本书系统总结作者及其研究团队在智能选矸机器人领域的阶段性研究成果,提出了煤矸多模态感知技术、基于深度学习的煤矸识别技术、桁架式分选机械臂关键技术等一系列创新性方法。本书详细阐述智能选矸机器人的关键核心技术,包括工业相机与密度法融合的煤矸复合感知技术、基于改进YOLO算法的煤矸智能检测技术、桁架机械臂与柔顺机械抓手相结合的自动分选技术等。基于这些技术,成功研制了智能选矸机器人样机,并开展了煤矸分选实验研究。本书内容丰富,涵盖了智能选矸机器人从设计、制作到实验研究的全过程,从基础理论研究到实际应用开发的全流程,具有较高的理论性和实用性。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 煤矸传统分选方法综述 2
1.1.1 人工分选 2
1.1.2 湿选分选 3
1.1.3 干选分选 7
1.2 煤矸智能分选发展现状 8
1.2.1 煤矸感知技术 8
1.2.2 煤矸识别技术 9
1.2.3 煤矸分选技术 11
第2章 煤矸多模态感知技术 15
2.1 工业相机图像采集技术 15
2.1.1 工业相机选型 15
2.1.2 工业镜头选型 20
2.1.3 相机标定技术 23
2.1.4 暗箱设计 34
2.2 基于密度法的煤矸感知技术 38
2.2.1 煤矸体积估算技术 38
2.2.2 煤矸质量获取技术 46
2.2.3 煤矸密度甄别技术 48
2.3 其他煤矸感知技术 49
第3章 煤矸图像处理关键技术 54
3.1 煤矸图像质量评价 54
3.1.1 清晰度评价 54
3.1.2 亮度评价 56
3.1.3 对比度评价 58
3.1.4 噪声水平评价 59
3.2 煤矸图像预处理技术 61
3.2.1 非均匀光照校正算法 62
3.2.2 动态去雾算法 64
3.2.3 运动模糊校正算法 66
3.2.4 通用噪声去除方法 67
3.3 煤矸图像增强技术 70
3.4 煤矸图像分割技术 72
第4章 基于深度学习的煤矸识别技术 76
4.1 目标检测算法的基本原理 76
4.1.1 目标检测经典算法 77
4.1.2 YOLO算法网络结构 78
4.1.3 YOLO算法定位原理 82
4.2 煤矸数据集构建与管理 84
4.2.1 数据采集 85
4.2.2 数据标注 90
4.2.3 数据增强 94
4.3 YOLOv8s-GSC煤矸检测算法 101
4.3.1 骨干网络改进 101
4.3.2 颈部网络改进 106
4.4 YOLOv8s-GSC模型训练与评价 108
4.4.1 训练环境 108
4.4.2 超参数设置与优化 110
4.4.3 模型性能评价 112
4.4.4 改进策略对模型的影响 116
4.4.5 消融实验 118
4.4.6 不同模型对比实验 121
4.4.7 坐标定位实验 123
第5章 桁架式分选机械臂关键技术 126
5.1 机械系统设计与优化 127
5.1.1 桁架机械臂设计参数 127
5.1.2 桁架机械臂结构选型 128
5.1.3 桁架机械臂传动方式设计 129
5.1.4 桁架机械臂驱动方式选型 130
5.1.5 桁架机械臂运动模组设计 132
5.1.6 桁架机械臂静力学分析 134
5.2 运动学建模与轨迹规划 136
5.2.1 运动学建模 136
5.2.2 轨迹规划 140
5.3 动力学建模及特性研究 147
5.3.1 动力学方程构建 148
5.3.2 动力学仿真研究 149
5.4 机械臂运动控制算法 161
5.4.1 控制算法选择 161
5.4.2 系统控制框图 163
5.4.3 实验验证 164
5.5 柔顺抓取技术 169
5.5.1 机械抓手系统设计 170
5.5.2 被动柔顺机构设计 175
5.5.3 柔顺控制策略研究 179
5.5.4 抓取实验研究 181
第6章 系统集成与优化技术 187
6.1 煤矸感知-识别-分选的协同控制技术 187
6.2 多机械臂多任务分配策略 191
6.2.1 任务分配优化 191
6.2.2 多机械臂协同分选实验 200
6.3 选矸现场适配性技术 202
第7章 样机研制与实验 206
7.1 智能选矸机器人样机组成 206
7.2 智能选矸机器人工作流程 216
7.3 煤矸分选实验研究 218
第8章 智能选矸机器人发展趋势 222
参考文献 225