熱電廠運(yùn)煤車廂動(dòng)態(tài)監(jiān)測(cè)及體積測(cè)量方法

盧進(jìn)南，韓建國(guó)，王常寶，郭友瑞，王志良

(1.遼寧工程技術(shù)大學(xué) 機(jī)械工程學(xué)院， 遼寧 阜新 123000；2.開灤(集團(tuán))有限責(zé)任公司， 河北 唐山 063018；3.唐山開灤熱電有限責(zé)任公司， 河北 唐山 063018)

0 引言

燃煤占據(jù)了熱電廠運(yùn)營(yíng)的最大成本，為發(fā)電總成本的50%～80%[1]。加強(qiáng)燃煤卸運(yùn)監(jiān)控管理、提高管理水平、改善管理手段，是火力發(fā)電廠保證安全、降低成本的重要措施，對(duì)電廠的安全經(jīng)濟(jì)運(yùn)行有重要意義。準(zhǔn)確獲取當(dāng)前堆場(chǎng)的散料儲(chǔ)量是企業(yè)進(jìn)行效益評(píng)估、戰(zhàn)略儲(chǔ)備規(guī)劃和生產(chǎn)計(jì)劃安排的關(guān)鍵。

如何檢測(cè)運(yùn)煤車輛的裝載效果，及時(shí)統(tǒng)計(jì)卸運(yùn)效果和儲(chǔ)煤量，是熱電廠煤炭量科學(xué)管理的關(guān)鍵。錢震峰等通過(guò)提升斗輪機(jī)的自動(dòng)化程度，結(jié)合盤煤技術(shù)，實(shí)現(xiàn)卸煤和堆煤的智能控制[2]。李紅偉利用Refine Net和基于卷積網(wǎng)絡(luò)的深度估計(jì)方法，研究了一套基于機(jī)器視覺的智能輸煤檢測(cè)系統(tǒng)[3]。關(guān)丙火通過(guò)數(shù)字?jǐn)z像儀和激光儀器獲取帶式輸送機(jī)上散煤的圖像，利用Ohta顏色空間特性提取激光線輪廓，采用梯形面積累積法獲得帶式輸送機(jī)的瞬時(shí)運(yùn)煤量[4]。綜上可知，目前針對(duì)瞬時(shí)煤量檢測(cè)的研究?jī)?nèi)容較多，但是針對(duì)統(tǒng)計(jì)和優(yōu)化供耗的研究?jī)?nèi)容較少。因此，研究了一套車廂物料卸運(yùn)監(jiān)控系統(tǒng),該系統(tǒng)是熱電廠煤量管理系統(tǒng)的重要組成部分，通過(guò)卸運(yùn)監(jiān)控，企業(yè)可以對(duì)存煤量進(jìn)行動(dòng)態(tài)監(jiān)測(cè)與分析，從而保證熱電廠存煤量的合理性和車廂煤炭卸運(yùn)的高效性。

對(duì)煤量的動(dòng)態(tài)檢測(cè)技術(shù)，一直是包括電廠、港口和選煤廠等現(xiàn)場(chǎng)需要的煤量統(tǒng)計(jì)重要手段，而現(xiàn)有的技術(shù)可以完成煤量的動(dòng)態(tài)監(jiān)測(cè)，但所使用的元件和系統(tǒng)經(jīng)濟(jì)成本非常高。提出一種基于圖像和激光相結(jié)合的運(yùn)煤車廂卸運(yùn)動(dòng)態(tài)監(jiān)測(cè)和非接觸式體積測(cè)量系統(tǒng)，利用攝像頭實(shí)現(xiàn)車廂實(shí)時(shí)監(jiān)控，重點(diǎn)要獲取車廂類型和測(cè)速信息；利用激光傳感器獲得車廂及煤量距離信息，及運(yùn)煤車廂煤量的點(diǎn)云數(shù)據(jù)，結(jié)合車廂速度，最終得到車廂的煤量體積數(shù)據(jù)。

1 基于YOLOv3的車廂類型識(shí)別

隨著對(duì)鐵路煤炭運(yùn)輸車廂編號(hào)識(shí)別精度要求的提高，現(xiàn)有的RFID射頻識(shí)別技術(shù)已不能滿足分類識(shí)別的精度和可靠性的需求。為了提高車廂編號(hào)識(shí)別精度和可靠性，利用深度學(xué)習(xí)方法對(duì)熱電廠的運(yùn)煤車廂進(jìn)行編號(hào)識(shí)別。

YOLO (You Only Look Once)v3是目前速度和精度最均衡的目標(biāo)檢測(cè)網(wǎng)絡(luò)，引入多尺度機(jī)制，用效率更高的基礎(chǔ)分類網(wǎng)絡(luò)與分離器，可彌補(bǔ)YOLO系列的劣勢(shì)(如不擅長(zhǎng)檢測(cè)小物體等)，達(dá)到了良好的效果和較高的速度。

YOLO的核心思想是將整個(gè)圖片輸入網(wǎng)絡(luò)，直接在輸出層回歸邊界框的位置標(biāo)記機(jī)器所屬類別。即將一副圖像分為N×N的網(wǎng)格，每個(gè)網(wǎng)格產(chǎn)生若干個(gè)可能包含目標(biāo)的預(yù)測(cè)邊界框，然后對(duì)每個(gè)網(wǎng)格進(jìn)行預(yù)測(cè)，最終得到目標(biāo)區(qū)域信息。網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)算法原理如圖1所示。

圖1 YOLO v3目標(biāo)識(shí)別原理

YOLO算法的快速性規(guī)避了卸運(yùn)系統(tǒng)對(duì)運(yùn)煤車廂行駛速度的約束，但是，車廂上編號(hào)數(shù)字字體的非統(tǒng)一性，也給車廂類型識(shí)別帶來(lái)了困難。

因此，通過(guò)K-means聚類算法將訓(xùn)練已標(biāo)注好的數(shù)字框進(jìn)行聚類， 從中挑選出幾類最適合的數(shù)字框類型作為錨框，以確保車廂上數(shù)字編號(hào)的識(shí)別精度。

此外，通過(guò)調(diào)整卷積層參數(shù)以平衡模型大小、檢測(cè)速度，從而達(dá)到速度與精度的最優(yōu)組合。

2 車廂速度非接觸測(cè)量

2.1 車廂體積測(cè)量原理

目前，對(duì)移動(dòng)目標(biāo)的非接觸式體積檢測(cè)，總體可分成以下方法：

1) 基于圖像的體積測(cè)量方法[5-7]，由于視場(chǎng)的限制，需要對(duì)目標(biāo)進(jìn)行多次測(cè)量，導(dǎo)致數(shù)據(jù)采集過(guò)程復(fù)雜，計(jì)算時(shí)間長(zhǎng)，且易受外界光線、陰影等因素的影響。

2) 激光掃描體積測(cè)量方法[8-10]，但高精度的三維傳感器價(jià)格昂貴，對(duì)作業(yè)環(huán)境要求苛刻，且后處理復(fù)雜，處理周期較長(zhǎng)。

3) 激光和圖像相結(jié)合的體積測(cè)量方法[11-12]，雖然此類方法依然存在受陽(yáng)光、陰影影響的問(wèn)題，并對(duì)安裝平臺(tái)的依賴性強(qiáng)，但此類方法依然是目前常用的非接觸式體積測(cè)量方法。

考慮現(xiàn)場(chǎng)車廂運(yùn)行環(huán)境和設(shè)備安裝條件，本系統(tǒng)采用的車廂煤量體積測(cè)量采用激光和圖像相互結(jié)合的方式，也就需要獲得車廂的速度和行駛方向截面面積等信息。

在沿車廂行駛出口正上方位置安裝一個(gè)二維激光雷達(dá)，在出口側(cè)方安裝一臺(tái)攝像頭。激光雷達(dá)的作用是檢測(cè)車廂煤炭截面距離數(shù)據(jù)。攝像頭可識(shí)別車廂類型和視覺里程計(jì)，車廂類型的識(shí)別用于卸運(yùn)煤量數(shù)據(jù)統(tǒng)計(jì)和供耗優(yōu)化，視覺里程計(jì)用于獲得車廂瞬時(shí)速度，以便于最終計(jì)算車廂裝載量，本系統(tǒng)的算法原理如圖2所示。

圖2 車廂檢測(cè)算法原理

2.2 基于光流法的車廂速度計(jì)算

視覺里程計(jì)(Visual Odometry，VO)是一個(gè)通過(guò)分析相關(guān)圖像序列，以確定運(yùn)動(dòng)物體的位置和朝向過(guò)程的方法。光流描述了像素在圖像中的運(yùn)動(dòng)，稀疏光流以 Lucas-Kanade 光流[13-14]為代表，并可以在 VO中用于跟蹤特征點(diǎn)位置。

同一個(gè)空間點(diǎn)的像素灰度值，在各個(gè)圖像中是固定不變的，對(duì)于t時(shí)刻位于(x，y)處的像素，在經(jīng)過(guò)dt時(shí)刻，該點(diǎn)運(yùn)動(dòng)到 (x+dx，y+dy)處。由于灰度不變，可得：

I(x+dx,y+dt,t+dt)=I(x,y,t)

(1)

I(x,y,t)為t時(shí)刻，位于(x,y)處的像素的灰度。對(duì)式(1)左邊進(jìn)行泰勒展開，保留一階項(xiàng)，得：

I(x+dx,y+dt,t+dt)≈I(x,y,t)+

(2)

結(jié)合式(1)可以得到：

(3)

式(3)兩邊除以dt，得：

(4)

式(4)中 ：dx/dt為空間該點(diǎn)像素在x軸上運(yùn)動(dòng)速度，dy/dt為空間該點(diǎn)像素在y軸上運(yùn)動(dòng)速度，把它們記為u，v。同時(shí)，?I/?x為該點(diǎn)像素在x方向的灰度梯度，?I/?y同理，記為Ix，Iy。把等式右邊記為It，并寫成矩陣形式，得到：

(5)

對(duì)于本系統(tǒng)的圖像對(duì)象而言，瞬時(shí)的運(yùn)動(dòng)速度可看作勻速行駛，若攝像頭獲得的車廂圖像的像素大小為w×w，它含有w2數(shù)量的像素。由于該圖像內(nèi)像素具有同樣的運(yùn)動(dòng)，因此我們共有w2個(gè)方程：

(6)

設(shè)：

式(6)變換為：

(7)

式(7)是一個(gè)關(guān)于u，v的超定線性方程，通過(guò)求最小二乘解得：

(8)

由式(8)即可求得車廂相對(duì)攝像頭的兩個(gè)方向運(yùn)動(dòng)速度u和v。

3 車廂煤量體積計(jì)算

運(yùn)煤車廂裝煤量體積計(jì)算，核心問(wèn)題就是需要車廂表面輪廓數(shù)據(jù)，即激光點(diǎn)云數(shù)據(jù)。由于本系統(tǒng)采用的是二維激光器，且運(yùn)卸煤炭過(guò)程中車廂一直處于運(yùn)動(dòng)過(guò)程中，也就導(dǎo)致車廂煤炭同一截面的點(diǎn)云數(shù)據(jù)存在錯(cuò)位現(xiàn)象，上一小節(jié)中利用光流法獲取車廂運(yùn)行速度，從而解決了該問(wèn)題。

3.1 車廂點(diǎn)云數(shù)據(jù)濾波

直接通過(guò)二維激光器獲得的點(diǎn)云數(shù)據(jù)噪聲點(diǎn)多、密度分布不均、數(shù)據(jù)不連續(xù)，會(huì)影響后續(xù)分割和體積計(jì)算結(jié)果。因此，在點(diǎn)云分割之前需要對(duì)初始點(diǎn)云數(shù)據(jù)進(jìn)行精簡(jiǎn)處理。

系統(tǒng)通過(guò)二維激光器采集到的點(diǎn)云數(shù)據(jù)具有以下特征：

1) 點(diǎn)云數(shù)據(jù)中包含大量測(cè)量區(qū)域外的點(diǎn)，包括雜物、地面設(shè)備等。

2) 由于激光器相對(duì)車廂行走車軌道安裝位置固定，所以點(diǎn)云數(shù)據(jù)的有效區(qū)域是己知的。

因此，根據(jù)本系統(tǒng)中獲得的點(diǎn)云數(shù)據(jù)特征，使用條件濾波即可實(shí)現(xiàn)對(duì)原始點(diǎn)云數(shù)據(jù)的過(guò)濾。

初始點(diǎn)云數(shù)據(jù)經(jīng)過(guò)條件濾波后，就是需要對(duì)符合車廂內(nèi)煤炭上表面輪廓的點(diǎn)云數(shù)據(jù)進(jìn)行分割，繼而利用分割后的數(shù)據(jù)進(jìn)行體積計(jì)算。系統(tǒng)采用的數(shù)據(jù)分割方法是區(qū)域生長(zhǎng)法，該算法主要思路是：首先對(duì)濾波后點(diǎn)云數(shù)據(jù)進(jìn)行鄰近搜索樹的構(gòu)建，以方便索引和計(jì)算。然后，根據(jù)一定范圍臨近點(diǎn)所構(gòu)成的小曲面，計(jì)算每一個(gè)點(diǎn)的曲率值，利用曲率值由小到大順序?qū)c(diǎn)進(jìn)行排序。其次，同樣采用K-means聚類算法確定小曲面中的種子線，并求得小曲面中各相鄰點(diǎn)法線與當(dāng)前聚類中種子點(diǎn)法線之間的夾角，若角度小于某閾值，則將該點(diǎn)添加到當(dāng)前聚類中。再次，對(duì)聚類中的每一個(gè)點(diǎn)進(jìn)行曲率值檢驗(yàn)，如果曲率小于某閾值，則將該點(diǎn)添加到種子隊(duì)列中，即完成一次生長(zhǎng)。最后，對(duì)種子隊(duì)列種的數(shù)據(jù)重復(fù)進(jìn)行上述計(jì)算，直到種子隊(duì)列中沒有點(diǎn)數(shù)據(jù)存在，生長(zhǎng)算法完成。

不論是點(diǎn)云數(shù)據(jù)濾波，還是點(diǎn)云數(shù)據(jù)分割，最終目的是獲得二維激光器直射在煤炭上表面且不是射在煤塊間隙的有效距離點(diǎn)云數(shù)據(jù)。

3.2 基于點(diǎn)云的車輛體積計(jì)算

車廂煤炭體積計(jì)算過(guò)程是一個(gè)以車廂底部平面為底的二重積分：

(9)

式中:Ω看作是由連續(xù)曲線y1=φ1(x)、y2=φ2(x)、x=a和x=b圍成的平面區(qū)域，a、b是車廂后/前擋板內(nèi)側(cè)面相對(duì)坐標(biāo)系的位置，y1和y2是車廂左右擋板內(nèi)煤炭外輪廓曲線；f(x,y)是Ω上的連續(xù)函數(shù)。

式(9)可進(jìn)行如下簡(jiǎn)化：

(10)

式(10)中：

(11)

將式(11)和(10)帶入式(9)中，得到：

(12)

由式(12)可知，車廂內(nèi)煤炭體積的計(jì)算原理：在笛卡爾坐標(biāo)系下，將車廂內(nèi)的煤炭分割成m×n個(gè)方柱體，m和n的具體數(shù)值受制于激光器的掃描頻率和車廂的行駛速度，其邊界界定由Ω確定，方柱體的高度信息由二維激光器獲得，每個(gè)圓柱體的體積記為Vij，則車廂煤炭體積總體積計(jì)算如下：

(13)

4 試驗(yàn)

為驗(yàn)證方法的正確性和工程實(shí)用性，依托唐山開灤熱電有限責(zé)任公司煤廠為應(yīng)用現(xiàn)場(chǎng)，采用?？低旸S-2網(wǎng)絡(luò)相機(jī)和SICK LMS111-10100二維激光器構(gòu)建數(shù)據(jù)采集平臺(tái)，設(shè)備安裝如圖3所示。采用Windows10操作系統(tǒng)，配置Intel i5-9400、 NVIDIA Geforce GTX 1660等低成本硬件作為數(shù)據(jù)處理平臺(tái)。

圖3 硬件安裝實(shí)物圖

攝像頭參數(shù)經(jīng)多次調(diào)節(jié)，當(dāng)圖像分辨率在640×480條件下，可確保在算法平臺(tái)YOLO v3-Tiny上具有90幀/s以上的檢測(cè)速度。系統(tǒng)中，經(jīng)YOLO v3-Tiny在迭代20 000次后，車廂類型標(biāo)記的數(shù)字識(shí)別精度達(dá)到98%以上，且在不同光照條件下，都可以穩(wěn)定地識(shí)別出相應(yīng)目標(biāo)，具有速度快、魯棒性強(qiáng)的優(yōu)點(diǎn)。車廂類型標(biāo)記數(shù)字單個(gè)數(shù)字的精度召回率曲線(PR)和識(shí)別效果如圖4所示。

(a)

為了獲得車廂行駛的運(yùn)動(dòng)速度，獲取車廂運(yùn)煤的圖像，利用光流的視覺里程計(jì)估計(jì)圖像間的運(yùn)動(dòng)，結(jié)果如圖5所示。

(a) 原始圖像

通過(guò)光流的視覺里程計(jì)估計(jì)出兩相鄰關(guān)鍵幀之間的運(yùn)動(dòng)，結(jié)合兩幀之間的時(shí)間差，即可算出車輛的行駛速度。

通過(guò)二維激光器結(jié)合光流測(cè)速生成的三維點(diǎn)云和點(diǎn)云濾波分割后的結(jié)果如圖6所示。

(a) 點(diǎn)云原始數(shù)據(jù)

利用神經(jīng)網(wǎng)絡(luò)識(shí)別車牌號(hào)和分割后的車輛三維點(diǎn)云模型進(jìn)行體積計(jì)算，最終得出該節(jié)車廂的編號(hào)及對(duì)應(yīng)的體積。根據(jù)唐山開灤熱電有限責(zé)任公司林西電廠提供的某列運(yùn)煤火車6節(jié)車廂裝煤量數(shù)據(jù)，得到車廂體積計(jì)算結(jié)果對(duì)比如表1所示。

表1 煤量體積對(duì)比

對(duì)比結(jié)果顯示，本系統(tǒng)計(jì)算得到的體積，精度可以達(dá)到92%以上。

5 結(jié)論

本文研究的熱電廠運(yùn)煤車廂采用攝像頭和二維激光器相結(jié)合的低成本、非接觸式裝煤量體積檢測(cè)方法，利用光流法分析相鄰兩張圖像的灰度值，計(jì)算車廂的運(yùn)行瞬時(shí)速度；采用條件濾波和區(qū)域長(zhǎng)生法，對(duì)激光器獲得的距離信息進(jìn)行簡(jiǎn)化和分割，得到車廂內(nèi)煤炭上表面的點(diǎn)云數(shù)據(jù)，并利用多重積分方法計(jì)算車廂內(nèi)煤炭體積信息。經(jīng)現(xiàn)場(chǎng)試驗(yàn)和數(shù)據(jù)對(duì)比，測(cè)量精度達(dá)到92%以上，且具有投入費(fèi)用低、安裝方便的特征，可以滿足熱電廠現(xiàn)場(chǎng)的使用要求。