CN113740098B - 一种散煤车采样方法 - Google Patents
一种散煤车采样方法 Download PDFInfo
- Publication number
- CN113740098B CN113740098B CN202110978317.2A CN202110978317A CN113740098B CN 113740098 B CN113740098 B CN 113740098B CN 202110978317 A CN202110978317 A CN 202110978317A CN 113740098 B CN113740098 B CN 113740098B
- Authority
- CN
- China
- Prior art keywords
- carriage
- sampling
- recognition device
- bottom plate
- height recognition
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 103
- 239000003245 coal Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000000523 sample Substances 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 239000013068 control sample Substances 0.000 claims abstract description 4
- 239000003550 marker Substances 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000003708 edge detection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种散煤车采样方法，包括以下步骤：步骤一.准备对照样本数据集：1.1采集样本数据；1.2对样本图像库内的画像进行人工标注；1.3利用步骤1.2中得到的样本数据集，对YOLO模型进行训练，并将更新后的YOLO样本对照数据集存储至中央控制系统；步骤二.测量车厢底板高度；步骤三.数据采集；步骤四.取样点坐标计算；步骤五.样品采集。本发明提供了一种散煤车采样方法，采用YOLO深度神经网络学习模式，智能识别运煤车箱的拉筋、厢板等障碍物，防止取样头与之碰撞发生取样事故，并且可以测量车厢底板高度，确定最低采样点位置，保证取样效果。
Description
技术领域
本发明涉及一种一种散煤车采样方法，属于煤采样技术领域。
背景技术
在火电厂及钢厂等用煤量较大的企业中，进厂的散煤采样在保证生产厂质量中占有举足轻重的作用。目前散煤进厂一般采用散装运煤车运输，进厂采样需要在运煤车厢上进行，使用人工采样工作量大，并且无法取到车厢中部及底部的煤体样品，所取样品代表性不强。随之出现了一些采用机械方式的采样机，目前常用的汽车煤采样机装置为半封闭结构，平行布置在待采车厢的上方，采样机的的采样头设置在滑缆上，采样点由人工在电脑上或直接输入采样机由人工控制完成采样工作。但目前的运煤车辆运输量较大，因此车厢内往往布置有多根加强拉筋加固侧板，汽车煤采样机在工作时，车厢的的拉筋及厢板人工标注的工作量大，并且如有疏忽标注不当时易发生采样头与拉筋碰撞的事故，造成取样失败甚至设备损坏。并且为了防止取样头与车厢底板碰撞，在采样前采样机需要输入车厢底板高度的数据，由于运煤车高度不同，其车厢底板高度也不相同，因此对于每一辆车需要测量出车厢底部的净高，目前的测量方法是采用人工测量并手工将数据输入煤采样机，这种测量方式需要操作人员频繁的操作，无法实现无人值守，而且人工操作给采样作弊造成了可乘之机。并且运煤车由于胎压不均及车厢减震变形等问题，车厢装煤后往往是倾斜的，对于倾斜车厢取样，有部份煤层位于测量高度的下方，因此目前采用的仅仅设置一个车厢高度的做法就很难达到对煤体全断层取样的目的。
发明内容
本发明的目的在于：提供一种散煤车采样方法，采用YOLO深度神经网络学习模式，智能识别运煤车箱的拉筋、厢板等障碍物，防止取样头与之碰撞发生取样事故，并且可以测量车厢底板的高度及倾斜度，确定最低采样点位置，并且取样无死点，车厢厢体各部位均可保证取样点设置达到厢体的最底层，保证取样效果。
为实现以上目的，本发明采用的技术方案为：一种散煤车采样方法，包括以下步骤：
步骤一. 准备对照样本数据集：
1.1 采集样本数据：相机拍摄多幅散煤车厢的俯视图像，人工检测拍摄的图像，并将检测结果合格的图像保存至样本图像库；
1.2对样本图像库内的图像进行人工标注，将拉筋、车厢厢体、散煤堆放区使用矩形框框选，并标注框选的特征类别，每幅样本图像生成.xml文件，.xml文件中包括图像名称、图像储存位置、框选的车厢厢体、拉筋、散煤堆放区、被煤层覆盖的拉筋区的位置，各个特征类别人工标注的矩形框按左上角点的横纵坐标以及矩形框右下角点的横纵坐标定位保存，.XML文件及与之对应的样本图像存储为YOLO预训练样本对照数据集；
1.3利用步骤1.2中得到的样本数据集，对YOLO模型进行训练，并将更新后的YOLO样本对照数据集存储至中央控制系统；
步骤二. 使用车厢高度识别装置测量车厢底板高度：
步骤三. 数据采集：利用照像机采集捕获运煤卡车车厢的俯视图像，并上传至中央控制系统储存，中央控制系统使用YOLO深度神经网络对输入的图像数据进行识别，将输入图像的点云和像素点对应并把其RGB信息赋予对应的点云，生成2D点云检测框，对得到的点云检测框中的点云信息与步骤一中得到的YOLO预训练样本对照数据集进行对比，根据两者的重合度权重对目标物体进行识别判断，并最终向中央控制系统输出带有RGB和特征信息的点云聚类结果，点云聚类结果内包括车厢厢体的水平坐标位置集、散煤堆放区的水平坐标位置集以及位于散煤堆放区内拉筋的水平坐标位置集；
步骤四. 取样点坐标计算：中央控制系统按照步骤二得到的车厢底板高度坐标Z1及步骤三得到的车厢点云聚类结果计算出取样点坐标，取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的2D坐标X、Y，以及按照高于步骤二取得的Z1高度坐标的原则所得出的取样点高度坐标Z；
步骤五. 样品采集：中央控制系统按照步骤四得出的取样点坐标，控制三轴定位装置操作取样头对车厢内的煤层进行取样；
进一步的，步骤一的1.2步骤中，对样本图像库内的图像进行人工标注过程还包括：对于被煤层覆盖的拉筋区进行人工标识，人工标识方法包括在被煤层覆盖的拉筋正上方的煤层表面设置标志物，所述标志物包括置放在煤层表面的物品或在煤层表面刻划的标志，所述标志物足以被步骤三中的照像机识别，在框选过程中框选标志物并标注框选的特征类别为暗藏拉筋并按步骤1.2存储为YOLO预训练样本对照数据集；
进一步的，步骤二中，车厢高度识别装置包括底座，所述底座固定在水平地板上，所述底座上设置有升降装置，所述升降装置包括固定架、滑架以及电动推杆，电动推杆上设置有编码器或霍尔反馈板，编码器或霍尔反馈板用于记录推杆的行程长度；电动推杆的输出端设置有滑架，所述固定架固定设置在底座上，滑架滑动设置在固定架上，滑架在电动推杆的推动下可沿固定架上下往复运动，滑架上设置有激光测距仪，激光测距仪的测距探头朝向待探测车厢的方向；
进一步的，步骤二中，使用车厢高度识别装置测量车厢底板高度包括以下步骤：
步骤2.1. 电动推杆带动滑架回归Z轴零点，Z轴零点设置在与车厢侧板相对应的水平面上；
步骤2.2. 电动推杆启动，同时启动激光测距仪，滑架由Z轴零点向下方的车厢底板方向运动；
步骤2.3. 激光测距仪向下测得连续的车厢侧板间距；
步骤2.4. 激光测距仪下落至车厢底板下方，测得车厢底板下方的间隙距离，该间隙距离远大于激光测距仪与车厢侧板之间的间距，记录测得间距突变时滑架的Z轴坐标Z0；
步骤2.5. 从Z0点开始，电动推杆带动滑架继续下降2-5cm，确认间隙位置，随后回升至Z0点，继续上升2-5cm，确认Z0为间距突变点；
步骤2.6. 根据Z0及滑架的Z轴零点坐标高度得到车厢底板高度Z1；
进一步的：步骤二中，车厢两侧设置有多台车厢高度识别装置；
进一步的，步骤二中，车厢两侧共设置有三台车厢高度识别装置，分别为车厢高度识别装置A、车厢高度识别装置B以及车厢高度识别装置C，上述三个车厢高度识别装置分别测得三个位置的车厢底板高度Za、Zb、Zc，将得到的三个车厢底板高度Za、Zb、Zc输入中央控制系统，结合车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在水平面上的2D坐标，以及车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C分别测得的与车厢侧板之间的间距d1、d2及d3，可得到车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在车厢底板上各个测量点的绝对坐标，中央控制系统由这三个绝对坐标值得出车厢底板所在平面的空间方程表达式；
中央控制系统按照得到的车厢底板平面的空间方程及车厢点云聚类结果计算出各取样点坐标，各取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的多个2D坐标Xn、Yn，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样；进一步的，步骤二中，车厢两侧共设置有四台车厢高度识别装置，分别为车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C以及车厢高度识别装置D，上述四个车厢高度识别装置分别测得四个位置的车厢底板高度Za、Zb、Zc、Zd，将得到的四个车厢底板高度Za、Zb、Zc、Zd输入中央控制系统，结合车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在水平面上的2D坐标，以及车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C分别测得的与车厢侧板之间的间距d1、d2、d3及d4，可得到车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C、车厢高度识别装置D在车厢底板上各个测量点的绝对坐标，中央控制系统从四个绝对坐标值中取任意三个计算出车厢底板所在平面的空间方程表达式，共可组合排列出四个空间方程表达式，将四个空间方程中的参数取平均值得到所需的车厢底板平面的校准空间方程；
中央控制系统按照得到的车厢底板平面的校准空间方程及车厢点云聚类结果计算出各取样点坐标，各取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的多个2D坐标Xn、Yn，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样。
本发明的积极有益技术效果在于：本发明通过采用YOLO深度神经网络学习模式，可以在散煤车取样时，识别车厢底板高度，确定最佳的取样高度，并且智能识别运煤车箱的拉筋、厢板等障碍物，并且具有持续学习能力，可以无限制增加障碍物种类，相较于传统的人工设定取样点坐标，可以做到取样点随机分布，并且能成功避让车厢内的障碍物，增加所取样品的代表性，并且通过测量车厢底板高度，可确定最低采样点位置，防止煤层底部铺设杂物保证取样效果；特别是对于倾斜的车厢底板，现有的取样方式均无法做到对底层的煤层进行精准取样，本发明通过设置多点测量设备得出车厢底板的空间方程，结合YOLO模式得出的2D模型，在2D平面上的各个取样点均可精确达到底层取样，本发明不仅在全断层取样方面取得了突破性的进展，还可以大大减少人工的工作量，并且防止人工工作失误，保证取样效果。
附图说明
图1为本发明中车厢高度识别装置的结构示意图。
图2为本发明中四台车厢高度识别装置与车厢位置关系示意图。
具体实施方式
为了更充分的解释本发明的实施，以下提供本发明的实施实例，这些实施实例仅仅是对本发明的阐述，不限制本发明的范围。
结合附图对本发明进一步详细的解释，附图中标记为：1. 车厢；2. 车厢侧板；3.车厢底板；4. 底板间隙；5. 电动推杆电机；6. 测距探头；7. 滑架；8. 支杆；9. 底座。
在本实施例中，使用中央控制系统控制车厢高度识别装置、厢体识别装置及取样装置，中央控制系统为工控机或嵌入式操作系统，车厢高度识别装置通过升降装置提升和降低边缘检测装置，通过边缘检测装置检测车厢的底板位置得到车厢底部的高度Z1坐标；边缘检测装置可以为市场中在售的工控边缘检测装置，也可以为测距仪式边缘检测装置。
图1为单台车厢高度识别装置与车厢配合的结构示意图，如图所示：车厢高度识别装置，包括底座9，底座固定在水平地板上，底座上设置有支杆8，支杆上设置有可上下滑动的滑架7，滑架设置在电动推杆的输出推杆上，输出推杆由电动推杆电机5驱动，在滑架上设置有激光测距仪，激光测距仪的测距探头6朝向待取样的车厢1的方向。
图2为车厢周边设置四台车厢高度识别装置时的位置示意图，卡车车厢两侧各设置有两台车厢高度识别装置。
在检测时，测距仪朝向车厢的方向，滑架的零点定在车厢底板3上方，测距仪探头朝向车厢方向，电动推杆驱动滑架向下方运动，测距仪探头随滑架向下方运动，测距探头初始检测的是车厢侧板2的位置，当测距仪探头运动至与底板间隙4相同水平的位置，测距仪测得的间距变大，此时电动推杆上设置的编码器或霍尔反馈板记录输出推杆的运动距离，通过此距离与零点设置的高度即可得出车厢底板的高度，编码器及霍尔反馈板的记录距离方案均为现有技术中的成熟技术，在此不作赘述。
厢体识别装置主要应用于YOLO神经网络学习模块，包括相机标定模块、YOLO预训练模块以及图像识别模块，YOLO预训练模块包括数据采集及数据预处理模块，数据采集模块用于对相机采集的样本图像进行存储分类，数据预处理模块对采集到的样本图像进行人工标注得到样本数据集；相机标定模块用于对相机的内外参数进行标定，得到相机图像与车厢坐标之间的转换关系，为图像数据和点云数据形成对应关系做准备工作；图像识别模块对相机采集到的图像数据进行处理，使用YOLO深度神经网络对输入的图像数据进行识别，将点云和像素点对应并把其RGB信息赋予对应的点云，生成2D点云检测框，对得到的点云检测框中的点云信息与YOLO预训练模块得到的样本数据集进行对比，根据两者的重合度权重对目标物体进行识别判断，并最终向中央控制系统输出带有RGB和特征信息的点云聚类结果；取样装置应用市场现有的散煤自动取样机，包括XYZ三轴定位装置及取样头，中央控制系统通过对点云聚类结果分析确定取样点的XY平面坐标值，通过车厢高度识别装置得到的底板高度Z1坐标确定取样点的高度Z坐标，并且控制三轴定位装置按照得到的取样点的XYZ空间坐标操作取样头对车厢内的煤层进行取样。
实施例一.
一种散煤车采样方法，包括以下步骤：
步骤一. 准备对照样本数据集：
1.1 采集样本数据：相机拍摄多幅散煤车厢的俯视图像，人工检测拍摄的图像，并将检测结果合格的图像保存至样本图像库；
1.2对样本图像库内的图像进行人工标注，将拉筋、车厢厢体、散煤堆放区使用矩形框框选，并标注框选的特征类别，每幅样本图像生成.xml文件，.xml文件中包括图像名称、图像储存位置、框选的车厢厢体、拉筋、散煤堆放区、被煤层覆盖的拉筋区的位置，各个特征类别人工标注的矩形框按左上角点的横纵坐标以及矩形框右下角点的横纵坐标定位保存，.XML文件及与之对应的样本图像存储为YOLO预训练样本对照数据集；当有拉筋或车厢内的杂物被煤层覆盖导致无法直接被照相机分辨识别时，可对被煤层覆盖的拉筋或杂物进行人工标识，人工标识方法包括在被煤层覆盖的拉筋正上方的煤层表面设置标志物，标志物包括置放在煤层表面的物品或直接在煤层表面刻划的标志，所用的标志物应该足以被步骤三中的照像机识别，在框选过程中框选标志物并标注框选的特征类别为暗藏拉筋或暗藏杂物并存储进YOLO预训练样本对照数据集；
1.3利用步骤1.2中得到的样本数据集，对YOLO模型进行训练，更新YOLO模型的权重参数，实现模型优化，提升识别精度，并将更新后的YOLO样本对照数据集存储至中央控制系统；YOLO的模型训练是YOLO自带的功能模块，以下简要举例说明对应操作命令：
1）下载yolov权重文件：
Wget https://pjreddie.com/media/files/yolov3.weights
2）执行convert.py文件，将darknet的yolo转换为可以用于keras的h5文件，生成的h5被保存在model_data下：
python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5
3）用已经被训练好的yolo.h5进行图片识别测试：
python yolo.py。
以上仅是一个YOLO的简要训练实施例，对于YOLO的模型训练以更新YOLO模型的权重参数，实现模型优化，提升识别精度，已有很多完善的训练方法可应用于本发明中，在此不再赘述；
步骤二. 测量车厢底板高度，本实施例采用A、B、C三台车厢高度识别装置测量车厢底板所在平面：各个车厢高度识别装置测量时包括以下步骤：
1. 电动推杆带动滑架回归Z轴零点，Z轴零点设置在与车厢侧板相对应的水平面上；
2. 电动推杆启动，同时启动激光测距仪，滑架由Z轴零点向下方的车厢底板方向运动；
3. 激光测距仪向下测得连续的车厢侧板间距
4. 激光测距仪下落至车厢底板下方，测得车厢底板下方的间隙距离，该间隙距离远大于激光测距仪与车厢侧板之间的间距，记录测得间距突变时滑架的Z轴坐标Z0；
5. 从Z0点开始，电动推杆带动滑架继续下降2-5cm，确认间隙位置，随后回升至Z0点，继续上升2-5cm，确认Z0为间距突变点；
6. 根据Z0及滑架的Z轴零点坐标高度得到车厢底板高度Zn；
7. 因A、B、C三台车厢高度识别装置之间的水平位置均固定设置，由测得的滑架高度Zn及A、B、C的平面坐标可以得出车厢底板所在的平面上三个点的坐标分别为（Xa，Ya，Za）, （Xb，Yb，Zb）, （Xc，Yc，Zc），中央控制系统通过三个车厢底板上的空间点坐标可计算出车厢底板所在的平面空间方程。
本实施例中，电动推杆上设置有编码器或霍尔反馈板，编码器或霍尔反馈板用于确认滑架的零点坐标Z0的位置并且记录推杆的行程长度
步骤三. 数据采集：利用照像机采集捕获运煤卡车车厢的俯视图像，并上传至中央控制系统储存，中央控制系统使用YOLO深度神经网络对输入的图像数据进行识别，将输入图像的点云和像素点对应并把其RGB信息赋予对应的点云，生成2D点云检测框，对得到的点云检测框中的点云信息与步骤一中得到的YOLO预训练样本对照数据集进行对比，根据两者的重合度权重对目标物体进行识别判断，并最终向中央控制系统输出带有RGB和特征信息的点云聚类结果，点云聚类结果内包括车厢厢体的水平坐标位置集、散煤堆放区的水平坐标位置集以及位于散煤堆放区内拉筋的水平坐标位置集；
步骤四. 取样点坐标计算：中央控制系统按照步骤二得到的车厢底板高度坐标Z1及步骤三得到的车厢点云聚类结果计算出取样点坐标，取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的2D坐标X、Y，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样；
步骤五. 样品采集：中央控制系统按照步骤四得出的取样点坐标，控制三轴定位装置操作取样头对车厢内的煤层进行取样。
实施例二：
本实施例中，与实施例一不同的是，在步骤二中：在车厢两侧分别设置有两台，两侧共设置有四台车厢高度识别装置，分别为车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C以及车厢高度识别装置D，上述四个车厢高度识别装置分别测得四个位置的车厢底板高度Za、Zb、Zc、Zd，将得到的四个车厢底板高度Za、Zb、Zc、Zd输入中央控制系统，结合车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在水平面上的2D坐标，以及车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C分别测得的与车厢侧板之间的间距d1、d2、d3及d4，可得到车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C、车厢高度识别装置D在车厢底板上各个测量点的绝对坐标，中央控制系统从四个绝对坐标值中取任意三个计算出车厢底板所在平面的空间方程表达式，共可组合排列出四个空间方程表达式，将四个空间方程中的参数取平均值得到所需的车厢底板平面的校准空间方程；
中央控制系统按照得到的车厢底板平面的校准空间方程及车厢点云聚类结果计算出各取样点坐标，各取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的多个2D坐标Xn、Yn，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样。
本实施例中，利用第四台车厢高度识别装置对测得的车厢底板空间方程以平均值方式进行校准，使得测量结果更加准确可信，可有效提高取样的精确度。
在详细说明本发明的实施方式之后，熟悉该项技术的人士可清楚地了解，在不脱离上述申请专利范围与精神下可进行各种变化与修改，凡依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围，且本发明亦不受限于说明书中所举实例的实施方式。
Claims (6)
1.一种散煤车采样方法，其特征在于：包括以下步骤：
步骤一. 准备对照样本数据集：
1.1 采集样本数据：相机拍摄多幅散煤车厢的俯视图像，人工检测拍摄的画像，并将检测结果合格的画像保存至样本图像库；
1.2对样本图像库内的画像进行人工标注，将拉筋、车厢厢体、散煤堆放区使用矩形框框选，并标注框选的特征类别，每幅样本画像生成.xml文件，.xml文件中包括图像名称、图像储存位置、框选的车厢厢体、拉筋、散煤堆放区和被煤层覆盖的拉筋区的位置，各个特征类别人工标注的矩形框按左上角点的横纵坐标以及矩形框右下角点的横纵坐标定位保存，.XML文件及与之对应的样本图像存储为YOLO预训练样本对照数据集；
1.3利用步骤1.2中得到的样本数据集，对YOLO模型进行训练，并将更新后的YOLO样本对照数据集存储至中央控制系统；
步骤二. 在车厢两侧使用多台车厢高度识别装置测量车厢底板高度；
步骤三. 数据采集：利用照像机采集捕获运煤卡车车厢的俯视图像，并上传至中央控制系统储存，中央控制系统使用YOLO深度神经网络对输入的图像数据进行识别，将输入图像的点云和像素点对应并把其RGB信息赋予对应的点云，生成2D点云检测框，对得到的点云检测框中的点云信息与步骤一中得到的YOLO预训练样本对照数据集进行对比，根据两者的重合度权重对目标物体进行识别判断，并最终向中央控制系统输出带有RGB和特征信息的点云聚类结果，点云聚类结果内包括车厢厢体的水平坐标位置集、散煤堆放区的水平坐标位置集以及位于散煤堆放区内拉筋的水平坐标位置集；
步骤四. 取样点坐标计算：中央控制系统按照步骤二得到的车厢底板高度坐标Z1及步骤三得到的车厢点云聚类结果计算出取样点坐标，取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的2D坐标X、Y，以及按照高于步骤二取得的Z1高度坐标的原则所得出的取样点高度坐标Z；
步骤五. 样品采集：中央控制系统按照步骤四得出的取样点坐标，控制三轴定位装置操作取样头对车厢内的煤层进行取样。
2.根据权利要求1所述的一种散煤车采样方法，其特征在于：步骤一的1.2步骤中，对样本图像库内的画像进行人工标注过程还包括：对于被煤层覆盖的拉筋区进行人工标识，人工标识方法包括在被煤层覆盖的拉筋正上方的煤层表面设置标志物，所述标志物包括置放在煤层表面的物品或在煤层表面刻划的标志，所述标志物足以被步骤三中的照像机识别，在框选过程中框选标志物并标注框选的特征类别为暗藏拉筋并按步骤1.2存储为YOLO预训练样本对照数据集。
3.根据权利要求1所述的一种散煤车采样方法，其特征在于：步骤二中，车厢高度识别装置包括底座，所述底座固定在水平地板上，所述底座上设置有升降装置，所述升降装置包括固定架、滑架以及电动推杆，电动推杆上设置有编码器或霍尔反馈板，编码器或霍尔反馈板用于记录推杆的行程长度；电动推杆的输出端设置有滑架，所述固定架固定设置在底座上，滑架滑动设置在固定架上，滑架在电动推杆的推动下可沿固定架上下往复运动，滑架上设置有激光测距仪，激光测距仪的测距探头朝向待探测车厢的方向。
4.根据权利要求3所述的一种散煤车采样方法，其特征在于：步骤二中，使用车厢高度识别装置测量车厢底板高度包括以下步骤：
步骤2.1. 电动推杆带动滑架回归Z轴零点，Z轴零点设置在与车厢侧板相对应的水平面上；
步骤2.2. 电动推杆启动，同时启动激光测距仪，滑架由Z轴零点向下方的车厢底板方向运动；
步骤2.3. 激光测距仪向下测得连续的车厢侧板间距；
步骤2.4. 激光测距仪下落至车厢底板下方，测得车厢底板下方的间隙距离，该间隙距离远大于激光测距仪与车厢侧板之间的间距，记录测得间距突变时滑架的Z轴坐标Z0；
步骤2.5. 从Z0点开始，电动推杆带动滑架继续下降2-5cm，确认间隙位置，随后回升至Z0点，继续上升2-5cm，确认Z0为间距突变点；
步骤2.6. 根据Z0及滑架的Z轴零点坐标高度得到车厢底板高度Z1。
5.根据权利要求1所述的一种散煤车采样方法，其特征在于：步骤二中，车厢两侧共设置有三台车厢高度识别装置，分别为车厢高度识别装置A、车厢高度识别装置B以及车厢高度识别装置C，上述三个车厢高度识别装置分别测得三个位置的车厢底板高度Za、Zb、Zc，将得到的三个车厢底板高度Za、Zb、Zc输入中央控制系统，结合车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在水平面上的2D坐标，以及车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C分别测得的与车厢侧板之间的间距d1、d2及d3，可得到车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在车厢底板上各个测量点的绝对坐标，中央控制系统由这三个绝对坐标值得出车厢底板所在平面的空间方程表达式；
中央控制系统按照得到的车厢底板平面的空间方程及权利要求1中步骤三得到的车厢点云聚类结果计算出各取样点坐标，各取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的多个2D坐标Xn、Yn，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样。
6.根据权利要求1所述的一种散煤车采样方法，其特征在于：步骤二中，车厢两侧共设置有四台车厢高度识别装置，分别为车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C以及车厢高度识别装置D，上述四个车厢高度识别装置分别测得四个位置的车厢底板高度Za、Zb、Zc、Zd，将得到的四个车厢底板高度Za、Zb、Zc、Zd输入中央控制系统，结合车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C在水平面上的2D坐标，以及车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C分别测得的与车厢侧板之间的间距d1、d2、d3及d4，可得到车厢高度识别装置A、车厢高度识别装置B、车厢高度识别装置C、车厢高度识别装置D在车厢底板上各个测量点的绝对坐标，中央控制系统从四个绝对坐标值中取任意三个计算出车厢底板所在平面的空间方程表达式，共可组合排列出四个空间方程表达式，将四个空间方程中的参数取平均值得到所需的车厢底板平面的校准空间方程；
中央控制系统按照得到的车厢底板平面的校准空间方程及权利要求1中步骤三得到的车厢点云聚类结果计算出各取样点坐标，各取样点坐标包括按照点云聚类结果避开车厢拉筋及车厢侧板位置得出的水平面上的多个2D坐标Xn、Yn，以及按照车厢底板方程得出的多个取样高度Zn，中央控制系统按以上取样点坐标控制三轴定位装置操作取样头对车厢内的煤层进行取样。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978317.2A CN113740098B (zh) | 2021-08-25 | 2021-08-25 | 一种散煤车采样方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978317.2A CN113740098B (zh) | 2021-08-25 | 2021-08-25 | 一种散煤车采样方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113740098A CN113740098A (zh) | 2021-12-03 |
| CN113740098B true CN113740098B (zh) | 2024-05-07 |
Family
ID=78732644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110978317.2A Active CN113740098B (zh) | 2021-08-25 | 2021-08-25 | 一种散煤车采样方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113740098B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19532678A1 (de) * | 1994-11-24 | 1996-05-30 | Chemieanlagenbau Stasfurt Ag | Vorrichtung zur Positionierung von Anlieferfahrzeugen und eines Probenehmers |
| CN102226696A (zh) * | 2011-03-21 | 2011-10-26 | 王辉 | 一种用于煤样自动采集系统的车辆定位测距系统的测量方法 |
| CN103162659A (zh) * | 2013-03-22 | 2013-06-19 | 张振宇 | 一种车辆三维扫描台的构造和生成货物随机采样点的方法 |
| CN103940391A (zh) * | 2014-04-14 | 2014-07-23 | 湖南三德科技股份有限公司 | 一种基于物料自动采集转运的车厢定位方法、定位系统及物料自动采样系统 |
| CN104406796A (zh) * | 2014-10-11 | 2015-03-11 | 马拴委 | 一种车厢的激光扫描测量及定位方法 |
| CN105388035A (zh) * | 2015-11-09 | 2016-03-09 | 长沙开元仪器股份有限公司 | 一种车厢采样区域确定装置 |
| CN108007711A (zh) * | 2017-11-17 | 2018-05-08 | 湖南三德科技股份有限公司 | 一种规避车厢拉筋的采样方法、车厢及采样装置 |
| CN109029254A (zh) * | 2018-07-03 | 2018-12-18 | 燕山大学 | 一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法 |
| CN111895931A (zh) * | 2020-07-17 | 2020-11-06 | 嘉兴泊令科技有限公司 | 一种基于计算机视觉的煤矿作业区标定方法 |
| KR20210026412A (ko) * | 2019-08-30 | 2021-03-10 | 순천향대학교 산학협력단 | Cnn을 활용한 카메라 및 라이다 센서 기반 실시간 객체 탐지 방법 |
| CN113093726A (zh) * | 2021-03-05 | 2021-07-09 | 华南理工大学 | 一种基于Yolo_v4算法的目标检测与跟踪方法 |
-
2021
- 2021-08-25 CN CN202110978317.2A patent/CN113740098B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19532678A1 (de) * | 1994-11-24 | 1996-05-30 | Chemieanlagenbau Stasfurt Ag | Vorrichtung zur Positionierung von Anlieferfahrzeugen und eines Probenehmers |
| CN102226696A (zh) * | 2011-03-21 | 2011-10-26 | 王辉 | 一种用于煤样自动采集系统的车辆定位测距系统的测量方法 |
| CN103162659A (zh) * | 2013-03-22 | 2013-06-19 | 张振宇 | 一种车辆三维扫描台的构造和生成货物随机采样点的方法 |
| CN103940391A (zh) * | 2014-04-14 | 2014-07-23 | 湖南三德科技股份有限公司 | 一种基于物料自动采集转运的车厢定位方法、定位系统及物料自动采样系统 |
| CN104406796A (zh) * | 2014-10-11 | 2015-03-11 | 马拴委 | 一种车厢的激光扫描测量及定位方法 |
| CN105388035A (zh) * | 2015-11-09 | 2016-03-09 | 长沙开元仪器股份有限公司 | 一种车厢采样区域确定装置 |
| CN108007711A (zh) * | 2017-11-17 | 2018-05-08 | 湖南三德科技股份有限公司 | 一种规避车厢拉筋的采样方法、车厢及采样装置 |
| CN109029254A (zh) * | 2018-07-03 | 2018-12-18 | 燕山大学 | 一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法 |
| KR20210026412A (ko) * | 2019-08-30 | 2021-03-10 | 순천향대학교 산학협력단 | Cnn을 활용한 카메라 및 라이다 센서 기반 실시간 객체 탐지 방법 |
| CN111895931A (zh) * | 2020-07-17 | 2020-11-06 | 嘉兴泊令科技有限公司 | 一种基于计算机视觉的煤矿作业区标定方法 |
| CN113093726A (zh) * | 2021-03-05 | 2021-07-09 | 华南理工大学 | 一种基于Yolo_v4算法的目标检测与跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 火电厂入厂汽车煤机械采样与采样智能IC卡管理的应用;汪传明 等;贵州电力技术;第16卷(第03期);第42-44页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113740098A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111331367B (zh) | 智能装配控制系统 | |
| WO2020156542A1 (zh) | 轨道交通机车车辆巡检位姿检测系统及其方法 | |
| CN111652936B (zh) | 开放式货箱装车三维感知和码垛规划方法及系统 | |
| CN112849898B (zh) | 一种自驱动机器人及自驱动机器人的搬运方法 | |
| CN206014333U (zh) | 一种基于二维码定位的货物托盘存取系统 | |
| CN109239086B (zh) | 车辆漆面及外观瑕疵检测系统 | |
| CN113155047B (zh) | 长距离孔距测量装置、方法、存储介质、设备及轨道车辆 | |
| CN112157642B (zh) | 一种用于配电室的无人巡检机器人 | |
| CN115582827B (zh) | 一种基于2d和3d视觉定位的卸货机器人抓取方法 | |
| CN210310341U (zh) | 轨道交通机车车辆巡检机器人 | |
| CN114290016B (zh) | 一种基于双目视差计算的木工家具高精度装配系统及方法 | |
| CN111687853B (zh) | 一种图书馆作业机器人及其作业方法 | |
| CN208721017U (zh) | 一种货物装载轮廓扫描系统 | |
| CN113819844A (zh) | 一种识别行车物料的方法、装置、设备及可读存储介质 | |
| CN115115768A (zh) | 基于立体视觉的物体坐标识别系统及方法、装置、介质 | |
| CN113740098B (zh) | 一种散煤车采样方法 | |
| CN111664981A (zh) | 一种受电弓运用检修接触力测量系统及方法 | |
| CN108253896A (zh) | 一种基于激光传感器的轿车尺寸测量装置 | |
| CN113601501B (zh) | 机器人柔性作业方法、装置及机器人 | |
| CN208351329U (zh) | 巡视机器人 | |
| CN210260442U (zh) | 高度调节系统 | |
| CN114524209B (zh) | 一种基于双tof相机的agv高位堆叠方法及检测装置 | |
| CN205090946U (zh) | 铸件正面变动量自动检测装置 | |
| CN215868286U (zh) | 一种线阵扫描型的机器视觉教学实验平台 | |
| JPH09255158A (ja) | 物体配置認識装置 |
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 |