CN113914933A - 隧道检修机器人 - Google Patents
隧道检修机器人 Download PDFInfo
- Publication number
- CN113914933A CN113914933A CN202111134617.9A CN202111134617A CN113914933A CN 113914933 A CN113914933 A CN 113914933A CN 202111134617 A CN202111134617 A CN 202111134617A CN 113914933 A CN113914933 A CN 113914933A
- Authority
- CN
- China
- Prior art keywords
- robot
- repair
- tunnel
- mechanical arm
- maintenance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008439 repair process Effects 0.000 claims abstract description 46
- 238000012423 maintenance Methods 0.000 claims abstract description 41
- 201000010099 disease Diseases 0.000 claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 34
- 238000002347 injection Methods 0.000 claims abstract description 27
- 239000007924 injection Substances 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000000463 material Substances 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims description 19
- 230000000750 progressive effect Effects 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000005507 spraying Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000011161 development Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000007921 spray Substances 0.000 abstract 1
- 230000001360 synchronised effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
- E21D11/04—Lining with building materials
- E21D11/10—Lining with building materials with concrete cast in situ; Shuttering also lost shutterings, e.g. made of blocks, of metal plates or other equipment adapted therefor
- E21D11/105—Transport or application of concrete specially adapted for the lining of tunnels or galleries ; Backfilling the space between main building element and the surrounding rock, e.g. with concrete
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Quality & Reliability (AREA)
- Manipulator (AREA)
Abstract
本发明公开了隧道检修机器人，包括深度相机、运输导管、注射喷头、处理中心、材料储存仓及机械臂，深度相机设置在机械臂的前端，注射喷头也设置在机械臂的前端，注射喷头通过运输导管连接输送泵，输送泵连接材料储存仓。所述的机器人通过深度相机对待检修部位进行拍照后传输到处理中心，经过处理中心分析，确定检修位置和最佳检修角度。处理中心控制机械臂调整位置，给出处理信号到输送泵，将维修材料喷射到病害处，实现检、修同步进行。相对于现有的机器人，所述的机器人能够在探测病害的同时修复病害，避免了因人工检测忽视造成的结构病害发展，减少了过程中对检修人员在人数方面的需求。
Description
技术领域
本发明属于隧道检修领域，具体是隧道检修机器人。
技术背景
近年来，我国的隧道工程得到了快速发展，并成为了全球隧道工程规模最 大、数量最多、结构最复杂的国家。但随着隧道里程规模和运营时间的增长， 其运营与修复面临着巨大挑战。针对这些运营期的隧道病害，如何快速检测及 修复隧道裂缝和渗漏水等主要病害，成为了当前隧道维护与运营迫切解决的问 题。
基于机器视觉、超声波、激光和传感器等技术，国内外对隧道检测方法的 研究已硕果累累，各种检测系统频频出现。这些检测系统不仅降低了检测工作 量和维护成本，还提高了检测效率和精度，但也存在检测系统智能化程度不高、 无法在检测病害时修复隧道病害等问题。对于隧道病害修复系统的研发，因病 害程度和种类不同、地质条件复杂、修复病害工艺繁琐、机器智能化程度较低 等原因而陷入瓶颈。与此同时，隧道病害的修复多依靠作业人员进行，使得作 业人员长时间暴露于密闭的隧道环境之下，不利于身体健康。
发明内容
为了解决上述问题，本发明提供了隧道检修机器人。
为了实现上述目的，本发明采用的技术方案如下：
隧道检修机器人，包括深度相机、运输导管、注射喷头、处理中心、材料 储存仓及机械臂，深度相机设置在机械臂的前端，注射喷头也设置在机械臂的 前端，注射喷头通过运输导管连接输送泵，输送泵连接材料储存仓。
所述深度相机有2个，分布在机械臂前端左右两侧。
所述的机械臂是一个可以3个方向的平动以及绕3个轴转动的6自由度机 械臂。
隧道检修机器人的操作方法，包括如下步骤：拍摄图像、检修模型分析、 判断修复需求、完成修复：
(1)拍摄图像：机械臂左右两侧的深度相机拍摄图像并成像；
(2)检修模型分析：合成深度图像并成像，建立检修模型，基于二阶段渐 进网络网络架构的大致检修过程主要包括两个阶段，分别是确定修复位置和确 定修复角度；
(3)判断修复需求：处理中心根据裂缝、渗漏水等病害的类型与程度来控 制运输泵实现不同喷射速度、不同喷射次数、不同的喷射角度和喷射不同的修 复材料类型；
(4)完成修复：修复材料由运输导管运输到注射喷头之中，注射喷头完成 修复。
所述的成像采用双目立体视觉三维成像技术，所述双目立体视觉三维成像 技术是双目立体视觉利用三角测量法进行三维成像，所述的成像使用的成像结 构为Eye-in-Hand结构。
所述的检修模型为二阶段渐进网络检修模型，建立二阶段渐进网络检修模 型包括以下步骤：
S41、深度相机拍摄衬砌表面图；
S42、双目立体视觉系统通过云拼接生成衬砌表面的深度图；
S43、G-Net网络模块根据深度图上的病害分布，输出为衬砌表面病害的可 修性分布；
S44、机器人检修系统围绕修复位置分别获取不同角度下的局部图像特征；
S45、E-Net评估网络模块对各个角度下的候选修复目标逐个评估；
S46、得到最终的修复角度。
所述G-Net为利用G(p,vt)函数构建的一种端对端的网络模块，所述E-Net 为利用
函数构建的评估网络模块。
所述G(p,vt)函数为p*＝argmaxG(p,Vt),p∈workspace，其中P*为病害位置。
所述
函数为
其中
为修复角度。
所述的机器人采用先验知识引导，其监督检修过程为：
S51、左侧和右侧深度相机拍摄深度图像；
S52、合成深度图像；
S53、二阶段渐进网络检修模型损害分析，输出检修位置；
S54、执行检修；
S55、记录结果，收集数据；
S56、优化检修模型，更新熟练度λ；
S57、从步骤S53开始循环。
所述的材料储存仓被隔成几个部分，分别存放不同的修复材料。
所述的机器人通过卡车或火车运载。
采用上述方案后实现了以下有益效果：
1、相对于现有的机器人系统，本技术方案能够在探测病害的同时，修复病 害。
2、相对于现有的检测修复技术，本技术方案避免了因忽视造成的结构病害 发展。
3、相对于传统的隧道检修流程，本技术方案减少了过程中对检修人员在人 数方面的需求。
4、相对于传统的机器人系统，本技术方案采用二阶段渐进网络检修模型实 现机器学习，利用先验知识引导学习，改善机械臂学习效率，提高机器人系统 的智能化程度。
附图说明
图1为本发明的工作流程图。
图2为本发明的机器人结构示意图。
图3为本发明的机械臂前端结构示意图。
图4为本发明的网络框架流程图。
图5为本发明的先验知识引导自监督检修流程图。
图6为本发明的成像系统数字模型图。
图中标记为：1为深度相机，2为运输导管，3为注射喷头，4为处理中心， 5为材料储存仓。
具体实施方式
下面结合附图和具体实例来对本发明进行详细的说明。
实施例1
如图2所示，本发明所述的隧道检修机器人，包括深度相机1、运输导管2、 注射喷头3。其主体结构是一个可以3个方向的平动以及绕3个轴转动的6自 由度机械臂。所述深度相机1采用三维成像采用双目立体视觉三维成像技术。 在机械臂前端左右两侧分别设有一个深度相机1，借此实现隧道检修过程中的三 维机器视觉实时采集隧道表面病害信息，在对隧道衬砌的病害进行定性分析的 基础上并将病害信息传输给二阶段渐进网络检修模型进一步分析，确定检修位 置与检修角度。机械臂前端设有注射喷头3，注射喷头3通过运输导管2和运输 泵与材料储存仓5连接，处理中心4根据裂缝、渗漏水等病害的类型与程度来控制运输泵实现不同喷射速度、不同喷射次数、不同的喷射角度和喷射不同的 修复材料类型，修复材料由运输导管2运输到注射喷头3之中。
实施例2
本实施例为隧道检修机器人的操作步骤的一个实例，主要包括拍摄图像、 检修模型分析、判断修复需求和完成修复这四个阶段。
(1)拍摄图像：隧道检修机器人的图片拍摄可在机械臂上完成。请参阅图 3，机械臂左右两侧有两个深度相机1，由这两个深度相机1完成拍摄图像任务；
(2)检修模型分析：由深度相机1所拍摄的深度图像被送入处理中心4进 行处理。处理中心4运用二阶段渐进网络框架对深度图像进行分析。请参阅图4， 基于二阶段渐进网络架构的大致检修过程主要包括两个阶段，分别是确定修复 位置和确定修复角度。在确定修复位置阶段，双目立体视觉系统通过云拼接生 成衬砌表面的深度图，而G-Net网络模块则根据深度图上的病害分布，输出为 衬砌表面病害的可修性分布，并最终确定检修位置。在确定修复角度阶段，机 器人检修系统围绕修复位置分别获取不同角度下的局部图像特征，而E-Net评估 网络模块对各个角度下的候选修复目标逐个评估，得到最终的修复角度。最后 检修机器人系统再根据已确定的修复位置和修复角度，实现对隧道衬砌病害的 修复；
(3)判断修复需求：处理中心4的系统中有大量关于各种病害类型以及程 度的修复办法的记载，系统可以通过检索记录，判断修复需求，控制运输泵实 现不同喷射速度、不同喷射次数、不同的喷射角度和喷射不同的修复材料类型；
(4)完成修复：请参阅图2，处理中心4根据修复需要，控制修复材料从 材料储存仓5通过运输导管2运输到注射喷头3之中，注射喷头3完成修复。
如图5所示，先验知识引导隧道检修机器人检修学习的流程主要包含3部 分，分别是：隧道病害特征分析、待学习的二阶段渐进网络检修模型和决策机， 其中隧道病害特征分析引导学习，二阶段渐进网络检修模型接收学习，决策机 依据检修模型成熟度决定机器人学习自主性。检修模型成熟度的依赖于隧道检 修过程收集的数据和检修结果，初始λ(成熟度)为0.01，随学习时间线性增长 到0.99，当成熟度达到0.99时学习过程基本完成。二阶段渐进网络检修模型的 学习过程主要是对其网络模块G-Net和E-Net的训练优化。训练程序应按顺序展 开，先利用深度学习框架Keras构建二阶段渐进网络检修模型，再凭借Adam算 法对E-Net网络模块进行训练，并使用二元交叉熵作为损失函数来优化模型。当 E-Net模块训练完成后，可将E-Net评估的样本可修性为衬砌表面深度数据附上 可修行标签，再基于RMSprop算法和衬砌表面深度数据对G-Net网络模块进行 训练，确定衬砌表面修复位置。上述过程通过不断迭代，不断更新G-Net和E-Net 网络模块的模型数据，增加检修过程的鲁棒性，最终实现整个二阶段渐进网络 检修模型训练优化。
如图6所示，立体视觉三维成像技术是通过单目视觉或双目视觉等在多个 视点获取图像，借此重构隧道衬砌表面三维结构和病害信息。单目视觉是通过 一个深度相机拍摄图像实现的，双目视觉是通过机械臂左右两个深度相机拍摄 图像实现的。立体视觉可根据接收光信息的主动和被动来分为主动立体视觉和 被动立体视觉两种方式(在隧道检测中主动式更适合，在此只分析主动式)， 主动式能采用三角测量法进行衬砌表面的信息提取。以双目立体视觉利用三角 测量法进行三维成像为例，依图6所示建立数学模型，左坐标系及右坐标系均 按坐标系的原点为起点，左负右正的方式建立。定义空间点在以左坐标系下的 坐标为pl(xl,y)，在以右坐标系下的坐标为pr(xr,y)，pl和pr两点距离为 x＝T-xl+xr，其中xl为正数，xr为负数，T为左坐标系与右坐标系原点的距离， 设点世界坐标系深度Z和相机坐标系ZC相同，单位是mm。根据相似原则可得：
式1
即
再根据世界坐标系和相机坐标系的转化关系：
式2 xpix＝u0+xp·sx
式2中，u0是图像坐标原点在像素坐标系下的横坐标，sx是每单位mm的像 素个数，xpix和xp分别是像素坐标系和图像坐标系的横坐标。推导知像素坐标系 下横坐标xpix-l和xpix-r满足关系：
式3
式3中，(xpix-l-xpix-r)为视差，设fx为Sx*f，将式3代入式1从而推导出 深度Zc和视差的关系式：
式4
由图6可知，x和y在相机坐标系下的相似原则为：
式5
式5带入式4可得，其中fy为Sy*f：
式6
xp、yp、xc、yc分别表示x和y在图像和相机坐标系下的三维坐标，u0和v0是 图像坐标系原点在像素坐标系下的横纵坐标。由上列证明过程可知，只要获取 衬砌病害对应的左右像素坐标就能推导出在相机坐标系下的三维坐标，这一结 论可等价为得出视差值即能得到衬砌病害在世界坐标系中三维数据。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在 此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结 构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围， 这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应 当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权 利要求的内容。
Claims (10)
1.隧道检修机器人，其特征在于：包括深度相机、运输导管、注射喷头、处理中心、材料储存仓及机械臂，深度相机设置在机械臂的前端，注射喷头也设置在机械臂的前端，注射喷头通过运输导管连接输送泵，输送泵连接材料储存仓。
2.根据权利要求1所述的隧道检修机器人，其特征在于：所述深度相机有2个，分布在机械臂前端左右两侧。
3.根据权利要求1所述的隧道检修机器人，其特征在于：所述的机械臂是一个可以3个方向的平动以及绕3个轴转动的6自由度机械臂。
4.根据权利要求1所述的隧道检修机器人的操作方法，其特征在于，包括如下步骤：拍摄图像、检修模型分析、判断修复需求、完成修复：
(1)拍摄图像：机械臂左右两侧的深度相机拍摄图像；
(2)检修模型分析：合成深度图像并成像，建立检修模型，基于二阶段渐进网络网络架构的大致检修过程主要包括两个阶段，分别是确定修复位置和确定修复角度；
(3)判断修复需求：处理中心根据裂缝、渗漏水等病害的类型与程度来控制运输泵实现不同喷射速度、不同喷射次数、不同的喷射角度和喷射不同的修复材料类型；
(4)完成修复：修复材料由运输导管运输到注射喷头之中，注射喷头完成修复。
5.根据权利要求4所述的隧道检修机器人，其特征在于：所述的成像采用双目立体视觉三维成像技术，所述双目立体视觉三维成像技术是双目立体视觉利用三角测量法进行三维成像，所述的成像使用的成像结构为Eye-in-Hand结构。
6.根据权利要求4所述的隧道检修机器人，其特征在于：所述的检修模型为二阶段渐进网络检修模型，建立二阶段渐进网络检修模型包括以下步骤：
S41、深度相机拍摄衬砌表面图；
S42、双目立体视觉系统通过云拼接生成衬砌表面的深度图；
S43、G-Net网络模块根据深度图上的病害分布，输出为衬砌表面病害的可修性分布；
S44、机器人检修系统围绕修复位置分别获取不同角度下的局部图像特征；
S45、E-Net评估网络模块对各个角度下的候选修复目标逐个评估；
S46、得到最终的修复角度。
7.根据权利要求6所述的隧道检修机器人，其特征在于：所述G-Net为利用G(p,vt)函数构建的一种端对端的网络模块，所述E-Net为利用
函数构建的评估网络模块。
8.根据权利要求7所述的隧道检修机器人，其特征在于：所述G(p,vt)函数为p*＝argmaxG(p,Vt),p∈workspace，其中P*为病害位置。
9.根据权利要求8所述的隧道检修机器人，其特征在于：所述
函数为
其中
为修复角度。
10.根据权利要求1所述的隧道检修机器人，其特征在于：所述的机器人采用先验知识引导，其监督检修过程为：
S51、左侧和右侧深度相机拍摄深度图像；
S52、合成深度图像；
S53、二阶段渐进网络检修模型损害分析，输出检修位置；
S54、执行检修；
S55、记录结果，收集数据；
S56、优化检修模型，更新熟练度λ；
S57、从步骤S53开始循环。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134617.9A CN113914933A (zh) | 2021-09-27 | 2021-09-27 | 隧道检修机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111134617.9A CN113914933A (zh) | 2021-09-27 | 2021-09-27 | 隧道检修机器人 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113914933A true CN113914933A (zh) | 2022-01-11 |
Family
ID=79236214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111134617.9A Pending CN113914933A (zh) | 2021-09-27 | 2021-09-27 | 隧道检修机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113914933A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115126494A (zh) * | 2022-06-13 | 2022-09-30 | 中煤科工机器人科技有限公司 | 一种巷道修复机 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106837351A (zh) * | 2017-01-22 | 2017-06-13 | 中南大学 | 隧道岩溶水探测处治方法 |
| CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
| CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
| CN111855664A (zh) * | 2020-06-12 | 2020-10-30 | 山西省交通科技研发有限公司 | 一种可调节隧道病害三维检测系统 |
| CN112096454A (zh) * | 2020-09-09 | 2020-12-18 | 中电建冀交高速公路投资发展有限公司 | 隧道衬砌裂缝修复装置 |
-
2021
- 2021-09-27 CN CN202111134617.9A patent/CN113914933A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106837351A (zh) * | 2017-01-22 | 2017-06-13 | 中南大学 | 隧道岩溶水探测处治方法 |
| CN109269474A (zh) * | 2018-08-29 | 2019-01-25 | 广西大学 | 一种列车车载受电弓运行状态在线图像检测装置及方法 |
| CN110220909A (zh) * | 2019-04-28 | 2019-09-10 | 浙江大学 | 一种基于深度学习的地铁盾构隧道病害检测方法 |
| CN111855664A (zh) * | 2020-06-12 | 2020-10-30 | 山西省交通科技研发有限公司 | 一种可调节隧道病害三维检测系统 |
| CN112096454A (zh) * | 2020-09-09 | 2020-12-18 | 中电建冀交高速公路投资发展有限公司 | 隧道衬砌裂缝修复装置 |
Non-Patent Citations (1)
| Title |
|---|
| 黄震，张陈龙，马少坤，陈怡淼，廖敏杏: "隧道检修一体化机器人系统设计及关键技术分析" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115126494A (zh) * | 2022-06-13 | 2022-09-30 | 中煤科工机器人科技有限公司 | 一种巷道修复机 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111968129B (zh) | 具有语义感知的即时定位与地图构建系统及方法 | |
| CN109544679B (zh) | 管道内壁的三维重建方法 | |
| CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
| CN103198477B (zh) | 一种采用苹果套袋机器人进行视觉定位的方法 | |
| CN109035204A (zh) | 一种焊缝目标实时检测方法 | |
| CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
| CN110220909A (zh) | 一种基于深度学习的地铁盾构隧道病害检测方法 | |
| CN102842034B (zh) | 一种激光扫描与自动识别雕刻字符的装置及识别方法 | |
| CN108174111B (zh) | 巡检机器人目标图像抓取方法 | |
| CN114638909A (zh) | 基于激光slam和视觉融合的变电站语义地图构建方法 | |
| CN111768417B (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
| CN114037703B (zh) | 基于二维定位和三维姿态解算的地铁阀门状态检测方法 | |
| Cheng et al. | Automatic detection of shield tunnel leakages based on terrestrial mobile LiDAR intensity images using deep learning | |
| WO2023207257A1 (zh) | 基于挂轨轨道机器人的尾矿坝表面形变巡检方法 | |
| CN111914615A (zh) | 基于立体视觉的消防区域可通过性分析系统 | |
| CN114689600A (zh) | 一种桥梁混凝土结构表面裂缝检测方法及系统 | |
| CN113177918B (zh) | 一种无人机对电力杆塔的智能精准巡检方法及系统 | |
| CN117268258A (zh) | 一种基于人工智能机器视觉的矿堆体积测量系统 | |
| CN114202584A (zh) | 自动视觉扫描生成巡检任务的方法及巡检机器人 | |
| CN113902698A (zh) | 一种基于智能视觉控制的无人机云台渐进式目标对焦方法 | |
| CN113914933A (zh) | 隧道检修机器人 | |
| CN116630267A (zh) | 基于无人机与激光雷达数据融合的路基沉降监测方法 | |
| CN113960069B (zh) | 一种通过激光线扫描建立缆索表面形态的方法 | |
| CN115713654A (zh) | 基于2d与3d激光图像的轨道扣件螺栓松动自动检测方法 | |
| CN116361947B (zh) | 一种侵彻大尺寸钢筋混凝土内外部三维建模的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220111 |