛类型。

2.根据权利要求1所述的锌锭垛自动下线转运加固方法，其特征在于，

所述码垛识别模块适于采用粒子群算法对所述码垛识别模型进行参数寻优，寻优参数包括所述码垛识别模型的核函数参数g和误差项的惩罚因子c，即粒子群初始化，包括：

粒子群规模假定为N，迭代次数表示为T_max；

假定所述码垛识别模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；

粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；

粒子群内的每一个粒子i的个体最优位置值P_best的初始值等于所述粒子在所述矩形空间内的初始位置X⁰，记为P_i ⁰＝X⁰，整个粒子群的全局最优值G_best表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为

其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；

将粒子群内的每一个粒子i的历史个体最优位置P_i ^t的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

利用公式(2)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

联立公式(1)和(2)，并利用公式(3)和(4)，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，通常默认取值为c₁＝c₂＝2；参数r₁和r₂是取值范围在区间[0,1]中的随机数；

判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述码垛识别模型中；否则，粒子群在所述矩形空间继续进行迭代搜索。

3.根据权利要求2所述的锌锭垛自动下线转运加固方法，其特征在于，

所述码垛识别模块适于利用已训练的码垛识别模型对测试样本进行分类，即

对于测试样本中的边沿和间隙特征值，分别根据已训练的码垛识别模型中的每单一支持向量机的输出O(y)是否为+1进行判断；

若输出O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；

若输出为O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类。

Images