一种栈桥廊道内皮带支架变形智能巡检方法及系统与流程
本发明涉及机器视觉处理,更具体的说是涉及一种栈桥廊道内皮带支架变形智能巡检方法及系统。
背景技术:
1、栈桥廊道是皮带输送系统的核心承载结构,内部皮带支架作为支撑主体,其弯曲、偏移、松动、锈蚀变形等缺陷直接关系到皮带输送系统的运行安全,一旦发生支架坍塌、皮带跑偏,将引发停产、设备损毁甚至人员伤亡等重大事故。目前针对皮带支架的巡检主要依赖人工定期徒步排查与通用视觉检测两类方案,均存在显著技术短板,且尚无针对栈桥廊道特殊工况的专属变形巡检方案。
2、人工巡检模式下,巡检人员需在狭长封闭、高粉尘、高噪声的廊道内逐段排查,作业环境恶劣、劳动强度大,且受人员经验、视线条件、巡检频次限制,对毫米级微小弯曲、螺栓松动导致的微偏移等早期缺陷漏检率高;同时巡检周期长,无法实现全天候实时监测,难以及时发现突发性变形故障,且存在高空坠落、机械伤害等安全隐患。
3、现有机器视觉巡检方案多采用可见光相机结合卷积神经网络进行表面缺陷检测,此类方案在露天光照稳定、环境洁净的场景下可实现较好效果,但针对栈桥廊道的特殊工况存在适配性缺陷:
4、环境抗干扰能力不足:廊道内粉尘浓度高易造成镜头雾化遮挡,昼夜光照波动大、局部照明不均易造成图像过曝/过暗,设备运行振动易造成图像模糊与帧间错位;现有单一滤波、直方图均衡等预处理算法无法同时消除多源干扰,且缺乏定量的图像复原计算模型,导致图像有效特征丢失率高,后续检测精度大幅下降。
5、检测维度与精度不足:现有方案多基于二维图像进行特征比对,无法精准量化支架的三维形变量,且难以区分支架正常运行振动产生的瞬时偏移与结构性永久变形,误检率居高不下;部分采用激光雷达的三维检测方案存在点云配准无权重优化、匹配误差大的问题,难以满足长距离连续巡检的实时性与精度要求。
6、智能化与闭环能力不足:现有技术多为采集-检测-告警的单次开环检测模式,未建立支架全生命周期形变数据库,无法挖掘形变演化规律,不具备变形趋势预判与故障早期预警能力;同时巡检路径固定,无法根据缺陷分布动态调整巡检策略,运维效率低下,难以实现预防性运维。
7、时序预测模型针对性弱:现有形变预测多采用通用时序网络,未针对支架形变空间部位差异大、时间演化非线性、易受振动噪声干扰的特点设计架构,无法同时实现空间关键部位聚焦与时间关键时段加权,早期微小形变的趋势预判精度不足。
8、因此,如何提出一种栈桥廊道内皮带支架变形智能巡检方法及系统,克服现有技术存在的缺陷是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明提供了一种栈桥廊道内皮带支架变形智能巡检方法及系统,适配栈桥廊道高粉尘、光照波动、强振动、狭长封闭的特殊工况,通过完备的数学计算模型与多阶段注意力时序预测架构,实现皮带支架变形的高精度三维量化检测、形变趋势超前预判与全闭环智能巡检,为了实现上述目的,本发明采用如下技术方案:
2、一种栈桥廊道内皮带支架变形智能巡检方法,包括:
3、s1、采集全段皮带支架的无故障基准数据,结合支架原始设计参数构建三维基准模型与数字孪生基准体,标定各部位形变阈值与振动偏移阈值;
4、s2、巡检机器人沿预设路径运行,同步采集皮带支架的可见光图像序列、三维点云数据与姿态数据;
5、s3、对原始图像进行预处理,输出标准化检测图像;
6、s4、将三维基准模型分别与标准化检测图像、实时三维点云数据进行配准差分,量化计算支架各部位形变量,结合频率特征区分瞬时振动偏移与永久性结构变形,识别变形类型与位置;
7、s5、基于多周期巡检的时序形变数据,通过多阶段注意力长短期记忆网络模型预判未来故障发生概率与风险等级;
8、s6、针对超阈值变形与高风险故障触发分级预警,自适应调整巡检路径进行二次复核扫描,全量存储巡检数据并迭代优化模型,进行闭环智能巡检。
9、可选的,步骤s1包括:
10、s1.1控制巡检机器人以标定速度沿轨道匀速行驶,同步采集皮带支架的可见光基准视频序列、三维激光点云数据与imu姿态数据,标记支架关键特征点位;
11、s1.2基于基准点云数据,采用改进的迭代最近点算法进行点云配准与拼接,生成全段皮带支架的三维点云基准模型;结合支架设计图纸与规格参数,构建参数化数字孪生基准体,映射支架几何尺寸与连接关系;
12、s1.3标定支架各部位的允许形变阈值,包括弯曲挠度阈值、倾斜角度阈值、水平位移阈值、螺栓松动位移阈值;标定振动偏移阈值,区分正常振动与结构性变形边界;完成多传感器空间坐标系统一配准。
13、可选的,步骤s2中,采用硬件触发同步机制实现工业相机、激光雷达与imu的微秒级同步采集。
14、可选的,步骤s3包括:
15、s3.1基于大气散射物理模型,结合浓度感知分支自动估算粉尘浓度与大气光值,通过暗通道先验求解透射率并修正,结合轻量生成对抗网络进行图像细节修复,去除粉尘雾化效果并保留支架关键特征;
16、s3.2采用多尺度retinex算法分解图像入射分量与反射分量,自适应提亮暗部、压制过曝区域,引入光照平滑约束项优化支架结构边缘模糊与光晕;
17、s3.3结合imu姿态数据构建仿射变换矩阵,结合orb特征点匹配与稀疏光流法计算帧间全局运动向量,对振动导致的图像偏移与错位进行像素级校正。
18、可选的,步骤s4包括:
19、s4.1采用轻量化语义分割网络对预处理图像进行支架部件分割,识别立柱、横梁、托辊座、连接螺栓部件,生成各部件的二值分割掩码,过滤背景干扰;
20、s4.2基于前期标定的相机内参与外参矩阵,建立2d图像像素与3d世界坐标系的投影变换关系,将各部件的二值分割掩码反向投影至3d空间,从实时三维点云中筛选得到对应部件的点云子集,与三维基准模型中的对应部件区域一一关联;
21、s4.3采用粗配准、精配准两级策略,针对各部件分别将其实时点云子集与三维基准模型的对应部件区域进行配准,先通过特征点匹配完成粗配准,再通过加权迭代最近点算法完成毫米级精配准,通过形变量化公式计算各点位位移量、横梁挠度与立柱倾斜角;
22、s4.4采用短时傅里叶变换分析连续帧形变数据的时频特征,将高频小幅度偏移判定为瞬时振动偏移,将低频持续增大的偏移判定为永久性结构变形,同时识别弯曲、倾斜、位移、松动的变形类型。
23、可选的,所述轻量化语义分割网络为改进的yolo-seg网络,推理速度≥30fps,部件分割精度≥95%;所述加权迭代最近点算法中,支架关键特征点权重为1.5,普通结构点权重为1.0。
24、可选的,步骤s5包括:
25、s5.1整理历史巡检形变数据,按时间序列构建样本数据集,对早期微小形变样本采用时序插值增强方式扩充样本量;
26、s5.2构建多阶段注意力长短期记忆网络模型,先通过第一级空间注意力机制对支架多部位形变特征进行自适应权重分配,再通过lstm网络提取时序演化特征,随后通过第二级时空融合注意力机制实现空间特征与时间特征的深度融合,最后通过残差拼接输出预测特征;
27、s5.3输入最新巡检数据,采用指数增长模型拟合形变演化曲线,基于威布尔分布计算故障发生概率,划分低、中、高三个风险等级。
28、可选的,所述步骤s5.2中,第一级空间注意力采用1×1卷积生成查询、键、值向量,通过自注意力计算实现空间特征加权;第二级时空融合注意力以lstm隐状态为基础,融合第一级空间注意力特征计算时序权重,加权聚合得到时空特征;输出端采用时空聚合特征与原始空间特征残差拼接的结构。
29、可选的,步骤s6包括:
30、s6.1针对超阈值变形触发一级声光预警与运维推送,针对高风险预判故障触发二级预警;
31、s6.2基于深度强化学习算法动态调整巡检机器人路径与巡检频次,对高风险区域规划二次扫描路径;
32、s6.3全量存储巡检全流程数据,形成支架全生命周期巡检台账,定期用新增数据迭代优化检测模型与预测模型。
33、一种栈桥廊道内皮带支架变形智能巡检系统,包括:标定模块:用于采集全段皮带支架的无故障基准数据,结合支架原始设计参数构建三维基准模型与数字孪生基准体,标定各部位形变阈值与振动偏移阈值;
34、采集模块:用于巡检机器人沿预设路径运行,同步采集皮带支架的可见光图像序列、三维点云数据与姿态数据;
35、预处理模块:用于对原始图像进行预处理,输出标准化检测图像;
36、变形识别模块:用于将三维基准模型分别与标准化检测图像、实时三维点云数据进行配准差分,量化计算支架各部位形变量,结合频率特征区分瞬时振动偏移与永久性结构变形,识别变形类型与位置;
37、预判模块:用于基于多周期巡检的时序形变数据,通过多阶段注意力长短期记忆网络模型预判未来故障发生概率与风险等级;
38、预警复核模块:用于针对超阈值变形与高风险故障触发分级预警,自适应调整巡检路径进行二次复核扫描,全量存储巡检数据并迭代优化模型,进行闭环智能巡检。
39、经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种栈桥廊道内皮带支架变形智能巡检方法及系统,具有如下有益效果:
40、本发明针对栈桥廊道高粉尘、光照波动、强振动的特殊工况,构建多模态分层图像预处理体系,通过定量的大气散射模型、多尺度retinex算法与仿射校正模型,图像有效特征保留率提升,复杂工况下支架变形检测准确率提升,环境抗干扰能力显著增强。采用加权icp两级点云配准与多维度形变量化公式,可识别毫米级微小变形,同时通过短时傅里叶变换的频率特征分析,精准区分瞬时振动偏移与永久性结构变形,误检率。基于ma-lstm的多阶段注意力形变趋势预判机制,通过第一级空间注意力聚焦关键受力部位、第二级时空注意力聚焦形变加速时段,结合残差结构保留完整特征信息,预测精度提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com