久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

★南方電網(wǎng)電力科技股份有限公司王榮華，熊輝，李鋒，張宏亮，潘鳳萍

關(guān)鍵詞：船艙口識別；卸船機(jī)；3D點(diǎn)云；人工智能；RANSAC算法；RNN

1　項(xiàng)目意義和國內(nèi)外研究現(xiàn)狀

隨著電廠對卸煤效率的要求不斷提高，為減輕司機(jī)的勞動強(qiáng)度，提升電廠的自動化水平，抓斗卸船機(jī)正朝著安全、高效、智能化的方向發(fā)展。因此如何實(shí)現(xiàn)自動化與智能化作業(yè)和優(yōu)化作業(yè)過程、改善作業(yè)條件、提高作業(yè)效率成為一個新的研究方向^[1]。國外就卸船機(jī)的自動化作業(yè)方面進(jìn)行了大量研究。例如：ABB公司推出了比較先進(jìn)的橋式抓斗卸船機(jī)自動操作系統(tǒng)；Schneider等公司正致力于開發(fā)基于PC和PLC的全自動操作系統(tǒng)。國內(nèi)很多院校和機(jī)構(gòu)也積極開展有關(guān)智能化抓斗卸船機(jī)的相關(guān)研究^[2-4]。

目前，行業(yè)內(nèi)主要通過激光掃描、探測雷達(dá)等距離探測技術(shù)，配合重構(gòu)技術(shù)，實(shí)現(xiàn)船艙和物料的三維景觀重現(xiàn)。同時(shí)，基于人工智能技術(shù)建立卸船控制規(guī)則和抓斗路徑規(guī)劃，并采用抓斗的消擺和利搖技術(shù)，效果顯著。這些技術(shù)的應(yīng)用，初步實(shí)現(xiàn)了卸船機(jī)智能化和無人化的自動抓斗卸煤功能^[5]。卸船機(jī)自動化作業(yè)流程如圖1所示。

圖1 卸船機(jī)全自動作業(yè)場景

卸船機(jī)自動化作業(yè)的三大技術(shù)難點(diǎn)是：煤堆和船艙口識別、抓斗姿態(tài)感知以及小車運(yùn)動控制^[6]。本文綜合多種技術(shù)，提出了一種基于RNN和改進(jìn)RANSAC算法的船艙口識別方法。該方法首先利用循環(huán)神經(jīng)網(wǎng)絡(luò)判斷點(diǎn)云數(shù)據(jù)中是否存在完整艙口，然后聯(lián)合優(yōu)化后的RANSAC算法提取艙口平面，最后采用點(diǎn)云分割技術(shù)識別艙口大小和位置。實(shí)踐表明，該識別算法精準(zhǔn)高效、安全可控。效果如圖2所示。

圖2 船艙口自動識別算法實(shí)際應(yīng)用效果

2　算法實(shí)現(xiàn)

2.1　數(shù)據(jù)采集和數(shù)據(jù)分割

激光雷達(dá)是模式識別系統(tǒng)中重要的傳感設(shè)備。研究表明，激光雷達(dá)是自動化駕駛和機(jī)器視覺檢測中最可靠的方法。攝像機(jī)受環(huán)境的影響很大，當(dāng)雨霧時(shí)將檢測困難，在更不利的條件下，視覺系統(tǒng)可能失去工作能力。海邊環(huán)境惡劣，含有大量的干擾因素，圖像識別算法的實(shí)現(xiàn)更為復(fù)雜化，識別慢，精度也無法滿足裝船作業(yè)的精度要求。因此，基于攝像機(jī)圖像進(jìn)行識別的方法無法兼顧算法的實(shí)時(shí)性和準(zhǔn)確性。相比之下，采用激光雷達(dá)的方法，數(shù)據(jù)采集精度高，響應(yīng)速度快，點(diǎn)云數(shù)據(jù)能夠更好地表達(dá)船舶的幾何信息，而且激光雷達(dá)的信號可以穿透大雨和大霧，不受光照、天氣以及場景顏色等環(huán)境因素的影響，完全滿足散貨港口裝船作業(yè)的需求^[7]。

因此考慮到運(yùn)輸船體積大、工況惡劣等特點(diǎn)，本系統(tǒng)采用了激光掃描云臺來采集數(shù)據(jù)。該激光云臺集成了一個2D激光雷達(dá)和云臺系統(tǒng)，最大掃描距離250米，標(biāo)準(zhǔn)檢測距離80/120米(10%反射率)，云臺掃描角度范圍為50°-230°，最大掃描角度達(dá)180°，安裝在駕駛艙下方。圖3為3D激光線掃描設(shè)備和激光云臺所采集的船艙數(shù)據(jù)。

圖3 激光掃描設(shè)備和船艙數(shù)據(jù)

在實(shí)際使用中，我們僅需關(guān)注卸船機(jī)下方的船艙區(qū)域。為了提高計(jì)算速度和減少點(diǎn)云數(shù)據(jù)量，本方法將點(diǎn)云范圍限定在：x位于[-40米，30米]、y位于[20米，60米]的區(qū)域，然后進(jìn)行數(shù)據(jù)分割。分割后的點(diǎn)云如圖4所示。

圖4 激光云臺采集的船艙3D點(diǎn)云圖

由于各種干擾，點(diǎn)云數(shù)據(jù)中部分艙口存在缺失和污染。根據(jù)人工標(biāo)注，數(shù)據(jù)集可分為四類：正常點(diǎn)云數(shù)據(jù)、有缺失數(shù)據(jù)、不完整數(shù)據(jù)以及高蓋板船數(shù)據(jù)。如圖4所示，僅右上角點(diǎn)云為正常艙口數(shù)據(jù)，其他均為問題數(shù)據(jù)，需要通過算法濾波或剔除。

2.2　采用RNN算法對云圖數(shù)據(jù)做二分類

如圖4所示，點(diǎn)云數(shù)據(jù)存在大量噪聲干擾，幾乎無法通過單一濾波算法有效辨識。本文采用基于深度學(xué)習(xí)的RNN二分類算法，篩選合格的船艙口點(diǎn)云。

RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）是一種使用序列數(shù)據(jù)或時(shí)序數(shù)據(jù)的人工神經(jīng)網(wǎng)絡(luò)，常用于順序或時(shí)間問題，如語言翻譯、自然語言處理、語音識別、圖像內(nèi)容識別等。與FNN（前饋神經(jīng)網(wǎng)絡(luò)）和CNN（卷積神經(jīng)網(wǎng)絡(luò)）一樣，RNN利用訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)。區(qū)別在于“記憶”，因?yàn)樗鼜南惹暗妮斎胫蝎@取信息，以影響當(dāng)前的輸入和輸出。雖然傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)假設(shè)輸入和輸出是相互獨(dú)立的，但RNN的輸出依賴于序列中先前的元素。盡管未來的活動也可能有助于確定特定序列的輸出，但是單向RNN無法在預(yù)測中說明這些事件。

假定原始數(shù)據(jù)函數(shù)：

類似RGB轉(zhuǎn)灰度圖，降低維度：

將云圖分割為8*8的小區(qū)域：

RNN的input為一個[64,]的二維待分類數(shù)列。本文采用的神經(jīng)網(wǎng)絡(luò)層次圖如圖5所示。

圖5 RNN二分類算法網(wǎng)絡(luò)層次圖

實(shí)驗(yàn)結(jié)果表明，該算法分類精度為98%，如表1所示。

表1 RNN算法實(shí)際精度

2.3　改良的法向量求船艙平面

接下來，我們對分類后的包含完整船艙信息的云圖進(jìn)行平面提取。

通常行業(yè)多采用傳統(tǒng)的法向量求平面方程RANSAC算法來提取船艙平面。該方法基本原理如下：

已知三點(diǎn)p1(x1,y1,z1)，p2(x2,y2,z2)，p3(x3,y3,z3)

則向量p1p2（x2-x1,y2-y1,z2-z1，p1p3(x3-x1,y3-y1,z3-z1)，根據(jù)平面法線將與這兩向量垂直，可得法向量f(a,b,c)，其中：

a=((p2.y-p1.y)*(p3.z-p1.z)-(p2.z-p1.z)*(p3.y-p1.y))；

b=((p2.z-p1.z)*(p3.x-p1.x)-(p2.x-p1.x)*(p3.z-p1.z))；

c=((p2.x-p1.x)*(p3.y-p1.y)-(p2.y-p1.y)*(p3.x-p1.x))。

則平面方程：a(x-x1)+b(y-y1)+c(z-z1)=0；d=-a*x1-b*y1-c*z1。

即平面方程如式（1）所示：

a*x+b*y+c*z+d=0（1）

眾多點(diǎn)中，要獲得最佳的擬合船艙平面，則必須滿足式（2）：

其中d為平面局部任意點(diǎn)到此平面的距離。

傳統(tǒng)RANSAC算法通過迭代求最小誤差e，獲取最佳擬合平面，運(yùn)算時(shí)間長達(dá)5-6秒，難以滿足卸船機(jī)對實(shí)時(shí)性的需求。

本文對RANSAC算法進(jìn)行了以下改進(jìn)：

實(shí)踐發(fā)現(xiàn)，船艙平面近似垂直于點(diǎn)云的y軸方向，則船艙平面法向量可近似為[0,y,0]。

根據(jù)式（3）可求y均值：

對[mean_y-10m,mean_y+10m]范圍內(nèi)的船艙高y，以每k米步長迭代得平面方程，如式（4）所示：

其中k的取值為[y_mean-10m:k:y_mean+10m]。

根據(jù)式（2）求點(diǎn)到面的距離，當(dāng)min(e)得最佳擬合平面。

基于本文改良的RANSAC算法，得到的船艙平面效果如圖6所示。

圖6 本文算法提取的船艙平面

根據(jù)式（5）對圖6的船艙平面求中心點(diǎn)：

在中心點(diǎn)向兩邊切割可得船艙口尺寸和位置信息，如圖7所示。

圖7 船艙口識別效果

將本文算法移植到卸船機(jī)自動化作業(yè)系統(tǒng)，實(shí)際求解船艙位置和算法耗時(shí)如圖8所示。

圖8 算法移植后實(shí)戰(zhàn)效果

從表2可以看出，在東億602船型條件下，與傳統(tǒng)算法相比，本算法無論在精度還是運(yùn)算時(shí)間上均有顯著提升，可以為船機(jī)自動作業(yè)系統(tǒng)實(shí)時(shí)提供精確的船艙位置信息。

表2 不同算法的艙口識別對比

3　結(jié)論

針對卸船機(jī)作業(yè)中船艙口點(diǎn)云數(shù)據(jù)存在的缺失、噪聲等問題，本文提出了一種基于RNN和改進(jìn)RANSAC算法的船艙口識別方法。該方法使用RNN算法濾除噪聲干擾，并根據(jù)實(shí)際情況，放棄傳統(tǒng)RANSAC擬合算法，改進(jìn)為快速精準(zhǔn)識別船艙口的算法。實(shí)驗(yàn)證明，本方法可以準(zhǔn)確、快速識別出艙口大小和坐標(biāo)。該方法已應(yīng)用于卸船機(jī)自動化系統(tǒng)，準(zhǔn)確提供艙口信息，運(yùn)行效果顯著。

作者簡介：

王榮華（1984-），男，湖南衡陽人，碩士，現(xiàn)就職于南方電網(wǎng)電力科技股份有限公司，研究方向?yàn)槿斯ぶ悄芗夹g(shù)。

熊　輝（1987-），男，江西樂安人，高級工程師，碩士，現(xiàn)就職于南方電網(wǎng)電力科技股份有限公司，研究方向?yàn)殡娋W(wǎng)系統(tǒng)技術(shù)。

李　峰（1980-），男，廣西大新人，教授級高級工程師，碩士，現(xiàn)就職于南方電網(wǎng)電力科技股份有限公司，研究方向?yàn)殡娋W(wǎng)系統(tǒng)技術(shù)。

張宏亮（1971-），男，河北保定人，教授級高級工程師，碩士，現(xiàn)就職于南方電網(wǎng)電力科技股份有限公司，研究方向?yàn)殡娋W(wǎng)系統(tǒng)技術(shù)。

潘鳳萍（1967-），男，河南開封人，教授級高級工程師，博士，現(xiàn)就職于南方電網(wǎng)電力科技股份有限公司，研究方向?yàn)殡娋W(wǎng)系統(tǒng)技術(shù)。

參考文獻(xiàn)：

[1] 陳建松. 自動化控制港口碼頭散料卸船機(jī)的設(shè)計(jì)創(chuàng)新[J]. 中國機(jī)械, 2023 : (21).

[2] 徐米清. 智能化卸船機(jī)關(guān)鍵技術(shù)及實(shí)現(xiàn)[J]. 港口裝卸, 2021 : (3).

[3] 余俐敏, 孫浩童, 蔡國強(qiáng), 等. 火電機(jī)組抓斗卸船機(jī)全自動系統(tǒng)開發(fā)及應(yīng)用[J]. 能源研究與管理, 2020 : (3).

[4] 孫斌, 王旭昶. 抓斗式卸船機(jī)自動作業(yè)的性能優(yōu)化[J]. 機(jī)電工程, 2011 : (25).

[5] 王佳俊, 楊凱. 橋式抓斗卸船機(jī)全自動系統(tǒng)應(yīng)用[J]. 起重運(yùn)輸機(jī)械[J], 2019 : (6).

[6] 王曉軍. 橋式抓斗卸船機(jī)前饋防擺控制研究[J]. 自動化控制, 2018 : (15).

[7] 遲煥業(yè), 任曉東. 自抗擾控制器在橋式卸船機(jī)抓斗定位和防擺控制中的應(yīng)用[J]. 港口科技, 2022 : (04).

[8] 宋郁珉, 孫浩, 李湛, 等. 基于非完整點(diǎn)云法線濾波補(bǔ)償?shù)纳⒇洿芭摽谧R別算法[J]. 計(jì)算機(jī)應(yīng)用, 2024 : (12).

[9] 王建喬, 魏勇, 季雄冠, 等. 艙口識別方法在散貨裝船機(jī)自動控制系統(tǒng)中的應(yīng)用[J]. 港口科技2021 : (20).

摘自《自動化博覽》2024年9月刊