CN113674208B - 一种用于井下爆破孔的自动寻孔方法、装置及介质 - Google Patents

一种用于井下爆破孔的自动寻孔方法、装置及介质 Download PDF

Info

Publication number
CN113674208B
CN113674208B CN202110828339.0A CN202110828339A CN113674208B CN 113674208 B CN113674208 B CN 113674208B CN 202110828339 A CN202110828339 A CN 202110828339A CN 113674208 B CN113674208 B CN 113674208B
Authority
CN
China
Prior art keywords
hole
point
points
depth
area
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
Application number
CN202110828339.0A
Other languages
English (en)
Other versions
CN113674208A (zh
Inventor
邓宏贵
张泽宇
刘阳
徐齐国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110828339.0A priority Critical patent/CN113674208B/zh
Publication of CN113674208A publication Critical patent/CN113674208A/zh
Application granted granted Critical
Publication of CN113674208B publication Critical patent/CN113674208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42D—BLASTING
    • F42D1/00—Blasting methods or apparatus, e.g. loading or tamping
    • F42D1/08—Tamping methods; Methods for loading boreholes with explosives; Apparatus therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于井下爆破孔的自动寻孔方法、装置及介质，所述方法包括以下步骤：1.采集隧道上壁的深度图像；2.将深度图像做三维纹理映射；3.根据映射后的数据建立孔网深度分析模型；4.利用模型将映射后的数据分类，根据分类结果，计算图像中深孔的区域范围；5.采用形状特征提取算法，检测深孔区域中孔的形状，保留模型中符合条件的孔和孔的位置；6.利用串级PID路径调整算法移动探头至深孔附近，完成自动寻孔。本发明使用更适合在地下环境工作的激光雷达传感器替代图像传感器一种用于井下的自动寻孔方法，减少寻孔作业的人员，使可移动平台安全、准确、高效的接近上向深孔。

Description

一种用于井下爆破孔的自动寻孔方法、装置及介质
技术领域
本发明涉及自动寻孔领域，尤其涉及一种用于井下爆破孔的自动寻孔方法、装置及介质。
背景技术
大力研制与开发推广地下矿洞孔洞搜寻装置是实现装填设备自动化、智能化、无人化的必由之路，是融合人工智能、图像处理、自动控制、矿业生产和工程爆破等行业的体现，实现上向深孔装填自动寻孔系统，不仅作业人力成本大幅降低、经济效益显著，而且装药过程的安全性将大幅度提高。
迄今为止，国内外学者提出很多有关于自动寻孔的方法。按传感器类型可以分三类：基于图像传感器的自动寻孔方法；基于激光雷达的自动寻孔方法；基于其他传感器的自动寻孔方法。目前较为主流的，是使用图像传感器进行孔洞的检测。但在双目视觉半径成像过程中，由于隧洞纹理、周围环境、光照不均匀等原因，地下图形轮廓特征无法准确提取，且保养困难，成本较高。基于激光雷达的自动寻孔方法因其较强的环境适应力、无需光照、低成本等优点在近些年被更多的用于自动寻孔相关领域，是实现地下矿洞寻孔的高效、准确、安全手段之一。基于其他传感器的自动寻孔方法种类繁多，大致分QR码验证、RFID定位、SERF陀螺仪、成像雷达、红外、无源微波等。QR码验证在孔洞处固定及隧道内潮湿环境的腐蚀等都是较为棘手的问题，RFID定位成本高、抗干扰性差、使用后难以回收，因此不适合洞内使用。SERF陀螺仪成本高、开发难度大、精度不足。成像雷达、红外、无源微波等技术在此领域还不成熟，环境不适用。
发明内容
本发明目的在于克服现有技术中寻孔成本高、操作复杂的问题，提出了一种用于井下爆破孔的自动寻孔方法、装置及介质，以实现对上向深孔的自动搜寻。
为实现上述目的，本发明提供以下技术方案：
一方面，一种用于井下爆破孔的自动寻孔方法，包括如下步骤：
S1：采集隧道上壁的深度图像；
S2：将隧道上壁的深度图像进行三维纹理映射；
S3：根据三维纹理映射后各点对应深度值，建立隧道上壁中深孔的孔网深度分析模型，对像素归类；
S4：利用随机采样一致性算法，计算隧道上壁中所有深孔的区域范围；
根据对像素的归类，计算出该模型下随机采样一致性算法的最优阈值和迭代次数；
S5：基于形状特征提取算法，检测所有深孔形状，与标准爆破孔形状作比较，保留满足标准爆破孔形状的深孔作为目标孔，并记录对应位置，同时计算目标孔的LBP特征；
S6：根据目标孔位置和LBP特征，利用串级PID步距调整算法在三维空间内将激光雷达探头移动至目标孔附近，当完成炸药装载后，返回初始位置，等待下一次炸药装载寻孔。
所述串级PID步距调整算法，以探头为起点，内环为速度环，外环为位置环。探头至目标孔的空间距离为外环输入，当前运动速度为内环输入。
探头在移动过程中保持竖直向上。
进一步地，基于三维纹理映射后隧道上壁各点的深度值构建孔网深度分析模型：
以三维纹理映射后隧道上壁某点的深度值和以该点为中心3*3矩阵包含的周围点的深度平均值作为决策树内部结点，以点属于孔区、壁区和孔周围区类别作为叶节点，建立分类决策树，将所有三维纹理映射后隧道上壁各点的深度值和已知所属区域类别，对建立的分类决策树进行训练，以训练后的分类决策树作为孔网深度分析模型。
通过三维纹理映射后的深度值，对上壁的边界、缝隙、轮廓等处细节表现更加突出，对孔边缘处数据描绘的更真实，这便于后续利用模型对像素归类；
进一步地，所述孔网深度分析模型中各叶节点的分类如下：
若点的深度值小于Sa，则该点属于壁区；
若点的深度值大于Sb，则该点属于孔区；
当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含的所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；
其中，Sa和Sb的取值在训练过程中确定；
Sa＝2S1-Smin，将三维映射后的所有点的深度值，按照出现次数从高到低排列，得到序列{S1,S2,S3…}，Sb为从序列中选取，使得不等式成立的最大值，Smax、Smin表示采集到深度值的极大值和极小值。
这种孔网深度分析模型能对个别像素值异常的地方做数据清洗，有利于后续准确寻孔，提高方法的鲁棒性。
进一步地，随机采样一致性算法中的迭代次数上限k按以下公式确定：
1-p＝(1-wn)k
其中，p表示从目标区域内选取出的点均为孔内点的概率，w为目标区域中选取一个点是孔区的概率；
所述目标区域是从经过孔网深度分析模型分类后的三维映射后的点中选互相连接的s个点组成；wn是所有n个点均属于孔区的概率；1-wn是n个点中至少有一个点属于壁区的概率；(1-wn)k表示选择到n个点不都属于孔区的概率。
孔的半径范围[r,R]，确认一个孔最少需要选定n个点，n>＝πr2；在选定的s个点中若有足够多的点被认为是孔内点，那么s点形成的区就有可能是孔洞，保持s内在孔区的点，移动壁区和孔周围区的点，若属于孔区的点数目增加，则当前的区域相比之前更适合选作目标，如此迭代最多k次，若在k次前当前区域均为最优，则认为当前区域是有孔的区域范围。
进一步地，利用形状特征提取算法对得到的深孔范围，做二值化处理，将除孔区外的所有点置零，提取与绘制孔区轮廓，并作轮廓逼近，分析轮廓几何形状，得到三角形、矩形、椭圆形或多边形等结论，求解中心位置；并将结论与孔实际轮廓比较，记录符合的孔位并描述轮廓的LBP特征。
另一方面，一种用于井下爆破孔的自动寻孔装置，包括：
采集单元：利用激光雷达采集隧道上壁的深度图像；
映射单元：用于将隧道上壁的深度图像进行三维纹理映射；
归类单元：用于根据三维纹理映射后各点对应深度值，建立隧道上壁中深孔的孔网深度分析模型，对像素归类；
深孔区域范围计算单元：利用随机采样一致性算法，计算隧道上壁中所有深孔的区域范围；
目标孔检测与特征计算单元：基于形状特征提取算法，检测所有深孔形状，与标准爆破孔形状作比较，保留满足标准爆破孔形状的深孔作为目标孔，并记录对应位置，同时计算目标孔的LBP特征；
目标孔找寻单元：根据目标孔位置和LBP特征，利用串级PID步距调整算法在三维空间内将激光雷达探头移动至目标孔附近，当完成炸药装载后，返回初始位置，等待下一次炸药装载寻孔。
进一步地，所述归类单元中的孔网深度分析模型是基于三维纹理映射后隧道上壁各点的深度值构建：
以三维纹理映射后隧道上壁某点的深度值和以该点为中心3*3矩阵包含的周围点的深度平均值作为决策树内部结点，以点属于孔区、壁区和孔周围区类别作为叶节点，建立分类决策树，将所有三维纹理映射后隧道上壁各点的深度值和已知所属区域类别，对建立的分类决策树进行训练，以训练后的分类决策树作为孔网深度分析模型。
进一步地，所述孔网深度分析模型中各叶节点的分类如下：
若点的深度值小于Sa，则该点属于壁区；
若点的深度值大于Sb，则该点属于孔区；
当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含的所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；
其中，Sa和Sb的取值在训练过程中确定；
Sa＝2S1-Smin，将三维映射后的所有点的深度值，按照出现次数从高到低排列，得到序列{S1,S2,S3…}，Sb为从序列中选取，使得不等式成立的最大值，Smax、Smin表示采集到深度值的极大值和极小值。
进一步地，利用形状特征提取算法对得到的深孔范围，做二值化处理，将除孔区外的所有点置零，提取与绘制孔区轮廓，并作轮廓逼近，分析轮廓几何形状，得到三角形、矩形、椭圆形或多边形等结论，求解中心位置；并将结论与孔实际轮廓比较，记录符合的孔位并描述轮廓的LBP特征。
再一方面，一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行所述的一种用于井下爆破孔的自动寻孔方法。
有益效果
本发明技术方案提供的一种用于井下爆破孔的自动寻孔方法、装置及介质，该方法通过激光雷达传感器与算法锁定上向孔洞，利用机械臂将探头送至深孔附近，实现自动寻孔。与传统方法相比，通过使用更适合在地下环境工作的激光雷达传感器替代图像传感器，孔网深度分析模型简化数据处理，形状特征提取算法提高准确率，串级PID路径调整机械臂快速接近目标等方法，针对不同矿井建立与之相适应的模型，简化寻孔过程中需要处理的深度值，减少了参与寻孔作业的人员，避免寻孔过程中很多不安全因素，使可移动平台接近上向深孔。本发明能降低寻孔作业的人工成本，提高安全性，响应国家智能制造的行动纲要，适用于实际井下爆破的寻孔作业中。
附图说明
图1为本发明的上向深孔自动寻孔方法流程图；
图2为上向深孔布局示意图；
图3为上向深孔三维纹理映射图；
图4为随机采样一致性算法流程图；
图5为形状特征提取算法流程图；
图6为串级PID路径调整算法流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
实施例1
本实施例提供了一种用于井下爆破孔的自动寻孔方法，如图1所示，具体步骤如下：
步骤1：将激光雷达传感器探头固定在机械臂顶部，于隧道水平中心、平行于横向孔网处平稳横置摆放(如图2)。竖直向上扫描采集隧道上壁三维灰度点云数据并做解算，获得对应的深度值，并保持探头稳定、牢固，位置不变；
步骤2：将解算后的深度值做三维纹理映射，如图3；
步骤3：利用三维纹理映射后的隧道上壁各点深度值，构建孔网深度分析模型。首先统计图像中重复出现的深度值，得到深度值的极大值Smax和极小值Smin，按重复次数从高到低排列，得到序列S1,S2,S3…，其中S为各点深度值。取Sa＝2S1-Smin。将序列S2,S3,S4…中的值依次代入下面不等式中的Sb，序列中首先满足条件的值就是Sb的值。
取三维纹理映射后隧道上壁某点的深度值，若点的深度值小于Sa，则该点属于壁区；若点的深度值大于Sb，则该点属于孔区；当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含的所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；输入图像中所有的深度值，得到对应的所属区域类别。通过此过程，得到的分类决策树作为孔网深度分析模型，该模型在同一矿洞内皆适用。
步骤4：在分类后的图像中，选s个彼此相连的点，s取单孔图像中最小横截面积的110％。用p表示从s内选取出的点均为孔内点的概率，w为s中选取一个点属于孔区的概率。孔对应在模型中的半径范围[r,R]，且确认一个孔至少需要选定n个点，n>＝πr2，wn是所有n个点均属于孔区的概率；1-wn是n个点中至少有一个点属于壁区的概率。(1-wn)k表示选择到n个点不都属于孔区的概率，k为所求的迭代次数上限。
1-p＝(1-wn)k
由于在步骤三做了深度的分类，因此不必计算随机采样一致性算法的阈值。s个点中若有足够多的点被认为是孔内点，那么s个点形成的区就有可能是孔洞，，遍历移动壁区和孔周围区的点，若属于孔区的点数目增加，则当前s个点形成的区域相比之前更适合选作目标，如此迭代最多k次，若在k次前已找到的区域均为最优，则认为当前区域是有孔的区域范围，记录该范围，整体过程如图4所示。
步骤5：对有孔的区域范围做形状特征提取算法，如图5，将除孔区外的所有点置零，提取与绘制孔区轮廓，并作轮廓逼近，分析轮廓几何形状，得到三角形、矩形、椭圆形或多边形等结论，计算得到图形中心位置，并将结论与孔预制的实际轮廓做比较，记录符合的孔位并描述该孔轮廓的LBP特征，孔的LBP特征不会随传感器组的位移变化而变化。
步骤6：如图6，保持激光雷达传感器探头水平，确认机械臂顶端初始位置未产生变化，启动机械臂在三维空间内运动。运动过程中以LBP特征为索引锁定目标孔，当前探头所在位置为运动起点，结合机械臂传输的坐标、速度、加速度三维运动数据。将机械臂顶端处的速度环作为内环，机械臂顶端处的位置环作为外环。探头至目标孔的空间距离为外环输入，当前机械臂顶端处运动速度为内环输入。探头在移动过程中保持竖直向上，运动时先在水平方向运动，当目标孔处于图像正中央时，调整机械臂在竖直方向运动，当探头组距上隧壁距离最小值Smin小于等于预设阈值Kmin，机械臂顶端到达孔附近，寻孔结束。当作业完成，机械臂回到步骤1记录的位置，开始第二个孔的找寻。
本发明实例还提供了一种用于井下爆破孔的自动寻孔装置，包括：
采集单元：利用激光雷达采集隧道上壁的深度图像；
映射单元：用于将隧道上壁的深度图像进行三维纹理映射；
归类单元：用于根据三维纹理映射后各点对应深度值，建立隧道上壁中深孔的孔网深度分析模型，对像素归类；
深孔区域范围计算单元：利用随机采样一致性算法，计算隧道上壁中所有深孔的区域范围；
目标孔检测与特征计算单元：基于形状特征提取算法，检测所有深孔形状，与标准爆破孔形状作比较，保留满足标准爆破孔形状的深孔作为目标孔，并记录对应位置，同时计算目标孔的LBP特征；
目标孔找寻单元：根据目标孔位置和LBP特征，利用串级PID步距调整算法在三维空间内将激光雷达探头移动至目标孔附近，当完成炸药装载后，返回初始位置，等待下一次炸药装载寻孔。
所述归类单元中的孔网深度分析模型是基于三维纹理映射后隧道上壁各点的深度值构建：
以三维纹理映射后隧道上壁某点的深度值和以该点为中心3*3矩阵包含的周围点的深度平均值作为决策树内部结点，以点属于孔区、壁区和孔周围区类别作为叶节点，建立分类决策树，将所有三维纹理映射后隧道上壁各点的深度值和已知所属区域类别，对建立的分类决策树进行训练，以训练后的分类决策树作为孔网深度分析模型。
所述孔网深度分析模型中各叶节点的分类如下：
若点的深度值小于Sa，则该点属于壁区；
若点的深度值大于Sb，则该点属于孔区；
当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含的所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；
其中，Sa和Sb的取值在训练过程中确定；
Sa＝2S1-Smin，将三维映射后的所有点的深度值，按照出现次数从高到低排列，得到序列{S1,S2,S3…}，Sb为从序列中选取，使得不等式成立的最大值，Smax、Smin表示采集到深度值的极大值和极小值。
本发明实例还提供了一种可读存储介质，包括计算机程序指令，所述计算机程序指令被处理终端执行时使所述处理终端执行所述的一种用于井下爆破孔的自动寻孔方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种用于井下爆破孔的自动寻孔方法，其特征在于，包括如下步骤：
S1：采集隧道上壁的深度图像；
S2：将隧道上壁的深度图像进行三维纹理映射；
S3：根据三维纹理映射后各点对应深度值，建立隧道上壁中深孔的孔网深度分析模型，以深度值为标准对像素归类；
S4：利用随机采样一致性算法，计算隧道上壁中所有深孔的区域范围；
S5：基于形状特征提取算法，检测所有深孔形状，与标准爆破孔形状作比较，保留满足标准爆破孔形状的深孔作为目标孔，并记录对应位置，同时计算目标孔的LBP特征；
S6：根据目标孔位置和LBP特征，利用串级PID步距调整算法在三维空间内将激光雷达探头移动至目标孔附近，当完成炸药装载后，返回初始位置，等待下一次炸药装载寻孔；
基于三维纹理映射后隧道上壁各点的深度值构建孔网深度分析模型：
以三维纹理映射后隧道上壁某点的深度值和以该点为中心3*3矩阵包含的周围点的深度平均值作为决策树内部结点，以点属于孔区、壁区和孔周围区类别作为叶节点，建立分类决策树，将所有三维纹理映射后隧道上壁各点的深度值和已知所属区域类别，对建立的分类决策树进行训练，以训练后的分类决策树作为孔网深度分析模型；
所述孔网深度分析模型中各叶节点的分类如下：
若点的深度值小于Sa，则该点属于壁区；
若点的深度值大于Sb，则该点属于孔区；
当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；
其中，Sa和Sb的取值在训练过程中确定；
Sa＝2S1-Smin，将三维映射后的所有点的深度值，按照出现次数从高到低排列，得到序列{S1,S2,S3…}，Sb为从序列中选取，使得不等式成立的最大值，Smax、Smin表示采集到深度值的极大值和极小值；
随机采样一致性算法中的迭代次数上限k按以下公式确定：
1-p＝(1-wn)k
其中，p表示从目标区域内选取出的点均为孔内点的概率，w为目标区域中选取一个点是孔区的概率；
所述目标区域是从经过孔网深度分析模型分类后的三维映射后的点中选互相连接的s个点组成；wn是所有n个点均属于孔区的概率；1-wn是n个点中至少有一个点属于壁区的概率；(1-wn)k表示选择到n个点不都属于孔区的概率。
2.根据权利要求1所述的方法，其特征在于，利用形状特征提取算法对得到的深孔范围，做二值化处理，将除孔区外的所有点置零，提取与绘制孔区轮廓，并作轮廓逼近，分析轮廓几何形状，得到三角形、矩形、椭圆形或多边形结论，求解中心位置；并将结论与孔实际轮廓比较，记录符合的孔位并描述轮廓的LBP特征。
3.一种用于井下爆破孔的自动寻孔装置，其特征在于，包括：
采集单元：利用激光雷达采集隧道上壁的深度图像；
映射单元：用于将隧道上壁的深度图像进行三维纹理映射；
归类单元：用于根据三维纹理映射后各点对应深度值，建立隧道上壁中深孔的孔网深度分析模型，对像素归类；
深孔区域范围计算单元：利用随机采样一致性算法，计算隧道上壁中所有深孔的区域范围；
目标孔检测与特征计算单元：基于形状特征提取算法，检测所有深孔形状，与标准爆破孔形状作比较，保留满足标准爆破孔形状的深孔作为目标孔，并记录对应位置，同时计算目标孔的LBP特征；
目标孔找寻单元：根据目标孔位置和LBP特征，利用串级PID步距调整算法在三维空间内将激光雷达探头移动至目标孔附近，当完成炸药装载后，返回初始位置，等待下一次炸药装载寻孔；
所述归类单元中的孔网深度分析模型是基于三维纹理映射后隧道上壁各点的深度值构建：
以三维纹理映射后隧道上壁某点的深度值和以该点为中心3*3矩阵包含的周围点的深度平均值作为决策树内部结点，以点属于孔区、壁区和孔周围区类别作为叶节点，建立分类决策树，将所有三维纹理映射后隧道上壁各点的深度值和已知所属区域类别，对建立的分类决策树进行训练，以训练后的分类决策树作为孔网深度分析模型；
所述孔网深度分析模型中各叶节点的分类如下：
若点的深度值小于Sa，则该点属于壁区；
若点的深度值大于Sb，则该点属于孔区；
当点的深度值在区间[Sa，Sb]，计算以该点为中心的3*3矩阵包含的所有点的深度值平均值，若小于Sa，则该点属于壁区，若大于Sb，则该点属于孔区，若在区间[Sa，Sb]，则该点属于孔周围区；
其中，Sa和Sb的取值在训练过程中确定；
Sa＝2S1-Smin，将三维映射后的所有点的深度值，按照出现次数从高到低排列，得到序列{S1,S2,S3…}，Sb为从序列中选取，使得不等式成立的最大值，Smax、Smin表示采集到深度值的极大值和极小值；
随机采样一致性算法中的迭代次数上限k按以下公式确定：
1-p＝(1-wn)k
其中，p表示从目标区域内选取出的点均为孔内点的概率，w为目标区域中选取一个点是孔区的概率；
所述目标区域是从经过孔网深度分析模型分类后的三维映射后的点中选互相连接的s个点组成；wn是所有n个点均属于孔区的概率；1-wn是n个点中至少有一个点属于壁区的概率；(1-wn)k表示选择到n个点不都属于孔区的概率。
4.根据权利要求3所述的装置，其特征在于，利用形状特征提取算法对得到的深孔范围，做二值化处理，将除孔区外的所有点置零，提取与绘制孔区轮廓，并作轮廓逼近，分析轮廓几何形状，得到三角形、矩形、椭圆形或多边形结论，求解中心位置；并将结论与孔实际轮廓比较，记录符合的孔位并描述轮廓的LBP特征。
5.一种可读存储介质，包括计算机程序指令，其特征在于：所述计算机程序指令被处理终端执行时使所述处理终端执行权利要求1至2任一项所述的方法。
CN202110828339.0A 2021-07-22 2021-07-22 一种用于井下爆破孔的自动寻孔方法、装置及介质 Active CN113674208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110828339.0A CN113674208B (zh) 2021-07-22 2021-07-22 一种用于井下爆破孔的自动寻孔方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110828339.0A CN113674208B (zh) 2021-07-22 2021-07-22 一种用于井下爆破孔的自动寻孔方法、装置及介质

Publications (2)

Publication Number Publication Date
CN113674208A CN113674208A (zh) 2021-11-19
CN113674208B true CN113674208B (zh) 2024-02-09

Family

ID=78539960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110828339.0A Active CN113674208B (zh) 2021-07-22 2021-07-22 一种用于井下爆破孔的自动寻孔方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113674208B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823737B (zh) * 2023-06-05 2024-05-07 中铁九局集团电务工程有限公司 一种低纹理环境下隧道壁异常检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631333B1 (en) * 1999-05-10 2003-10-07 California Institute Of Technology Methods for remote characterization of an odor
CN104537353A (zh) * 2015-01-07 2015-04-22 深圳市唯特视科技有限公司 基于三维点云的三维人脸年龄分类装置及方法
CN105091678A (zh) * 2014-05-20 2015-11-25 中国能源建设集团有限公司工程研究院 一种地下爆破全方位装药自动寻孔方法、装置及系统
CN106382869A (zh) * 2015-10-26 2017-02-08 北方爆破科技有限公司 现场混装炸药作业机器人的控制方法
CN107421447A (zh) * 2017-09-05 2017-12-01 葛洲坝易普力新疆爆破工程有限公司 一种基于双目视觉识别井下炮孔方位的方法
CN107992098A (zh) * 2017-11-27 2018-05-04 北京北矿亿博科技有限责任公司 控制工作臂末端输药管对准炮孔的方法和设备
CN112907606A (zh) * 2021-03-08 2021-06-04 中南大学 一种上向圆柱型深孔自动对孔方法及井下炸药现场混装车

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6631333B1 (en) * 1999-05-10 2003-10-07 California Institute Of Technology Methods for remote characterization of an odor
CN105091678A (zh) * 2014-05-20 2015-11-25 中国能源建设集团有限公司工程研究院 一种地下爆破全方位装药自动寻孔方法、装置及系统
CN104537353A (zh) * 2015-01-07 2015-04-22 深圳市唯特视科技有限公司 基于三维点云的三维人脸年龄分类装置及方法
CN106382869A (zh) * 2015-10-26 2017-02-08 北方爆破科技有限公司 现场混装炸药作业机器人的控制方法
CN107421447A (zh) * 2017-09-05 2017-12-01 葛洲坝易普力新疆爆破工程有限公司 一种基于双目视觉识别井下炮孔方位的方法
CN107992098A (zh) * 2017-11-27 2018-05-04 北京北矿亿博科技有限责任公司 控制工作臂末端输药管对准炮孔的方法和设备
CN112907606A (zh) * 2021-03-08 2021-06-04 中南大学 一种上向圆柱型深孔自动对孔方法及井下炸药现场混装车

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钻孔数字化与钻孔岩性自动识别技术;段云等;《金属矿山》(第472期);第125-129页 *

Also Published As

Publication number Publication date
CN113674208A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN109685066B (zh) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN107526360B (zh) 一种未知环境下排爆机器人多阶自主导航探测系统及方法
CN112767490B (zh) 一种基于激光雷达的室外三维同步定位与建图方法
CN110780305A (zh) 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法
CN109753949B (zh) 一种基于深度学习的多视窗交通标志检测方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN114488194A (zh) 一种智能驾驶车辆结构化道路下目标检测识别方法
CN106780484A (zh) 基于卷积神经网络特征描述子的机器人帧间位姿估计方法
CN111899302A (zh) 一种基于点云数据的视觉检测的方法、装置和系统
CN113674208B (zh) 一种用于井下爆破孔的自动寻孔方法、装置及介质
CN111243016B (zh) 一种集装箱自动识别与定位方法
CN116305436A (zh) 一种基于三维激光扫描结合bim的既有桥梁监测方法
CN115861968A (zh) 一种基于实时点云数据的动态障碍物剔除方法
CN114155303B (zh) 基于双目相机的参数立体匹配方法和系统
CN112561989B (zh) 一种建造场景下吊装对象的识别方法
Nielsen et al. Survey on 2d lidar feature extraction for underground mine usage
CN116946610B (zh) 一种智能仓储系统货物拾取方法及装置
Manurung et al. Custom pallet detection using yolov5 deep learning architecture
Li et al. Pallet detection and localization with RGB image and depth data using deep learning techniques
CN116395567B (zh) 一种基于相机和激光雷达的塔吊控制方法及系统
Zhou et al. Place recognition and navigation of outdoor mobile robots based on random Forest learning with a 3D LiDAR
CN115308770A (zh) 一种基于拟合图形的动态障碍物检测方法
CN113642483A (zh) 一种基于Kinect相机的智能机器人识别跟踪方法
Zhang et al. Research on AGV map building and positioning based on SLAM technology
Zhang et al. The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection

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