[发明专利]一种基于深度学习的掘进机姿态检测方法

说明书

本发明属于掘进机姿态检测技术领域，具体是一种基于深度学习的掘进机姿态检测方法。包括以下步骤，S100～建立不同姿态状态下的掘进机模型数据库；S200～搭建掘进机姿态检测模型；S300～设计掘进机姿态检测模型的损失函数；S400～对掘进机姿态检测模型进行训练；S500～测试训练好的掘进机姿态检测模型；S600～掘进机的姿态检测。本发明采用深度学习的掘进机姿态检测方法，与现有技术相比检测速度和精度都有较大的提升。

技术领域

本发明属于掘进机姿态检测技术领域，具体是一种基于深度学习的掘进机姿态检测方法。

背景技术

煤炭在我国能源结构中占有较大的比例。随着我国煤炭资源的日益减少，容易开采的地质条件和相对温和的矿山装备运行工况也变得越来越少。部分煤矿已经开始对深部煤层进行开采，也就意味着工况环境变得越来越恶劣、危险系数不断加大。智能化成为煤炭行业发展的必然选择，作为煤矿井下作业环境最恶劣作业人数最多的场合之一，掘进工作面及掘进装备智能化一直都是行业内的努力方向。掘进机空间姿态检测是控制巷道走向的关键，也是掘进效率和掘进质量的保证，因此成为掘进装备智能化的前提。

近年来，深度学习随着神经网络的火热开始在各个领域被广泛运用，其结构简单而多样。深度学习通过设计合理的模型可以解决大量长期停滞不前的问题。如目标检测和语意分割等都基于深度学习进行模型设计，并取得较好的效果。目前几乎所有的问题都在向深度学习方向靠拢，即使传统统计方法解决较好的问题也开始和深度学习进行结合以提升模型的鲁棒性。但它在物体姿态估计中并不常见，特别是在掘进机姿态检测中。随着视觉应用性能的提高，基于深度学习的应用结果是通过训练而不是编程生成的。因此越来越多的研究者开始将端到端深度模型与物体姿态估计相结合进行研究。对于掘进机的位置参数的检测方法相对成熟。对于姿态检测方面，主要依靠惯导系统获得，而惯导系统成本较高，且随着时间的推移累计误差会越来越大。所以本专利采用基于深度学习的掘进机姿态检测方法。

申请号为 201710376489.6 的发明专利“一种掘进机绝对空间位姿检测装置与方法”，该专利提出一种掘进机绝对空间姿态检测装置与方法，由捷联惯导姿态检测方法和视觉姿态检测方法复合而成，使用捷联惯导实时获取掘进机机身的姿态信息，每间隔t时长使用视觉获取一次掘进机主体的姿态信息，然后使用最优估计方法对两种姿态检测方法得到的姿态信息进行异步融合，得到精准的姿态信息。此发明属于掘进机姿态检测领域，但是惯导系统成本较高，且累积误差随时间推移不断增大。

申请号为 201610141544.9 的发明专利“一种悬臂式掘进机空间位姿实时检测系统及方法”，该专利提出采用机器视觉技术作为姿态参数的采集方式，通过建立掘进机的姿态解算数学模型，得到掘进机的空间姿态。该方法属于机器视觉在掘进机姿态检测中的应用。

发明内容

本发明为了解决现有的技术对掘进机姿态检测多采用惯导系统，惯导系统成本较高，且其累积误差随时间变化不断增大的问题，提供一种基于深度学习的掘进机姿态检测方法。

本发明采取以下技术方案：一种基于深度学习的掘进机姿态检测方法，包括以下步骤，S100～建立不同姿态状态下的掘进机模型数据库；S200～搭建掘进机姿态检测模型；S300～设计掘进机姿态检测模型的损失函数；S400～对掘进机姿态检测模型进行训练；S500～测试训练好的掘进机姿态检测模型；S600～掘进机的姿态检测。

步骤S100中掘进机模型数据库的建立步骤包括，S101～将掘进机模型置于高精度六自由度转台上，使用单目相机对六自由度转台上掘进机模型的标靶图像数据进行采集，掘进机模型的位置不变只改变三个姿态角，三种姿态角分别在每0.05°采样一次；S102～对于获得的每张图片进行图像标定，标定内容为光靶的姿态信息；S103～将标定好的数据90%划分为训练集、5%划分为验证集、5%划分为测试集。