CN113107550B - 一种基于机器视觉的盾构管片自动拼装方法 - Google Patents
一种基于机器视觉的盾构管片自动拼装方法 Download PDFInfo
- Publication number
- CN113107550B CN113107550B CN202110366063.9A CN202110366063A CN113107550B CN 113107550 B CN113107550 B CN 113107550B CN 202110366063 A CN202110366063 A CN 202110366063A CN 113107550 B CN113107550 B CN 113107550B
- Authority
- CN
- China
- Prior art keywords
- industrial camera
- expected
- assembled
- segment
- point
- 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 29
- 230000007246 mechanism Effects 0.000 claims abstract description 50
- 238000013519 translation Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004091 panning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000005641 tunneling Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/40—Devices or apparatus specially adapted for handling or placing units of linings or supporting units for tunnels or galleries
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/04—Lining with building materials
- E21D11/08—Lining with building materials with preformed concrete slabs
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Lining And Supports For Tunnels (AREA)
Abstract
本发明一种基于机器视觉的盾构管片自动拼装方法属于盾构施工管片自动化拼装技术领域，涉及一种基于机器视觉的盾构管片自动拼装方法。该方法首先安装工业相机并进行标定，在管片上布置靶标ArUco码。然后，对靶标ArUco码的四个特征角点进行检测，预测待拼装管片的期望位置点。计算待拼装点与期望位置点偏差，计算平移、提升和回转机构当前速度与期望速度误差值。采用基于图像的视觉伺服策略得到管片拼装机各机构的期望速度，最后由关节速度闭环控制得到各执行机构控制量，从而实现管片的自动拼装。本发明通过引入机器视觉技术，代替人工操纵手柄完成管片拼装,效率高。基于靶标间接实现了管片位姿的实时预测，有效提升管片的拼装精度及拼装效率。
Description
技术领域
本发明属于盾构施工管片自动化拼装技术领域，涉及一种基于机器视觉的盾构管片自动拼装方法。
背景技术
盾构机广泛应用于轨道交通、引水等隧道建设工程中，管片拼装机是盾构机中较为重要的子系统，管片拼装机在隧道建设过程中用于铺设管片。
盾构的施工过程主要可以分为几个步骤：首先盾构机在推进油缸的作用下向前推进，在推进的过程中，刀盘系统会将泥土、岩石等地下物质刮落。被刮下的泥土等会随着螺旋输送机系统由地下转移到地上。当盾构机向前挖掘一段距离后，管片拼装机会将管片输送到隧道裸露位置，经提升、平移、旋转、微调等一系列动作将多段管片拼装砌环，完成对隧道的支撑任务。在盾构机掘进过程中，需要将大量管片放置在正确的位置，才能完成对隧道的支护。因此，提高管片的架设速度可以直接提高隧道挖掘的施工效率。
现在，管片的拼装是通过人眼估计管片的位姿状态，然后技术人员操纵手柄控制管片拼装机进行管片的位置调整，周而往复，最终完成整环管片的拼装砌环。这样的拼装流程既容易造成误操作，而且拼装效率不高。因此通过机器视觉技术实现管片位姿的实时测量，设计一套自动化管片拼装系统显得尤为重要。
发明内容
本发明为克服现有技术的缺陷，发明了一种基于机器视觉的盾构管片动拼装方法，通过在待拼装管片上布置靶标ArUco码，由工业相机识别靶标四个角点特征。根据已拼装管片上的ArUco码角点特征，采用机器学习的方法预测待拼装管片期望位置，运用基于图像的视觉伺服技术得到管片拼装机各机构期望速度，并基于关节速度闭环控制得到各机构控制量，从而实现盾构管片的自动拼装。
本发明采用的技术方案是一种基于机器视觉的盾构管片自动拼装方法，方法的具体步骤如下：
步骤一、工业相机安装和标定，获取工业相机内参数矩阵k；
工业相机7安装在管片拼装机上，管片拼装机提升机构由左提升液压缸4和右提升液压缸8构成，将工业相机7安装固定在右提升液压缸8下端；工业相机7的光心轴线平行于提升液压缸轴线，使其能够跟随旋转机构3和右提升液压缸8作旋转和提升运动；建立工业相机坐标系OC-XCYCZC，Oc为工业相机光心点，Yc轴平行于平移机构轴线，Zc轴平行于提升机构轴线，Xc轴可由左手定则得出；运用工业相机7在不同位置与角度下采集高精度靶标信息；
采用“张氏标定方法”对工业相机进行相机标定，获取工业相机内参数矩阵k，其形式为：
式中：kx、ky为相机在X轴和Y轴的尺度因子，(u0,v0)为工业相机光轴中心线与成像平面交点。
设一景物点在工业相机坐标系下的坐标为(x1,y1,z1)，用内参数矩阵描述景物点与图像点之间的关系，则其像素坐标(u,v)为：
步骤二、在管片上布置靶标ArUco码；
靶标ArUco码内部由多个不同排列的黑白格组成，将靶标ArUco码A布置在每块待拼装管片一端对中的位置，靶标ArUco码A侧边与管片侧边平行且距离一致，确保ArUco码A安放在每片管片相同位置；
步骤三、特征点提取，
在工业相机坐标系Oc-XcYcZc中，通过工业相机识别已拼装管片和待拼装管片上两张靶标ArUco码B、A的轮廓特征，即靶标ArUco码的四个角点C为特征点进行检测，并提取各自外轮廓的四个角点C的像素坐标，共两组，分别为Ai(uAi,vAi)和Bi(uBi,vBi)，i表示第i个角点，i＝1,2,3,4；
步骤四、预测待拼装管片的期望位置点；
将待拼装管片(1)和已拼装管片(2)进行预拼装，通过手动控制管片拼装机；设置工业相机不同位置，采集多组ArUco码A、B的角点坐标(uAi,vAi)、(uBi,vBi)数据作为训练集、测试集；预测待拼装管片的期望位置点di像素坐标(udi,vdi)；采用机器学习的回归模型，假设回归模型的训练集为D：
D＝{(x1,y1),(x2,y2)...(xn,yn)} (3)
式中：xi，i＝1,2,3...n,为输入值，即特征点Bi的坐标值；yi，i＝1,2,3...n为输出值，即期望位置点di的坐标值。
回归模型将输入空间划分为m个单元R1,R2,...,Rm，假设每个单元上有一个固定的输出值Cm，则回归模型表述为：
若采用平方误差最小准则求解每个单元的最优输出值，则得到单元Rm上的最优数值；
式中：
是Rm上的所有输入值xi对应输出yi的均值。
依据上述回归模型，实现期望位置点预测；
步骤五、计算待拼装点与期望位置点偏差；
计算待拼装管片当前位置四个角点Ai(uAi,vAi)与期望位置的四个角点di(udi,vdi)的误差值e，采用四特征点下基于图像的视觉伺服算法得到管片拼装机平移、提升和回转的期望速度；
误差值e定义为：
结合公式(6)，采用基于图像的视觉伺服策略，其具体形式为：
式中：v＝(vcx,vcy,vcz,wcx,wcy,wcz)T为工业相机坐标系下六自由度期望速度，λp为比例增益参数，
为四特征点叠加图像雅可比伪逆矩阵，具体形式为：
式中：kx,ky,u0,v0为步骤一工业相机标定的有关参数，zc为图像深度信息。
根据相机坐标系的建立规则，可知(vcx,vcy,vcz)T即为管片拼装机回转机构、平移机构、提升机构期望速度。
步骤六，计算平移、提升和回转机构当前速度与期望速度误差值，进行管片初调定位；
计算平移机构、提升机构和回转机构当前速度与期望速度误差值β，通过PID控制算法得到平移油缸、提升油缸、回转伺服电机控制量，使管片进行初次定位，到达期望位置附近。
以平移机构为例，设当前速度为vx，误差值β定义为：
β＝vx-vcx (9)
采用PID控制算法的平移油缸控制量：
式中：kp，ki，kd为控制增益参数，根据系统参数设计；
根据上述方法，同理可得到提升油缸以及回转伺服电机控制量；
步骤七，初次定位后，计算微调机构俯仰、平摇、横移期望速度，
再次计算初次定位后，待拼装管片当前位置四个角点Ai(uAi,vAi)与期望位置的四个角点di(udi,vdi)的偏差值e；采用四特征点下基于图像的视觉伺服算法得到管片拼装机微调机构俯仰、平摇、横移的期望速度，计算方法同步骤五，根据坐标系建立规则，即计算得到(wcx,wcy,wcz)T；
步骤八，计算微调机构当前速度与期望速度误差值，进行管片微调定位；
通过PID控制算法得到偏转油缸、微调油缸控制量，计算方法同步骤六，使管片进行微调定位，到达期望位置。当待拼装管片的四个角点(uAi,vAi)与期望位置(udi,vdi)按照位置对应关系重合时，完成待拼装管片的安装。
按照上述步骤，重复步骤五到八，直至完成一环管片的自动拼装。
本发明较现有管片拼装技术，有以下创新点和有益效果：采用机器学习的方法预测待拼装管片期望位置，运用基于图像的视觉伺服技术得到管片拼装机各机构期望速度，并基于关节速度闭环控制得到各机构控制量。具体内容还有：
1、靶标ArUco码作为视觉检测对象，其内部由多个不同排列的黑白格组成，易于进行图像识别，能够提供稳定四个角点特征，可以间接实现管片的位姿估计。
2、通过引入机器视觉模块，将管片的拼装问题转化为特征点重合问题，而且四个特征点能够提供足够的约束，满足实际的管片拼装任务。
3、采用基于图像的视觉伺服控制算法，能够通过计算机自动产生管片拼装机各执行机构控制量，代替了人工操纵手柄完成管片拼装的效率较低的问题。
附图说明
图1为本发明一种基于机器视觉的盾构管片自动拼装方法的流程图。
图2为本实施例管片拼装机结构和工业相机安装示意图。
其中，3-旋转机构,4-左提升液压缸，5-平移机构，6-微调机构，7-工业相机，8-右提升液压缸，OCXCYCZC-工业相机坐标系。
图3为本发明实施例管片初次定位示意图，图4为本发明实施例管片拼装示意图。其中，1-待拼装管片,2-已拼装管片,7-工业相机，A、B-ArUco码，C-ArUco码A、B的角点，d-期望位置。
具体实施方式
下面结合附图和技术方案详细说明本发明的具体实施。
附图1为本发明一种基于机器视觉的盾构管片自动拼装方法的方法流程图，该方法具体步骤如下：
步骤一、工业相机安装与标定，
图2为本实施例管片拼装机结构和工业相机安装示意图，图中，管片拼装机提升机构由左提升液压缸4和右提升液压缸8构成。采用单目视觉工业相机，将工业相机7安装固定在右提升液压缸8下端，工业相机7的光心轴线平行于提升液压缸轴线，使其能够跟随旋转机构3和右提升液压缸8作旋转和提升运动，运用工业相机7采集不同角度与位置下的高精度标准棋盘格，并建立工业相机坐标系OC-XCYCZC，Oc为相机光心点，Yc轴平行于平移机构轴线，Zc轴平行于提升机构轴线，Xc轴可由左手定则得出。
采用“张氏标定方法”对工业相机进行相机标定，获取工业相机内参数矩阵k，矩阵k是3×3矩阵，见公式(1)。
步骤二、在管片上布置ArUco码；
在待拼装管片1和已拼装管片2两端的对中位置分别布置靶标ArUco码A和B，同时ArUco码侧边与管片侧边平行且距离一致，确保ArUco码安放在管片相同位置。
步骤三、特征点提取；
在工业相机坐标系Oc-XcYcZc下，通过工业相机识别已拼装管片2和待拼装管片1上两张靶标ArUco码B、A的轮廓特征，即靶标ArUco码的四个角点C为特征点进行检测，并提取各自外轮廓的四个角点C的像素坐标，共两组，分别为Ai(uAi,vAi)和Bi(uBi,vBi)，i表示第i个角点，i＝1,2,3,4。
步骤四、预测待拼装管片的期望位置点；
将待拼装管片1和已拼装管片2进行预拼装，通过手动控制管片拼装机，设置不同工业相机位置。采集多组ArUco码A和B的角点坐标(uAi,vAi)、(uBi,vBi)数据作为训练集，采用机器学习的回归模型，模型建立方法利用公式(3)、(4)、(5)实现。预测待拼装管片的期望位置点d像素坐标(udi,vdi)，参见图3、图4。
步骤五，计算待拼装点与期望位置点偏差；
计算待拼装管片当前位置四个角点(uAi,vAi)与期望位置的四个角点(udi,vdi)的偏差值e。根据公式(6)、(7)，采用四特征点下基于图像的视觉伺服算法得到管片拼装机平移、提升和回转的期望速度(vcx,vcy,vcz)T。
步骤六，计算平移机构、提升机构和回转机构当前速度与期望速度偏差值β，根据公式(9)、(10)，通过PID控制算法得到平移油缸、提升油缸、回转电机控制量，使管片初次定位，到达期望位置附近。
步骤七，再次计算初次定位后，待拼装管片当前位置四个角点(uAi,vAi)与期望位置的四个角点(udi,vdi)的偏差值e。根据公式(7)，采用四特征点下基于图像的视觉伺服算法得到俯仰、平摇、横移的期望速度(wcx,wcy,wcz)T。
步骤八，计算微调机构6当前三自由度角速度与期望速度偏差值β，根据公式(10)，通过PID控制算法得到偏转油缸、微调油缸控制量，使管片进行微调定位，到达期望位置d，参考图4。当待拼装管片的四个角点(uAi,vAi)与期望位置(udi,vdi)按照位置对应关系重合时，完成待拼装管片的安装。
按照上述步骤，重复步骤五到八，直至完成一环管片的自动拼装。
Claims (1)
1.一种基于机器视觉的盾构管片自动拼装方法，其特征是，拼装方法具体步骤如下：
步骤一、工业相机安装和标定，获取工业相机内参数矩阵k；
工业相机(7)安装在管片拼装机上，管片拼装机提升机构由左提升液压缸(4)和右提升液压缸(8)构成，将工业相机(7)安装固定在右提升液压缸(8)下端；工业相机(7)的光心轴线平行于右提升液压缸轴线，使其能够跟随旋转机构(3)和右提升液压缸(8)作旋转和提升运动；建立工业相机坐标系OC-XCYCZC，Oc为工业相机光心点，Yc轴平行于平移机构轴线，Zc轴平行于提升机构轴线，Xc轴可由左手定则得出；运用工业相机(7)在不同位置与角度下采集高精度靶标信息；
采用“张氏标定方法”对工业相机进行相机标定，获取工业相机内参数矩阵k，其形式为：
式中：kx、ky为相机在X轴和Y轴的尺度因子，(u0,v0)为工业相机光轴中心线与成像平面交点；
设一景物点在工业相机坐标系下的坐标为(x1,y1,z1)，用内参数矩阵描述景物点与图像点之间的关系，则其像素坐标(u,v)为：
步骤二、在管片上布置靶标ArUco码；
靶标ArUco码内部由多个不同排列的黑白格组成，将靶标ArUco码A布置在每块待拼装管片一端对中的位置，靶标ArUco码A侧边与管片侧边平行且距离一致，确保ArUco码A安放在每片管片相同位置；
步骤三、特征点提取，
在工业相机坐标系Oc-XcYcZc中，通过工业相机识别已拼装管片和待拼装管片上两张靶标ArUco码B、A的轮廓特征，即靶标ArUco码的四个角点C为特征点作为检测对象，并提取各自外轮廓的四个角点C的像素坐标，共两组，分别为Ai(uAi,vAi)和Bi(uBi,vBi)，i表示第i个角点，i＝1,2,3,4；
步骤四、预测待拼装管片的期望位置点；
将待拼装管片(1)和已拼装管片(2)进行预拼装，通过手动控制管片拼装机；设置工业相机不同位置，采集多组ArUco码A、B的角点坐标(uAi,vAi)、(uBi,vBi)数据作为训练集、测试集；预测待拼装管片的期望位置点di像素坐标(udi,vdi)；采用机器学习的回归模型，假设回归模型的训练集为D：
D＝{(x1,y1),(x2,y2)...(xn,yn)} (3)
式中：xi，i＝1,2,3...n,为输入值，即特征点Bi的坐标值；yi，i＝1,2,3...n为输出值，即期望位置点di的坐标值；
回归模型将输入空间划分为m个单元R1,R2,...,Rm，假设每个单元上有一个固定的输出值Cm，则回归模型表述为：
若采用平方误差最小准则求解每个单元的最优输出值，则得到单元Rm上的最优数值；
式中：
是Rm上的所有输入值xi对应输出yi的均值；
依据上述回归模型，实现期望位置点预测；
步骤五、计算待拼装点与期望位置点偏差；
计算待拼装管片当前位置四个角点Ai(uAi,vAi)与期望位置的四个角点di(udi,vdi)的误差值e，采用四特征点下基于图像的视觉伺服算法得到管片拼装机平移、提升和回转的期望速度；
误差值e定义为：
结合公式(6)，采用基于图像的视觉伺服策略，其具体形式为：
式中：v＝(vcx,vcy,vcz,wcx,wcy,wcz)T为工业相机坐标系下六自由度期望速度，λp为比例增益参数，
为四特征点叠加图像雅可比伪逆矩阵，具体形式为：
式中：kx,ky,u0,v0为步骤一工业相机标定的有关参数，zc为图像深度信息；
根据相机坐标系的建立规则，可知(vcx,vcy,vcz)T即为管片拼装机回转机构、平移机构、提升机构期望速度；(wcx,wcy,wcz)T为管片拼装机微调机构俯仰、平摇、横移的期望速度；
步骤六，计算平移、提升和回转机构当前速度与期望速度误差值；
计算平移机构、提升机构和回转机构当前速度与期望速度误差值β，通过PID控制算法得到平移油缸、提升油缸、回转伺服电机控制量，使管片进行初次定位，到达期望位置附近；
以平移机构为例，设当前速度为vx，误差值β定义为：
β＝vx-vcx (9)
采用PID控制算法的平移油缸控制量：
式中：kp，ki，kd为控制增益参数，根据系统参数设计；
根据上述方法，同理可得到提升油缸以及回转伺服电机控制量；
步骤七，初次定位后，计算微调机构俯仰、平摇、横移期望速度，
再次计算初次定位后，待拼装管片当前位置四个角点Ai(uAi,vAi)与期望位置的四个角点di(udi,vdi)的偏差值e；采用四特征点下基于图像的视觉伺服算法得到管片拼装机微调机构俯仰、平摇、横移的期望速度，计算方法同步骤五；
步骤八，计算微调机构当前速度与期望速度；
通过PID控制算法得到偏转油缸、微调油缸控制量，计算方法同步骤六，使管片进行微调定位，到达期望位置；当待拼装管片的四个角点(uAi,vAi)与期望位置(udi,vdi)按照位置对应关系重合时，完成待拼装管片的安装；
按照上述步骤，重复步骤五到八，直至完成一环管片的自动拼装。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110366063.9A CN113107550B (zh) | 2021-04-06 | 2021-04-06 | 一种基于机器视觉的盾构管片自动拼装方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110366063.9A CN113107550B (zh) | 2021-04-06 | 2021-04-06 | 一种基于机器视觉的盾构管片自动拼装方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113107550A CN113107550A (zh) | 2021-07-13 |
| CN113107550B true CN113107550B (zh) | 2022-04-12 |
Family
ID=76713985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110366063.9A Active CN113107550B (zh) | 2021-04-06 | 2021-04-06 | 一种基于机器视觉的盾构管片自动拼装方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113107550B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113847043B (zh) * | 2021-09-17 | 2023-11-21 | 浙江大学高端装备研究院 | 一种管片实时定位系统及快速拼装方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1193597A (ja) * | 1997-09-24 | 1999-04-06 | Okumura Corp | トンネル用支保の選択方法 |
| JP2003035538A (ja) * | 2001-07-19 | 2003-02-07 | Sanwa Kizai Co Ltd | 画面表示薄型セオドライト |
| CN101038605A (zh) * | 2007-04-26 | 2007-09-19 | 上海交通大学 | 盾构隧道通用管片动态三维虚拟拼装系统 |
| CN102589443A (zh) * | 2012-01-31 | 2012-07-18 | 华中科技大学 | 一种基于图像识别的管片拼装质量的智能检测系统及其检测方法 |
| CN103410568A (zh) * | 2013-08-27 | 2013-11-27 | 辽宁工程技术大学 | 矿山动力灾害一体化预警方法及装置 |
| CN109826648A (zh) * | 2019-04-22 | 2019-05-31 | 中国铁建重工集团有限公司 | 一种双目管片拼装识别系统及其拼装识别方法 |
-
2021
- 2021-04-06 CN CN202110366063.9A patent/CN113107550B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1193597A (ja) * | 1997-09-24 | 1999-04-06 | Okumura Corp | トンネル用支保の選択方法 |
| JP2003035538A (ja) * | 2001-07-19 | 2003-02-07 | Sanwa Kizai Co Ltd | 画面表示薄型セオドライト |
| CN101038605A (zh) * | 2007-04-26 | 2007-09-19 | 上海交通大学 | 盾构隧道通用管片动态三维虚拟拼装系统 |
| CN102589443A (zh) * | 2012-01-31 | 2012-07-18 | 华中科技大学 | 一种基于图像识别的管片拼装质量的智能检测系统及其检测方法 |
| CN103410568A (zh) * | 2013-08-27 | 2013-11-27 | 辽宁工程技术大学 | 矿山动力灾害一体化预警方法及装置 |
| CN109826648A (zh) * | 2019-04-22 | 2019-05-31 | 中国铁建重工集团有限公司 | 一种双目管片拼装识别系统及其拼装识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113107550A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110103217B (zh) | 工业机器人手眼标定方法 | |
| US10625427B2 (en) | Method for controlling location of end effector of robot using location alignment feedback | |
| CN107214703B (zh) | 一种基于视觉辅助定位的机器人自标定方法 | |
| CN109632103B (zh) | 高空建筑物温度分布与表面裂缝远程监测系统及监测方法 | |
| Berenguel et al. | An artificial vision-based control system for automatic heliostat positioning offset correction in a central receiver solar power plant | |
| JP3600230B2 (ja) | 建築および土木構造物計測・解析システム | |
| CN110736446B (zh) | 一种悬臂式掘进机位姿识别系统及方法 | |
| CN102922521A (zh) | 一种基于立体视觉伺服的机械臂系统及其实时校准方法 | |
| CN107817500B (zh) | 一种模块化舞台激光定位方法 | |
| CN113107550B (zh) | 一种基于机器视觉的盾构管片自动拼装方法 | |
| WO2020182146A1 (zh) | 机器人系统和机器人导航地图建图系统及方法 | |
| US20230011911A1 (en) | Primary-secondary type infrastructure disease detection and repair system and method | |
| CN114371472B (zh) | 一种激光雷达和相机的自动化联合标定装置及方法 | |
| CN113340277A (zh) | 一种基于无人机倾斜摄影的高精度定位方法 | |
| Kim et al. | Autonomous mobile robot localization and mapping for unknown construction environments | |
| CN111536955B (zh) | 基于v型激光标靶图像识别的掘进机位姿检测系统及方法 | |
| CN108564628A (zh) | 一种面向掘进机自动化的截割头视觉定位定向系统 | |
| CN112785709A (zh) | Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备 | |
| CN110927813B (zh) | 一种飞机油箱自动探测装置及方法 | |
| CN111062992A (zh) | 一种双视角线激光扫描三维成像装置及方法 | |
| CN114092552A (zh) | 一种基于固定端图像进行大型刚体构件对接的方法 | |
| CN112508933B (zh) | 一种基于复杂空间障碍物定位的柔性机械臂运动避障方法 | |
| JP2003114105A (ja) | 大型構造物の建造方法 | |
| CN114516055B (zh) | 基于双目视觉和深度学习的机械臂不停工实时标定方法及装置 | |
| CN114842079A (zh) | 盾构隧道内对预制中隔墙进行位姿测量的设备及方法 |
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 |