【技术实现步骤摘要】
本专利技术属于盾构姿态控制，尤其涉及一种基于机器视觉的盾构姿态控制方法与系统。
技术介绍
1、在盾构施工过程中，盾构机的姿态控制至关重要，直接影响掘进质量和效率。传统的人工监测和控制方式存在反应迟缓、精度不足等问题。为了实现实时、精准的姿态监测和控制，引入基于机器视觉的方法是一个可行的技术路线。然而，在实际应用中，机器视觉技术面临着诸多挑战和困难。首先，盾构施工环境复杂，光照条件恶劣，拍摄角度受限，获取高质量图像难度大。其次，盾构机结构复杂，关键特征点容易被遮挡，特征提取和匹配精度难以保证。再者，盾构机的运动状态多变，包括平移、转向、滚动等，单一视角难以全面刻画其姿态变化。此外，盾构机的振动频繁，视觉传感器的稳定性难以维持，数据质量容易受到影响。最后，实时性要求高，海量视觉数据的处理和分析对算法效率和硬件性能提出了挑战。如何在恶劣环境下稳定采集高质量的视觉数据，如何提取和匹配关键特征以准确估计盾构机姿态，如何综合多视角信息以全面刻画盾构机运动状态，如何抑制振动干扰提高数据质量，如何提升算法效率实现实时控制，这些都是亟需攻克的技术难题。
技术实现思路
1、本专利技术提出了一种基于机器视觉的盾构姿态控制方法与系统，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于机器视觉的盾构姿态控制方法，包括以下步骤：
3、通过多光谱成像技术获取盾构机周围环境图像，对所述盾构机周围环境图像进行校正，得到校正图像；通过多视角视觉传感器阵列获取不同角度的
4、采用基于深度学习的特征提取网络识别校正图像和盾构机图像中的盾构机关键特征点，通过基于ransac算法的特征匹配方法对相邻帧图像中的特征点进行匹配，得到特征点运动轨迹；
5、根据所述特征点运动轨迹，构建盾构机运动状态模型，采用卡尔曼滤波算法对运动状态进行预测和校正，得到盾构机预测姿态数据；
6、通过惯性测量单元的振动补偿模型获取盾构机振动数据，将所述振动数据与视觉传感器数据结合，采用基于粒子滤波的数据融合算法抑制振动干扰，得到稳定姿态信息；
7、构建基于图卷积神经网络的多模态数据融合模型，将视觉数据、惯性数据、稳定姿态信息和预测姿态数据进行融合，得到姿态估计结果；
8、根据所述姿态估计结果和预设的掘进轨迹，采用自适应控制算法生成控制指令，进行精准姿态控制。
9、优选地，对所述盾构机周围环境图像进行校正包括：
10、对所述盾构机周围环境图像进行去噪和图像增强处理，得到预处理图像；
11、根据预设的光照补偿模型，对预处理图像进行直方图均衡化处理，调整图像的对比度和亮度分布，获得光照补偿图像；
12、采用自适应gamma校正算法，根据预处理图像的局部特征自适应调整gamma值，对图像的暗部区域进行增强；
13、将经过直方图均衡化和自适应gamma校正处理后的多波段图像进行融合，得到校正图像。
14、优选地，采用卡尔曼滤波算法对运动状态进行预测包括：
15、获取当前时刻盾构机的实际测量值，通过卡尔曼滤波算法的更新步骤，结合先验估计值和测量值，确定当前时刻盾构机运动状态的后验估计值；判断后验估计值与先验估计值之间的残差是否超过预设阈值，若超过阈值，则认为盾构机运动状态发生突变，触发预警机制；根据后验估计值，采用状态转移矩阵，预测下一时刻盾构机的运动状态先验估计值，并将该先验估计值作为下一次迭代的输入；连续多个时刻的后验估计值，构成盾构机运动状态的时间序列，通过时间序列分析算法，判断盾构机运动状态的变化趋势。
16、优选地，得到姿态估计结果包括：
17、基于图卷积神经网络构建多模态数据融合模型，通过图卷积操作进行节点特征的更新和融合，捕捉不同模态数据之间的关联性；在图卷积神经网络中引入注意力机制，自适应地为不同节点分配权重，突出关键节点的作用，提高融合效果；通过多层图卷积神经网络的堆叠，逐步提取和融合多模态数据的高层语义特征，获得全局的特征表示；将全局的特征表示输入到全连接层，经过非线性变换和回归预测，得到姿态估计结果。
18、本专利技术还提供了一种基于机器视觉的盾构姿态控制系统，包括：
19、数据采集模块，用于通过多光谱成像技术获取盾构机周围环境图像，对所述盾构机周围环境图像进行校正，得到校正图像；通过多视角视觉传感器阵列获取不同角度的盾构机图像；
20、特征点运动轨迹获取模块，用于通过基于深度学习的特征提取网络识别校正图像和盾构机图像中的盾构机关键特征点，通过基于ransac算法的特征匹配方法对相邻帧图像中的特征点进行匹配，得到特征点运动轨迹；
21、运动状态建模模块，用于根据所述特征点运动轨迹，构建盾构机运动状态模型，采用卡尔曼滤波算法对运动状态进行预测和校正，得到盾构机预测姿态数据；
22、振动数据融合模块，用于通过惯性测量单元的振动补偿模型获取盾构机振动数据，将所述振动数据与视觉传感器数据结合，采用基于粒子滤波的数据融合算法抑制振动干扰，得到稳定姿态信息；
23、多模态数据融合模块，用于构建基于图卷积神经网络的多模态数据融合模型，将视觉数据、惯性数据、稳定姿态信息和预测姿态数据进行融合，得到姿态估计结果；
24、姿态控制模块，用于根据所述姿态估计结果和预设的掘进轨迹，采用自适应控制算法生成控制指令，进行精准姿态控制。
25、优选地，数据采集模块包括：
26、采集单元，用于通过多光谱成像技术获取盾构机周围环境图像，通过多视角视觉传感器阵列获取不同角度的盾构机图像；
27、校正单元，用于对所述盾构机周围环境图像进行校正处理。
28、优选地，所述校正单元包括：
29、预处理单元，用于对所述盾构机周围环境图像进行去噪和图像增强处理，得到预处理图像；
30、光照补偿单元，用于根据预设的光照补偿模型，对预处理图像进行直方图均衡化处理，调整图像的对比度和亮度分布，获得光照补偿图像；
31、gamma校正单元，用于采用自适应gamma校正算法，根据预处理图像的局部特征自适应调整gamma值，对图像的暗部区域进行增强；
32、融合单元，用于将经过直方图均衡化和自适应gamma校正处理后的多波段图像进行融合，得到校正图像。
33、优选地，所述特征点运动轨迹获取模块包括：
34、特征提取单元，用于通过基于深度学习的特征提取网络识别校正图像和盾构机图像中的盾构机关键特征点；
35、特征匹配单元，用于通过基于ransac算法的特征匹配方法对相邻帧图像中的特征点进行匹配。
36、本专利技术还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现所述方法的步骤。
37、本专利技术还提供了一种计算机可读存储介质，其上存储有计本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的盾构姿态控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对所述盾构机周围环境图像进行校正包括：
3.根据权利要求1所述的方法，其特征在于，采用卡尔曼滤波算法对运动状态进行预测包括：
4.根据权利要求1所述的方法，其特征在于，得到姿态估计结果包括：
5.一种基于机器视觉的盾构姿态控制系统，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，数据采集模块包括：
7.根据权利要求6所述的系统，其特征在于，所述校正单元包括：
8.根据权利要求5所述的系统，其特征在于，所述特征点运动轨迹获取模块包括：
9.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-4任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-4任一项所述方法的步骤。
【技术特征摘要】
1.一种基于机器视觉的盾构姿态控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，对所述盾构机周围环境图像进行校正包括：
3.根据权利要求1所述的方法，其特征在于，采用卡尔曼滤波算法对运动状态进行预测包括：
4.根据权利要求1所述的方法，其特征在于，得到姿态估计结果包括：
5.一种基于机器视觉的盾构姿态控制系统，其特征在于，包括：
6.根据权利要求5所述的系统，其特征在于，数据采集模块...
【专利技术属性】
技术研发人员：徐赞，曹文贵，彭文哲，郑智雄，张超，周浩，袁涌筌，聂上杰，
申请(专利权)人：湖南城市学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。