一种小型钻机智能识别机械手臂换钻杆方法与流程

1.本发明涉及钻杆更换领域，特别涉及一种小型钻机智能识别机械手臂换钻杆方法。


背景技术：

2.小型钻进机主要是应用于中浅孔岩芯钻孔，它具有体积小、重量轻、装机功率大等特点，这种设备通常是在隧道等狭窄操作空间中使用。而目前在石油管道行业中已经使用的大型智能钻机，因使用的带钻杆库是集成的大型装备，所以占地面积大，产品造价昂贵，安装拆除工序复杂，不适用于这种狭小的工作场景。


技术实现要素：

3.本发明的目的是克服上述现有技术中存在的问题，提供一种小型钻机智能识别机械手臂换钻杆方法，以解决上述背景技术中提出的问题。
4.为此，本发明提供一种小型钻机智能识别机械手臂换钻杆方法，包括如下步骤：
5.在机械手臂上安装摄像头，所述摄像头用于拍摄图像；
6.在控制机械手臂抓取钻杆之前，所述摄像头拍摄的图像为基础图像，使用特征提取算法对所述基础图像进行处理，提取出待抓取钻杆的特征信息并存储；
7.在控制机械手臂抓取钻杆之时，所述摄像头拍摄的图像为抓取图像，使用特征匹配算法对所述基础图像和所述抓取图像进行处理，提取出目标钻杆的特征信息并存储；
8.对所述基础图像和所述抓取图像进行立体匹配和三维特征重建，得到钻杆的位姿信息；
9.将所述位姿信息根据位姿算法得到的对应的转换参数，根据所述转换参数在换算钻杆在基坐标下所处的空间位置和姿势；
10.根据钻杆在基坐标下所处的空间位置和姿势，控制所述机械手臂对钻杆的抓取分拣。
11.进一步，所述特征提取算法，包括如下步骤：
12.将所述基础图像进行灰度化处理；
13.将处理后的所述基础图像依次进行图像去噪和图像增强处理；
14.通过边缘算子对图像进行边缘检测，获取图像边缘的标记点；
15.根据标记点所在区域的图像灰度选择阈值初始值，并在设定的冗余度内设定阈值，再根据该阈值对图像进行二值化；
16.对于超过阈值的区域s，计算区域的质心作为待抓取钻杆的特征信息，计算表达式为
17.18.其中s为图形所在的区域；g(x，y)为区域内点(x，y)的灰度，(xc，yc)是经过图像分割以后确定特征点所在区域并计算得到质心。
19.进一步，所述特征匹配算法将所述基础图像和所述抓取图像进行融合匹配，得到所述基础图像和所述抓取图像的重合部分，并在所述重合部分中选择像素点作为所述目标钻杆的特征信息。
20.更进一步，所述特征匹配算法包括：
21.对所述抓取图像进行图像模型的建立得到钻杆模型；
22.将钻杆模型实时更新，得到模型p
t
，所述模型p
t
由h0和h1组成，其中
[0023][0024][0025]
其中，表示第i个像素的钻杆图像，表示第i个钻杆图像的模型的像素点；
[0026]
令假设检验概率公式为
[0027][0028]
其中，τ为阈值；
[0029]
将各个像素点的依次带入式(2-3)中，筛选得到像素点，并将得到的所有像素点作为所述目标钻杆的特征信息。
[0030]
本发明提供的一种小型钻机智能识别机械手臂换钻杆方法，具有如下有益效果：
[0031]
1.把传统小型钻机劳动强度大，纯手工换钻操作，变为机械臂的重复性工作，节约人力资源。
[0032]
2.解决传统大型钻机装置笨重，移动不便的问题，实现操作方便灵活，移位方便，机动性好，省时、省力，作业安全的换钻装置。
[0033]
3.解决传统换钻作业受地形限制较大，不合适狭小空间施工的问题。
[0034]
4.解决传统换钻施工记录手段落后，提高数据获取的准确性、及时性、真实性和响应速度。
具体实施方式
[0035]
下面对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
[0036]
具体的，本发明实施例提供了一种小型钻机智能识别机械手臂换钻杆方法，包括如下步骤：
[0037]
在机械手臂上安装摄像头，所述摄像头用于拍摄图像；
[0038]
在控制机械手臂抓取钻杆之前，所述摄像头拍摄的图像为基础图像，使用特征提取算法对所述基础图像进行处理，提取出待抓取钻杆的特征信息并存储；
[0039]
在控制机械手臂抓取钻杆之时，所述摄像头拍摄的图像为抓取图像，使用特征匹配算法对所述基础图像和所述抓取图像进行处理，提取出目标钻杆的特征信息并存储；
[0040]
对所述基础图像和所述抓取图像进行立体匹配和三维特征重建，得到钻杆的位姿信息；
[0041]
将所述位姿信息根据位姿算法得到的对应的转换参数，根据所述转换参数在换算钻杆在基坐标下所处的空间位置和姿势；
[0042]
根据钻杆在基坐标下所处的空间位置和姿势，控制所述机械手臂对钻杆的抓取分拣。
[0043]
本发明接收到换钻指令后，按固定程序，进行抓取、更换钻杆的自动操作装置，其特点是可以通过编程来完成各种预期的作业。而在智能识别机械手臂作业过程中，主要使用了特征提取算法、特征匹配算法和立体匹配，它们三者相辅相成，不可分离。
[0044]
其中，特征提取算法中对于机械臂上摄像头采集所得的图像，特征提取算法的任务是检测图像中所有的特征点，得到各特征点在图像中的位置。
[0045]
本发明中的所述特征提取算法，包括如下步骤：
[0046]
将所述基础图像进行灰度化处理；
[0047]
将处理后的所述基础图像依次进行图像去噪和图像增强处理；
[0048]
通过边缘算子对图像进行边缘检测，获取图像边缘的标记点；
[0049]
根据标记点所在区域的图像灰度选择阈值初始值，并在设定的冗余度内设定阈值，再根据该阈值对图像进行二值化；
[0050]
对于超过阈值的区域s，计算区域的质心作为待抓取钻杆的特征信息，计算表达式为
[0051][0052]
其中s为图形所在的区域；g(x，y)为区域内点(x，y)的灰度，(xc，yc)是经过图像分割以后确定特征点所在区域并计算得到质心。
[0053]
同时，本发明的所述特征匹配算法是将所述基础图像和所述抓取图像进行融合匹配，得到所述基础图像和所述抓取图像的重合部分，并在所述重合部分中选择像素点作为所述目标钻杆的特征信息。
[0054]
具体的，本发明的所述特征匹配算法包括：
[0055]
对所述抓取图像进行图像模型的建立得到钻杆模型；
[0056]
将钻杆模型实时更新，得到模型p
t
，所述模型p
t
由h0和h1组成，其中
[0057][0058][0059]
其中，表示第i个像素的钻杆图像，表示第i个钻杆图像的模型的像素点；
[0060]
令假设检验概率公式为
[0061]
[0062]
其中，τ为阈值；
[0063]
将各个像素点的依次带入式(2-3)中，筛选得到像素点，并将得到的所有像素点作为所述目标钻杆的特征信息。
[0064]
例如，假设一个没有运动目标的简单钻杆图像模型，p
t
＝p0时的检验概率比公式(2-4)所示。
[0065][0066]
由式(2-4)可知，当在静态的钻杆图象时，误差概率非常之小，但是，对于钻杆存在运动目标的情况时，检验比概率则会非常之大。因此特征匹配算法可以有效获取运动的目标较完整的特征信息，同时，该方法不仅简单计算量小，而且实用价值大，可以准确的实现目标检测。
[0067]
而立体匹配是智能识别机械手臂换杆作业中关键的一步。与普通的图像配准不同，立体像对之间的差异是由相机观察点的不同引起的，而不是由其它如景物本身的变化、运动所引起的。立体匹配的过程中，由于三维场景到二维场景变换过程中受到几何、环境等因素的影响，匹配过程中对于某一个待匹配点可能会出现一些多于一点的候选匹配点的情况，这个时候就需要有一些客观的约束准则来获得准确的匹配结果，本装置中主要采用了位姿计算来作为立体匹配过程中的约束准则。
[0068]
立体匹配过程中的位姿计算发挥的作用如下：
[0069]
设有两个坐标系：观察坐标系s和目标坐标系o。第i个特征点pi在两个坐标系下的坐标分别为：si＝(x
si
，y
si
，z
si
)
t
和oi＝(x
oi
，y
oi
，z
oi
)
t
，则两个坐标系间的变换关系可以通过以下公式来表示，其中r为旋转矩阵，t为平移矩阵。
[0070]
si＝roi t
[0071]
这里t代表了两个坐标系间的位置变换关系，而姿态变化则包含在r矩阵中，其中r矩阵的表达如下。
[0072][0073]
为求解位姿关系，先求旋转矩阵r。以上公式不仅对两个坐标系下的特征点成立，对向量也同样成立。当向量为单位向量时，只有旋转而没有平移，即为
[0074][0075]
其中，和分别为同一单位列向量在两个坐标系下的表示。当已知3 个以上特征点时，可以根据通过任意两个特征点的连线求出两个线性无关 (依靠特征点的位置来保证)的单位列向量和。令为所构成的单位列向量，则这3个列向量之间都是线性无关的，且满足
[0076]
ns＝rno
[0077]
其中，可求出旋转阵r和平移阵 t。
[0078][0079]
上述求解过程的先决条件是：在两个坐标系下，特征点间的位置关系保持不变，即连接任意两个特征点的线段，其大小和方向在两个坐标系下都是相同的。
[0080]
本发明在上列算法的支撑下，使其在换钻杆的特征匹配过程中具有更高的准确性，作业场景灵活，还可降低工人的劳动强度，大大缩减人力投入的成本。
[0081]
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。