一种隧道钻孔机及其施工方法与流程

1.本发明属于隧道打孔技术领域，具体涉及一种隧道钻孔机及其施工方法。


背景技术：

2.随着中国经济的高速发展，城镇化进程不断加快，人民生活水平不断提高，人们出行方式也发生了重大改变，轨道交通成了人们出行的重要选择之一，由于它的快捷而经济，国家为了满足人们的这种需求不断加大投入，越来越多的轨道等待建设。为了更快更好的完成施工，轨道交通的从业者们不断的想方设法提高工作效率，按期完成施工任务，但作为轨道施工的一部分，隧道施工中钻孔施工工艺还是比较落后的人工作业方式而人工作业存在根多缺点：劳动强度大、作业人员容易疲劳、不能持继的以同样的速度钻孔、导致效率低：人工作业由于每次钻孔手持电锤的角度、推进速度、深度不一致，打孔质量没有保证，重复性差。人工作业用人多成本高：人工作业人的疏忽或多人协作不一致、容易出安全事故，作业不安全，道中空气流通不够、光线照明不足、钻孔时产生灰尘导致作业环境差。因此，迫切需要一种方法来提高工作效率、解决隧道打孔过程中手工制孔难、效率低、精度差、工期长、操作空间不便等的问题。


技术实现要素：

3.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种隧道钻孔机及其施工方法，隧道钻孔机的结构简单，设计合理，实现方便，能够有效应用在隧道钻孔中，钻孔作业范围广，工作效率高，结合施工方法，能够有效解决隧道打孔过程中手工制孔难、效率低、精度差、工期长、操作空间不便等问题，效果显著，便于推广。
4.为解决上述技术问题，本发明采用的技术方案是：一种隧道钻孔机，包括由地面向上依次设置的履带底盘、控制箱柜和活动座体，所述控制箱柜固定连接在履带底盘的顶部，所述活动座体与控制箱柜之间设置有滑动机构，所述滑动机构包括在控制箱柜顶部设置的第一导轨，所述第一导轨上滑动连接有与第一导轨相垂直的第二导轨，所述第二导轨的下部连接有与第一导轨相平行的第一丝杠，所述第一丝杠的端部连接有用于带动第一丝杠转动的第一电机，所述活动座体的下部连接有与第二导轨相平行的第二丝杠，所述第二丝杠的端部连接有用于带动第二丝杠转动的第二电机，所述活动座体的上部设置有旋转盘座，所述活动座体内设置有带动旋转盘座转动的第三电机，所述旋转盘座的端部转动连接有伸缩臂，所述伸缩臂的端部连接有钻头机构，所述钻头机构内设置有用于识别定位钻孔的视觉系统。
5.上述的一种隧道钻孔机，所述钻头机构包括支撑架和钻头，所述支撑架的一端与伸缩臂活动连接，所述支撑架的另一端设置有钻头导轨，所述钻头导轨上滑动连接有用于安装钻头的安装板，所述安装板的下部连接有与钻头导轨相平行的钻头丝杠，所述钻头丝杠的端部连接有用于带动钻头丝杠转动的伺服电机。
6.上述的一种隧道钻孔机，所述支撑架与伸缩臂之间连接有铰接杆和用于调整支撑
架倾角的液压缸。
7.上述的一种隧道钻孔机，所述控制箱柜内设置有油压站、发电机和控制器，所述第一电机、第二电机、第三电机和伺服电机均与控制器的输出端连接，所述视觉系统与控制器的输入端连接。
8.本发明还公开了一种隧道钻孔机的施工方法，采用上述的隧道钻孔机，所述方法包括以下步骤：
9.步骤一、通过所述履带底盘移动至隧道钻孔作业工作区；
10.步骤二、通过所述第三电机带动旋转盘座转动，使钻头机构转动至大概的工作角度；
11.步骤三、通过所述伸缩臂作用，使钻头机构伸至大概的工作高度；
12.步骤四、所述钻头机构中的视觉系统对目标钻孔进行识别定位；
13.步骤五、通过所述滑动机构带动活动座体移动，进而实现对钻头的位置调整；
14.步骤六、通过所述伺服电机带动钻头移动，使钻头对准目标钻孔；
15.步骤七、通过液压缸调整钻头倾角，使钻头垂直于目标钻孔表面；
16.步骤八、所述钻头工作，进行钻孔作业。
17.上述的一种隧道钻孔机的施工方法，步骤四中所述钻头机构中的视觉系统对目标钻孔进行识别定位的具体过程包括：
18.步骤401、对目标钻孔标记图像进行边缘检测；
19.步骤402、对目标钻孔标记图像进行色彩检测；
20.步骤403、采用深度卷积神经网络对目标钻孔标记图像进行精准定位。
21.上述的一种隧道钻孔机的施工方法，步骤401中所述对目标钻孔标记图像进行边缘检测的具体过程包括：
22.步骤40101、采用优化的中值滤波算法对目标钻孔标记图像进行滤波；
23.所述优化的中值滤波算法通过在中值滤波算法中加入噪声点判断，并在求取中值时，去除窗口内的噪声点，具体过程包括:
24.噪声点判断
25.其中，x
ij
为窗口内待判断点，s为信号点，n为噪声点，x
min
为窗口内极小值，x
max
为窗口内极大值，d为设定的阈值；
26.噪声点去除
27.其中，x
med
为去除窗口内的噪声点后的中值，[x
ij
]为窗口内全部点集，[x
s
]为窗口内的噪声点集，p为窗口内全部点数，q为窗口内噪声点数；
[0028]
步骤40102、采用梯度幅值对目标钻孔标记图像进行边缘增强；
[0029]
步骤40103、采用canny算子对目标钻孔标记图像进行边缘位置检测；
[0030]
用高斯滤波器平滑目标钻孔标记图像；用一阶偏导的有限差分计算梯度的幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。
[0031]
上述的一种隧道钻孔机的施工方法，步骤402中所述对目标钻孔标记图像进行色
彩检测的具体过程包括：
[0032]
步骤40201、将目标钻孔标记图像从rgb空间转换到hsv空间中；
[0033]
步骤40202、设定hsv空间中色调分量h、饱和度分量s和亮度分量v的模糊范围；
[0034]
步骤40203、根据模糊范围将hsv空间中的目标钻孔标记图像处理为二值化图像；
[0035]
步骤40204、将二值化图像中的各个连通区域的外围描绘连接；
[0036]
步骤40205、根据钻孔标记的长宽比和面积对连通区域进行筛选，获得钻孔标记的候选区域图像；
[0037]
步骤40206、从目标钻孔标记图像中将候选区域图像分割出来，便于后续进一步精准识别定位。
[0038]
上述的一种隧道钻孔机的施工方法，步骤403中所述采用深度卷积神经网络对目标钻孔标记图像进行精准定位的具体过程包括：
[0039]
步骤40301、构建用于进行精准定位目标钻孔标记图像的深度卷积神经网络结构；
[0040]
所述深度卷积神经网络结构包括三个层级的级联卷积神经网络cnn；
[0041]
第一层包括1个cnn，输入为39*39；
[0042]
第二层包括2个cnn，输入尺寸均为15*15，每两个组成一对，一对cnn对一个定位点进行预测，预测结果采取平均；
[0043]
第三层包括2个cnn，输入尺寸均为15*15，每两个组成一对；
[0044]
步骤40302、训练深度卷积神经网络；
[0045]
选取多张候选区域图像作为训练样本集，并标记“钻孔”或“非钻孔”，输入深度卷积神经网络进行训练；
[0046]
步骤40303、利用深度卷积神经网络对目标钻孔标记图像进行精准定位；
[0047]
输入候选区域图像进行目标钻孔标记识别定位，获得“钻孔”或“非钻孔”的定位识别结果。
[0048]
本发明与现有技术相比具有以下优点：
[0049]
1、本发明隧道钻孔机的结构简单，设计合理，实现方便。
[0050]
2、本发明采用履带底盘作为隧道钻孔机的行走机构，能够更好得适应隧道内复杂的地面环境。
[0051]
3、本发明将履带底盘、控制箱柜和活动座体设计为上下结构，有效缩小隧道钻孔机的占地面积，同时，增高了伸缩臂的安装高度，缩小了伸缩臂的设计伸缩长度。
[0052]
4、本发明在支撑架与伸缩臂之间设计液压缸，进行支撑架的倾角调整，进而调节钻头角度，保证钻头和被钻表面垂直。
[0053]
5、本发明采用计算机视觉算法与深度卷积神经网络相结合确定钻孔位置，对目标钻孔标记图像先进行边缘检测，再进行色彩检测，最后采用深度卷积神经网络实现对目标钻孔标记图像的精准识别定位。
[0054]
6、本发明能够有效应用在隧道钻孔中，钻孔作业范围广，工作效率高，结合施工方法，能够有效解决隧道打孔过程中手工制孔难、效率低、精度差、工期长、操作空间不便等问题，效果显著，便于推广。
[0055]
综上所述，本发明隧道钻孔机的结构简单，设计合理，实现方便，能够有效应用在隧道钻孔中，钻孔作业范围广，工作效率高，结合施工方法，能够有效解决隧道打孔过程中
手工制孔难、效率低、精度差、工期长、操作空间不便等问题，效果显著，便于推广。
[0056]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0057]
图1为本发明的结构示意图；
[0058]
图2为本发明钻头机构的结构示意图；
[0059]
图3为本发明施工方法的流程图；
[0060]
图4为本发明施工方法中的目标钻孔标记图像效果图。
[0061]
附图标记说明:
[0062]
1—履带底盘；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
2—控制箱柜；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
3—第一导轨；
[0063]
4—第二导轨；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
5—第一丝杠；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
6—活动座体；
[0064]
7—第二丝杠；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
8—旋转盘座；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
9—伸缩臂；
[0065]
10—钻头机构；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
‑
1—支撑架；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
‑
2—钻头；
[0066]
10
‑
3—钻头导轨；
ꢀꢀꢀꢀꢀꢀꢀ
10
‑
4—安装板；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
10
‑
5—钻头丝杠；
[0067]
11—第一电机；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
12—第二电机；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
13—第三电机；
[0068]
14—伺服电机；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
15—视觉系统；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
16—铰接杆；
[0069]
17—液压缸。
具体实施方式
[0070]
如图1所示，本发明的隧道钻孔机，包括由地面向上依次设置的履带底盘1、控制箱柜2和活动座体6，所述控制箱柜2固定连接在履带底盘1的顶部，所述活动座体6与控制箱柜2之间设置有滑动机构，所述滑动机构包括在控制箱柜2顶部设置的第一导轨3，所述第一导轨3上滑动连接有与第一导轨3相垂直的第二导轨4，所述第二导轨4的下部连接有与第一导轨3相平行的第一丝杠5，所述第一丝杠5的端部连接有用于带动第一丝杠5转动的第一电机11，所述活动座体6的下部连接有与第二导轨4相平行的第二丝杠7，所述第二丝杠7的端部连接有用于带动第二丝杠7转动的第二电机12，所述活动座体6的上部设置有旋转盘座8，所述活动座体6内设置有带动旋转盘座8转动的第三电机13，所述旋转盘座8的端部转动连接有伸缩臂9，所述伸缩臂9的端部连接有钻头机构10，所述钻头机构10内设置有用于识别定位钻孔的视觉系统15。
[0071]
具体实施时，采用履带底盘1作为隧道钻孔机的行走机构，能够更好得适应隧道内复杂的地面环境。将履带底盘1、控制箱柜2和活动座体6设计为上下结构，有效缩小了隧道钻孔机的占地面积，同时，增高了伸缩臂9的安装高度，缩小了伸缩臂9的设计伸缩长度，节约了成本。
[0072]
本实施例中，如图2所示，所述钻头机构10包括支撑架10
‑
1和钻头10
‑
2，所述支撑架10
‑
1的一端与伸缩臂9活动连接，所述支撑架10
‑
1的另一端设置有钻头导轨10
‑
3，所述钻头导轨10
‑
3上滑动连接有用于安装钻头10
‑
2的安装板10
‑
4，所述安装板10
‑
4的下部连接有与钻头导轨10
‑
3相平行的钻头丝杠10
‑
5，所述钻头丝杠10
‑
5的端部连接有用于带动钻头丝杠10
‑
5转动的伺服电机14。
[0073]
本实施例中，所述支撑架10
‑
1与伸缩臂9之间连接有铰接杆16和用于调整支撑架
10
‑
1倾角的液压缸17。
[0074]
具体实施时，液压缸17与油压站连接，通过液压缸17调整支撑架10
‑
1的倾角，进而调节钻头10
‑
2角度，保证钻头10
‑
2垂直于目标钻孔表面。
[0075]
本实施例中，所述控制箱柜2内设置有油压站、发电机和控制器，所述第一电机11、第二电机12、第三电机13和伺服电机14均与控制器的输出端连接，所述视觉系统15与控制器的输入端连接。
[0076]
如图3所示，本发明的隧道钻孔机的施工方法，包括以下步骤：
[0077]
步骤一、通过所述履带底盘1移动至隧道钻孔作业工作区；
[0078]
步骤二、通过所述第三电机13带动旋转盘座8转动，使钻头机构10转动至大概的工作角度；
[0079]
步骤三、通过所述伸缩臂9作用，使钻头机构10伸至大概的工作高度；
[0080]
步骤四、所述钻头机构10中的视觉系统15对目标钻孔进行识别定位；
[0081]
步骤五、通过所述滑动机构带动活动座体6移动，进而实现对钻头10
‑
2的位置调整；
[0082]
步骤六、通过所述伺服电机14带动钻头10
‑
2移动，使钻头10
‑
2对准目标钻孔；
[0083]
步骤七、通过液压缸17调整钻头10
‑
2倾角，使钻头10
‑
2垂直于目标钻孔表面；
[0084]
步骤八、所述钻头10
‑
2工作，进行钻孔作业。
[0085]
本实施例中，步骤四中所述钻头机构10中的视觉系统15对目标钻孔进行识别定位的具体过程包括：
[0086]
步骤401、对目标钻孔标记图像进行边缘检测；
[0087]
利用边缘检测还原目标钻孔标记图像几何特征，从而初步确定钻孔标记在二维图像中的位置；目标钻孔标记图像如图4所示；
[0088]
步骤402、对目标钻孔标记图像进行色彩检测；
[0089]
在基于边缘信息的识别算法基础上进一步的基于色彩检测算法的识别，得到更加准确的钻孔标签外接矩形；
[0090]
步骤403、采用深度卷积神经网络对目标钻孔标记图像进行精准定位。
[0091]
计算机视觉算法不能在复杂的情况下对目标进行准确定位，因此借助深度学习进一步的精准定位。
[0092]
本实施例中，步骤401中所述对目标钻孔标记图像进行边缘检测的具体过程包括：
[0093]
步骤40101、采用优化的中值滤波算法对目标钻孔标记图像进行滤波；
[0094]
所述优化的中值滤波算法通过在中值滤波算法中加入噪声点判断，并在求取中值时，去除窗口内的噪声点，具体过程包括:
[0095]
噪声点判断
[0096]
其中，x
ij
为窗口内待判断点，s为信号点，n为噪声点，x
min
为窗口内极小值，x
max
为窗口内极大值，d为设定的判断阈值；
[0097]
具体实施时，d的取值范围为10～20；噪声点一般分布在极小值端或极大值端，但在图像噪声密度较大时，处在极值附近的点也可能是噪声点，因此，设定判断阈值d；
[0098]
噪声点去除
[0099]
其中，x
med
为去除窗口内的噪声点后的中值，[x
ij
]为窗口内全部点集，[x
s
]为窗口内的噪声点集，p为窗口内全部点数，q为窗口内噪声点数；
[0100]
通过噪声点去除，在计算中值时，采用了窗口内全部的信号点，有效避免噪声传播。
[0101]
步骤40102、采用梯度幅值对目标钻孔标记图像进行边缘增强；
[0102]
步骤40103、采用canny算子对目标钻孔标记图像进行边缘位置检测；
[0103]
用高斯滤波器平滑目标钻孔标记图像；用一阶偏导的有限差分计算梯度的幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘。
[0104]
本实施例中，步骤402中所述对目标钻孔标记图像进行色彩检测的具体过程包括：
[0105]
步骤40201、将目标钻孔标记图像从rgb空间转换到hsv空间中；
[0106]
步骤40202、设定hsv空间中色调分量h、饱和度分量s和亮度分量v的模糊范围；
[0107]
具体实施时，hsv空间中色调分量h、饱和度分量s和亮度分量v的模糊范围如表1所示；
[0108]
表1模糊范围
[0109][0110]
步骤40203、根据模糊范围将hsv空间中的目标钻孔标记图像处理为二值化图像；
[0111]
步骤40204、将二值化图像中的各个连通区域的外围描绘连接；
[0112]
步骤40205、根据钻孔标记的长宽比和面积对连通区域进行筛选，获得钻孔标记的候选区域图像；
[0113]
步骤40206、从目标钻孔标记图像中将候选区域图像分割出来，便于后续进一步精准识别定位。
[0114]
具体实施时，由于视觉系统15中摄像头传回的图片分辨率较高，会严重影响定位结果结算的实时性，因此在目标钻孔标记图像中将候选区域图像分割出来，作为深度卷积神经网络的输入。
[0115]
本实施例中，步骤403中所述采用深度卷积神经网络对目标钻孔标记图像进行精准定位的具体过程包括：
[0116]
步骤40301、构建用于进行精准定位目标钻孔标记图像的深度卷积神经网络结构；
[0117]
所述深度卷积神经网络结构包括三个层级的级联卷积神经网络cnn；
[0118]
第一层包括1个cnn，输入为39*39；
[0119]
第二层包括2个cnn，输入尺寸均为15*15，每两个组成一对，一对cnn对一个定位点进行预测，预测结果采取平均；
[0120]
第三层包括2个cnn，输入尺寸均为15*15，每两个组成一对；
[0121]
步骤40302、训练深度卷积神经网络；
[0122]
选取多张候选区域图像作为训练样本集，并标记“钻孔”或“非钻孔”，输入深度卷积神经网络进行训练；
[0123]
步骤40303、利用深度卷积神经网络对目标钻孔标记图像进行精准定位；
[0124]
输入候选区域图像进行目标钻孔标记识别定位，获得“钻孔”或“非钻孔”的定位识别结果。
[0125]
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。