CN110532995B - 基于计算机视觉的巷道掘进监测方法、装置及系统 - Google Patents
基于计算机视觉的巷道掘进监测方法、装置及系统 Download PDFInfo
- Publication number
- CN110532995B CN110532995B CN201910833949.2A CN201910833949A CN110532995B CN 110532995 B CN110532995 B CN 110532995B CN 201910833949 A CN201910833949 A CN 201910833949A CN 110532995 B CN110532995 B CN 110532995B
- Authority
- CN
- China
- Prior art keywords
- roadway
- frame
- linear
- image
- computer vision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000009412 basement excavation Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000005641 tunneling Effects 0.000 claims abstract description 35
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000005520 cutting process Methods 0.000 claims description 87
- 238000012545 processing Methods 0.000 claims description 24
- 238000013461 design Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 abstract description 11
- 239000003245 coal Substances 0.000 description 27
- 230000008569 process Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 241000251131 Sphyrna Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geochemistry & Mineralogy (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了基于计算机视觉的巷道掘进监测方法、装置及系统,该方法包括:获取掘进工作面迎头向外区域图像;在所述掘进工作面迎头向外区域图像中识别锚杆托盘;根据第n排所述锚杆托盘线性拟合生成第一线型框;根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;基于所述第一线型框与所述第二线型框建立巷道三维模型。本发明通过进行巷道三维模型的建立,方便操作者对巷道两帮超挖、欠挖,巷道掘进方向偏差等作业情况进行有效监测,保障巷道施工质量。
Description
技术领域
本发明实施例涉及煤矿安全技术领域,具体涉及基于计算机视觉的巷道掘进监测方法、装置及系统。
背景技术
煤矿巷道掘进是指在煤岩层中开掘各种形状、断面的巷道、硐室的作业,为煤矿采煤工作创造条件,是煤矿采煤工作的前提。
煤矿巷道主要用于煤矿井下运输煤炭、大型机电设备、行人、通风、供电、排水等,巷道是否按照设计断面、方向施工,直接影响到巷道机电设备布置,大型机电设备运输及通风风量,所以保证巷道施工质量是煤矿能够安全生产的前提。
煤矿巷道掘进过程中,掘进机长度长,掘进机司机操作位置与工作面煤壁距离远,截割头截割时粉尘大,司机视线差,可视距离短,导致巷道两帮超挖、欠挖,巷道掘进方向偏差的情况时有发生,严重影响巷道施工质量,为煤矿后续生产留下隐患。
因此,在煤矿巷道掘进作业中,急需提供一种监测方法能够对巷道两帮超挖、欠挖,巷道掘进方向偏差等问题进行及时发现并预警。
发明内容
为此,本发明实施例提供基于计算机视觉的巷道掘进监测方法、装置及系统,以解决现有技术中在巷道掘进方向偏差发生偏差时,无法对其进行有效的报警的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例的第一方面,提供了基于计算机视觉的巷道掘进监测方法,该方法包括:
获取掘进工作面迎头向外区域图像;
在所述掘进工作面迎头向外区域图像中识别锚杆托盘;
根据第n排所述锚杆托盘线性拟合生成第一线型框;
根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;
基于所述第一线型框与所述第二线型框建立巷道三维模型。
进一步地,所述基于所述第一线型框与所述第二线型框建立巷道三维模型,具体包括:以所述第一线型框定位标识点与所述第二线型框定位标识点的连线作为y轴;以平行于所述第一线型框所在平面且过图像识别装置的平面为xOz平面,以y轴与xOz平面交点为原点,建立空间笛卡尔直角坐标系;
以巷道设计参数对所述第一线型框和/或所述第二线型框进行限定;进而生成所述巷道三维模型。
进一步地,还包括:
生成截割面线型框;
获取截割头运动轨迹;
根据截割头运动轨迹与所述截割面线型框位置关系确定是否存在超挖和/或欠挖;
是,则发出超挖和/或欠挖告警。
进一步地,所述生成截割面线型框,具体包括:
在所述掘进工作面迎头向外区域图像中识别掘进机尾部图像;
确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z);
以P点的y轴坐标值加上掘进机机身长度确定截割头的y轴坐标y1;
以(0,y1,0)为所述截割面线型框定位标识点,导入所述第一线型框或所述第二线型框的线型,生成所述截割面线型框。
进一步地,所述确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z),具体包括:
基于双目立体视觉模型,由所述掘进机尾部特征点在左右两图像识别装置中的坐标pleft=(Xleft,Yleft),pright=(Xright,Yright),左右两图像识别装置中的基线距离,及图像识别装置的焦距,求得掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)。
进一步地,所述根据截割头运动轨迹确定是否存在超挖,具体包括:确定截割头运动轨迹是否超出截割面线型框范围;是,则确定为超挖。
进一步地,所述根据截割头运动轨迹确定是否存在欠挖,具体包括:确定一次作业周期内,截割头运动轨迹起始点与终点的水平距离是否小于所述巷道设计宽度w;是,则确定为欠挖。
进一步地,所述方法还包括:在所述掘进工作面迎头向外区域图像中识别中线吊锤;
根据所述中线吊锤绘制实际中线;确定第一线型框中线、第二线型框中线与所述实际中线存在偏差时,发出偏差告警。
根据本发明实施例的第二方面,提供了基于计算机视觉的巷道掘进监测装置,该装置包括:
获取单元、处理单元。
获取单元,用于获取掘进工作面迎头向外区域图像;
处理单元,用于在所述掘进工作面迎头向外区域图像中识别锚杆托盘;根据第n排所述锚杆托盘线性拟合生成第一线型框;根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;基于所述第一线型框与所述第二线型框建立巷道三维模型。
进一步地,所述处理单元还用于,以所述第一线型框定位标识点与所述第二线型框定位标识点的连线作为y轴;以平行于所述第一线型框所在平面且过图像识别装置的平面为xOz平面,以y轴与xOz平面交点为原点,建立空间笛卡尔直角坐标系;
以巷道设计参数对所述第一线型框和/或所述第二线型框进行限定;进而生成所述巷道三维模型。
进一步地,所述处理单元还用于,生成截割面线型框;获取截割头运动轨迹;根据截割头运动轨迹与所述截割面线型框位置关系确定是否存在超挖和/或欠挖;是,则发出超挖和/或欠挖告警。
进一步地,所述获取单元还用于,在所述掘进工作面迎头向外区域图像中识别掘进机尾部图像;
进一步地,所述处理单元还用于,确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z);
以P点的y轴坐标值加上掘进机机身长度确定截割头的y轴坐标y1;
以(0,y1,0)为所述截割面线型框定位标识点,导入所述第一线型框或所述第二线型框的线型,生成所述截割面线型框。
进一步地,所述处理单元还用于,基于双目立体视觉模型,由所述掘进机尾部特征点在左右两图像识别装置中的坐标pleft=(Xleft,Yleft),pright=(Xright,Yright),左右两图像识别装置中的基线距离,及图像识别装置的焦距,求得掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)。
进一步地,所述处理单元还用于,确定截割头运动轨迹是否超出截割面线型框范围;是,则确定为超挖。
进一步地,所述处理单元还用于,确定一次作业周期内,截割头运动轨迹起始点与终点的水平距离是否小于所述巷道设计宽度w;是,则确定为欠挖。
进一步地,所述获取单元还用于,在所述掘进工作面迎头向外区域图像中识别中线吊锤;
进一步地,所述处理单元还用于,根据所述中线吊锤绘制实际中线;确定第一线型框中线、第二线型框中线与所述实际中线存在偏差时,发出偏差告警。
根据本发明实施例的第三方面,提供了基于计算机视觉的巷道掘进监测系统,该系统包括:
处理器、存储器和报警器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如上述所述的方法。
根据本发明实施例的第四方面,提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令,一个或多个程序指令用于被基于计算机视觉的巷道掘进监测系统执行如上基于计算机视觉的巷道掘进监测方法中的任一方法步骤。
本发明实施例具有如下优点:本发明实施例提供的基于计算机视觉的巷道掘进监测方法,通过对巷道掘进过程进行监测,并基于巷道三维模型的建立,解决了煤矿掘进工作面作业时,由于掘进机长度长,掘进机司机操作位置与工作面煤壁距离远,截割头截割时粉尘大,司机视线差,可视距离短,导致的巷道两帮超挖、欠挖,巷道掘进方向偏差的情况发生,保障巷道施工质量。通过对掘进工作面作业进行有效监测,本专利方法起到了监测预警的作用,更加可靠、及时,提高了煤矿的安全管理水平,保障巷道施工质量,避免工作人员的伤亡情况发生。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明目标检测模型中第一矩形框示意图;
图2为本发明目标检测模型中第一矩形框、第二矩形框示意图;
图3为本发明目标检测模型中掘进方向示意图;
图4为本发明巷道三维场景示意图;
图5为本发明巷道三维场景延伸示意图;
图6为本发明双目立体成像示意图;
图7为本发明截割头的移动轨迹示意图;
图8为本发明实施例1提供的基于计算机视觉的巷道掘进监测方法流程示意图;
图9为本发明实施例2提供的基于计算机视觉的巷道掘进监测装置结构示意图;
图10为本发明实施例3提供的基于计算机视觉的巷道掘进监测系统结构示意图。
附图标记说明:
第一矩形框11,第一矩形框中线12,第一矩形框左上角顶点13,第二矩形框21,第二矩形框中线22,第二矩形框左上角顶点23;掘进方向轴31,截割面矩形框41;图像识别装置所在竖直面70,第一时刻图像识别装置所在竖直面71,第二时刻图像识别装置所在竖直面72;左侧图像81,第一光轴82,右侧图像83,第二光轴84;锚杆托盘91,图像识别装置92;获取单元501,处理单元502,处理器601,存储器602。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例1提供了基于计算机视觉的巷道掘进监测方法,在介绍本发明实施例方法之前,首先介绍该方法对应的其中一种应用环境。
掘进工作面是指在为回采工作面做准备时,首先开采一条巷道,掘进工作面是一个以掘进为主,以其他地质条件为辅的单独独头巷道,没有自主的通风系统,无直接通往地面的通道,需要做巷道顶板与两帮的支护,支护工艺以锚杆支护为主,锚杆支护通常用金属件、木件、聚合物件或其他材料制成杆柱,打入巷道周围岩体预先钻好的孔中,利用其头部、杆体的特殊构造和尾部托盘将围岩与稳定岩体结合在一起而产生悬吊效果、组合梁效果、补强效果,以达到支护的目的。
掘进工作面的掘进工作通常采用掘进机来完成,掘进机主要由行走机构、工作机构、装运机构和转载机构组成。随着行走机构向前推进,工作机构主要包括截割头,截割头不断破碎岩石来对巷道进行掘进。
在常规操作中,为了保证掘进方向正确,通常需要在巷道中间位置悬吊若干中线吊锤,并通过激光指向器来同时穿过多个中线吊锤,以表明中线吊锤悬吊位置准确,进而保证掘进方向正确。
本发明提供的基于计算机视觉的巷道掘进监测方法,在掘进工作面已支护好的顶板锚杆上安装三台图像识别装置92,优选的,所述图像识别装置92可以为摄像机,本发明的实施例以摄像机为例进行介绍;三台摄像机的安装位置以摄像机能准确识别到掘进工作面迎头向外最少2排已支护完成锚杆托盘91、中线吊锤、掘进机、截割头为准;并且,中间的摄像机要与激光指向器处于同一个铅直面。
为了简化描述,本发明的以下实施例均以该种形式作为工作环境的基础形式进行阐述。值得注意的是,由于本发明的重点并非保护上述各设备的结构形式,仅将上述设备作为本发明实施例方法的应用环境基础进行记载,因此,本发明不再对上述各设备的具体结构形式进行展开描述。
本发明提供的基于计算机视觉的巷道掘进监测方法基于图像识别装置92实现,所述图像识别装置92包括:左侧图像识别装置,中部图像识别装置,右侧图像识别装置;在具体实施例中,图像识别装置92可以是任何具有图像采集识别功能的装置,例如摄像头。本实施例中,优先采用矿用高清防爆摄像机。下文中,将以摄像头为例进行说明,即左侧摄像机,中部摄像机,右侧摄像机。
较佳的,本发明实施例中还安装有声光报警器,用于在触发条件下发出声光报警。
下文中,将对本发明实施例提供的方法做详细说明,具体如图8所示,该方法步骤如下:
步骤100,获取掘进工作面迎头向外区域图像;
所述获取掘进工作面迎头向外区域图像,至少包括,能准确获取到掘进工作面迎头向外最少2排已支护完成锚杆托盘91、中线吊锤、掘进机、截割头的图像;且上述图像为三台图像识别装置同时采集,即左侧摄像机,中部摄像机,右侧摄像机同时采集,并将获取的图像信息传输至系统,利用系统内嵌算法对已训练好的模型进行实时分析。
较佳的,所述图像识别装置每隔N帧对图像采集一帧,将拍摄到的图像信息实时传输至系统,其中,N为大于1的正整数。具体N的取值与截割头的速率有关,以能够清楚判断截割头的移动动作为准。
较佳的,步骤100中所说的系统即为基于计算机视觉的巷道掘进监测系统,当然,具体执行该过程的实际上是系统中的处理器。再具体执行时,该处理器可以是单独的器件,例如终端设备,终端设备可以具有处理器具备的功能和存储器具备的功能,报警器则是额外的器件。系统也可以是某个同时具有处理功能、存储功能以及报警功能的电子设备,而处理器仅仅是该电子设备中集成的一个部件。例如是一种集成有报警功能的终端设备或者其他设备。具体情况可以根据实际情况设定,这里不做过多限制。
系统在获取到端头区域的图像后,还包括如下步骤:
步骤200,在所述掘进工作面迎头向外区域图像中识别锚杆托盘91;
所述锚杆托盘的识别过程可以通过机器学习方法获取到,例如,通过卷积神经网络方法实现。在执行本步骤之前,导入预先录制的视频数据,利用大量标记有锚杆托盘对应的图像特征的样本数据对卷积神经网络模型进行训练,获取最优训练模型。最终采用这个最优训练模型来对预设数量的图像进行识别,提取预设数量的图像中锚杆托盘对应的图像特征。当将预设数量的图像按照卷积神经网络模型能够识别的格式输入到模型中后,卷积神经网络模型可以自动识别出预设数量的图像中的锚杆托盘图像特征。
较佳的,对锚杆托盘91的检测识别利用SSD系列单端目标检测模型,采用逐帧或者跳帧的方式对视频数据进行检测识别;较佳的,帧的分析间隔不大于10。
在本实施例中,除了在所述掘进工作面迎头向外区域图像中识别锚杆托盘外,还需要用同样的方法识别中线吊锤、掘进机和截割头,具体步骤详见下文。
步骤300,根据第n排所述锚杆托盘91线性拟合生成第一线型框;根据第n+1排所述锚杆托盘91线性拟合生成第二线型框;其中,n为大于等于1的正整数;
值得说明的是,由于巷道的截面形式可以为矩形、椭圆形、梯形等多种形式,本方法通过对布设在巷道周围的所述锚杆托盘91进行监测,并对同一排的所述锚杆托盘91进行线性拟合,获得与巷道截面形式一至的线型框。进而根据第n排所述锚杆托盘91线性拟合生成第一线型框;根据第n+1排所述锚杆托盘91线性拟合生成第二线型框。所述线型框可以包括:矩形框、椭圆形框、梯形框等,为便于描述,本发明的实施例中,将以巷道截面形式为矩形的情况为例,进行详细说明。
基于实际工况,通常锚杆托盘为成排支护,每一排又会有多个锚杆托盘,且每一排的锚杆托盘分别分布在巷道的顶板与两帮上;
结合图1所示,根据识别到的第n排所述锚杆托盘,利用线型拟合的方式,以分布在顶板上的锚杆托盘线型拟合出水平线,并以分布在两帮上的锚杆托盘线型拟合出铅垂线,基于线型拟合绘制出的水平线和铅垂线,生成第一矩形框11;其中,n为大于等于1的正整数;
结合图2所示,利用如上述所述同样的方法,根据识别到的第n+1排所述锚杆托盘,利用线型拟合的方式,以分布在顶板上的锚杆托盘线型拟合出水平线,并以分布在两帮上的锚杆托盘线型拟合出铅垂线,基于线型拟合绘制出的水平线和铅垂线,生成第二矩形框21;其中,n为大于等于1的正整数。
优选的,在本实施例中,所述第一矩形框11和所述第二矩形21框可以为矩形或者正方形,其根据所述锚杆托盘在所述掘进工作面迎头向外区域图像中的位置进行对应绘制,并以框体形式显示在所述掘进工作面迎头向外区域图像中。
本发明提供的基于计算机视觉的巷道掘进监测方法,进一步还包括:
步骤400,基于所述第一线型框与所述第二线型框建立巷道三维模型。
进一步的,所述基于所述第一线型框与所述第二线型框建立巷道三维模型,具体包括:以所述第一线型框定位标识点与所述第二线型框定位标识点的连线作为y轴;以平行于所述第一线型框所在平面且过图像识别装置的平面为xOz平面,以y轴与xOz平面交点为原点,建立空间笛卡尔直角坐标系;
以巷道设计参数对所述第一线型框和/或所述第二线型框进行限定;进而生成所述巷道三维模型。
以下仍以巷道截面形式为矩形的情况为例,对本实施例所述的建立巷道三维模型具体步骤进行说明,值得说明的是,所述第一线型框包括第一矩形框;所述第二线型框包括第二矩形框;所述第一线型框定位标识点包括第一矩形框左上角端点;所述第二线型框定位标识点第二矩形框左上角端点。
结合图3-图5所示,所述基于所述第一矩形框与所述第二矩形框建立巷道三维模型,具体包括:
步骤411,以所述第一矩形框左上角端点13与所述第二矩形框左上角端点23的连线作为y轴;以平行于所述第一矩形框所在平面且过图像识别装置的平面为xOz平面,以y轴与xOz平面交点为原点,建立空间笛卡尔直角坐标系;
进一步的,所述第一矩形框的水平线与x轴平行,所述第一矩形框的铅垂线与z轴平行,所述y轴与所述xOz平面的交点即为原点;
其中,所述第一矩形框左上角端点13与所述第二矩形框左上角端点23的连线同样作为掘进方向轴31。
步骤412,以巷道设计宽度w限定x轴长度;以巷道设计高度h限定z轴长度;进而生成巷道三维模型。
导入巷道设计宽度w与巷道设计高度h,将所述巷道设计宽度w与巷道设计高度h与所述第一矩形框的尺寸进行匹配,将所述巷道设计宽度w与巷道设计高度h与所述第二矩形框的尺寸进行匹配;从而通过机器视角,并以所述第一矩形框左上角端点与所述第二矩形框左上角端点的连线作为y轴,以三台图像识别装置所在竖直面70为xOz平面,以所述y轴与所述xOz平面的交点即为原点,以所述第一矩形框的水平线的平行线作为x轴,并从原点处沿水平方向截取宽度w;所述第一矩形框的铅垂线的平行线作为z轴,并从原点处沿垂直方向截取高度h;进而生成巷道三维模型。
其中,值得说明的是,所述巷道设计宽度w与巷道设计高度h均以设计院的巷道设计数据为准。
进一步的,以第一时刻图像识别装置所在竖直面71为xOz平面建立巷道的三维模型,随着掘进作业的推进,巷道顶板与两帮会继续进行锚杆支护,为保证摄像机能够保持对掘进工作面迎头向外最少2排已支护完成锚杆托盘、中线吊锤、掘进机、截割头的准确识别,需要对摄像机进行移位,本实施例中,摄像机沿y轴正方向推进一定距离后,模型以第二时刻图像识别装置所在竖直面72为xOz平面重新建立巷道的三维模型,结合图5所示,重建的三维模型为之前巷道三维模型的延伸。此时,掘进方向轴即y轴保持不变,巷道设计宽度w与巷道设计高度h保持不变的情况下,仍以所述第一矩形框的水平线的平行线作为x轴,并从原点处沿水平方向截取宽度w;以所述第一矩形框的铅垂线的平行线作为z轴,并从原点处沿垂直方向截取高度h,进而生成新的巷道三维模型。
本发明提供的基于计算机视觉的巷道掘进监测方法,进一步还包括:
步骤500,生成截割面线型框;
以下仍以巷道截面形式为矩形的情况为例,对本实施例所述的生成截割面线型框具体步骤进行说明,值得说明的是,所述截割面线型框包括截割面矩形框。
所述步骤500具体包括:
步骤511,在所述掘进工作面迎头向外区域图像中识别掘进机尾部图像及截割头图像;
所述掘进机尾部和截割头的识别过程可以通过机器学习方法获取到,例如,通过卷积神经网络方法实现。在执行本步骤之前,导入预先录制的视频数据,利用大量标记有掘进机尾部和截割头对应的图像特征的样本数据对卷积神经网络模型进行训练,获取最优训练模型。最终采用这个最优训练模型来对预设数量的图像进行识别,提取预设数量的图像中掘进机尾部和截割头对应的图像特征。当将预设数量的图像按照卷积神经网络模型能够识别的格式输入到模型中后,卷积神经网络模型可以自动识别出预设数量的图像中的掘进机尾部和截割头图像特征。
步骤512,确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z);
所述步骤512主要基于双目立体视觉模型来实现,具体确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)的步骤,在下文详细记述。
步骤513,以P点的y轴坐标值加上掘进机机身长度确定截割头的y轴坐标y1;
其中,所述掘进机机身长度为固定值,可以预先进行录入。
步骤514,以(0,y1,0)为所述截割面线型框定位标识点,导入所述第一线型框或所述第二线型框的线型,生成所述截割面线型框。
所述截割面线型框定位标识点具体包括截割面矩形框左上角顶点;所述导入所述第一线型框或所述第二线型框的线型的具体步骤可以为:以所述巷道设计宽度w为所述截割面矩形框x轴长度,以所述巷道设计高度h为所述截割面矩形框z轴长度,生成所述截割面矩形框。
所述截割面矩形框即为截割头的作业平面,基于所述截割面矩形框即可对所述截割头的作业轨迹进行比对,具体详见步骤600,步骤700。
所述步骤512中,所述确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z),主要基于双目立体视觉模型,由所述掘进机尾部特征点在左右两图像识别装置中的坐标pleft=(Xleft,Yleft),pright=(Xright,Yright),左右两图像识别装置中的基线距离,及图像识别装置的焦距,求得掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)。
所述双目立体视觉模型的建立,主要包括如下步骤:
步骤5121,同时获取左侧图像识别装置和右侧图像识别装置所采集的两幅目标物图像;
步骤5122,确定空间坐标系中目标物同它在目标物图像平面上像点之间的对应关系。
其中,所述对应关系主要包括相机内部几何、光学参数;以及相机坐标系与现实世界坐标系的转换。
步骤5123,对目标物图像进行预处理,提取特征点;
其中,所述对目标物图像进行预处理包括:图像对比度的增强、随机噪声的去除、滤波和图像的增强、伪彩色处理等;上述图像预处理步骤并非本发明保护的要点,现有技术中有大量方法可供选择,在此不再赘述。
所述提取特征点通过匹配特征的方式进行实现,常用的匹配特征主要有点状特征、线状特征和区域特征匹配特征,现有技术中有大量方法可供选择,在此不再赘述。
步骤5124,基于其中一幅目标物图像,确定特征点第一坐标;并在另一幅目标物图像中确定出同一特征点对应的特征点第二坐标;基于特征点第一坐标与特征点第二坐标之间的相对位置,得到视差。
步骤5125,基于视差计算特征点在深度图像中的坐标值。
双目立体视觉模型经过大量训练,可以快速定位掘进机在巷道三维模型中的位置。
以下,结合图6,以具体示例对双目立体视觉模型进行说明。首先需要说明的是,基线距离B为左侧摄像机与右侧摄像机的投影中心连线的距离,图像识别装置的焦距即为左侧摄像机与右侧摄像机的相机焦距f。
掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)可以通过如下方法求得:
左侧摄像机沿第一光轴82获取左侧图像81;右侧摄像机沿第二光轴84获取右侧图像83;左侧摄像机与右侧摄像机在同一时刻观看空间物体的同一特征点P(xc,yc,zc),分别在左侧摄像机和右侧摄像机上获取点P的图像,他们的图像坐标分别为pleft=(Xleft,Yleft),pright=(Xright,Yright)。
此时,左侧摄像机和右侧摄像机的图像在同一个平面上,则特征点P的图像坐标与Y坐标相同,即Yleft=Yright=Y,由三角几何关系得到:
视差为Disparity=Xleft-Xright,由此计算出特征点P在相机坐标系下的三维坐标为:
由此,掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z),亦可通过如上方法求得。
本发明提供的基于计算机视觉的巷道掘进监测方法,进一步还包括:
步骤600,获取截割头运动轨迹;
所述截割头运动轨迹的获取,可以采用目标跟踪模型进行捕捉。采用逐帧或者跳帧的方式对视频数据进行检测识别;较佳的,帧的分析间隔不大于10。
步骤700,根据截割头运动轨迹与所述截割面线型框位置关系确定是否存在超挖和/或欠挖;是,则发出超挖和/或欠挖告警。
其中,所述步骤700中,所述根据截割头运动轨迹确定是否存在超挖,具体包括:
步骤711,确定截割头运动轨迹是否超出截割面线型框范围;是,则确定为超挖,并给出给出超挖提示;
其中,结合图7所示,所述步骤700中,所述根据截割头运动轨迹确定是否存在欠挖,具体包括:
步骤721,确定一次作业周期内,截割头运动轨迹起始点与终点的水平距离是否小于所述巷道设计宽度w;是,则确定为欠挖,并给出欠挖提示。
所述超挖提示和/或所述欠挖提示可以输出到掘进机中控台显示器上,方便提示驾驶员进行调整。
本发明提供的基于计算机视觉的巷道掘进监测方法,进一步还包括:
步骤811,在所述掘进工作面迎头向外区域图像中识别中线吊锤;
所述中线吊锤的识别过程可以参照步骤200中所述锚杆托盘的识别过程,在此不再赘述。
步骤812,根据所述中线吊锤绘制实际中线;
根据识别到的所述中线吊锤,在所述掘进工作面迎头向外区域图像中进行绘制,获得实际中线,优选的,在本实施例中,所述实际中线可以为一条直线,其根据所述中线吊锤在所述掘进工作面迎头向外区域图像中的位置进行对应绘制,并以直线形式显示在所述掘进工作面迎头向外区域图像中。
步骤813,确定第一线型框中线、第二线型框中线与所述实际中线存在偏差时,发出偏差告警。
以下仍以巷道截面形式为矩形的情况为例,对本实施例所述的偏差告警进行说明,即,确定第一矩形框中线12、第二矩形框中线22与所述实际中线存在偏差时,发出偏差告警。
在所述步骤300的基础上,基于所述第一矩形框两侧铅垂线之间的距离,绘制出第一矩形框中线12,同时,基于所述第二矩形框两侧铅垂线之间的距离,绘制出第二矩形框中线22,优选的,将所述第一矩形框中线12、所述第二矩形框中线显示22在所述掘进工作面迎头向外区域图像中;
对所述第一矩形框中线12、所述第二矩形框中线22与所述实际中线的位置进行比较,确定第一矩形框中线12、第二矩形框中线22与所述实际中线是否存在偏差;否,则判断掘进方向正确;是,则发出偏差告警。
所述偏差告警包括偏差方向告警和/或偏差量告警。
具体的,根据第一矩形框中线和/或第二矩形框中线相对于所述实际中线的位置,来确定偏差方向;根据第一矩形框中线和/或第二矩形框中线相对于所述实际中线的距离来确定偏差量。优选的,所述偏差方向告警和/或偏差量告警可以输出到掘进机中的中控台显示器上,方便提示驾驶员进行调整。
本实施例提供的第一线型框中线、第二线型框中线与所述实际中线的比较方法,其目的是保证构建矩形框的准确性,避免由于首排锚杆托盘搭建的偏移造成构建模型的偏移,并在监测到偏移后做出提示,或者针对构建的矩形框进行校正。
本发明实施例提供的基于计算机视觉的巷道掘进监测方法,通过对巷道掘进过程进行监测,并基于巷道三维模型的建立,解决了煤矿掘进工作面作业时,由于掘进机长度长,掘进机司机操作位置与工作面煤壁距离远,截割头截割时粉尘大,司机视线差,可视距离短,导致的巷道两帮超挖、欠挖,巷道掘进方向偏差的情况发生,保障巷道施工质量。通过对掘进工作面作业进行有效监测,本专利方法起到了监测预警的作用,更加可靠、及时,提高了煤矿的安全管理水平,保障巷道施工质量,避免工作人员的伤亡情况发生。
与上述实施例1对应的,本发明实施例2还提供了一种基于计算机视觉的巷道掘进监测装置,具体如图9所示,该装置包括:获取单元501、处理单元502。
获取单元501,用于获取掘进工作面迎头向外区域图像;
处理单元502,用于在所述掘进工作面迎头向外区域图像中识别锚杆托盘;根据第n排所述锚杆托盘线性拟合生成第一线型框;根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;基于所述第一线型框与所述第二线型框建立巷道三维模型。
进一步地,所述处理单元还用于,以所述第一线型框定位标识点与所述第二线型框定位标识点的连线作为y轴;以三台图像识别装置所在竖直面为xOz平面,建立空间笛卡尔直角坐标系;
以巷道设计参数对所述第一线型框和/或所述第二线型框进行限定;进而生成所述巷道三维模型。
进一步地,所述处理单元502还用于,生成截割面线型框;获取截割头运动轨迹;根据截割头运动轨迹与所述截割面线型框位置关系确定是否存在超挖和/或欠挖;是,则发出超挖和/或欠挖告警。
进一步地,所述获取单元501还用于,在所述掘进工作面迎头向外区域图像中识别掘进机尾部图像;
进一步地,所述处理单元502还用于,确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z);
以P点的y轴坐标值加上掘进机机身长度确定截割头的y轴坐标y1;
以(0,y1,0)为所述截割面线型框定位标识点,导入所述第一线型框或所述第二线型框的线型,生成所述截割面线型框。
进一步地,所述处理单元502还用于,基于双目立体视觉模型,由所述掘进机尾部特征点在左右两图像识别装置中的坐标pleft=(Xleft,Yleft),pright=(Xright,Yright),左右两图像识别装置中的基线距离,及图像识别装置的焦距,求得掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)。
进一步地,所述处理单元502还用于,确定截割头运动轨迹是否超出截割面矩形框范围;是,则确定为超挖。
进一步地,所述处理单元502还用于,确定一次作业周期内,截割头运动轨迹起始点与终点的水平距离是否小于所述巷道设计宽度w;是,则确定为欠挖。
进一步地,所述获取单元还用于,在所述掘进工作面迎头向外区域图像中识别中线吊锤;
进一步地,所述处理单元还用于,根据所述中线吊锤绘制实际中线;确定第一线型框中线、第二线型框中线与所述实际中线存在偏差时,发出偏差告警。
本发明实施例提供的基于计算机视觉的巷道掘进监测装置中各部件所执行的功能均已在上述实施例1中做了详细介绍,因此这里不做过多赘述。
本发明实施例提供的基于计算机视觉的巷道掘进监测方法,通过对巷道掘进过程进行监测,并基于巷道三维模型的建立,解决了煤矿掘进工作面作业时,由于掘进机长度长,掘进机司机操作位置与工作面煤壁距离远,截割头截割时粉尘大,司机视线差,可视距离短,导致的巷道两帮超挖、欠挖,巷道掘进方向偏差的情况发生,保障巷道施工质量。通过对掘进工作面作业进行有效监测,本专利方法起到了监测预警的作用,更加可靠、及时,提高了煤矿的安全管理水平,保障巷道施工质量,避免工作人员的伤亡情况发生。
与上述实施例相对应的,本发明实施例3还提供了基于计算机视觉的巷道掘进监测系统,具体如图10所示,该系统包括:处理器601、存储器602。
存储器602用于存储一个或多个程序指令;
处理器601,用于运行一个或多个程序指令,用以执行如上实施例所介绍的基于计算机视觉的巷道掘进监测方法中的任一方法步骤。
本发明实施例提供的基于计算机视觉的巷道掘进监测方法,通过对巷道掘进过程进行监测,并基于巷道三维模型的建立,解决了煤矿掘进工作面作业时,由于掘进机长度长,掘进机司机操作位置与工作面煤壁距离远,截割头截割时粉尘大,司机视线差,可视距离短,导致的巷道两帮超挖、欠挖,巷道掘进方向偏差的情况发生,保障巷道施工质量。通过对掘进工作面作业进行有效监测,本专利方法起到了监测预警的作用,更加可靠、及时,提高了煤矿的安全管理水平,保障巷道施工质量,避免工作人员的伤亡情况发生。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包含一个或多个程序指令。其中,一个或多个程序指令用于被基于计算机视觉的巷道掘进监测系统执行如上所介绍的基于计算机视觉的巷道掘进监测方法。
在本发明实施例中,处理器可以是一种集成电路芯片,具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific工ntegrated Circuit,简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息,结合其硬件完成上述方法的步骤。
存储介质可以是存储器,例如可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
其中,非易失性存储器可以是只读存储器(Read-Only Memory,简称ROM)、可编程只读存储器(Programmable ROM,简称PROM)、可擦除可编程只读存储器(Erasable PROM,简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM,简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory,简称RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,简称SRAM)、动态随机存取存储器(Dynamic RAM,简称DRAM)、同步动态随机存取存储器(Synchronous DRAM,简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM,简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时,可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (10)
1.基于计算机视觉的巷道掘进监测方法,其特征在于,所述方法包括:
获取掘进工作面迎头向外区域图像;
在所述掘进工作面迎头向外区域图像中识别锚杆托盘;
根据第n排所述锚杆托盘线性拟合生成第一线型框;
根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;
基于所述第一线型框与所述第二线型框建立巷道三维模型;
所述方法还包括:在所述掘进工作面迎头向外区域图像中识别中线吊锤;
根据所述中线吊锤绘制实际中线;确定第一线型框中线、第二线型框中线与所述实际中线存在偏差时,发出偏差告警。
2.根据权利要求1所述的基于计算机视觉的巷道掘进监测方法,其特征在于,所述基于所述第一线型框与所述第二线型框建立巷道三维模型,具体包括:以所述第一线型框定位标识点与所述第二线型框定位标识点的连线作为y轴;以平行于所述第一线型框所在平面且过图像识别装置的平面为xOz平面,以y轴与xOz平面交点为原点,建立空间笛卡尔直角坐标系;
以巷道设计参数对所述第一线型框和/或所述第二线型框进行限定;进而生成所述巷道三维模型。
3.根据权利要求2所述的基于计算机视觉的巷道掘进监测方法,其特征在于,还包括:
生成截割面线型框;
获取截割头运动轨迹;
根据截割头运动轨迹与所述截割面线型框位置关系确定是否存在超挖和/或欠挖;
是,则发出超挖和/或欠挖告警。
4.根据权利要求3所述的基于计算机视觉的巷道掘进监测方法,其特征在于,所述生成截割面线型框,具体包括:
在所述掘进工作面迎头向外区域图像中识别掘进机尾部图像;
确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z);
以P点的y轴坐标值加上掘进机机身长度确定截割头的y轴坐标y1;
以(0,y1,0)为所述截割面线型框定位标识点,导入所述第一线型框或所述第二线型框的线型,生成所述截割面线型框。
5.根据权利要求4所述的基于计算机视觉的巷道掘进监测方法,其特征在于,所述确定掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z),具体包括:
基于双目立体视觉模型,由所述掘进机尾部特征点在左右两图像识别装置中的坐标pleft=(Xleft,Yleft),pright=(Xright,Yright),左右两图像识别装置中的基线距离,及图像识别装置的焦距,求得掘进机尾部特征点在所述巷道三维模型中的坐标P(x,y,z)。
6.根据权利要求3所述的基于计算机视觉的巷道掘进监测方法,其特征在于,所述根据截割头运动轨迹确定是否存在超挖,具体包括:确定截割头运动轨迹是否超出截割面线型框范围;是,则确定为超挖。
7.根据权利要求4所述的基于计算机视觉的巷道掘进监测方法,其特征在于,所述根据截割头运动轨迹确定是否存在欠挖,具体包括:确定一次作业周期内,截割头运动轨迹起始点与终点的水平距离是否小于所述巷道设计宽度w;是,则确定为欠挖。
8.一种基于计算机视觉的巷道掘进监测装置,其特征在于,所述装置包括:获取单元、处理单元;
获取单元,用于获取掘进工作面迎头向外区域图像;
处理单元,用于在所述掘进工作面迎头向外区域图像中识别锚杆托盘;根据第n排所述锚杆托盘线性拟合生成第一线型框;根据第n+1排所述锚杆托盘线性拟合生成第二线型框;其中,n为大于等于1的正整数;基于所述第一线型框与所述第二线型框建立巷道三维模型。
9.一种基于计算机视觉的巷道掘进监测系统,其特征在于,所述系统包括:处理器、存储器和报警器;
所述存储器用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如权利要求1-7任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质中包含一个或多个程序指令,所述一个或多个程序指令用于被一种基于计算机视觉的巷道掘进监测系统执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833949.2A CN110532995B (zh) | 2019-09-04 | 2019-09-04 | 基于计算机视觉的巷道掘进监测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833949.2A CN110532995B (zh) | 2019-09-04 | 2019-09-04 | 基于计算机视觉的巷道掘进监测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110532995A CN110532995A (zh) | 2019-12-03 |
CN110532995B true CN110532995B (zh) | 2020-08-21 |
Family
ID=68667027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910833949.2A Active CN110532995B (zh) | 2019-09-04 | 2019-09-04 | 基于计算机视觉的巷道掘进监测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532995B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553948B (zh) * | 2020-04-27 | 2023-01-17 | 冀中能源峰峰集团有限公司 | 一种基于双示踪物的掘进机截割头定位方法 |
CN111881589B (zh) * | 2020-07-30 | 2024-05-14 | 三一重型装备有限公司 | 基于计算机的截割头设计方法及装置 |
CN112561859B (zh) * | 2020-11-20 | 2023-01-31 | 中国煤炭科工集团太原研究院有限公司 | 基于单目视觉的锚护用钢带钻孔与锚网识别方法及装置 |
CN112325887B (zh) * | 2021-01-06 | 2021-04-13 | 天地科技股份有限公司 | 一种悬臂式掘进机截割轨迹验证方法及系统 |
CN113175354B (zh) * | 2021-04-25 | 2022-11-15 | 中国铁建重工集团股份有限公司 | 掘锚机的作业安全监测系统、方法、装置 |
CN113250693A (zh) * | 2021-05-31 | 2021-08-13 | 北京瑞华高科技术有限责任公司 | 掘进控制装置、方法及掘进设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832136A (zh) * | 2010-04-26 | 2010-09-15 | 山西潞安环保能源开发股份有限公司王庄煤矿 | 掘进机自动纠偏方法及系统 |
CN104295297A (zh) * | 2014-09-16 | 2015-01-21 | 三一重型装备有限公司 | 一种掘进机截割头定位系统及方法和掘进机 |
CN104850448A (zh) * | 2015-04-03 | 2015-08-19 | 兖州煤业股份有限公司 | 一种实现对煤壁截割效果判断的方法、装置及系统 |
US20160232256A1 (en) * | 2015-02-06 | 2016-08-11 | Autodesk, Inc. | Model builder |
CN106052645A (zh) * | 2016-03-11 | 2016-10-26 | 中国矿业大学 | 一种悬臂式掘进机空间位姿实时检测系统及方法 |
CN108590657A (zh) * | 2018-04-16 | 2018-09-28 | 三重型装备有限公司 | 井下巷道的采掘控制方法、控制系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635367A (zh) * | 2018-11-22 | 2019-04-16 | 山东蓝光软件有限公司 | 一种掘进机三维模拟方法、装置及系统 |
CN109801370A (zh) * | 2019-01-14 | 2019-05-24 | 山西晋城无烟煤矿业集团有限责任公司 | 一种cad图纸建模井下巷道三维场景的方法 |
-
2019
- 2019-09-04 CN CN201910833949.2A patent/CN110532995B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832136A (zh) * | 2010-04-26 | 2010-09-15 | 山西潞安环保能源开发股份有限公司王庄煤矿 | 掘进机自动纠偏方法及系统 |
CN104295297A (zh) * | 2014-09-16 | 2015-01-21 | 三一重型装备有限公司 | 一种掘进机截割头定位系统及方法和掘进机 |
US20160232256A1 (en) * | 2015-02-06 | 2016-08-11 | Autodesk, Inc. | Model builder |
CN104850448A (zh) * | 2015-04-03 | 2015-08-19 | 兖州煤业股份有限公司 | 一种实现对煤壁截割效果判断的方法、装置及系统 |
CN106052645A (zh) * | 2016-03-11 | 2016-10-26 | 中国矿业大学 | 一种悬臂式掘进机空间位姿实时检测系统及方法 |
CN108590657A (zh) * | 2018-04-16 | 2018-09-28 | 三重型装备有限公司 | 井下巷道的采掘控制方法、控制系统 |
Non-Patent Citations (2)
Title |
---|
"OpenGL环境下两种巷道三维建模方法的比较";侯恩科等;《矿业研究与开发》;20091031;第29卷(第5期);论文第2.2节,图4 * |
侯恩科等."OpenGL环境下两种巷道三维建模方法的比较".《矿业研究与开发》.2009,第29卷(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110532995A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110532995B (zh) | 基于计算机视觉的巷道掘进监测方法、装置及系统 | |
JP6273041B2 (ja) | 採掘坑車両及び採掘坑作業タスクの開始方法 | |
US9378554B2 (en) | Real-time range map generation | |
CN109579831B (zh) | 矿用悬臂式掘进机可视化辅助导引方法和系统 | |
EP3950235B1 (en) | Self-propelled robot path planning method, self-propelled robot and storage medium | |
US9500079B2 (en) | Method and control system for a mining vehicle and a mining vehicle | |
JP6289731B2 (ja) | 作業機械の制御システム、作業機械の制御方法、及びナビゲーションコントローラ | |
CN109931072A (zh) | 掘进机截割控制装置、方法及悬臂掘进机 | |
CN103821514A (zh) | 掘进机截割系统 | |
EP3094806B1 (en) | Mine vehicle and method of initiating mine work task | |
CN110318796B (zh) | 一种识别液压支架移架状态的方法、装置及系统 | |
CN113982690B (zh) | 基于锚护作业的控制方法及装置、系统、掘锚护一体机 | |
RU2756634C2 (ru) | Способы и системы управления направлением проходки горной машины | |
CN104793637A (zh) | 一种移动设备的实时跟踪系统及跟踪方法 | |
CN110736434A (zh) | 一种煤矿巷道表面位移在线监测系统及监测方法 | |
CN112943323B (zh) | 锚杆台车控制系统 | |
CN110454157B (zh) | 一种监测综采工作面底板的方法、装置、系统及存储介质 | |
CN112114327A (zh) | 一种基于多传感器融合的煤矿巷道钻锚机器人精确定位方法及系统 | |
SE1851620A1 (en) | Method and device for determining the position of a mining and / or construction machine | |
CN116276886B (zh) | 一种基于手眼分离的隧道打孔机器人孔位定位方法及系统 | |
CN110058587B (zh) | 基于slam技术的煤矿综采面巡视无人车以及自主巡视的方法 | |
JP6553702B2 (ja) | 作業機械の制御システム、作業機械、作業機械の制御方法及びナビゲーションコントローラ | |
US11002075B1 (en) | Mine drilling system and related method | |
CN111720118B (zh) | 基于前瞻性的矿井概况控制长壁采矿系统的系统和方法 | |
CN110242297A (zh) | 一种识别掘进工作面超循环作业的方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |