[发明专利]一种钻锚机器人多钻臂协同控制方法、系统、设备及介质

权利要求书

1.一种钻锚机器人多钻臂协同控制方法，其特征在于，所述方法包括：

获取待识别钻锚孔图像；

将所述待识别钻锚孔图像输入至钻锚孔识别模型中，得到钻锚孔识别图像；所述钻锚孔识别模型是基于K-Means聚类算法和MaskR-CNN网络构建得到的；

对所述钻锚孔识别图像中的钻锚孔进行定位，得到钻锚孔位置信息；

根据所述钻锚孔位置信息对目标钻锚机器人的各钻臂的运动轨迹和工作空间进行规划，得到钻臂规划信息；

根据所述钻臂规划信息对所述目标钻锚机器人的各钻臂进行协同控制。

2.根据权利要求1所述的钻锚机器人多钻臂协同控制方法，其特征在于，所述钻锚孔识别模型的构建方法包括：

获取钻锚孔图像数据集和钻锚孔位置标记数据；所述钻锚孔图像数据集包括多幅钻锚孔图像样本；所述钻锚孔位置标记数据包括各所述钻锚孔图像样本对应的钻锚孔边界框和钻锚孔分割掩膜；

采用K-Means聚类算法，根据所述钻锚孔图像数据集确定锚框数据；

以所述锚框数据作为MaskR-CNN网络的锚点框参数，将所述钻锚孔图像数据集和所述钻锚孔位置标记数据输入至所述MaskR-CNN网络中进行训练，得到钻锚孔识别模型。

3.根据权利要求2所述的钻锚机器人多钻臂协同控制方法，其特征在于，所述MaskR-CNN网络包括依次连接的特征提取模块、候选区域生成模块、区域特征聚集模块和预测识别模块；所述预测识别模块包括并行的边界框识别层和掩膜预测层；

所述特征提取模块用于对输入的图像进行特征提取，得到第一特征图；

所述候选区域生成模块用于根据所述第一特征图生成候选区域集；所述候选区域集包括多个感兴趣区域；

所述区域特征聚集模块用于对所述候选区域集进行区域特征聚集处理，得到第二特征图；

所述边界框识别层用于对所述第二特征图进行目标检测和边界框特征提取，得到与输入的图像对应的边界框识别图像；

所述掩膜预测层用于对所述第二特征图进行实例分割和掩膜特征提取，得到与输入的图像对应的掩膜预测图像。

4.根据权利要求2所述的钻锚机器人多钻臂协同控制方法，其特征在于，所述采用K-Means聚类算法，根据所述钻锚孔图像数据集确定MaskR-CNN网络的锚框数据，具体包括：

对所述钻锚孔图像数据集进行去雾、降噪和增强处理，得到预处理后的钻锚孔图像数据集；

采用K-Means聚类算法，对所述预处理后的钻锚孔图像数据集进行聚类，得到MaskR-CNN网络的锚框数据。

5.根据权利要求4所述的钻锚机器人多钻臂协同控制方法，其特征在于，所述对所述钻锚孔图像数据集进行去雾、降噪和增强处理，得到预处理后的钻锚孔图像数据集，具体包括：

采用直方图均衡算法，对所述钻锚孔图像数据集进行去雾处理；

采用三维块匹配算法，对去雾处理后的所述钻锚孔图像数据集进行降噪处理；

采用基于高斯同态滤波的图像增强算法，对降噪处理后的所述钻锚孔图像数据集进行增强处理，得到预处理后的钻锚孔图像数据集。

6.根据权利要求1所述的钻锚机器人多钻臂协同控制方法，其特征在于，所述根据所述钻锚孔位置信息对目标钻锚机器人的各钻臂的运动轨迹和工作空间进行规划，得到钻臂规划信息，具体包括：

采用D-H解算方法，根据所述钻锚孔位置信息确定所述目标钻锚机器人的各钻臂的运动学方程；

采用三次样条插值算法，根据所述运动学方程和所述钻锚孔位置信息，对所述目标钻锚机器人的各钻臂的运动轨迹进行规划，得到第一规划信息；

根据所述第一规划信息和所述钻锚孔位置信息，对所述目标钻锚机器人的各钻臂的工作空间进行规划，得到第二规划信息；

根据所述第一规划信息和所述第二规划信息，确定钻臂规划信息。