無人抓斗行車火車發貨關鍵技術研究與應用

摘要：當前，鐵精礦粉末火車發貨環節存在效率低下、人力成本高、安全隱患多等問題。鑒于此，以無人抓斗行車抓取鐵精礦粉末裝載火車為例，針對無人系統中的多節火車車廂定位、車號與噸位識別、投料點選取等關鍵技術進行研究與攻關，并將相關成果應用到抓斗行車自動裝載火車業務中。經驗證，技術改進后能減少人力成本，提高抓斗行車工作安全性，實現安全高效運行。

關鍵詞：抓斗行車；無人化；邊緣檢測；文本識別

中圖分類號：TP273" " 文獻標志碼：A" " 文章編號：1671-0797（2024）22-0084-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.22.021

0" " 引言

抓斗行車作為一種高空重載輔助運輸工具，在礦山等工業領域具有極高的應用價值。無人抓斗行車可以根據調度指令自主運行[1]，作為智能化物流系統的重要組成部分，其在火車發貨環節的應用，對于提高物流效率、降低人力成本、增強作業安全性等優勢顯著。

在無人值守抓斗行車的火車裝車業務中，火車的位置為非固定，但從安全和效率的角度出發，對貨物裝進車廂的位置有一定要求[2]。因此，本文研究了無人抓斗行車自動裝車的關鍵技術，設計了一種基于三維分布特征的無人值守抓斗裝火車方案，包括多節火車車廂定位、火車車號和噸位識別、投料點分析和選取規劃等。

1" " 多節火車車廂定位

無人抓斗行車采用雙梁式起重機，在行車抓取鐵精礦粉末裝車的過程中，大小車按軌道雙向移動，在大車上裝配3D雷達，3D雷達隨行車大車移動并掃描下方料倉，實時獲取現場料帶高度和火車相關圖像數據。圖1為火車與料倉相對位置實景。火車定位是在雷達獲取的三維掃描圖上進行火車邊緣檢測[3]，獲取火車四個頂點的坐標以確定火車的位置，在此基礎上提取出火車矩形頂點的坐標。火車定位流程如圖2所示。

圖3為雷達獲取的火車三維建模俯視圖，采用灰度化和高斯濾波對其進行預處理，降低噪聲對下一步邊緣檢測的影響，獲得邊緣檢測的初始圖像如圖4所示。接下來采用Canny算子對預處理圖像進行邊緣檢測[4]，在Canny檢測的結果圖上增加圖像的二次處理，包括二值化和邊緣連接，并設定興趣區域roi掩膜，通過二次處理降低圖像中無關信息的干擾來提高識別效率。

為了提取火車中心點坐標，需要進一步尋找輪廓來檢測出精度較高的火車車廂的邊緣，從而進行矩形近似操作，圈畫出火車車廂的矩形。最后利用矩形近似相應的函數提取出火車車廂的四個頂點坐標，根據四個頂點坐標，便可求得火車車廂中心點坐標。圖5為最終結果圖。

2" " 火車車號和噸位識別

在火車裝貨系統中，火車車號是火車的唯一標識，能夠幫助系統準確定位、追蹤和管理各節車廂的裝載情況。系統通過車牌識別技術自動獲取火車車號，經重量檢測設備實時獲取車廂的凈重信息。以上環節可實時監控和記錄每節車廂的裝載情況，方便運輸調度和數據統計分析。在裝載結束后，系統根據記錄的車號與噸位信息生成裝貨報表或運輸單據。

火車車號識別由OCR光學字符識別算法實現，根據大量現場車輛圖片制作相應的數據集，在制作的數據集基礎上訓練生成推斷模型。利用上述數據集和推斷模型對車號和噸位進行標注，通過自動化方式提高標注效率，進一步提高訓練模型的識別效率和精度。識別出的車號和噸位信息將提交給發貨系統并存儲在txt文件中，為車輛調度和運輸提供參考依據。

通過準確識別火車車號和噸位信息，系統可以實現對裝載過程的精準監控和管理，確保裝載操作的準確性和高效性。圖6為現場火車的實物圖及識別結果，其中CF60表示該節車廂噸位為60 t，8103為該節車廂的車號。

3" " 投料點分析和選取規劃

在火車裝載系統中，系統結合車廂位置、投料量等因素，自動選擇合適的投料點進行裝載，以確保裝貨的準確性和高效性。考慮到抓斗行車屬于空中重載設備，投料點的選取應當充分考慮現場人員和設備的安全，同時要確保企業的經濟效益。此外，在裝載和運輸過程中，也要考慮到裝車和運輸時不會導致車輛翻車、盡可能使物料不拋灑出車廂的安全性。

在火車定位獲取的數據基礎上，可以得到火車車廂的中心點坐標。為了確保物料分布均勻和裝載安全，設計下列投料方法：假設需要裝載N斗，若N為奇數則從車廂中心點開始裝載，若N為偶數則以中心點為對稱中心向兩側裝載。

已知數據：火車車廂長度為LC，抓斗完全張開的長度為LZ，火車的載重為Wa，抓斗的抓取次數為N，抓斗某一次抓取的重量為Wi，則抓斗每一次抓取的平均重量為Wb=，火車中心點坐標為（X0，Y0）。

出于安全考慮，布料時車廂前后需分別預留一部分的安全空間，將投料區總長度定義為L△，令前后安全距離等于抓斗張開長度的一半，即預留長度為LZ的安全空間，則總共需預留安全空間的長度L△=

LZ，以此得出，布料區域的長度為：

Lb=LC-L△=LC-LZ" （1）

需要抓取的次數為N，每個布料點的間隔距離為：

D=" （2）

當抓取的次數N為奇數時：將第一個布料點位定位在火車的中心點，每個布料點位的間隔長度為D，如圖7所示。

當抓取的次數N為偶數時：分別將第一、第二個布料點位定位在火車中心點前后，兩者與中心點的間隔長度都為D，兩者間隔長度為D，所有相鄰布料點之間的距離仍為D，如圖8所示。

根據上述內容，設火車車廂的中心點坐標為（X0，Y0），第n次的布料點位坐標為（Xn，Y0）。

當抓取次數N為奇數時：

根據上述規律可以得出，當抓取次數N為奇數時：

當抓取次數N為偶數時：

根據上述規律結合N為奇數時的公式，可以得出，當N為偶數時：

綜上，結合式（5）和式（6）兩種情況得出：

4" " 現場結果分析

4.1" " 火車定位結果分析

圖9為火車車廂頂點坐標值，根據火車實際尺寸篩選出其中的有效數據，即Rectangle 4和Rectangle 5的坐標數據，將此數據與MATLAB三維圖中的火車實際坐標進行對比，可得出其中橫坐標最大偏差為7個像素，最低為1個像素，橫坐標的平均偏差約為3個像素。因為火車軌道固定，可將火車中心點的縱坐標Y0視為定值。根據邊緣檢測數據求得的兩節有效火車車廂中心點的橫坐標為364和596。實際的火車車廂中心點橫坐標在361～365和594～598范圍內，可見邊緣檢測獲取的中心點坐標較為準確。

根據邊緣檢測得出的火車車廂的四個頂點坐標，可以求得火車車廂中心坐標點，與實際火車車廂中心坐標點范圍相符合。

火車定位誤差約在4個像素，一個像素代表0.05 m，即誤差在0.2 m范圍之內，在允許誤差范圍內，且可以同時識別多列火車車廂，滿足了火車定位的要求。

4.2" " 車號和噸位識別結果分析

車號識別系統采集到的圖像如圖10所示，識別結果如圖11所示，對比圖10車號識別輸入圖像和圖11輸出圖像，噸位和車號可以在圖中準確定位和識別，輸出結果噸位為CF60，車號為8103，與實際一致。

對不同噸位和車號火車的識別結果進行統計，得到表1數據，表明噸位和車號識別準確率達到要求，且對不同的車號和噸位都可以正確識別。

4.3" " 投料點規劃選取結果分析

結合抓斗行車實際運行情況，從圖12現場火車實際裝載圖片進行分析，投料點較為合理，物料拋灑在合理范圍內。以60 t火車為例，根據火車位置和噸位信息進行投料規劃，投料總次數為9次，對應的投料點符合實際。

5" " 結束語

無人抓斗行車可以實現自動化的物料運輸，提高了運輸效率和準確性。通過與智慧礦山管理系統結合，無人抓斗行車可以根據調度指令自主運行，避免人為操作誤差，減少運輸成本。在礦山作業中，火車發貨過程存在一定的安全風險，無人抓斗行車的應用可以減少人員介入，降低事故發生概率，提升礦山作業的安全性。

[參考文獻]

[1] 劉松平，彭媛.無人化智能行車在精礦庫的應用和關鍵技術探究[J].銅業工程，2022（4）：94-98.

[2] 朱明鈞.散料抓斗全自動行車設計與應用[J].銅業工程，2020（5）：89-92.

[3] 劉浩，任宏，趙丁選，等.基于亞像素定位的圖像邊緣檢測策略研究[J].農業機械學報，2024，55（2）：242-248.

[4] 于新善，孟祥印，金騰飛，等.基于改進Canny算法的物體邊緣檢測算法[J].激光與光電子學進展，2023，60（22）：221-230.

收稿日期：2024-07-08

作者簡介：苗田銀（1991—），女，天津人，講師，研究方向：工業生產自動控制與優化。