CN113901600A - 智能塔吊起升负载平衡性的自动监测控制方法和系统 - Google Patents

智能塔吊起升负载平衡性的自动监测控制方法和系统 Download PDF

Info

Publication number
CN113901600A
CN113901600A CN202111069061.XA CN202111069061A CN113901600A CN 113901600 A CN113901600 A CN 113901600A CN 202111069061 A CN202111069061 A CN 202111069061A CN 113901600 A CN113901600 A CN 113901600A
Authority
CN
China
Prior art keywords
weight
tower crane
distance
tower
counterweight
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.)
Granted
Application number
CN202111069061.XA
Other languages
English (en)
Other versions
CN113901600B (zh
Inventor
陈德木
蒋云
陆建江
陈曦
赵晓东
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.)
Hangzhou Dajie Intelligent Transmission Technology Co Ltd
Original Assignee
Hangzhou Dajie Intelligent Transmission Technology Co Ltd
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 Hangzhou Dajie Intelligent Transmission Technology Co Ltd filed Critical Hangzhou Dajie Intelligent Transmission Technology Co Ltd
Priority to CN202111069061.XA priority Critical patent/CN113901600B/zh
Publication of CN113901600A publication Critical patent/CN113901600A/zh
Application granted granted Critical
Publication of CN113901600B publication Critical patent/CN113901600B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Jib Cranes (AREA)

Abstract

本申请实施例提供一种智能塔吊起升负载平衡性的自动监测控制方法和系统。该方法包括：根据图像分析得到配重的重量；提取物料的图像的特征，输入第一分类神经网络，获得物料的类型，物料的类型包括物料的外观形状、材料、尺寸，并估计物料的重量；根据三个位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；将配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。本申请利用图像分析和神经网络分类技术能够智能化计算得到配重重量和物料重量，进而通过神经网络分类智能的判断待智能塔吊起升负载平衡性，执行相应策略以保证塔吊安全。

Description

智能塔吊起升负载平衡性的自动监测控制方法和系统
技术领域
本申请涉及智能塔吊技术领域，尤其涉及一种智能塔吊起升负载平衡性的自动监测控制方法和系统。
背景技术
目前的塔吊，基本都是人员在塔吊上的中控室进行操控，或者通过操作人员在远程进行实时智能操控。塔吊行业来说，目前的发展方向是无人塔吊、智能塔吊，那么在产业升级的过程中会遇到很多的技术问题。
目前塔吊任务中，在挂钩执行吊装任务时，在主横梁的另一端会配置相应的配重来起到负载均衡的作用，防止由于物料过重导致塔吊重心失衡倾覆，产生严重的安全生产事故。然而目前吊装任务在吊装某种物料时，通常只能由人工现场根据经验判断多重的物料使用多重的配重以及配重放置的位置等等，或者根据固定的配重判断能够起升多重的物料。这种经验判断往往不准确，严重的情况下如果物料重量超出配重承重上限，会导致塔吊重心失衡倾覆，产生严重的安全生产事故。
发明内容
有鉴于此，本申请的目的在于提出一种智能塔吊起升负载平衡性的自动监测控制方法和系统，本申请利用图像分析能够智能化计算得到配重重量和物料重量，进而智能的判断待智能塔吊起升负载平衡性。
基于上述目的，本申请提出了一种智能塔吊起升负载平衡性的自动监测控制方法，包括：
在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量；
以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像；
提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量；
在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；
将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
优选地，所述在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量，包括：
在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像；
根据所述图像分析得到所述配重所包含的标准配重块个数及标准配重块类型，所述标准配重块类型包括标准配重块的体积和重量信息；
根据所述标准配重块个数及标准配重块的重量信息的乘积，得到所述配重的重量。
优选地，所述以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像，包括：
以待吊装物料的质心为原点建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上距离所述待吊装物料的质心相同距离处各设置一个摄像头；
三个摄像头分别朝向所述待吊装物料拍摄所述待吊装物料的图像，得到所述待吊装物料三个方位的图像信息。
优选地，所述提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量，包括：
将大批量已知物料的外观形状、材料、尺寸、重量信息导入到卷积神经网络，得到各个物料的类型；将已知物料的外观形状、制作材料、尺寸、重量信息和物料的类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
提取所述物料的图像的特征，得到所述物料的外观形状、材料、尺寸；
将待分类物料的外观形状、材料、尺寸输入训练好的AKC模型中，得到该待分类物料的重量。
优选地，所述在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离，包括：
在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器；
以第一位置传感器为原点，建立第二空间坐标系，在所述第二空间坐标系内分别标记所述第二位置传感器的坐标和第三位置传感器的坐标；
根据第二位置传感器的坐标计算得到配重到塔身的距离；
根据第三位置传感器的坐标计算得到挂钩到塔身的距离。
优选地，所述将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，包括：
将大批量已知智能塔吊的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离导入到卷积神经网络，得到智能塔吊的起升负载平衡性类型；将已知智能塔吊所述主横梁的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离和起升负载平衡性类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
将待分类智能塔吊所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的AKC模型中，得到所述智能塔吊的起升负载平衡性类型。
优选地，所述根据分类结果执行相应的控制策略，包括：
根据所述主横梁的智能塔吊的起升负载平衡性为负载严重失衡，停止所述智能塔吊的运行，发出红色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载轻度失衡，降低所述智能塔吊的运行速度，发出黄色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载均衡，继续执行所述智能塔吊的运行，发出负载平衡提示。
基于上述目的，本申请还提出了一种智能塔吊起升负载平衡性的自动监测控制系统，包括：
配重重量获取模块，用于在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量；
物料图像采集模块，用于以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像；
物料重量获取模块，用于提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量；
配重及物料位置计算模块，用于在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；
负载平衡性分类模块，用于将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
总的来说，本申请的优势及给用户带来的体验在于：
本申请利用图像分析和神经网络分类技术能够智能化计算得到配重重量和物料重量，进而通过神经网络分类智能的判断待智能塔吊起升负载平衡性，执行相应控制策略以保证塔吊在执行吊装任务时候的财产和人身安全，防止塔吊重心失衡倾覆，产生严重的安全生产事故。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
图1示出本申请的系统架构原理示意图。
图2示出根据本申请实施例的智能塔吊起升负载平衡性的自动监测控制方法的流程图。
图3示出根据本申请实施例的智能塔吊起升负载平衡性的自动监测控制系统的构成图。
图4示出了本申请一实施例所提供的一种电子设备的结构示意图；
图5示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出本申请的系统架构原理示意图。本申请的实施例中，设备包括塔吊、挂钩、夹具、物料、四个摄像头、多个位置传感器ABC、配重、终端设备(未图示)。
本发明实施例中，根据图像分析得到配重的重量；提取物料的图像的特征，输入第一分类神经网络，获得物料的类型，物料的类型包括物料的外观形状、材料、尺寸，并估计物料的重量；根据三个位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；将配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
本发明实施例中，终端设备可以采用具有通信能力的服务器，也可为智能手机、智能手表等具有计算能力和收发信号能力的终端设备。
本申请利用图像分析和神经网络分类技术能够智能化计算得到配重重量和物料重量，进而通过神经网络分类智能的判断待智能塔吊起升负载平衡性，执行相应控制策略以保证塔吊在执行吊装任务时候的财产和人身安全，防止塔吊重心失衡倾覆，产生严重的安全生产事故。
图2示出根据本申请实施例的智能塔吊起升负载平衡性的自动监测控制方法的流程图。如图2所示，该智能塔吊起升负载平衡性的自动监测控制方法包括：
步骤101：在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量。
本实施例中，具体的，步骤101包括：
在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像；
根据所述图像分析得到所述配重所包含的标准配重块个数及标准配重块类型，所述标准配重块类型包括标准配重块的体积和重量信息；
根据所述标准配重块个数及标准配重块的重量信息的乘积，得到所述配重的重量。
在塔吊施工环境中，配重往往是由至少一块配重块来完成配重任务，标准的配重块的材料可以采用例如钢制、石质等，而每个配重块的重量往往也是固定的，例如0.5吨、1吨等等。配重块已经是本行业通用的而且其类型也是有限的几种。通过图像分析其颜色、体积等信息可以跟预设的配重块数据库中的配重块类型进行比对，将符合度超出预设阈值的配重块作为识别结果，将预设配重块的重量作为识别的配重块重量。
而配重块的个数可以通过图像分割、图像边缘像素跳变等情况，分析并得到。这些是比较成熟和简单的图像处理过程，可以使用上述列举或者没有列举的本领域其他图像分析算法来获得，在此不再赘述。
步骤102：以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像。
在本实施例中，以待吊装物料的质心为原点建立第二空间坐标系，在所述第二空间坐标系的X、Y、Z轴上距离所述待吊装物料的质心相同距离处各设置一个摄像头；
三个摄像头分别朝向所述待吊装物料拍摄所述待吊装物料的图像，得到所述待吊装物料三个方位的图像信息。
待吊装物料在视觉、外观上具有明显的差异，因此通过图像可以准确的分辨当前待使用待吊装物料的类型。而为了准确分辨待吊装物料的类型，仅根据一个角度的图像可能是不够的，一般来说，待吊装物料具有一定的对称性，所以根据这些特性，本申请创造性的提出从六面体视角出发，从六面体相邻的三个面视角分别拍摄待吊装物料的图像，即可准确反映待吊装物料的各个细节特征。
步骤103：提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量。
在本实施例中，例如，将大批量已知物料的外观形状、材料、尺寸、重量信息导入到卷积神经网络，得到各个物料的类型；将已知物料的外观形状、制作材料、尺寸、重量信息和物料的类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
提取所述物料的图像的特征，得到所述物料的外观形状、材料、尺寸；
将待分类物料的外观形状、材料、尺寸输入训练好的AKC模型中，得到该待分类物料的重量。
举例来说，物料的外观可能为圆柱形、球形、立方体型、三角锥型等形状。
举例来说，本发明可以通过图像分析、图像识别计算物料关键点之间的坐标、角度得到物料的尺寸、角度和位置关系，可以得到物料的外观形状、尺寸。而根据物料的颜色和亮度可以判断其材料是钢材、混凝土、木料等。通过跟现有各种物料的相应数据进行比对，将匹配度超过设定阈值的物料作为分辨得到的物料类型。
进一步的，通过物料的外观、尺寸、材料，输入大数据训练过的神经网络，就可以估计计算其重量。例如图像分析后得到物料为混凝土预制板，通过神经网络的分析计算可以得到重量约为9吨。
步骤104：在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离，包括：
在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器；
以第一位置传感器为坐标原点(0，0，0)，建立第二空间坐标系，以主横梁为X轴，以垂直主横梁的水平方向为Y轴，以竖直方向为Z轴。在所述第二空间坐标系内分别标记所述第二位置传感器的坐标，例如(X1，Y1，Z1)和第三位置传感器的坐标，例如(X2，Y2，Z2)；
根据第二位置传感器的坐标(X1，Y1，Z1)计算得到配重到塔身的距离L1＝
Figure BDA0003259450650000071
根据第三位置传感器的坐标(X2，Y2，Z2)计算得到挂钩到塔身的距离L2＝
Figure BDA0003259450650000072
本发明实施例中，上述位置传感器为纳米传感器，纳米传感器为尺寸为纳米级～毫米级的传感器，为使其尺寸足够小，纳米传感器可以仅包含位置反馈的功能，而不包括其他功能。
本发明实施例中，终端设备可以采用具有通信能力的服务器，也可为智能手机、智能手表等具有计算能力和收发信号能力的终端设备。
上述纳米传感器可为直径为1毫米的原形电子芯片，该电子芯片仅具备位置反馈功能，电子芯片启动后，开始向终端设备反馈位置信息。终端设备接收到位置信息后，计算各自坐标。
步骤105：将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，包括：
将大批量已知智能塔吊的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离导入到卷积神经网络，得到智能塔吊的起升负载平衡性类型；将已知智能塔吊所述主横梁的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离和起升负载平衡性类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
将待分类智能塔吊所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的AKC模型中，得到所述智能塔吊的起升负载平衡性类型。
所述根据分类结果执行相应的控制策略，包括：
根据所述主横梁的智能塔吊的起升负载平衡性为负载严重失衡，停止所述智能塔吊的运行，发出红色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载轻度失衡，降低所述智能塔吊的运行速度，发出黄色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载均衡，继续执行所述智能塔吊的运行，发出负载平衡提示。
例如，如果在步骤S104中分析得到的混凝土预制板重量为11吨，则超出了配重均衡时能够承受的上限10吨，此时如果强行使用该配重吊装该物料，会导致主横梁变形，或者导致塔吊倾覆，导致严重的设备损坏或人员伤亡。因此，终端设备可以及时的发出预警提示信息，提示控制人员人为更换物料或者配重，也可以根据内置判断逻辑。
以下举例说明本申请的智能塔吊起升负载平衡性的自动监测控制效果：(以下数据仅为示意性举例，具体数据来源参照建筑和塔吊行业常用数据)
Figure BDA0003259450650000091
申请实施例提供了一种智能塔吊起升负载平衡性的自动监测控制系统，该系统用于执行上述实施例所述的智能塔吊起升负载平衡性的自动监测控制方法，如图3所示，该系统包括：
配重重量获取模块501，用于在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量；
物料图像采集模块502，用于以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像；
物料重量获取模块503，用于提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量；
配重及物料位置计算模块504，用于在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；
负载平衡性分类模块505，用于将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
本申请的上述实施例提供的智能塔吊起升负载平衡性的自动监测控制系统与本申请实施例提供的智能塔吊起升负载平衡性的自动监测控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的智能塔吊起升负载平衡性的自动监测控制方法对应的电子设备，以执行上智能塔吊起升负载平衡性的自动监测控制方法。本申请实施例不做限定。
请参考图4，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的智能塔吊起升负载平衡性的自动监测控制方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述智能塔吊起升负载平衡性的自动监测控制方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请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。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的智能塔吊起升负载平衡性的自动监测控制方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的智能塔吊起升负载平衡性的自动监测控制方法对应的计算机可读存储介质，请参考图5，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的智能塔吊起升负载平衡性的自动监测控制方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的智能塔吊起升负载平衡性的自动监测控制方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种智能塔吊起升负载平衡性的自动监测控制方法，其特征在于，包括：
在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量；
以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像；
提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量；
在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；
将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
2.根据权利要求1所述的方法，其特征在于，
所述在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量，包括：
在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像；
根据所述图像分析得到所述配重所包含的标准配重块个数及标准配重块类型，所述标准配重块类型包括标准配重块的体积和重量信息；
根据所述标准配重块个数及标准配重块的重量信息的乘积，得到所述配重的重量。
3.根据权利要求2所述的方法，其特征在于，
所述以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像，包括：
以待吊装物料的质心为原点建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上距离所述待吊装物料的质心相同距离处各设置一个摄像头；
三个摄像头分别朝向所述待吊装物料拍摄所述待吊装物料的图像，得到所述待吊装物料三个方位的图像信息。
4.根据权利要求3所述的方法，其特征在于，
所述提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量，包括：
将大批量已知物料的外观形状、材料、尺寸、重量信息导入到卷积神经网络，得到各个物料的类型；将已知物料的外观形状、制作材料、尺寸、重量信息和物料的类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
提取所述物料的图像的特征，得到所述物料的外观形状、材料、尺寸；
将待分类物料的外观形状、材料、尺寸输入训练好的AKC模型中，得到该待分类物料的重量。
5.根据权利要求4所述的方法，其特征在于，
所述在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离，包括：
在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器；
以第一位置传感器为原点，建立第二空间坐标系，在所述第二空间坐标系内分别标记所述第二位置传感器的坐标和第三位置传感器的坐标；
根据第二位置传感器的坐标计算得到配重到塔身的距离；
根据第三位置传感器的坐标计算得到挂钩到塔身的距离。
6.如权利要求5所述的方法，其特征在于，
所述将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，包括：
将大批量已知智能塔吊的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离导入到卷积神经网络，得到智能塔吊的起升负载平衡性类型；将已知智能塔吊所述主横梁的配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离和起升负载平衡性类型构成的特征向量作为训练样本，构建训练样本集；
用训练样本集训练由基于全连接神经网络的自动编码器模型和K－means模型构成的AKC模型；
将待分类智能塔吊所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的AKC模型中，得到所述智能塔吊的起升负载平衡性类型。
7.根据权利要求6所述的方法，其特征在于，
所述根据分类结果执行相应的控制策略，包括：
根据所述主横梁的智能塔吊的起升负载平衡性为负载严重失衡，停止所述智能塔吊的运行，发出红色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载轻度失衡，降低所述智能塔吊的运行速度，发出黄色预警提示；
根据所述主横梁的智能塔吊的起升负载平衡性为负载均衡，继续执行所述智能塔吊的运行，发出负载平衡提示。
8.一种智能塔吊起升负载平衡性的自动监测控制系统，其特征在于，包括：
配重重量获取模块，用于在所述智能塔吊的配重附近设置摄像头，采集所述智能塔吊配重的图像，根据所述图像分析得到所述配重的重量；
物料图像采集模块，用于以待吊装物料为中心建立第一空间坐标系，在所述第一空间坐标系的X、Y、Z轴上各设置一个摄像头，采集所述物料的图像；
物料重量获取模块，用于提取所述物料的图像的特征，输入第一分类神经网络，获得所述物料的类型，所述物料的类型包括物料的外观形状、材料、尺寸，并估计所述物料的重量；
配重及物料位置计算模块，用于在塔吊主横梁与塔身的交叉处设置第一位置传感器，在所述配重上设置第二位置传感器，在所述塔吊的挂钩吊绳上设置第三位置传感器，根据三个所述位置传感器的数据计算配重到塔身的距离和挂钩到塔身的距离；
负载平衡性分类模块，用于将所述配重的重量、物料的重量、配重到塔身的距离和挂钩到塔身的距离输入训练好的塔吊起升负载平衡性分类神经网络，对所述塔吊起升负载平衡性进行分类，根据分类结果执行相应的控制策略。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1－7任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1－7中任一项所述的方法。
CN202111069061.XA 2021-09-13 2021-09-13 智能塔吊起升负载平衡性的自动监测控制方法和系统 Active CN113901600B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111069061.XA CN113901600B (zh) 2021-09-13 2021-09-13 智能塔吊起升负载平衡性的自动监测控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111069061.XA CN113901600B (zh) 2021-09-13 2021-09-13 智能塔吊起升负载平衡性的自动监测控制方法和系统

Publications (2)

Publication Number Publication Date
CN113901600A true CN113901600A (zh) 2022-01-07
CN113901600B CN113901600B (zh) 2023-06-02

Family

ID=79027982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111069061.XA Active CN113901600B (zh) 2021-09-13 2021-09-13 智能塔吊起升负载平衡性的自动监测控制方法和系统

Country Status (1)

Country Link
CN (1) CN113901600B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114212688A (zh) * 2022-02-22 2022-03-22 杭州未名信科科技有限公司 一种智能塔机的运动控制方法和装置
CN115082850A (zh) * 2022-05-23 2022-09-20 哈尔滨工业大学 基于计算机视觉的模板支架安全风险识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107255498A (zh) * 2017-06-02 2017-10-17 西安理工大学 基于双目视觉的输送带物料重量测量系统及测量方法
CN108584728A (zh) * 2018-07-19 2018-09-28 苏州远征魂车船技术有限公司 一种智能塔吊设备及其配重装置动态平衡的方法
CN110751620A (zh) * 2019-08-28 2020-02-04 宁波海上鲜信息技术有限公司 估算体积和重量的方法、电子设备及计算机可读存储介质
CN110956180A (zh) * 2019-07-04 2020-04-03 中联重科股份有限公司 配重重量的检测方法与系统、获取方法与系统及起重机
DE102019212594A1 (de) * 2019-08-22 2021-02-25 Robert Bosch Gmbh Verfahren zur Gewichtsschätzung eines Produktes
CN112561487A (zh) * 2020-12-21 2021-03-26 广联达科技股份有限公司 一种计算施工进度的方法、装置、设备及可读存储介质
CN112862757A (zh) * 2021-01-14 2021-05-28 四川大学 一种基于计算机视觉技术的重量评估系统及实现方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107255498A (zh) * 2017-06-02 2017-10-17 西安理工大学 基于双目视觉的输送带物料重量测量系统及测量方法
CN108584728A (zh) * 2018-07-19 2018-09-28 苏州远征魂车船技术有限公司 一种智能塔吊设备及其配重装置动态平衡的方法
CN110956180A (zh) * 2019-07-04 2020-04-03 中联重科股份有限公司 配重重量的检测方法与系统、获取方法与系统及起重机
DE102019212594A1 (de) * 2019-08-22 2021-02-25 Robert Bosch Gmbh Verfahren zur Gewichtsschätzung eines Produktes
CN110751620A (zh) * 2019-08-28 2020-02-04 宁波海上鲜信息技术有限公司 估算体积和重量的方法、电子设备及计算机可读存储介质
CN112561487A (zh) * 2020-12-21 2021-03-26 广联达科技股份有限公司 一种计算施工进度的方法、装置、设备及可读存储介质
CN112862757A (zh) * 2021-01-14 2021-05-28 四川大学 一种基于计算机视觉技术的重量评估系统及实现方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114212688A (zh) * 2022-02-22 2022-03-22 杭州未名信科科技有限公司 一种智能塔机的运动控制方法和装置
CN115082850A (zh) * 2022-05-23 2022-09-20 哈尔滨工业大学 基于计算机视觉的模板支架安全风险识别方法

Also Published As

Publication number Publication date
CN113901600B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN113901600B (zh) 智能塔吊起升负载平衡性的自动监测控制方法和系统
CN112216049B (zh) 一种基于图像识别的施工警戒区监测预警系统及方法
CN111844019B (zh) 一种机器抓取位置确定方法、设备、电子设备和存储介质
CN113911916B (zh) 用于智能塔吊的吊钩物料结合定位控制方法和系统
CN109672863A (zh) 一种基于图像识别的施工人员安全装备智能监测方法
CN113763369B (zh) 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置
JP2020093890A (ja) クレーン作業監視システム、クレーン作業監視方法、危険状態判定装置、及びプログラム
CN117474321B (zh) 基于bim模型的施工现场风险智能识别方法及系统
CN113911922A (zh) 智能塔吊回转全过程状况监测传感方法和系统
CN110885019A (zh) 一种基于bim模型的塔吊监测与实时报警系统
CN114359825A (zh) 监测方法和相关产品
CN114842560B (zh) 基于计算机视觉的建筑工地人员危险行为识别方法
CN111170161B (zh) 基于场景检测的模式设定系统
CN112651377A (zh) 一种冰雪运动事故检测方法、装置及终端设备
CN115465784A (zh) 基于项目控制的区域塔机监测控制方法和系统
CN116563776A (zh) 基于人工智能的违章行为告警方法、系统、介质及设备
CN112036336B (zh) 一种基于ai智能图像分析的工程监测方法及系统
CN113673344A (zh) 一种智能塔吊物料挂载位置识别方法和装置
CN114572845A (zh) 用于智能塔吊工况检测的智能辅助机器人及其控制方法
CN114387750A (zh) 一种变电设备监测的方法、装置、设备及存储介质
CN114419565A (zh) 基于YOLOv4的特种车辆作业碰撞预警方法及系统
CN112053339B (zh) 一种基于机器视觉的棒材成品库行车安全监测方法、装置及设备
CN116281636B (zh) 一种群塔作业防碰撞方法及系统
CN114604764B (zh) 用于智能塔吊吊钩的松开自动检测控制方法及其装置
CN117011752A (zh) 监测数据处理的方法、装置、电子设备及可读存储介质

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