Page 20 - 2023年第54卷第6期

经过以上对智能冲毛装 备运 动学 模型的建 立 与 分 析 可 知，通 过 运 动 学 模 型 结 合 机 器 初 始 位 姿
（ｔ）］。位姿信息可作为 ＲＯＳ
［ ｘ ｙ θ ］可推算出任意时刻 ｔ智能冲毛装备的姿态［ｘ（ｔ） ｙ（ｔ） θ ０
０ ０ ０ ０
里程计的数据来源，里程计是衡量机器人从初始位姿到终点位姿的一个标准，可以提供智能冲毛装备
往特定方向的行进距离信息。
３．１．２ 路径规划方法 冲毛仓面内分布斜拉钢筋固定桩、转梯等多种障碍物，需要根据工作区域、障
碍物位置，规划智能冲毛装备的作业路径，避免发生碰撞。通过获取仓面角点坐标、障碍物坐标，划
分作业条带，完成全局路径规划；根据 ３．１．１节建立的运动学模型，通过对运动过程中的各个具体位
姿点采样，并根据采样得到运动轨迹，分析运行路径障碍物具体位置及其与智能冲毛装备的距离，实
现智能冲毛装备的动态避障和局部路径规划。
在世界坐标系中，设智能冲毛装备坐标参数集合为：
Ｓ ＝ ｛ｘ，ｙ，ｌ，ｂ｝ （７）
０
０
Ｔ
式中：Ｓ为智能冲毛装备参数集合，ｌ，ｂ分别表示智能冲毛装备的长宽尺寸信息；ｘ，ｙ为智能冲毛
Ｔ ０ ０
装备的位置，具体表达见式（ ６）。
设仓面坐标参数集合为：
Ａ
Ａ
Ｃ
Ｄ
Ｄ
Ｃ
Ｂ
Ｂ
Ｓ ＝ ｛Ａ（ｘ，ｙ），Ｂ（ｘ，ｙ），Ｃ（ｘ，ｙ），Ｄ（ｘ，ｙ）｝ （８）
Ｃ ０ ０ ０ ０ ０ ０ ０ ０
式中：Ｓ为仓面坐标集合；Ａ，Ｂ，Ｃ，Ｄ为仓面角点在世界坐标系下的坐标边角点；ＡＢ为起点横缝，
Ｃ
ＣＤ为终点横缝。由于智能冲毛装备体积较大，仓面边界与作业区域之间需预留安全距离，设起点横
缝安全距离为智能冲毛装备长度 ｌ，终点横缝位置的安全距离为 ０．５ｌ，上下游安全距离为智能冲毛装备
宽度 ｂ。
设仓面障碍物坐标参数集合为：
ｍ
ｍ
ｎ
２
１
１
ｎ
２
Ｓ ＝ ｛Ｗ （ｘ，ｙ），Ｗ （ｘ，ｙ），……，Ｗ （ｘ，ｙ），Ｗ （ｘ，ｙ）｝ （９）
０
０
１
０
２
０
ｎ
ｍ
０
０
Ｗ
０
０
ｎ
ｎ
式中：Ｓ 为仓面障碍物坐标参数集合，ｘ，ｙ分别表示障碍物中心在世界坐标系下的横坐标、纵坐标；
Ｗ ０ ０
Ｗ 为第 ｎ个障碍物；障碍物中心四周 １ｍ的矩形区域（矩形四边与工作区域四边平行）作为障碍物
ｎ
范围。
设相邻障碍物Ｗ ，Ｗ 在 ＡＢ方向上的距离为：
ｎ
ｍ
ｍ
ｚ ＝ ｘ－ ｘ ｎ （１０）
０ ０
条带划分如图 ４所示。当 ｚ＜ｂ，则相邻障碍物所在条带均
为 Ｍ型，同样单个孤立障碍物所在条带也为 Ｍ型；若存在超过
两个 Ｍ型条带相邻，则记为 Ｃ型条带；没有障碍物的条带记为
Ｎ型条带。若智能冲毛装备经过 Ｍ型条带，则调整方向绕过障
碍物进行冲毛作业；若智能冲毛装备经过 Ｃ型条带，则在到达
障碍物范围前，更换至下一条带进行冲毛作业，未完成冲毛的
部分进行补冲毛。
３．２ 基于深度残差网络的冲毛质量图像识别算法 针对传统的
冲毛质量依赖现场监理根据混凝土表面图像特征评估的方式存
在主观性强的不足，提出基于深度残差网络（ ＲｅｓｉｄｕａｌＮｅｔｗｏｒｋ，
ＲｅｓＮｅｔ）模型 ［３１ － ３２］ 的机器视觉技术，通过对混凝土表面冲毛图 图 ４ 冲毛条带划分
像进行分类，实现冲毛质量的识别。
３．２．１ ＲｅｓＮｅｔ － １０１模型网络结构 为了平衡计算时间和模型性能，本文采用 １０１层深度的 ＲｅｓＮｅｔ模
型。经过数据增强后的图片从输入层到达第一个卷积层，卷积核大小为 ７ × ７，再通过第一个非线性激
励层处理，将输出的图像经过的池化层进行降维处理。整个网络在第一个卷积层之后分成了 ４个残差
模块，经过 ４个残差模块的操作，输出特征图。对于非线性激励层，均采用 ＲｅＬＵ激活函数；对于池
化层，均采用尺寸大小为 ３ × ３的最大池化层，以上结构完成了输入图像的特征提取和降维。
在上述的基础上，为防止网络过拟合，采用 ｄｒｏｐｏｕｔ稀疏化网络方法滤掉 １０％的神经元，从而提
８
— ６ ４ —