★南方电网电力科技股份有限公司王荣华，熊辉，李锋，张宏亮，潘凤萍

关键词：船舱口识别；卸船机；3D点云；人工智能；RANSAC算法；RNN

1　项目意义和国内外研究现状

随着电厂对卸煤效率的要求不断提高，为减轻司机的劳动强度，提升电厂的自动化水平，抓斗卸船机正朝着安全、高效、智能化的方向发展。因此如何实现自动化与智能化作业和优化作业过程、改善作业条件、提高作业效率成为一个新的研究方向^[1]。国外就卸船机的自动化作业方面进行了大量研究。例如：ABB公司推出了比较先进的桥式抓斗卸船机自动操作系统；Schneider等公司正致力于开发基于PC和PLC的全自动操作系统。国内很多院校和机构也积极开展有关智能化抓斗卸船机的相关研究^[2-4]。

目前，行业内主要通过激光扫描、探测雷达等距离探测技术，配合重构技术，实现船舱和物料的三维景观重现。同时，基于人工智能技术建立卸船控制规则和抓斗路径规划，并采用抓斗的消摆和利摇技术，效果显著。这些技术的应用，初步实现了卸船机智能化和无人化的自动抓斗卸煤功能^[5]。卸船机自动化作业流程如图1所示。

图1 卸船机全自动作业场景

卸船机自动化作业的三大技术难点是：煤堆和船舱口识别、抓斗姿态感知以及小车运动控制^[6]。本文综合多种技术，提出了一种基于RNN和改进RANSAC算法的船舱口识别方法。该方法首先利用循环神经网络判断点云数据中是否存在完整舱口，然后联合优化后的RANSAC算法提取舱口平面，最后采用点云分割技术识别舱口大小和位置。实践表明，该识别算法精准高效、安全可控。效果如图2所示。

图2 船舱口自动识别算法实际应用效果

2　算法实现

2.1　数据采集和数据分割

激光雷达是模式识别系统中重要的传感设备。研究表明，激光雷达是自动化驾驶和机器视觉检测中最可靠的方法。摄像机受环境的影响很大，当雨雾时将检测困难，在更不利的条件下，视觉系统可能失去工作能力。海边环境恶劣，含有大量的干扰因素，图像识别算法的实现更为复杂化，识别慢，精度也无法满足装船作业的精度要求。因此，基于摄像机图像进行识别的方法无法兼顾算法的实时性和准确性。相比之下，采用激光雷达的方法，数据采集精度高，响应速度快，点云数据能够更好地表达船舶的几何信息，而且激光雷达的信号可以穿透大雨和大雾，不受光照、天气以及场景颜色等环境因素的影响，完全满足散货港口装船作业的需求^[7]。

因此考虑到运输船体积大、工况恶劣等特点，本系统采用了激光扫描云台来采集数据。该激光云台集成了一个2D激光雷达和云台系统，最大扫描距离250米，标准检测距离80/120米(10%反射率)，云台扫描角度范围为50°-230°，最大扫描角度达180°，安装在驾驶舱下方。图3为3D激光线扫描设备和激光云台所采集的船舱数据。

图3 激光扫描设备和船舱数据

在实际使用中，我们仅需关注卸船机下方的船舱区域。为了提高计算速度和减少点云数据量，本方法将点云范围限定在：x位于[-40米，30米]、y位于[20米，60米]的区域，然后进行数据分割。分割后的点云如图4所示。

图4 激光云台采集的船舱3D点云图

由于各种干扰，点云数据中部分舱口存在缺失和污染。根据人工标注，数据集可分为四类：正常点云数据、有缺失数据、不完整数据以及高盖板船数据。如图4所示，仅右上角点云为正常舱口数据，其他均为问题数据，需要通过算法滤波或剔除。

2.2　采用RNN算法对云图数据做二分类

如图4所示，点云数据存在大量噪声干扰，几乎无法通过单一滤波算法有效辨识。本文采用基于深度学习的RNN二分类算法，筛选合格的船舱口点云。

RNN（循环神经网络）是一种使用序列数据或时序数据的人工神经网络，常用于顺序或时间问题，如语言翻译、自然语言处理、语音识别、图像内容识别等。与FNN（前馈神经网络）和CNN（卷积神经网络）一样，RNN利用训练数据进行学习。区别在于“记忆”，因为它从先前的输入中获取信息，以影响当前的输入和输出。虽然传统的深度神经网络假设输入和输出是相互独立的，但RNN的输出依赖于序列中先前的元素。尽管未来的活动也可能有助于确定特定序列的输出，但是单向RNN无法在预测中说明这些事件。

假定原始数据函数：

类似RGB转灰度图，降低维度：

将云图分割为8*8的小区域：

RNN的input为一个[64,]的二维待分类数列。本文采用的神经网络层次图如图5所示。

图5 RNN二分类算法网络层次图

实验结果表明，该算法分类精度为98%，如表1所示。

表1 RNN算法实际精度

2.3　改良的法向量求船舱平面

接下来，我们对分类后的包含完整船舱信息的云图进行平面提取。

通常行业多采用传统的法向量求平面方程RANSAC算法来提取船舱平面。该方法基本原理如下：

已知三点p1(x1,y1,z1)，p2(x2,y2,z2)，p3(x3,y3,z3)

则向量p1p2（x2-x1,y2-y1,z2-z1，p1p3(x3-x1,y3-y1,z3-z1)，根据平面法线将与这两向量垂直，可得法向量f(a,b,c)，其中：

a=((p2.y-p1.y)*(p3.z-p1.z)-(p2.z-p1.z)*(p3.y-p1.y))；

b=((p2.z-p1.z)*(p3.x-p1.x)-(p2.x-p1.x)*(p3.z-p1.z))；

c=((p2.x-p1.x)*(p3.y-p1.y)-(p2.y-p1.y)*(p3.x-p1.x))。

则平面方程：a(x-x1)+b(y-y1)+c(z-z1)=0；d=-a*x1-b*y1-c*z1。

即平面方程如式（1）所示：

a*x+b*y+c*z+d=0（1）

众多点中，要获得最佳的拟合船舱平面，则必须满足式（2）：

其中d为平面局部任意点到此平面的距离。

传统RANSAC算法通过迭代求最小误差e，获取最佳拟合平面，运算时间长达5-6秒，难以满足卸船机对实时性的需求。

本文对RANSAC算法进行了以下改进：

实践发现，船舱平面近似垂直于点云的y轴方向，则船舱平面法向量可近似为[0,y,0]。

根据式（3）可求y均值：

对[mean_y-10m,mean_y+10m]范围内的船舱高y，以每k米步长迭代得平面方程，如式（4）所示：

其中k的取值为[y_mean-10m:k:y_mean+10m]。

根据式（2）求点到面的距离，当min(e)得最佳拟合平面。

基于本文改良的RANSAC算法，得到的船舱平面效果如图6所示。

图6 本文算法提取的船舱平面

根据式（5）对图6的船舱平面求中心点：

在中心点向两边切割可得船舱口尺寸和位置信息，如图7所示。

图7 船舱口识别效果

将本文算法移植到卸船机自动化作业系统，实际求解船舱位置和算法耗时如图8所示。

图8 算法移植后实战效果

从表2可以看出，在东亿602船型条件下，与传统算法相比，本算法无论在精度还是运算时间上均有显著提升，可以为船机自动作业系统实时提供精确的船舱位置信息。

表2 不同算法的舱口识别对比

3　结论

针对卸船机作业中船舱口点云数据存在的缺失、噪声等问题，本文提出了一种基于RNN和改进RANSAC算法的船舱口识别方法。该方法使用RNN算法滤除噪声干扰，并根据实际情况，放弃传统RANSAC拟合算法，改进为快速精准识别船舱口的算法。实验证明，本方法可以准确、快速识别出舱口大小和坐标。该方法已应用于卸船机自动化系统，准确提供舱口信息，运行效果显著。

作者简介：

王荣华（1984-），男，湖南衡阳人，硕士，现就职于南方电网电力科技股份有限公司，研究方向为人工智能技术。

熊　辉（1987-），男，江西乐安人，高级工程师，硕士，现就职于南方电网电力科技股份有限公司，研究方向为电网系统技术。

李　峰（1980-），男，广西大新人，教授级高级工程师，硕士，现就职于南方电网电力科技股份有限公司，研究方向为电网系统技术。

张宏亮（1971-），男，河北保定人，教授级高级工程师，硕士，现就职于南方电网电力科技股份有限公司，研究方向为电网系统技术。

潘凤萍（1967-），男，河南开封人，教授级高级工程师，博士，现就职于南方电网电力科技股份有限公司，研究方向为电网系统技术。

参考文献：

[1] 陈建松. 自动化控制港口码头散料卸船机的设计创新[J]. 中国机械, 2023 : (21).

[2] 徐米清. 智能化卸船机关键技术及实现[J]. 港口装卸, 2021 : (3).

[3] 余俐敏, 孙浩童, 蔡国强, 等. 火电机组抓斗卸船机全自动系统开发及应用[J]. 能源研究与管理, 2020 : (3).

[4] 孙斌, 王旭昶. 抓斗式卸船机自动作业的性能优化[J]. 机电工程, 2011 : (25).

[5] 王佳俊, 杨凯. 桥式抓斗卸船机全自动系统应用[J]. 起重运输机械[J], 2019 : (6).

[6] 王晓军. 桥式抓斗卸船机前馈防摆控制研究[J]. 自动化控制, 2018 : (15).

[7] 迟焕业, 任晓东. 自抗扰控制器在桥式卸船机抓斗定位和防摆控制中的应用[J]. 港口科技, 2022 : (04).

[8] 宋郁珉, 孙浩, 李湛, 等. 基于非完整点云法线滤波补偿的散货船舶舱口识别算法[J]. 计算机应用, 2024 : (12).

[9] 王建乔, 魏勇, 季雄冠, 等. 舱口识别方法在散货装船机自动控制系统中的应用[J]. 港口科技2021 : (20).

摘自《自动化博览》2024年9月刊