基于RobotStudio的煤矸石视觉分拣系统仿真

为了提高视觉机器人系统在传统煤矸石分拣中的应用效率,提出一种基于RobotStudio的仿真方法,可以在离线状态下对不同的机器人运动算法、运行程序和执行轨迹进行仿真验证。结果表明,使用该仿真方法可以优化机器人运动节拍,减少现场调试作业时间,提高整体生产效率。     

改进的ORB-FLANN煤矸石图像高效匹配方法

针对煤矸石分拣机器人分拣煤矸石时,带式输送机输送带打滑、跑偏以及带速波动造成的目标煤矸石位姿变化,从而导致抓取失败或空抓漏抓等问题,提出了一种改进的ORB-FLANN (Oriented FAST and Rotated BRIEF-Fast Library for Approximate Nearest Neighbors)煤矸石识别图像与分拣图像高效匹配方法。提出改进ORB的特征点检测方法对煤矸石识别图像与分拣图像进行特征点检测,实现快速检测图像特征点;提出改进FLANN匹配算法对图像特征点进行匹配,实现煤矸石识别图像与分拣图像高效匹配。针对传统ORB方法对煤矸石图像特征检测时间长、重复率低问题,提出了改进ORB特征检测方法,提高了图像特征点检测速度和重复率;针对传统FLANN匹配方法对煤矸石图像匹配精确率低问题,提出了融合PROSAC算法的改进FLANN匹配方法,剔除错误特征匹配点对,提高了图像匹配的精确率。在自主研发的双机械臂桁架式煤矸石分拣机器人试验平台上应用文中方法、SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法分别进行了不同带速、尺度、...     

基于机器视觉的AlexNet网络煤矸石检测系统

针对传统的煤矸石检测方式成本较高、识别准确率较低、适用性较差等不足,经分析实际检测要求,设计了一种基于机器视觉和AlexNet网络的煤矸石检测系统。该系统通过工业相机来采集传送带上煤矸石图像,利用直方图均衡化和二阶微分线性算子来加强图像对比度与锐化效果,并使用高斯滤波来抑制图像噪声,进而获取更具辨识度的图像,最终运用AlexNet网络实现煤矸石的识别与定位。结果表明,该系统识别准确率达到了95.90%,准确率较高,且实现过程较为简单,适用性良好。     

基于GCA-YOLOv5s煤矸石检测技术研究

针对目前基于图像处理的煤矸石检测方法精度低、实时性差、漏检等问题,文章提出了一种基于GCA-YOLOv5s的煤矸检测算法。引入Ghost轻量化模块代替卷积操作对网络模型进行压缩提升检测速度;采用卷积块注意力对特征图进行处理,使提取的特征更加精炼,提升模型的表现力;根据数据集中目标的大小分布特征,选择合适的Anchor尺度,提升煤矸的检测精度。实验数据表明：改进后的煤矸石检测算法在实时性方面优于默认的YOLOv5s检测算法,检测速度每秒提升了10.19帧,同时对小目标也有较好的检测效果。     

煤矸石智能分拣机器人视觉伺服自抗扰控制方法研究

为了有效的将煤矸石从原煤中分拣出来,提出了煤矸石智能分拣机器人视觉伺服自抗扰控制方法。同时为了避免外界环境对煤矸石检测过程产生干扰,采用同态滤波算法对采集的煤矸石图像展开增强处理;在YOLO网络中输入增强后的煤矸石图像,完成煤矸石的检测与定位;通过PID算法实现煤矸石智能分拣机器人控制,从而稳定地完成了煤矸石分拣。实验结果表明,所提方法采集的图像质量高,煤矸石检测精度高,煤矸石智能分拣机器人控制稳定性好。     

多机械臂煤矸石智能分拣机器人关键共性技术研究

依据我国煤矿智能绿色发展战略,深入分析了国内外智能拣矸系统的研究现状,指出研发适用于井下的多机械臂煤矸石智能分拣机器人是破解煤矸分拣难题的重要发展方向,凝练了直接影响和制约我国煤矸石智能分拣高质量发展的“煤矸石准确识别、精准跟踪和可靠抓取、多目标任务多机械臂协同分拣”三大关键共性技术难题,并给出了解决思路和方法。针对煤矿井下煤矸石被煤泥严重包裹识别难,提出了“X射线+视觉”煤矸石识别与匹配方法、基于点云数据的煤矸石抓取特征提取方法,实现目标矸石的快速识别和最优抓取特征提取;针对煤矸石形态各异、动态环境抓取难,提出了基于ORB+BEBLID特征的FLANN动态目标高效匹配方法、基于FDSST的动态目标精准跟踪方法、基于三环PID的机械臂同步跟踪轨迹规划方法,实现机械手对高速传输的动态矸石稳定抓取;针对煤矸石随机分布、障碍多、多机械臂任务分配难,提出了改进匈牙利算法的多机械臂动态空间协同分拣方法,确保系统收益的前提下实现多机械臂在动态空间中高效协同工作。现场工业性试验研究结果表明,针对三大关键共性技术所提出的方法能够有效破解煤矸石高效识别和抓取特征提取、机械臂动态目标同步跟踪稳定抓取、多机...     

基于机器视觉的运动目标检测方法研究

针对复杂背景下机器视觉系统中运动目标的检测,提出一种基于差分图像的列灰度均值分布的运动目标检测方法,该方法以自适应更新法建立背景模型,根据差分图像的列灰度均值分布图来实现差分图像的二值化及二值差分图像中阴影和噪声处理。实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。     

基于机器视觉的轴承缺陷检测及分拣

针对传统的人工检测既不稳定又耗时的问题,提出一种用于检测轴承缺陷的视觉检测系统,可快速检测存在缺陷的轴承。所提出的机器视觉检测系统用图像传感器采集待测轴承图像,通过判断缺陷连通域的像素个数是否超过阈值T来区分轴承有无缺陷。最后利用最小二乘法拟合得到的轴承圆心坐标,并利用直角坐标机器人进行剔除。实验证明,该系统检测方法简单、定位准确、抗噪能力强、计算速度快和实时性好。     

基于GSP-YOLO煤矸石检测算法研究

针对目前基于深度学习的煤矸石检测算法在图像检测速度与检测精度上不够理想的问题,提出了一种基于GSP-YOLOv5s的煤矸石检测算法。将主干网络中的卷积模块替换为Ghost卷积模块,降低了参数量;引入SE注意力模块,增强识别能力;删除20×20检测头,更加轻量化。实验结果表明：GSP-YOLOv5s算法检测的平均精度为94.6%,较YOLOv5s精度提升了0.8%;检测速度为110.3 fps,速度提升7.6%.     

基于机器视觉的轮齿缺陷检测研究

针对传统的人工检测齿轮缺陷方法效率低、精度不高的问题,提出采用机器视觉的方法对齿轮轮齿进行检测。提出了一种图像模板的制作方法,实现了对齿轮轮齿的分割。并针对单个轮齿的磨损检测问题,分别采用轮齿面积、轮齿周长作为判断单个轮齿磨损的依据。结果表明采用轮齿面积作为检测标准效果更好,能够满足轮齿缺陷检测的需要,此方法是可行的。     

基于机器视觉的煤中杂物智能分选系统研究

为解决煤炭分选过程中杂物对生产的影响及由此产生的各种问题,设计了基于深度学习和机器视觉的集煤中杂物智能识别、定位和分拣于一体的杂物智能分选系统。该系统建立了基于语义分割的像素级杂物识别模型,计算成本比标准卷积网络模型降低8～9倍;构建了复杂环境条件下的机械手精准抓取策略,能够避开干扰物,实现硬质物料、轻质物料抓取点的精确选择。在涡北选煤厂的应用测试表明,该系统杂物检测准确率为96.647%,机械手分拣成功率为94.759%,系统分拣率为91.640%,能够高效除去煤中杂物,提高了杂物分选过程的智能化水平。     

基于机器视觉的天轮偏摆检测技术

设计了一种基于机器视觉的天轮偏摆检测系统。利用机器视觉系统的CCD摄像机实时采集天轮偏摆运行状态视频;对每一帧图像进行图像滤波和图像增强,采用Mean Shift算法实现天轮偏摆的跟踪;经坐标变换将跟踪目标的像素偏移换算为实际物理尺寸,从而计算出天轮偏摆。试验结果表明,设计的天轮偏摆检测系统现场安装检测方便且能满足精度要求。     

煤和煤矸石的放射性检测

考虑到煤和煤矸石在建筑上的大量使用,按《煤炭资源勘查煤质评价规范》MT/T1090要求测量一定数量煤和煤矸石的放射性,而我国目前只有《建筑材料放射性核素限量》GB6566规定了非金属建筑材料的放射性检测方法。根据多年放射性检测经验,在文章中详细介绍了煤和煤矸石的放射性测量原理、测量过程和判断结论。     

基于机器视觉的零件尺寸检测的研究

利用机器视觉技术对圆形零部件直径测量的算法进行研究。在实验室自制的三自由度机器人试验平台上,通过机器视觉处理的3个阶段,各选择2种效果较好、适用性较强的图像处理算法,利用正交试验表得到4种算法组合,并分析得出一组测量精度较高的算法组合。所得的结果具有简单、容易实现及成本低的优点。该算法组合能够满足一般零部件的测量精度要求,实验结果表明其精度达到0.1 mm。     

基于机器视觉的阴极铜表面质量检测系统研究

为了解决了目前人工对于阴极铜表面质量检测存在的问题,实现阴极铜的全自动化检测与筛选。本文将图像处理技术应用于阴极铜表面质量的检测。论文的研究方法如下:首先选择试验需要的硬件和软件,然后通过试验采集照片,通过系统获得数据,最后把实际测量的数据和系统数据对比,分析之后得出结论。表面检测系统的流程设置为:图像预处理、相机标定、立体较正、立体匹配、数据计算。应用的原理和方法是双目视差原理、三角测量法、逐渐像提取法、以及Sobel算子和BM算法。把检测系统计算出相关数据与试验实际测量得出的数据进行对比,发现两种数据差别极小,检测结果一致,验证了检测系统的正确性,说明该系统能够满足实际生产的需求。最终建立一套阴极铜表面质量检测系统,确立了系统的结构设计和位置安装。本系统解决了当前人工筛选存在的问题,实现了阴极铜的全自动化生产。     

基于机器视觉的煤矸石多工况识别研究

原煤入选前要进行预先排矸石操作,在多种工况下基于机器视觉对煤矸石进行识别。搭建图像采集装置采集煤块和块矸石图像,提取表面28个颜色和纹理特征参数,经过特征初步分析,将RGB空间特征作为冗余剔除。利用支持向量机作为分类器,并采用基于Relief算法权重的特征递归进一步筛选特征。将原煤表面状态分为外表面无煤泥且表面干燥、外表面无煤泥且表面湿润、外表面覆盖干煤泥、外表面覆盖湿煤泥4种类型。基于机器视觉对白芨沟矿的原煤进行识别试验,确定最优特征子集。在最优特征子集下进行多次随机取样识别试验,在4种不同工况下,5次随机实验的平均识别率大于等于94%,取得了满意的效果。     

潞安矿区煤矸石有害元素检测与评价

文章在对潞安常村、王庄、五阳、余吾4个生产矿井的煤矸石进行定期采样测定的基础上,提出了系统测定煤矸石化学成分的标准及方法;通过不同时期对煤矸石中微量元素的测定,总结了煤矸石中有害元素赋存及变化规律;探讨了矿区煤矸石存放对周围环境的影响,并提出了消除煤矸石对环境危害的可能性途径。     

基于机器视觉的孔类零件检测方法研究

通过设计零件检测系统获取垫片图像信息,利用Matlab软件编程实现对样本图像的背景去除、二值化、滤波、特征量提取等处理,通过图像标定获得垫片的内径、外径参数。设计图像处理和结果显示界面,编写了GUI源代码,通过运行代码实现了垫片内、外径检测及关键检测过程和结果的显示。最后通过精度分析,结果表明,采用机器视觉进行垫片检测,内径检测相对误差为-0.002 3、外径检测相对误差为0.005,检测精度满足实际生产要求。     

潞安煤矸石产业链发展研究

通过对潞安23种煤矸石样品的基本物理、化学性质进行检测分析,结合煤矸石利用途径对煤矸石性质的要求,对潞安煤矸石的检测结果进行深入分析,得出了潞安煤矸石适宜的利用途径和优先发展的产业链。     

基于机器视觉的煤矿带式输送机跑偏检测方法

机器视觉是煤矿井下带式输送机输送带跑偏故障检测的有效方法,但检测准确度仍有待提高。研究用引力检测方法对Canny方案进行优化,生成大掩模3×3梯度算子,实现准确提取输送带边缘轮廓信息。进而通过Hough直线变换得到边缘直线的坐标信息,对输送带扭曲和偏移2种故障进行识别。实验结果表明,经优化后算法处理过的图像C/A值分布在0.01～0.03,C/B分布在0.01～0.04,整体优于原算法,提升了边缘提取精度。研究表明该方法可以更准确地提取输送带边缘信息,并识别出跑偏故障。