基于图像检测的煤矸分拣机器人实验平台

TD67; 目前煤矸预分选仍多为人工完成,劳动强度大、分拣效率低,且存在安全隐患,利用煤矸分拣机器人代替人工完成煤矸预分选是保障工人健康和安全、提高作业效率的有效途径.然而现有的煤矸分拣机器人在弱光照强度、煤矸表面覆盖煤粉等情况下的效果较差,针对上述问题,提出了基于图像检测的煤矸分拣机器人实验平台.该实验平台通过工业相机采集煤矸图像,利用ResNet18-YOLOv3深度学习算法对图像中的煤矸进行识别,采用TCP通信将矸石的位置信息提供给煤矸分拣模块进行轨迹规划,控制机械臂对矸石进行夹取,完成矸石分拣作业.采用Halcon标定法对实验平台进行手眼标定,从而实现相机像素坐标与机械臂空间坐标的转换...

Full description

Saved in:
Bibliographic Details
Published in工矿自动化 Vol. 49; no. 7; pp. 107 - 113
Main Authors 李三喜, 李亚男, 王梓杰, 侯鹏, 薛光辉
Format Journal Article
LanguageChinese
Published 北京铁路电气化学校信号与电子教研室,北京 102202 2023
中国矿业大学(北京)机电与信息工程学院,北京 100083%中国矿业大学(北京)机电与信息工程学院,北京 100083
Subjects
hand-eye calibration
煤矸识别
煤矸分拣
煤矿机器人
图像检测
coal gangue recognition
coal gangue sorting
image detection
coal mining robot
手眼标定
Online AccessGet full text
ISSN1671-251X
DOI10.13272/j.issn.1671-251x.2022120028

Cover

More Information
Summary:TD67; 目前煤矸预分选仍多为人工完成,劳动强度大、分拣效率低,且存在安全隐患,利用煤矸分拣机器人代替人工完成煤矸预分选是保障工人健康和安全、提高作业效率的有效途径.然而现有的煤矸分拣机器人在弱光照强度、煤矸表面覆盖煤粉等情况下的效果较差,针对上述问题,提出了基于图像检测的煤矸分拣机器人实验平台.该实验平台通过工业相机采集煤矸图像,利用ResNet18-YOLOv3深度学习算法对图像中的煤矸进行识别,采用TCP通信将矸石的位置信息提供给煤矸分拣模块进行轨迹规划,控制机械臂对矸石进行夹取,完成矸石分拣作业.采用Halcon标定法对实验平台进行手眼标定,从而实现相机像素坐标与机械臂空间坐标的转换;对实验平台进行了定位误差标定,对于尺寸均为 50 mm以上的煤矸样本,定位误差不大于 9 mm.实验结果表明,该实验平台在强光照条件下的煤矸识别准确率达 99%,在弱光照条件下的煤矸识别准确率为 95%,在煤粉附着条件下的煤矸识别准确率不低于82%,且煤矸分拣准确率为82%.
ISSN:1671-251X
DOI:10.13272/j.issn.1671-251x.2022120028