基于CNN與SVDD的掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

葛 垚, 孫 強(qiáng), 王坤東

(1.上海交通大學(xué) 精密工程及智能系統(tǒng)研究所，上海 200240；2.兗礦東華重工有限公司 采掘裝備制造分公司，山東 鄒城 273500)

?

基于CNN與SVDD的掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

葛 垚1, 孫 強(qiáng)2, 王坤東1

(1.上海交通大學(xué) 精密工程及智能系統(tǒng)研究所，上海 200240；2.兗礦東華重工有限公司 采掘裝備制造分公司，山東 鄒城 273500)

通過(guò)激光標(biāo)志物的卷積神經(jīng)網(wǎng)絡(luò)(CNN)檢測(cè)，與標(biāo)志物中心點(diǎn)的奇異值分解(SVD)重構(gòu)，實(shí)現(xiàn)了掘進(jìn)機(jī)在巷道坐標(biāo)系下的坐標(biāo)估計(jì)。通過(guò)基于支撐向量數(shù)據(jù)描述(SVDD)的陀螺儀靜止?fàn)顟B(tài)抖動(dòng)抑制，與參考系變換，實(shí)現(xiàn)了機(jī)身與掘進(jìn)臂的姿態(tài)檢測(cè)。通過(guò)基于OpenGL的圖形學(xué)引擎，實(shí)現(xiàn)了工作面場(chǎng)景的實(shí)時(shí)虛擬渲染。測(cè)試結(jié)果表明：系統(tǒng)能夠準(zhǔn)確可靠地完成工作面場(chǎng)景下掘進(jìn)機(jī)監(jiān)測(cè)任務(wù)。

卷積神經(jīng)網(wǎng)絡(luò)； 奇異值分解； 支撐向量數(shù)據(jù)描述； 三維重構(gòu)； 姿態(tài)估計(jì)

0 引 言

隨著礦山機(jī)械化水平的提高，采用懸臂式掘進(jìn)機(jī)進(jìn)行開(kāi)采已成為相關(guān)企業(yè)的標(biāo)準(zhǔn)生產(chǎn)方式。但是受限于有限的自動(dòng)化程度，目前操作工人仍需進(jìn)入高粉塵、有塌方危險(xiǎn)的工作面最前線監(jiān)測(cè)生產(chǎn)情景。這樣的生產(chǎn)實(shí)踐與當(dāng)前國(guó)家建設(shè)數(shù)字礦山，推進(jìn)危險(xiǎn)生產(chǎn)環(huán)境無(wú)人化的號(hào)召是不相合的。近些年來(lái)，工業(yè)機(jī)器人定位[1]與姿態(tài)檢測(cè)[2]取得了長(zhǎng)足進(jìn)步。但是，這些解決方案在設(shè)計(jì)時(shí)均未考慮礦山生產(chǎn)這一特殊應(yīng)用環(huán)境。因此，設(shè)計(jì)一套適用于礦山環(huán)境的掘進(jìn)機(jī)智能檢測(cè)系統(tǒng)，準(zhǔn)確、可靠地完成工作面場(chǎng)景下掘進(jìn)機(jī)監(jiān)測(cè)，成為了一個(gè)急需解決的課題。

本文根據(jù)礦山生產(chǎn)的特殊環(huán)境需求，綜合基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的坐標(biāo)估計(jì)、以及基于支撐向量數(shù)據(jù)描述(SVDD)的姿態(tài)估計(jì)，設(shè)計(jì)了支持場(chǎng)景實(shí)時(shí)渲染的掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)，實(shí)現(xiàn)了掘進(jìn)機(jī)狀態(tài)參數(shù)的有效監(jiān)測(cè)。

1 系統(tǒng)架構(gòu)

掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)的原理圖如圖1所示。系統(tǒng)硬件由加裝防爆工業(yè)攝像機(jī)、防爆陀螺儀與防爆工業(yè)計(jì)算機(jī)的掘進(jìn)機(jī)，以及十字形激光指示器組成。工業(yè)攝像機(jī)采用震有科技的KBA12W礦用本安無(wú)線攝像儀，兩臺(tái)工業(yè)攝像機(jī)分別安裝在掘進(jìn)機(jī)機(jī)身前部左、右兩側(cè)，兩工業(yè)攝像機(jī)的作用如下：一是負(fù)責(zé)采集工作面的圖像，將經(jīng)過(guò)增強(qiáng)后的圖像呈現(xiàn)給后方的操作工人，供操作工人生產(chǎn)決策使用；二是配合工業(yè)計(jì)算機(jī)，完成十字形激光標(biāo)志物的檢測(cè)，進(jìn)而完成整個(gè)場(chǎng)景的三維重構(gòu)。系統(tǒng)中使用的防爆陀螺儀，系通過(guò)對(duì)TI TM4C129姿態(tài)檢測(cè)評(píng)估套件加裝防爆外殼獲得，兩枚防爆陀螺儀分別安裝對(duì)心安裝在掘進(jìn)臂與掘進(jìn)機(jī)機(jī)身上，以完成掘進(jìn)臂與掘進(jìn)機(jī)機(jī)身的姿態(tài)檢測(cè)。工業(yè)計(jì)算機(jī)為上海鑠放電子科技提供的高配置工業(yè)計(jì)算機(jī)，工業(yè)計(jì)算機(jī)用于實(shí)現(xiàn)整個(gè)系統(tǒng)所需的全部算法，并且通過(guò)圖形界面，匯總性地向操作工人展示工作面的全部信息。

圖1 系統(tǒng)原理圖Fig 1 System principle diagram

系統(tǒng)軟件由以下五個(gè)子系統(tǒng)組成：工作面場(chǎng)景采集、場(chǎng)景圖像增強(qiáng)、場(chǎng)景三維重構(gòu)、掘進(jìn)機(jī)姿態(tài)估計(jì)以及虛擬場(chǎng)景渲染。工作面場(chǎng)景采集通過(guò)封裝震有科技提供的傳輸服務(wù)實(shí)現(xiàn)；場(chǎng)景圖像增強(qiáng)通過(guò)對(duì)比度均衡算法與小波降噪算法，增強(qiáng)工作面場(chǎng)景圖像質(zhì)量；場(chǎng)景三維重構(gòu)通過(guò)CNN算法實(shí)現(xiàn)標(biāo)志物中心點(diǎn)檢測(cè)，在此基礎(chǔ)上,基于對(duì)極幾何、奇異值分解(SVD)與平移變換實(shí)現(xiàn)了掘進(jìn)機(jī)在巷道參考系下坐標(biāo)的三維重構(gòu)；掘進(jìn)機(jī)姿態(tài)估計(jì)通過(guò)SVDD算法，實(shí)現(xiàn)了陀螺儀靜止?fàn)顟B(tài)下的抖動(dòng)抑制，通過(guò)坐標(biāo)變換算法，實(shí)現(xiàn)了以巷道為參考系的姿態(tài)檢測(cè)；虛擬場(chǎng)景渲染基于OpenGL，將掘進(jìn)機(jī)在巷道內(nèi)的位置，與機(jī)身、掘進(jìn)臂的姿態(tài)以三維圖形的形式展示給操作工人，幫助工人實(shí)現(xiàn)360°無(wú)死角場(chǎng)景觀察。

2 圖像處理

圖像處理子系統(tǒng)的流程如圖2所示。

圖2 圖像處理流程圖Fig 2 Workflow of image processing

2.1 圖像增強(qiáng)

當(dāng)系統(tǒng)在工作面條件下工作時(shí)，下列兩個(gè)因素將對(duì)工業(yè)攝像機(jī)的成像產(chǎn)生不利影響：一是工作面處不充分的照明會(huì)導(dǎo)致場(chǎng)景的輪廓信息無(wú)法有效地被操作工人感知;二是工業(yè)攝像機(jī)成像過(guò)程本身會(huì)給圖像引入一定的噪聲。為了解決上述兩個(gè)問(wèn)題，采用了先對(duì)圖像進(jìn)行對(duì)比度均衡，然后再對(duì)圖像進(jìn)行小波降噪的方案，實(shí)現(xiàn)工作面原始場(chǎng)景的圖像增強(qiáng)。

對(duì)比度均衡算法[5]是圖像處理中的經(jīng)典算法。其算法原理是通過(guò)對(duì)原始圖像的像素值進(jìn)行變換，使變換后像素值分布接近均勻分布，從而增強(qiáng)人眼對(duì)圖像中信息感知能力的一種算法。算法可通過(guò)調(diào)用OpenCV的相關(guān)服務(wù)實(shí)現(xiàn)。

在測(cè)試過(guò)程中發(fā)現(xiàn)，對(duì)比度均衡算法會(huì)放大工業(yè)攝像機(jī)的成像噪聲，故對(duì)均衡后的圖像進(jìn)一步采用Wavelet Shrinkage算法進(jìn)行進(jìn)一步降噪。小波算法的開(kāi)發(fā)通過(guò)調(diào)用Matlab Wavelet Toolbox完成，算法相關(guān)參數(shù)設(shè)定如下：小波基選擇Daubechies族的sym6小波，分解層數(shù)為4，降噪方法選擇Penalize Low。將選擇的小波濾波器組導(dǎo)出為Matlab腳本文件，然后使用Matlab Compiler交叉編譯為DLL庫(kù)，即可集成入系統(tǒng)軟件之中使用。

2.2 標(biāo)志物中心點(diǎn)檢測(cè)

為了實(shí)現(xiàn)場(chǎng)景的三維重構(gòu)，首先需要完成十字形激光標(biāo)志物中心點(diǎn)檢測(cè)。在測(cè)試過(guò)程中發(fā)現(xiàn)，由于標(biāo)志物所在平面的不規(guī)則性，基于Hough變換與模板匹配[3]的傳統(tǒng)檢測(cè)方案無(wú)法可靠地檢出光斑中心，故最終采用基于CNN的方案進(jìn)行檢測(cè)。

相比基于Hough變換的解決方案，基于CNN的方案無(wú)需人工設(shè)計(jì)特征模板，能大幅減輕人工調(diào)參的工作量，只需要采集并標(biāo)注的足夠多的圖像，然后進(jìn)行數(shù)值優(yōu)化即可完成檢測(cè)與識(shí)別的任務(wù)[6]。

首先，將中心點(diǎn)檢測(cè)問(wèn)題化為如下的有監(jiān)督回歸問(wèn)題進(jìn)行求解。原始數(shù)據(jù)集由1 000張含有標(biāo)志物的圖像(來(lái)自左、右攝像頭的圖像各500張)及相應(yīng)的中心點(diǎn)像素坐標(biāo)組成，其中原始圖像作為輸入特征，中心點(diǎn)像素坐標(biāo)的兩個(gè)分量作為待預(yù)測(cè)的變量。訓(xùn)練CNN網(wǎng)絡(luò)，使其預(yù)測(cè)的中心點(diǎn)像素坐標(biāo)，與實(shí)際像素坐標(biāo)的L2范數(shù)誤差最小，即

(1)

式中 g:X→Y為將含十字形光斑圖像映射為光斑中心點(diǎn)像素坐標(biāo)的CNN網(wǎng)絡(luò)；Xn,Yn分別為在訓(xùn)練集中序號(hào)為n的訓(xùn)練圖像與其中標(biāo)志物中心點(diǎn)的像素坐標(biāo)。

最終部署的CNN結(jié)構(gòu)如表1與表2所示。

表1 卷積層網(wǎng)絡(luò)結(jié)構(gòu)

表2 全相連層網(wǎng)絡(luò)結(jié)構(gòu)

其中,全相連層的激活函數(shù)為ReLU，輸出層不采用Softmax層，直接以最后一次線性變換的結(jié)果作為輸出進(jìn)行預(yù)測(cè)。在全相連層，采用Dropout與全相連層系數(shù)的L2范數(shù)約束進(jìn)行規(guī)約，防止過(guò)擬合。在整個(gè)訓(xùn)練過(guò)程中，按8︰2的比例切分訓(xùn)練集與測(cè)試集，以測(cè)試集上的誤差為模型性能表現(xiàn)的評(píng)估依據(jù)，引入Early Stopping的機(jī)制進(jìn)一步約束，以保證模型的檢測(cè)性能。最終部署的CNN網(wǎng)絡(luò)在訓(xùn)練集與測(cè)試集上的重構(gòu)RMSE誤差分別為0.457與0.680。上述算法可借助Caffe框架方便地實(shí)現(xiàn)，并集成到系統(tǒng)軟件中。

2.3 巷道參考系下掘進(jìn)機(jī)坐標(biāo)的三維重構(gòu)

檢出標(biāo)志物中心點(diǎn)后，由于可以事先設(shè)定標(biāo)志物中心點(diǎn)在巷道參考系中的坐標(biāo)，故只需估計(jì)標(biāo)志物在左側(cè)攝像機(jī)參考系內(nèi)的三維坐標(biāo)，即可得到重巷道參考系下掘進(jìn)機(jī)的三維坐標(biāo)。

重構(gòu)算法首先需要對(duì)兩臺(tái)工業(yè)攝像機(jī)分別進(jìn)行單目標(biāo)定，以減輕鏡頭成像畸變對(duì)重構(gòu)的影響；在此基礎(chǔ)上，算法還需估計(jì)雙目攝像機(jī)的幾何參數(shù)，從而將原始成像場(chǎng)景變換到標(biāo)準(zhǔn)場(chǎng)景下。上述兩部分算法均可通過(guò)調(diào)用OpenCV的相關(guān)服務(wù)實(shí)現(xiàn)。

(2)

由于觀測(cè)誤差的存在與數(shù)值穩(wěn)定性的要求，上述方程需要使用SVD分解進(jìn)行求解。由于OpenCV未提供相關(guān)服務(wù)，系統(tǒng)使用C++實(shí)現(xiàn)了上述算法。

得到標(biāo)志物在左側(cè)攝像機(jī)參考系內(nèi)的三維坐標(biāo)后，由于左側(cè)攝像機(jī)在機(jī)身參考系中的坐標(biāo)，以及標(biāo)志物在巷道參考系內(nèi)的坐標(biāo)均為已知，故對(duì)相關(guān)坐標(biāo)進(jìn)行平移變換，即可算出掘進(jìn)機(jī)在巷道參考系中的三維坐標(biāo)，從而實(shí)現(xiàn)場(chǎng)景的三維重構(gòu)。

3 姿態(tài)估計(jì)

姿態(tài)檢測(cè)子系統(tǒng)首先通過(guò)移植TI官方的驅(qū)動(dòng)庫(kù)實(shí)現(xiàn)了掘進(jìn)臂與機(jī)身在北—偏—東參考系下的姿態(tài)估計(jì)。相比標(biāo)準(zhǔn)擴(kuò)展卡爾曼濾波(EKF)姿態(tài)估計(jì)算法[4]，系統(tǒng)在以下兩個(gè)方面進(jìn)行了創(chuàng)新。完整的算法流程如圖3所示。

圖3 姿態(tài)估計(jì)流程圖Fig 3 Workflow of altitude estimation

首先，通過(guò)使用SVDD[8]算法，實(shí)現(xiàn)了靜止?fàn)顟B(tài)與運(yùn)動(dòng)狀態(tài)的二分類，抑制了傳統(tǒng)姿態(tài)估計(jì)算法在靜止?fàn)顟B(tài)下估計(jì)值的震蕩現(xiàn)象。

SVDD是一個(gè)單類分類器，考慮到掘進(jìn)機(jī)采用液壓傳動(dòng)，靜止?fàn)顟B(tài)在整個(gè)工作周期中所占比例較大，故將靜止?fàn)顟B(tài)下九軸傳感器的輸出數(shù)據(jù)作為NormalData,運(yùn)動(dòng)狀態(tài)下輸出數(shù)據(jù)作為負(fù)樣本，進(jìn)行模型訓(xùn)練。原始數(shù)據(jù)集由10萬(wàn)條九軸傳感器的輸出數(shù)據(jù)組成，其中NormalData占80 %，負(fù)樣本占20 %。SVDD的兩個(gè)參數(shù)，核與異常率分別選擇如下：由于測(cè)試結(jié)果表明，二類數(shù)據(jù)在高維空間中近似線性可分，故選擇線性核；通過(guò)參數(shù)枚舉，發(fā)現(xiàn)當(dāng)異常率取0.05時(shí)，模型分類的準(zhǔn)確率最高，故取異常率為0.05。在整個(gè)訓(xùn)練過(guò)程中，按8∶2的比例切分訓(xùn)練集與測(cè)試集，當(dāng)模型取上述參數(shù)時(shí)，SVDD的分類準(zhǔn)確率為99.87 %，可以達(dá)到委托方的應(yīng)用需求。

考慮到井下電磁環(huán)境極其復(fù)雜，以及掘進(jìn)作業(yè)的特點(diǎn)，系統(tǒng)選擇以掘進(jìn)作業(yè)起始姿態(tài)定義的參考系為參考系，進(jìn)行姿態(tài)估計(jì)，即

u0=RNED(ψ0,θ0,φ0)TRNED(ψ,θ,φ)u

(3)

式中 ψ,θ,φ/ψ0,θ0,φ0為當(dāng)前姿態(tài)、掘進(jìn)作業(yè)起始姿態(tài)在北—偏—東參考系下的歐拉角；RNED(ψ,θ,φ)/RNED(ψ0,θ0,φ0)為從北—偏—東參考系到當(dāng)前姿態(tài)、掘進(jìn)作業(yè)起始姿態(tài)定義的參考系的旋轉(zhuǎn)變換矩陣；u/u0分別為掘進(jìn)臂、以及機(jī)身上參考點(diǎn)，以陀螺儀安裝處為原點(diǎn)，在當(dāng)前姿態(tài)、掘進(jìn)作業(yè)起始姿態(tài)定義的參考系下的坐標(biāo)。

測(cè)試結(jié)果表明:上述參考系選擇能夠大幅簡(jiǎn)化標(biāo)定過(guò)程：系統(tǒng)只需通過(guò)多次測(cè)量取平均值的方法，估計(jì)作業(yè)起始姿態(tài)，即可實(shí)現(xiàn)掘進(jìn)臂與機(jī)身當(dāng)前姿態(tài)的實(shí)時(shí)跟蹤。

4 虛擬場(chǎng)景渲染

虛擬場(chǎng)景渲染子系統(tǒng)的流程如圖4所示。子系統(tǒng)以圖像處理子系統(tǒng)給出的位移估計(jì)，以及姿態(tài)估計(jì)子系統(tǒng)給出的機(jī)身、掘進(jìn)臂姿態(tài)估計(jì)為輸入，通過(guò)計(jì)算機(jī)圖形學(xué)，生成虛擬工作面場(chǎng)景，并輸出到GUI。

圖4 場(chǎng)景渲染流程圖Fig 4 Workflow of scene rendering

整個(gè)系統(tǒng)由通用腳本解析器，與場(chǎng)景描述腳本兩部分組成。通用腳本解析器能夠解析ASCII碼編碼的字符串格式的繪圖命令，然后通過(guò)OpenGL相關(guān)服務(wù)實(shí)現(xiàn)繪圖操作。綜合考慮顯示需求，系統(tǒng)總共設(shè)計(jì)了光照、材質(zhì)定義，平移、尺度及旋轉(zhuǎn)變換，基本圖元—正方體與球體繪制7大類共計(jì)11條繪圖命令，這些命令都采用了命令名后附加命令參數(shù)的格式，這樣，通過(guò)將輸入?yún)?shù)轉(zhuǎn)化為適當(dāng)?shù)拿顓?shù)，即可實(shí)現(xiàn)基于參數(shù)的場(chǎng)景渲染。場(chǎng)景描述腳本使用預(yù)定義的繪圖命令描述待渲染場(chǎng)景。系統(tǒng)在啟動(dòng)后會(huì)將描述腳本以字符數(shù)組的形式加載到內(nèi)存中，當(dāng)場(chǎng)景參數(shù)發(fā)生更新后，只需修改對(duì)應(yīng)參數(shù)所在內(nèi)存單元的數(shù)值，即可實(shí)現(xiàn)場(chǎng)景的實(shí)時(shí)更新。

為了克服傳統(tǒng)三視圖觀察視角的局限性，子系統(tǒng)還實(shí)現(xiàn)了水晶球觀測(cè)模型，這樣操作工人可通過(guò)鍵盤操作，實(shí)現(xiàn)對(duì)場(chǎng)景360°遠(yuǎn)近可調(diào)的無(wú)死角觀察。通過(guò)進(jìn)一步豐富檢測(cè)細(xì)節(jié)，子系統(tǒng)能夠比傳統(tǒng)的三視圖提供更多的有效信息。

5 實(shí)驗(yàn)測(cè)試

系統(tǒng)測(cè)試在兗礦集團(tuán)東華重工掘進(jìn)機(jī)測(cè)試車間進(jìn)行。整個(gè)系統(tǒng)安裝在EBZ220型掘進(jìn)機(jī)上，主要對(duì)系統(tǒng)與正前方壁面距離的估計(jì)能力、機(jī)身與掘進(jìn)臂姿態(tài)的估計(jì)能力以及系統(tǒng)的實(shí)時(shí)渲染能力進(jìn)行了測(cè)試。

圖5 實(shí)驗(yàn)測(cè)試Fig 5 Experimental test

5.1 正前方壁面距離估計(jì)能力測(cè)試

測(cè)定了系統(tǒng)在距離的典型動(dòng)態(tài)范圍：3.00～7.00m內(nèi)的估計(jì)性能。測(cè)試結(jié)果如表3所示。系統(tǒng)估計(jì)精度已達(dá)到生產(chǎn)需求。

表3 距離估計(jì)測(cè)試結(jié)果

5.2 姿態(tài)估計(jì)與實(shí)時(shí)渲染能力測(cè)試

當(dāng)兩陀螺儀的姿態(tài)估計(jì)更新速率設(shè)定為25 Hz時(shí)，姿態(tài)估計(jì)與渲染系統(tǒng)能夠?qū)崟r(shí)跟蹤系統(tǒng)的運(yùn)動(dòng)。渲染結(jié)果如圖6所示。

圖6 姿態(tài)估計(jì)與實(shí)時(shí)渲染測(cè)試Fig 6 Test of altitude estimation and realtime rendering

6 結(jié)束語(yǔ)

本文論述了掘進(jìn)機(jī)智能監(jiān)測(cè)系統(tǒng)中關(guān)鍵技術(shù)及其實(shí)現(xiàn)，重點(diǎn)論述了圖像處理子系統(tǒng)中基于CNN網(wǎng)絡(luò)的標(biāo)志物中心點(diǎn)檢測(cè)算法，姿態(tài)估計(jì)子系統(tǒng)中基于SVDD的靜止?fàn)顟B(tài)下抖動(dòng)抑制算法，相對(duì)掘進(jìn)起始位置姿態(tài)估計(jì)算法，以及虛擬場(chǎng)景渲染子系統(tǒng)中基于計(jì)算機(jī)圖形學(xué)的實(shí)時(shí)渲染系統(tǒng)的實(shí)現(xiàn)。實(shí)驗(yàn)測(cè)試結(jié)果表明:選擇的算法能夠達(dá)到預(yù)定的檢測(cè)精度，相比傳統(tǒng)系統(tǒng)，新系統(tǒng)能夠更好地滿足一線操作工人的監(jiān)控需求，能夠?yàn)閲?guó)家數(shù)字礦山與安全生產(chǎn)的戰(zhàn)略規(guī)劃提供有效保障。

[1] 王殿君.雙目視覺(jué)在移動(dòng)機(jī)器人定位中的應(yīng)用[J].中國(guó)機(jī)械工程，2013,24(9):1155-1158.

[2] 秦 勇,臧希喆,王曉宇,等.基于MEMS慣性傳感器的機(jī)器人姿態(tài)檢測(cè)系統(tǒng)的研究[J].傳感技術(shù)學(xué)報(bào),2007,20(2):298-301.

[3] 田 娟,鄭郁正.模板匹配技術(shù)在圖像識(shí)別中的應(yīng)用[J].傳感器與微系統(tǒng),2008,27(1):112-117.

[4] 陳航科,張東升,盛曉超,等.基于Kalman濾波算法的姿態(tài)傳感器信號(hào)融合技術(shù)研究[J].傳感器與微系統(tǒng),2013,32(12):82-89.

[5] Gonzalez R C.Digital image processing[M].New York:Prentice-Hall,2014:205-215.

[6] Benigo Y,Courville A,Vincent P.Representation learning:A review and new perspectives[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(8):1798-1828.

[7] Hartley R,Zisserman A.Multiple view geometry in computer vision[M].New York:Cambridge University Press,2004:312-315.

[8] Tax D M,Duin R P.Support vector data description[J].Machine Learning,2004,56(2):45-66.

王坤東，通訊作者，E—mail:kdwang@sjtu.edu.cn。

Design of intelligent monitoring system for mining machines based on CNN and SVDD

GE Yao1， SUN Qiang2， WANG Kun-dong1

(1.Institute of Precision Engineering and Intelligent Systems,Shanghai Jiao Tong University, Shanghai 200240,China; 2.Mining Machinery Manufacturing Co Ltd,Yankuang Donghua Group, Zoucheng 273500,China)

By detection of convolutional neural network(CNN)of laser marker and reconstruction of singular value decomposition(SVD) of center of markers,coordinates estimation of machine in tunnel coordinate is achieved.By jitter suppression of gyro in resting state based on supporting vector data description(SVDD)and transformation of

ystem,body and robotic arm altitude estimation are achieved. Based on OpenGL,real-time virtual rendering of scene of working face is achieved.Experimental results show that the system is able to monitor mining machine in working face scene accurately and reliably.

convolutional neural network(CNN); singular value decomposition(SVD); support vector data description(SVDD); 3D reconstruction; altitude estimation

2015—11—09

10.13873/J.1000—9787(2016)10—0076—04

TP 242

A

1000—9787(2016)10—0076—04

葛 垚(1990-)，男，山西太原人，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)在工程問(wèn)題中的應(yīng)用。