基于深度学习的煤矿钻进机器人送钻位姿测量方法
罗江南1
李建平2
江红祥2
张德义3
1.中国矿业大学机电工程学院,江苏 徐州 221116;苏州科技大学机械工程学院,江苏 苏州 2150092.中国矿业大学机电工程学院,江苏 徐州 2211163.苏州科技大学机械工程学院,江苏 苏州 215009
摘要：井下钻孔是一种常用的施工方式,需要反复进行钻杆的装卸.为了实现钻杆的智能装卸,送钻位姿的测量尤为重要.然而,煤矿井下的复杂环境中,存在多尘多雾且光照多变的情况,使得传统方法的识别能力难以满足要求.此外,送钻时钻杆并没有安装在钻机上,直接测量不切实际.针对煤矿井下送钻位姿难以测量的问题,提出了一种基于深度学习的送钻位姿测量方法.该方法由基于改进的PointNet++分割模型和基于动力头与夹持器点云配准两部分组成.首先,为应对目前公开的钻机点云数据集规模不足的问题,搭建钻机点云获取平台,使用 3D相机在夜间采集钻机点云数据.采集时,光照完全来自LED灯,以模拟井下光照不均的情况.为了模拟多尘多雾的井下环境,在点云数据中增加椒盐噪声,并在建立标签时将噪声单独分类,以达到去噪效果.其次,在PointNet++的基础上集成生成对抗网络以捕捉更复杂和微细的点云特征;同时,采用聚焦损失函数,提高模型对动力头和夹持器的关注度,并使用贝叶斯参数优化算法进行超参数调整.然后,使用点特征直方图(FPFH)和迭代最近点(ICP)算法对被测点云进行配准,以得到被测点云至源点云的转换矩阵;最终,确定送钻位置和方向向量,并以此定义送钻位姿.为了对所提方法的测量精度进行评估,采集 6组钻杆安装在钻机上的钻进场景点云,通过Cloud compare软件手动分割,测量钻杆位姿.在自建数据集上的实验结果表明,改进的PointNet++模型在交并比(IoU)和分割精度(Precision)方面分别提升了 17.7%和 37.8%.其中,对于动力头和夹持器的IoU分别提升了34.9%和60.3%.在送钻位姿测量方面,平均距离误差为6.39 mm,径向距离误差为5.34 mm,平均角度误差为 1.6°.因此,所提出的送钻位姿测量方法是可行的,在煤矿钻杆装卸的智能化领域具有潜在的应用价值.
关键词：送钻位姿3D视觉点云分割深度学习生成对抗网络钻进智能化
分类号：TD41(矿山机械)TP391.7(计算技术、计算机技术)
资助基金：青年科学基金资助项目(51605479)山西省揭榜招标资助项目(20201101010)江苏省高等学校基础科学(自然科学)研究面上资助项目(23KJB440002)
论文发表日期：2025-07-31
在线出版日期：2025-08-22（本平台首次上网日期，不代表文献的发表时间）
页数：13( 3679-3691 )
英文信息