基于故障树的柔索驱动拣矸机器人系统分拣可靠性研究

拣矸机器人的分拣可靠性与煤的品质及分拣效率息息相关,对拣矸机器人系统分拣可靠性进行研究十分必要。现有机器人系统可靠性研究主要是针对其结构可靠性进行研究,而没有对其工作任务可靠性即分拣可靠性进行研究。针对该问题,以柔索驱动拣矸机器人系统为研究对象,采用故障树分析法对其分拣可靠性进行研究。首先,从拣矸机器人系统的结构出发,分析了拣矸机器人系统分拣故障的原因,采用演绎法构建拣矸机器人系统的分拣故障树;然后,将故障树底事件发生概率考虑为区间变量,根据区间性质、运算法则和顶事件的概率表达式得到分拣故障树顶事件概率区间参数,结合设计要求计算出反映拣矸机器人系统分拣可靠性的非概率可靠性指标;最后,基于非概率可靠性指标公式及模糊重要度定义,提出了一种区间重要度指标,对分拣故障树底事件的区间重要度进行求解并排序,结果表明分拣可靠性满足拣矸机器人可靠分拣要求,煤矸石流瞬时含矸率增大和工业相机故障是影响其分拣可靠性的重要因素。根据非概率可靠性指标计算结果和区间重要度排序找出了拣矸机器人系统的薄弱环节,并针对薄弱环节提出了3个改进措施：在分拣前对煤矸石流振荡混合;根据识别的矸石信息,智能控制带式输送机带速;在...     

基于EAIDK的智能煤矸分拣系统设计

现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高,而基于密度的分拣方法适用于井下初选,成本较高。针对上述问题,设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台,在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络,建立端到端可训练图像检测模型,并利用智能摄像机获取的图像数据训练模型;通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系,控制机械臂进行矸石追踪和分拣。实验结果表明,该系统矸石识别准确率稳定保持在95%以上,机械臂跟踪时间小于30 ms,执行误差为1 mm左右,可以满足煤矸分拣工艺要求。     

基于物联网的分拣机器人故障检测系统设计

目前研究的分拣机器人故障检测系统检测准确性较低,导致检测结果误差较大、实时性较差;为此,基于物联网设计一种新的分拣机器人故障检测系统;选用滑轮式机器人载体设定分拣机器人,硬件部分采用Zigbee压力传感器采集机器人故障信息,利用XBEE模块负责数据传输,协调分拣中控机接收各个传感器采集的信息,通过STMP3550芯片实现控制器设计;通过信息标定、信息采集、特征提取、故障识别实现软件工作流程,应用非极大值最大类间方差法来筛选出最优的高低阈值解,得到连续但含有假边缘的故障信息图像边缘;将提取到的图像特征向量映射到类型空间之中,确定故障原因,完成故障识别;实验结果表明,所设计分拣机器人故障检测系统在6次检验中都准确地检测出故障原因,故障检测耗时平均值为3.27 min,能够有效提高检测准确性,加强检测结果的实时性.     

X射线透射煤矸智能识别方法

煤矸图像识别是基于伪双能X射线透射（XRT）的煤矸分选技术重要环节。受煤矸紧贴或遮挡导致煤矸图像难以分割和基于人工阈值判别易导致煤矸分类识别错误影响,现有的煤矸识别方法精度不高。提出一种XRT煤矸智能识别方法。采用感受野模块（RFB）与U-Net模型相结合的模型（RFB+U-Net模型）实现伪双能X射线煤矸图像有效分割,解决了因煤矸紧贴或遮挡情况而影响识别精度的问题;以煤矸图像灰度特征中的低能图像灰度最小值、纹理特征中的低能图像锐化最小值和锐化均差为煤矸识别特征,采用多层感知机（MLP）模型实现煤矸识别。实验表明：RFB+U-Net模型的煤矸分割准确率、煤矸粒度精度、煤矸像素均交并比等指标及图像分割效果均优于活动区域模型、U-Net模型、SegNet模型,且模型推理时间较短,满足煤矸图像分割实时性要求;MLP模型隐藏层数量为8时,在2组测试集下的煤矸识别平均准确率均为87%以上;在相同数据集及实验条件下,MLP模型的煤矸识别平均准确率、排矸率均高于基于贝叶斯分类器、支持向量机、逻辑回归、决策树、梯度提升决策树、K近邻算法的模型,且矸石带煤率不超过3%,满足实际煤矸干法分选要求。     

基于机器学习的物流自动分拣机器人定位精度检测算法

在物流自动分拣机器人定位精度检测中,需要使用大量外部仪器设备,使检测流程十分繁琐,设计一种基于机器学习的定位精度检测算法,实现简单的定位精度检测。提取机器人的三类视觉特征信息,通过原始输入特征获取、白化处理、保持长宽比三步预处理数据,基于机器学习设计检测模型,实现对机器人的定位精度检测。测试算法性能,测试结果表明设计算法的检测精度高于90%,定位精度检测误差较低,证明了算法性能的优异。     

基于随机森林的综放工作面煤矸图像识别

针对目前综放工作面煤矸图像识别方法存在的参数调节难度高、预测准确率低、易过拟合等问题,提出了一种基于随机森林(RF)算法的综放工作面煤矸图像识别方法。以担水沟煤矿6203综放工作面为工程背景,采集放煤口的煤矸图像并对其进行裁剪、灰度转化、对比度增强、图像滤波预处理;采用灰度-梯度共生矩阵提取出15个煤矸图像纹理特征;采用RF算法对15个煤矸纹理特征的重要性进行排序,并选取前5个实现降维处理,分析降维前后RF算法对煤矸图像的识别效果。结果表明,在决策树个数为150、采用log2^M+1方法计算每次分裂时的特征数情况下,降维后RF模型的煤矸分类准确率为97%,比降维前提高4%,煤矸分类查准率为0.98,查全率为0.96,且袋外错误经50次迭代达到9%,泛化能力更强。     

基于目标检测的机器人手眼标定方法

智能协作机器人依赖视觉系统感知未知环境中的动态工作空间定位目标,实现机械臂对目标对象的自主抓取回收作业。RGB-D相机可采集场景中的彩色图和深度图,获取视野内任意目标三维点云,辅助智能协作机器人感知周围环境。为获取抓取机器人与RGB-D相机坐标系之间的转换关系,提出基于yolov3目标检测神经网络的机器人手眼标定方法。将3D打印球作为标靶球夹持在机械手末端,使用改进的yolov3目标检测神经网络实时定位标定球的球心,计算机械手末端中心在相机坐标系下的3D位置,同时运用奇异值分解方法求解机器人与相机坐标系转换矩阵的最小二乘解。在6自由度UR5机械臂和Intel RealSense D415深度相机上的实验结果表明,该标定方法无需辅助设备,转换后的空间点位置误差在2 mm以内,能较好满足一般视觉伺服智能机器人的抓取作业要求。     

基于机器人大赛的分拣机器人优化设计

针对机器人大赛中分拣机器人行走路径准确性不高和行走速度不快的问题对分拣机器人设计进行优化。通过分析并且比较目前比赛用分拣机器人几种设计的优缺点,改进其软硬件设计,建立分拣机器人行走的分动作子程序库,通过路径规划理论制定所有可能出现情况的随机组合,结合循线传感器(QTI)的交互信息,提出了基于路径规划的分拣机器人设计优化方法。在江苏省机器人大赛中,使用该优化设计的分拣机器人取得了好的成绩,得到了很好的实战验证。     

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励（SE）模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明：YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值（mAP）达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Gho...     

基于改进YOLOv5的煤矸识别研究

现有基于深度学习的煤矸识别方法应用于井下复杂环境中时易出现误检和漏检情况,且对小目标煤矸的识别精度低。针对该问题,提出一种改进YOLOv5模型,并基于该模型实现煤矸识别。对采集的煤与矸石数据进行数据增强,以丰富数据集,提高数据利用率;在空间金字塔池化（SPP）模块中引入空洞卷积和残差块,得到残差ASPP模块,可在不损失图像信息的前提下,增大卷积输出感受野,强化模型对深层特征的提取;采用AdaBelief优化算法代替YOLOv5原有的Adam优化算法,提高模型的收敛速度与识别精度。实验结果表明：AdaBelief优化算法和残差ASPP模块可有效提高YOLOv5模型的精确率、召回率和平均精度均值（mAP）;改进YOLOv5模型的mAP达到94.43%,比原始YOLOv5模型提高了2.27%,帧率降低了0.03帧/s,性能优于SSD,Faster R-CNN,YOLOv3,YOLOv4等主流目标检测模型;在极端黑暗的环境中,改进YOLOv5模型也能准确划定目标边界,识别效果优于其他改进YOLOv5模型。     

基于OpenGL的工业机器人分拣系统仿真

针对工业机器人视觉分拣工件问题,开发了一套工业机器人分拣仿真系统。该系统主要包括工件的识别与定位算法和机器人分拣的动态仿真,是基于VC++6.0开发平台和OpenGL图形库而开发的。工件识别是依赖于角点检测实现的。本文在确定工件表面中心和长轴的基础上,基于几何原理提出了一种新的机器人运动学反解方法,并验证了运动学分析的正确性,且直观地实现了机器人分拣工件的动态仿真。仿真结果表明,该系统能够快速、准确分拣工件,满足实际工程的要求。     

基于旧电表机械自动化分拣及检测技术研究

常用分拣检测技术识别工件类别时,忽略机械图像的深度信息,导致工件识别精度和识别效率较差。为此,研究基于旧电表机械自动化分拣及检测技术。摄像机采集旧电表工件视频信息,转换视频帧为数字图像,预处理后提取图像边缘信息和深度信息,识别旧电表工件位姿,判别工件类别,利用PLC发出执行信号,控制机械手到达抓取位置,分拣识别出的旧电表工件,输入边缘特征和深度特征至卷积神经网络,预测工件类别,检验分拣是否准确。实验结果表明方法可提高工件分拣的准确率和召回率,提高旧电表工件识别精度和识别效率。     

基于手眼立体视觉的机器人定位系统

研发了基于手眼的机器人定位系统,采用了眼在手上的单目摄像机,通过机械手的一次移动实现了立体视觉的功能.提出了一种方便有效手眼标定方法,避免了复杂的传统手眼标定过程,无需求解摄像机外参数和手眼变换矩阵.仅获取标定时刻的摄像机综合参数和机器人位姿,就可以在机器人基坐标系中视场范围内的任意两点进行检测,根据立体视觉的约束关系求解出目标物体在机器人基坐标中的位置,进而实现对目标物体的精确定位.     

用于煤矸识别的振动传感器设计

目前自动化放顶煤开采煤矸识别技术中,伽马射线成本太高且对人体有害;红外技术受环境温度影响较大;雷达探测在煤层较厚时信号衰减严重;声音技术成本低、难度小,但受外界声音信号干扰严重;图像技术在煤矸颜色差别大时有效,但受粉尘、光线因素影响较大;振动技术具有声音技术的优点,同时又可以避免环境噪声干扰,具有较高的检测精度。顶煤和矸石的性能有所不同,落到液压支架尾梁上时产生的振动信号也表现出不同的特征。针对该特征,设计了一种振动传感器,该传感器安装在液压支架尾梁的腹板处,对顶煤或矸石砸到液压支架上产生的振动信号进行感知,通过信号处理和分析辨识出放煤过程中的煤块和矸石。该传感器利用加速度计采集尾梁振动信号,并对采集数据进行前端滤波处理;利用傅里叶变换对数据进行功率谱分析,得到单位时间内的最大振动频率、幅值及功率谱能量。实验室测试结果表明,该传感器测量误差在1%以内。井下测试结果表明,振动传感器采集的信号大部分是煤块落下时的振动信号,其频率范围为100～200Hz,而矸石落下时的振动信号频率在200 Hz以上,根据振动信号特征能够识别出顶煤和矸石。     

基于眼固定安装方式的机器人定位系统

研发了基于眼固定安装方式的机器人定位系统,提出了一种方便有效的手眼标定方法。通过最小二乘法求解手眼坐标的变换关系,再根据工作台平面与摄像机成像模型的约束关系,求解出目标物体的三维位姿,并最终实现了机械手的精确定位。     

缺陷药片智能识别与分拣机器人研究

针对药片表面质量检测主要依靠人工肉眼判断、检测效率低和漏检等问题,开展了缺陷药片智能识别定位与分拣机器人技术研究,进行了机器人系统总体设计和结构设计,采用Halcon机器视觉开发平台编写了图像识别与处理软件对缺陷药片进行识别和定位,对机器人进行了正运动学和逆运动学分析,编写了药片位置信息解算软件,通过指令驱动机器人各关节运动对缺陷药片进行准确抓取,实现了缺陷药片的智能化分拣。通过所设计的缩比机器人系统对药片进行分拣,验证了缺陷药片智能识别定位与分拣的功能,该机器人系统具有成本低、工作范围大、智能识别定位准确、通用性好的优势。     

基于恒力控制方法的医美机器人系统研究

本文介绍了一种基于恒力控制方法的医美机器人系统,并通过模型及志愿者真人的实际测试,有效验证了该机器人系统的各项性能指标。     

基于OMRON视觉的工业机器人分拣控制系统设计

工业机器人在分拣过程中,目标物体可能存在各种形状、尺寸和外观变化,同时还可能受到遮挡和光照条件的影响,使得目标的检测和识别复杂,导致分拣控制功能和应用性能差。为此,设计了基于OMRON视觉的工业机器人分拣控制系统。采用OMRON视觉传感器、机器人分拣控制器和驱动器,完成分拣控制硬件系统设计。利用OMRON视觉,采集工业机器人分拣目标图像,通过直方图均衡化和滤波去噪,完成初始分拣目标图像的预处理。提取工业机器人分拣目标的轮廓特征,通过特征匹配确定分拣目标类型,得出位置、几何结构等空间参数的检测结果。最终通过控制参数计算、工业机器人位姿识别以及控制量求解等步骤,实现系统的分拣控制功能。通过系统测试实验表明,设计系统的抓取位置控制误差、分拣目标位置控制误差和分拣对象表面磨损量较小,具有较好的分拣控制功能和应用性能。