日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

★南方電網電力科技股份有限公司王榮華，熊輝，李鋒，張宏亮，潘鳳萍

關鍵詞：船艙口識別；卸船機；3D點云；人工智能；RANSAC算法；RNN

1　項目意義和國內外研究現狀

隨著電廠對卸煤效率的要求不斷提高，為減輕司機的勞動強度，提升電廠的自動化水平，抓斗卸船機正朝著安全、高效、智能化的方向發展。因此如何實現自動化與智能化作業和優化作業過程、改善作業條件、提高作業效率成為一個新的研究方向^[1]。國外就卸船機的自動化作業方面進行了大量研究。例如：ABB公司推出了比較先進的橋式抓斗卸船機自動操作系統；Schneider等公司正致力于開發基于PC和PLC的全自動操作系統。國內很多院校和機構也積極開展有關智能化抓斗卸船機的相關研究^[2-4]。

目前，行業內主要通過激光掃描、探測雷達等距離探測技術，配合重構技術，實現船艙和物料的三維景觀重現。同時，基于人工智能技術建立卸船控制規則和抓斗路徑規劃，并采用抓斗的消擺和利搖技術，效果顯著。這些技術的應用，初步實現了卸船機智能化和無人化的自動抓斗卸煤功能^[5]。卸船機自動化作業流程如圖1所示。

圖1 卸船機全自動作業場景

卸船機自動化作業的三大技術難點是：煤堆和船艙口識別、抓斗姿態感知以及小車運動控制^[6]。本文綜合多種技術，提出了一種基于RNN和改進RANSAC算法的船艙口識別方法。該方法首先利用循環神經網絡判斷點云數據中是否存在完整艙口，然后聯合優化后的RANSAC算法提取艙口平面，最后采用點云分割技術識別艙口大小和位置。實踐表明，該識別算法精準高效、安全可控。效果如圖2所示。

圖2 船艙口自動識別算法實際應用效果

2　算法實現

2.1　數據采集和數據分割

激光雷達是模式識別系統中重要的傳感設備。研究表明，激光雷達是自動化駕駛和機器視覺檢測中最可靠的方法。攝像機受環境的影響很大，當雨霧時將檢測困難，在更不利的條件下，視覺系統可能失去工作能力。海邊環境惡劣，含有大量的干擾因素，圖像識別算法的實現更為復雜化，識別慢，精度也無法滿足裝船作業的精度要求。因此，基于攝像機圖像進行識別的方法無法兼顧算法的實時性和準確性。相比之下，采用激光雷達的方法，數據采集精度高，響應速度快，點云數據能夠更好地表達船舶的幾何信息，而且激光雷達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境因素的影響，完全滿足散貨港口裝船作業的需求^[7]。

因此考慮到運輸船體積大、工況惡劣等特點，本系統采用了激光掃描云臺來采集數據。該激光云臺集成了一個2D激光雷達和云臺系統，最大掃描距離250米，標準檢測距離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180°，安裝在駕駛艙下方。圖3為3D激光線掃描設備和激光云臺所采集的船艙數據。

圖3 激光掃描設備和船艙數據

在實際使用中，我們僅需關注卸船機下方的船艙區域。為了提高計算速度和減少點云數據量，本方法將點云范圍限定在：x位于[-40米，30米]、y位于[20米，60米]的區域，然后進行數據分割。分割后的點云如圖4所示。

圖4 激光云臺采集的船艙3D點云圖

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

2.2　采用RNN算法對云圖數據做二分類

如圖4所示，點云數據存在大量噪聲干擾，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習的RNN二分類算法，篩選合格的船艙口點云。

RNN（循環神經網絡）是一種使用序列數據或時序數據的人工神經網絡，常用于順序或時間問題，如語言翻譯、自然語言處理、語音識別、圖像內容識別等。與FNN（前饋神經網絡）和CNN（卷積神經網絡）一樣，RNN利用訓練數據進行學習。區別在于“記憶”，因為它從先前的輸入中獲取信息，以影響當前的輸入和輸出。雖然傳統的深度神經網絡假設輸入和輸出是相互獨立的，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無法在預測中說明這些事件。

假定原始數據函數：

類似RGB轉灰度圖，降低維度：

將云圖分割為8*8的小區域：

RNN的input為一個[64,]的二維待分類數列。本文采用的神經網絡層次圖如圖5所示。

圖5 RNN二分類算法網絡層次圖

實驗結果表明，該算法分類精度為98%，如表1所示。

表1 RNN算法實際精度

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行平面提取。

通常行業多采用傳統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為平面局部任意點到此平面的距離。

傳統RANSAC算法通過迭代求最小誤差e，獲取最佳擬合平面，運算時間長達5-6秒，難以滿足卸船機對實時性的需求。

本文對RANSAC算法進行了以下改進：

實踐發現，船艙平面近似垂直于點云的y軸方向，則船艙平面法向量可近似為[0,y,0]。

根據式（3）可求y均值：

對[mean_y-10m,mean_y+10m]范圍內的船艙高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]。

根據式（2）求點到面的距離，當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

根據式（5）對圖6的船艙平面求中心點：

在中心點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自動化作業系統，實際求解船艙位置和算法耗時如圖8所示。

圖8 算法移植后實戰效果

從表2可以看出，在東億602船型條件下，與傳統算法相比，本算法無論在精度還是運算時間上均有顯著提升，可以為船機自動作業系統實時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　結論

針對卸船機作業中船艙口點云數據存在的缺失、噪聲等問題，本文提出了一種基于RNN和改進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，并根據實際情況，放棄傳統RANSAC擬合算法，改進為快速精準識別船艙口的算法。實驗證明，本方法可以準確、快速識別出艙口大小和坐標。該方法已應用于卸船機自動化系統，準確提供艙口信息，運行效果顯著。

作者簡介：

王榮華（1984-），男，湖南衡陽人，碩士，現就職于南方電網電力科技股份有限公司，研究方向為人工智能技術。

熊　輝（1987-），男，江西樂安人，高級工程師，碩士，現就職于南方電網電力科技股份有限公司，研究方向為電網系統技術。

李　峰（1980-），男，廣西大新人，教授級高級工程師，碩士，現就職于南方電網電力科技股份有限公司，研究方向為電網系統技術。

張宏亮（1971-），男，河北保定人，教授級高級工程師，碩士，現就職于南方電網電力科技股份有限公司，研究方向為電網系統技術。

潘鳳萍（1967-），男，河南開封人，教授級高級工程師，博士，現就職于南方電網電力科技股份有限公司，研究方向為電網系統技術。

參考文獻：

[1] 陳建松. 自動化控制港口碼頭散料卸船機的設計創新[J]. 中國機械, 2023 : (21).

[2] 徐米清. 智能化卸船機關鍵技術及實現[J]. 港口裝卸, 2021 : (3).

[3] 余俐敏, 孫浩童, 蔡國強, 等. 火電機組抓斗卸船機全自動系統開發及應用[J]. 能源研究與管理, 2020 : (3).

[4] 孫斌, 王旭昶. 抓斗式卸船機自動作業的性能優化[J]. 機電工程, 2011 : (25).

[5] 王佳俊, 楊凱. 橋式抓斗卸船機全自動系統應用[J]. 起重運輸機械[J], 2019 : (6).

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

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

[8] 宋郁珉, 孫浩, 李湛, 等. 基于非完整點云法線濾波補償的散貨船舶艙口識別算法[J]. 計算機應用, 2024 : (12).

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

摘自《自動化博覽》2024年9月刊