基于机器视觉的多机械臂煤矸石分拣机器人系统研究.pdf

工矿自动化 Ind ustr ya nd MineAuto ma tio n Vo l . 45 No . 9 Sep.2019 第45卷第9期 2019年9月 文章编号1671 251X201909 0047 07 DOI10. 13272/j. issn. 1671-251x. 17442 基于机器视觉的多机械臂煤肝石 分拣机器人系统研究 王鹏曹现刚夏晶吴旭东马宏伟12 1.西安科技大学机械工程学院％％陕西西安710054； ； 2.陕西省矿山机电装备智能监测重点实验室％％陕西西安710054 扫码移动阅读 摘要现有煤秆石分拣方法主要是根据煤和岩石的纹理特征值，利用图像处理和模式识别技术对煤秆石 进行识别分选，分选的煤広干石粒度为25〜150 mm,而对于150 mm以上的煤広干石仍依靠人工进行分选为 了对大粒度煤秆石进行分拣，设计了 一种基于机器视觉的多机械臂煤秆石分拣机器人系统％该系统采用机 器视觉采集煤秆石信息，应用深度学习方法实现煤秆石识别和抓取特征提取；在获取煤秆石序列信息后，根 据煤秆石位置进行排序工作，并通过多目标任务分配策略将抓取任务下达给相应机械臂控制器；机械臂获取 任务后，根据获得的任务对目标进行动态监测，当目标进入机械臂工作空间后由视觉伺服系统驱动机械臂完 成煤秆石分拣试验结果表明，该系统可对粒度为50〜260 mm的煤秆石进行高效、快速分拣，所采用的煤 秆石识别方法和分拣策略在不同带速下具有良好的稳定性和准确性，煤秆识别与定位的综合准确率可达 93，验证了该系统的可行性 关键词煤秆石分拣机器人；大粒度煤秆石；机械臂；煤秆石抓取特征；机器视觉；视觉伺服；多机械 臂协同控制 中图分类号TD67 文献标志码A Resea r c h o n mul ti-ma nipul a to r c o a l a nd g a ng ue so r ting r o b o t sys tem b a sed o n ma c h ine visio n WANG Peng12 , CAO Xia ng a ng12 , XIA Jing12 , WU Xud o ng12 , MA Ho ng wei12 1. Co l l eg e o f Mec h a nic a l Eng ineer ing , Xia n Univer sity o f Sc ienc e a nd Tec h no l o g y, Xia n 710054, Ch ina; 2. Sh a a nxi Key La b o r a to r y o f Mine El ec tr o mec h a nic a l Equipment Intel l ig ent Mo nito r ing , Xia n 710054, Ch ina Abstract Existing c o a l a nd g a ng ue so r ting meth o d s ma inl y use ima g e pr o c essing a nd pa tter n r ec o g nitio ntec h no l o g yto id entifya nd so r tc o a l a nd g a ng uea c c o r d ing to textur ec h a r a c ter istic va l ueso fc o a l a nd r o c k.Th eg r a insizeo fc o a l a nd g a ng ueis25-150 mm,wh il eth ec o a l a nd g a ng uea b o ve150 mmstil r el ieso n ma nua l so r ting . In o r d er to so r t c o a l a nd g a ng ue with l a r g e g r a in size, a mul ti-ma nipul a to r c o a l a nd g a ng ueso r ting r o b o tsystemb a sed o nma c h inevisio nwa spr o po sed .Th esystemusesma c h inevisio nto c olec tc o a l a nd g a ng ue info r ma tio n a nd a ppl ies d eep l ea r ning meth o d to r ea l ize c o a l a nd g a ng ue id entific a tio n a nd g r a b fea tur e extr a c tio n. After o b ta ining th e sequenc e info r ma tio n o f c o a l a nd g a ng ue, th e so r ting wo r kisc a r r ied o uta c c o r d ing to th epo sitio no fc o a l a nd g a ng ue,a nd th eg r a sping ta skisa ssig ned to th e c o r r espo nd ing ma nipul a to r c o ntr oler b y mul ti-o b jec tive ta sk a ssig nment str a teg y. After th e ma nipul a to r o b ta ins th e t a sk, th e t a r g e t is d yna mic a l l y mo nito r ed a c c o r d ing t o th e a c quir ed t a sk. Wh en th e 收稿日期收稿日期019-05-21；修回日期修回日期019-08-20；责任编辑责任编辑张强。 基金项目基金项目陕西省重点研发计划项目2018GY-160；陕西省教育厅服务地方科学研究计划项目18JC022。 作者简介王鹏作者简介王鹏1986 - 陕西西安人，工程师，博士研究生，研究方向为煤矿设备智能控制及机器人视觉伺服控制,E-ma ilkel a n47 126. c o m。 引用格式王鹏，引用格式王鹏，曹现刚刚，夏晶，等，等.基于机器视觉的多机械臂煤秆石分拣机器人系统研究工矿自动化，2019,45947-53 WANGPengCAOXia ng a ngXIAJing e,a l .Res ea r c h o nmul ,i-ma nipul a ,o r c o a l a nd g a ng ues o r ing r o b o ,s ys ,emb a s ed o nma c h ine vis io n] . Ind us tr y a nd Mine Auto ma tio n,2019,459 47-53. ・48・ 工矿自动化 2019年第45卷 ta r g et enter s th e wo r king spa c e o f th e ma nipul a to r , th e visua l ser vo system d r ives th e ma nipul a to r t o c o mpl e t e t h e c o a l a nd g a ng ue so r t i ng . Th e t es t r esul t s sh o w t h a t t h e sys t em c a n effic ien t l y a nd quic kl y so r t c o a l a nd g a ng ue w i t h g r a in size o f 50-260 mm, a nd th e a d o pted c o a l a nd g a ng ue id entific a tio n meth o d a nd so r ting str a teg y h a ve g o o d sta b il ity a nd a c c ur a c y und er d iffer ent b el t speed s, a nd th e c o mpr eh ensive a c c ur a c y o f c o a l a nd g a ng ue id entific a tio n a nd po sitio ning c a n r ea c h 93, wh ic h ver ifies th e fea sib il ity o f h esystem. Key words c o a l a nd g a ng ue so r ting r o b o t; c o a l a nd g a ng ue with l a r g e g r a in; ma nipul a to r; c a ptur e c h a r a c ter istic s o f c o a l a nd g a ng ue; ma c h ine visio n; visua l ser vo; c o o r d ina ted c o ntr o l with mul ti-ma nipul a to r 0引言 煤炭工业的绿色发展已经成为全社会关注的焦 点 清 工和利用是实现 工业绿色发 重中之重。 入选率是衡量 平 标，目 国家 入选率已 超 80，我国 入选率约为60。煤炭工 业 “十三五”规划明确提出,国家将煤炭清洁高 利 为能 型 立足点 要任 务，要求“十三五”末 入选率 75「门。 提升我国 入选率 ，任务艰巨。 〔煤 中分 是 要环节。传统 布干 工作主要在地面 人工完成，存 率低、劳 动强度大、工 恶劣等问题 放存 土地、污染大气、危 土、 灾变 等 列严重问题。 自动分选研究，国外较国内要早一些- 自20 60年代 ，世界各主要 国 国、 大利亚、英国、 、德国等都对 自动 分 统做了大量研究工作，先后提出了 20 分 别 方法，其中包括机械振动、雷达、 人工*射线、天然*射线、红外反射和无线电探测等 方法。英国 国 方面的研究成果较为突 出3*。我国 工业 较晚，20世纪50年代才 建立起自 工业。张 等⑷根； 特征值差别较大的特征，采用能量、对比 、相 为特征向量实现 自 动识别，且以爛值作为特征向量 别效果最 -刘富强等囚提出 新 与 别方 法，利用图像处 式识别技术对 进行识别 分选，提出以煤与 方图 值、方差 为 别的特征差异。张晨「6*进行 光电 密 别研究， 与 密 同进行识 别，识别完成后对 进行 ，通过高压气体实 现 分离。以上 分选方法主要是根据 特征值，利用图像处 式识别 技术对 进 行 别 分 分 为 25〜150 mm,而对于150 mm以上的煤石干石仍依靠 人工进行分选。为此，曹现刚等⑺在现 别技术基础上，提出了基于多机械臂协同 分拣方法。 分拣已 自动化、机器人 方向 。为了对大 进行分拣，本 文结合机器视觉、机器人和智能控制等技术，设计了 基 机器 多机械臂 分 机器人 统，可对粒度为50〜260 mm的煤肝石进行高效、快 分拣。 1系统设计 1. 1 系统硬件设计 基 机器 多机械臂 分 机器人 统由 别系统、机械臂、上位机、机器人控制 器、 统等组成，如图1 。 双目立体相机 煤肝石识别 U 机械臂1 TCP/IP通信 系乡宇甲,瞥沪曆系j 破*石 带式输送机带速检测装置 -机械臂2 i视觉伺服系统 机器人 控制器 图1基于机器视觉的多机械臂煤肝石分拣机器人系统构架 Fig .1 Str uc tur eo fmul ti-ma nipul a to r c o a l a nd g a ng ue so r ting r o b o t system b a sed o n ma c h inevisio n 别系统主要通过双目立体相机进行拍 摄，并 图像传到上位机。上位机对煤与 图像进行处理，包括煤与 别以 位 处理。 以外，上位机同时对识别后的 进行抓取特征提取，确定机器人手爪 取 j 上位机 取 ， 进行 排序工作，并 多目标任务分配策 取任务 相应机械臂控制器。机械臂 任务 对目标进行监测，当目标进入机械臂工 间后由 统驱动机械臂完成 分拣。 2019年第9期王鹏等基于机器视觉的多机械臂煤秆石分拣机器人系统研究・49・ 1. 2 系统软件方案 1.2.1软件开发平台 在Wind o ws系统环境下，以VS2015作为软件 开发平台，选择运行于 NET Fr a mewo r k之上的高 级程序设计语言Visua l C语言作为程序开发环 境。在选择视觉软件时需要考虑与相机的兼容性、 硬件的扩展性以及软件的易用性和算法速度与摄像 机的兼容。选用的ZED相机支持多种平台、多种语 言开发，能够很好地与机器人控制系统融合。煤肝 石分拣机器人视觉伺服系统包括2个部分一是煤 肝石识别模块，通过双目视觉完成煤肝石识别和抓 取特征提取;二是视觉伺服控制模块,主要通过视觉 伺服技术完成煤肝石动态跟踪和抓取。 1.2.2软件模块设计 系统软件运用结构化设计，总体结构如图2所 示，分为信息获取层、数据处理层和机械臂控制层。 煤肝流 图像获取与预处理 信息获取层 基于深度学习的煤肝石 识别与特征提取模块 煤肝石信息序列 多任务分配策略 数据处理层多机械臂协同策略 大块煤肝石为准则。当机械臂获取任务后，在对煤 肝石进行跟踪和拣取时，需要根据相邻机械臂的位 置和后续动作进行协同控制，以免发生撞车事故。 为了保证整个系统信息的实时性，采用工业以太网 通信，实现上位机和机械臂控制器的数据通信和指 令传输。 3机械臂控制层。机械臂控制层主要包括机 械臂 控制 、 机械 取控制 和底层控制模块。机械臂视觉伺服控制模块通过手 眼系统实时获取任务目标位姿，并通过图像雅克比 矩阵计算机械臂控制参数，实现对移动目标的动态 跟踪。当机械臂末端跟踪上目标后，由机械手稳定 抓取控制模块根据煤肝石姿态进行稳定抓取，确保 抓取成功。该模块通过煤肝石大小和质量对机械臂 手爪抓取力进行自适应控制。机械臂底层控制主要 采用PID控制方法。 2系统实现的关键技术系统实现的关键技术 2.1 别技术 煤肝石识别以机器视觉为基础，将采集的煤肝 图 为训练 合深 学 技术 训练 样本对深度网络进行训练，最终获取煤肝石识别卷 积神经网络模型。为了训练识别效果好的网络模 型，需要提供大量不同的煤肝石图像数据，让其自动 学习图像中的特征，确定模型参数，以优化模型。煤 肝石目标识别方法如图3所示。 |多机械臂数据通信模块| |机械臂视觉伺服控制模块| 机械臂控制层 |机械手稳定抓取控制模块| 机械臂底层控制模块 图2系统软件总体结构 Fig .2 Over als,r uc ,ur eo fsys,emso f,wa r e 1 信息获取层。该部分通过视觉伺服系统获 得煤肝石图像，并进行图像预处理，关键是对重复对 象进行去重复处理，在获得高质量的图像后，再由训 练好的煤肝石识别深度学习模型对图像中的目标进 行识别和抓取特征提取。当完成识别任务后，对煤 肝石信息进行排队处理,生成煤肝石信息序列，并将 数据序列发送至数据处理层。 2 数据处理层。数据处理层是整个软件系统 部分 取 序列 统 肝石的位置信息以及当前各机械臂的工作状态进行 多任务、多机械臂任务分配。分配策略以最大化分 拣煤肝石为目标，当机械臂任务量超量时，则以拣取 图3煤肝石目标识别方法 Fig .3 Ta r g e,id en,ific a io n me,h o d o fc o a l a nd g a ng ue 在对网络进行训练前，必须对采集的图像进行 预处理，常用的方法有尺寸归一化、标注、高清化和 去重复等，主要目的是获取高质量的煤肝石图像。 卷积神经网络中 卷积 与 合 自动提取煤肝图像特征，得到特征映射图，再经过 RPNReg io n Pr o po sa l Netwo r k提取煤或石干石的 候选区域，最后输出图像中煤或肝石目标的分类结 果民11*。卷积神经网络结构如图4所示。 通过对不同煤肝混合样本进行实验，得到各类 样本的识别结果。煤肝石目标识别效果如图5所 示，图中矩形区域即为目标定位区域，矩形区域上 Ga ng ue、Co a l 为 目标 别为 或 煤及其对应概率。由于不同煤种表面色泽和质地的 ・50・工矿自动化2019年第45卷 卷积层 卷积层池化层卷积层池化层全连卷积层 卷积层池化层卷积层池化层全连 通层通层 图4卷积神经网络结构 Fig .4 S,r uc ,ur eo fc o nvo l u,io na l neur a l ne,wo r k ■ Co a l 0.99 司 |Ga ng ue0.943||Ga ng ue0.943| |Ga ng ue0.897||Ga ng ue0.897| 图5煤肝石目标识别效果 Fig .5 Ta r g e,id enific a ,io nefec ,o fc o a l a nd g a ng ue 不同，其识别效果也有差异。对不同 进 行识别实验，通过对多次实验结果进行统计,煤肝目 标识别综合准准确率 93，完成时间为50 ms。 2. 2 煤秆石抓取特征提取技术 别系统 成煤肝石识别外，还需 要 形状生成 取特征征。抓取表 达方法主要 个抓取点 方法、多接触触点抓取 方法和抓取矩矩形 方法。抓取矩矩形 方法 对 取的浅层特征，如颜色特征、深度特征及 法向量特征征等。与抓取点 方法和多接触触点表达 方法要求输入较深 特征不同， 取矩矩形表 方法 型的建立，要求模型实现从大 量抓取 浅层特征征中自主学 取的深层特 征征， 方法 深度学习算法建立 分类器，如文献2］采用深度神神经网络，文献［13-16 卷积神神经网络。 文 平面内的抓取矩形来表达目标区 取性，抓取矩形 方法是 高维的表 方法， 认为正矩矩形 对 目标 C 对 器是可以成 取的，负矩形样本则 导 取失败。二维平面内一个抓取矩形可以用 5个参 述 f {uhIoj} 1 式中，为抓取矩矩形中心点O在图像平面内的坐 标 为抓取姿态的三维方向如欧拉角；n为夹持 器开合宽度，假定夹持器抓取 参数为K时，关 器可成 体抓取。 2. 3 机械臂控制技术 机械臂控制系统主要由机器人控制器、伺服驱 动系统 统等组成，如图8 。 当 别系统完成识别工 ，将煤肝石 TCP/IP 上位机。上位机 J 分 分拣任务分 各个机械臂控制 器，再由机械臂完成分拣工作。其中机械臂的路径 规划采用 B-RRT* Bid ir ec tio na l Ra pid l y-expl o r ing Ra nd o m Tr ee规划算法。该算法是 式 2019年第9期王鹏等基于机器视觉的多机械臂煤秆石分拣机器人系统研究・・51・ ・ 机器人 控制器 TCP/IP通信 驱动器 胡/訥疵涵d M Q於 机械臂］机械臂］机械臂］手抓1 机械臂2机械臂2机械臂2 手抓2 X轴 Y轴 Z轴 C轴及 X轴 Y轴 Z轴 C轴及 开合控制 开合控制 图8多机械臂控制构架 Fig .8 Mul ti-ma nipul a to r c o ntr o l str uc tur e 策略和贪婪算法的RRT随机采样算法的基础上， ， 向 策 基 等式的路径优化算 法,具有更高规划成功率，能够更快地收敛 优路 径代价。 。 统中，每个机械臂由一个控制器进行 控制，实现机械臂X轴、Y轴、Z轴（ （ 合 控制。。机械臂 以太网 上位 机，通过相应控制策略实现机械臂间相互协作。 。 3基于多机械臂协同的煤肝分拣策略 为了实现肝石的最大化分拣，需要对多机械臂 进行协同控制。。当 别系统对 进行识 别后，会生成 标序列，如图9 ，图中Pk为 标,L为存放点间距，认为带式 机 每个机械臂 已知的工作空间，如何对 分 任务进行合理分配能 统分 率最大是 分拣策略需要 要问题。 。 厶 丄 厶 拾取区域3 拾取区域2、拾取区域1 \ -14 *2 存放点3存放点2 存放点1応习拾取路径 图9肝石序列 Fig . 9 Ga ng ue sequenc e 在进行策略规划时，主要 当前位置 和机械臂工 。。当获取 序列时，首先对 按 与机械臂之间沿带式 机运行方向 距离进行重新排队,将距离 排在队 程实时进行。。当 进入分拣区 遍历机械臂群工 ， ， 标 1至 机械臂，然后由该机械臂执行分拣任务。如果 不存 机械臂，判断当 是否超出分 果超出则放弃分选，如果 分拣区 返回排队程序，重新分配。。基于多机械臂协同的 煤肝石分拣策略流程如图10所示。 。 图10基于多机械臂协同的煤肝石分拣策略流程 Fig .10 Fl o wo fc o a l a nd g a ng ueso r ting str a teg yb a sed o n mul ti-ma nipul a to r c o o r d ina tio n 4 实验验证 根据煤石干石分拣现场工况，设计了桁架式双机 械臂机器人系统，如图11所示。 。 图11桁架式双机械臂分拣机器人样机 Fig .11 Tr ussd o ub l e-ma nipul a to r so r ting r o b o tpr o to type 机械臂煤肝石分拣机器人 标四自 由度（X， ，Y， ，, C）结构，X， ，Y， ，轴速度为2 m/s， ，加 速度为4 m/s2，三轴重复精度为0. 02 mm。为了对 为50〜260 mm 进行分拣， ，机械臂末 端 行程可控的气动机械手爪， ，如图12 ， ，机 械手行程为0〜270 mm。 。 另I］ ZED双 目立体相机。 。 实验室样机进行分拣实验， ，测试在不同带速 下对 为50〜260 mm 进行在线识别、 、分拣策略的准确 。抓取 为 ・・52・ ・ 工矿自动化2019年第45卷 由表1可知，所设计的双机械臂煤肝石分拣机 器人可以对粒度为50〜260 mm的煤石干石进行分 , , 别方法在不同带 良 ，识别率较高；同时本文所提出的分拣策 较高的准确率 。。而 同带 抓 取率 低 , , 实验中观察发现，当带速提 高时，计算 取位置误差较大,导致抓取失败。。后 期 机器人抓取动态目标方面进行深入研究。 。 300块石干石和100块煤，样机实验纟口果见表1。 。 图12气动机械手爪 Fig .12 Pneuma ic g r ipper o fma nipul a ,o r 表1煤肝石分拣机器人实验结果 Ta b l e1 Exper imen,a l r esul ,so fc o a l a nd g a ng ueso r ing r o b o , 带 mm・厂1 别机械臂1任务机械臂1漏 机械臂2 任务机械臂2 漏抓取率别率 300282150 113210. 993 30. 940 0 400281151213030. 982 20. 936 7 500283148413530. 975 30. 943 3 600284140514240. 968 30. 946 7 5结论结论 1 针对现有煤肝石分拣方法存在的问题，结 合机器 技术、机器人技术和人工智能技术设计了 基于机器 多机械臂 分拣机器人系统- 统能够在线进行 另IJ,并进行抓取任务分 ，机械臂根据协同分拣策略进行 分拣。 。 2 对 分拣机器人构成及工作原理 的深入分析研究，确 别、定位、分配策略 及分拣方法，并 基础上建立了基于机器视觉的 多机械臂 分拣机器人样机。样机实验结果表 ，双机械臂 分拣机器人可对 为50〜 260mm 进行高 、 、 分 ， ， 别方法 分 策 同带 良 准确性。。同 验 统 行性， ， 为 分拣提供 新方法。 。 参考文献References 1 *中国煤炭工业协会.中国煤炭工业改革发展年度报 告2016年度发布［J*.中国煤炭,2017,43210. Ch ina Co a l Ind ustr y Asso c ia tio n8Annua l r epo r t o n th e r efo r m a nd d evel o pment o f Ch ina s c o a l ind ustr y 2016［J*. Ch ina Co a l ,2017,432 10. 2 *宋晓茹.基于ARM和CPLD的煤肝石在线自动分选 系统研究［D*.西安西安科技大学，2006. 3 *程栋，滕召胜，黎福海，等.基于双能*射线的煤炭灰 分测量模型及其应用［J*.湖南大学学报自然科学 版,2014,41599105. CHENG Do ngTENG Zh a o sh engLI Fuh a iet a l Co a l a sh mea sur ement mo d el a nd its a ppl ic a tio n b a sed o n d ua l -ener g y *-r a y J *. Jo ur na l o f Huma n Univer sityNa tur a l Sc ienc es ,2014,415 99-105. 4 *张万枝，王增才.基于视觉技术的煤岩特征分析与识 别J*.煤炭技术,2014,3310 272-274. ZHANG Wa nzh i, WANG Zeng c a i . Ana l ysis a nd id entific a tio no fc o a l a nd r o c kc h a r a c ter istic sb a sed o n visua l tec h no l o g yJ* Co a l Tec h no l o g y 2014 3310 272-274 5 *刘富强，钱建生，王新红，等.基于图像处理与识别技 术的煤矿石干石自动分选J*.煤炭学报,2000,25 5 534-537 LIU Fuqia ng, QIAN Jia nsh eng, WANG Xinh o ng, eta l Auto ma tic so r ting o f c o a l g a ng ue b a sed o n ima g e pr o c essing a nd r ec o g nitio n tec h no l o g y J * Jo ur na l o f Ch ina Co a l So c iety,2000,255 534-537. 6 *张晨.煤肝光电密度识别及自动分选系统的研究 D* 中国矿业大学 2013 7 *曹现刚，费佳浩，王鹏，等.基于多机械臂协同的煤肝 分拣方法研究J*.煤炭科学技术20194747-12. CAO Xia ng a ngFEI Jia h a oWANG Penget a l Resea r c h o n c o a l a nd g a ng ue so r ting meth o d b a sed o n mul ti-a r m c o o r d ina tio n J * Co a l Sc ienc e a nd Tec h no l o g y2019 4747-12 8 *张宁波，刘长友，陈现辉，等.综放煤肝低水平自然射 线的涨落规律及测量识别分析J*.煤炭学报，2015, 40 5988-993 ZHANG Ning b oLIU Ch a ng yo uCHEN Xia nh ui eta l Mea sur ement a na l ysis o n th e fl uc tua tio n c h a r a c ter istic s o f l o w l evel na tur a l r a d ia tio n fr o m g a ng ue J * Jo ur na l o f Ch ina Co a l So c iety2015 40 5988-993 9 *徐琦，孔力，程晶晶.基于生态遗传算法的煤肝石自适 式识别J*.华中科技大学学报自然科学 版,2003,31122224. 2019年第9期王鹏等基于机器视觉的多机械臂煤秆石分拣机器人系统研究・53・ XU Qi, KONG Li, CHENG Jing jing . Ad a ptive fuzzy pater n r ec o g nitio n o fc o a l g a ng ue b a sed o n nic h e g enetic a l g o r ith m J *. Jo ur na l o f Hua zh o ng Univer sity o f Sc ienc e a nd Tec h no l o g y Na tur a l Sc ienc e Ed itio n ,2003,3112 22-24. [10*刘文中，孔力，瞿坦煤歼石自适应神经元网络识别方 法研究[J*选煤技术20023 22-24. LIU Wenzh o ngKONG LiQU Ta n8Resea r c h o n a d a ptiveneur o na l netwo r kid entific a tio n meth o d fo r c o a l g a ng ue [J*. Co a l Pr epa r a tio n Tec h no l o g y, 2002 322-24 [1*李文斌，杨剑瑜，文建国光电选歼识别系统的研制与 测试[J* .器仪表学报 2001,223265-268 LI Wenb in, YANG Jia nyu, WEN Jia ng uo . Th e ma nufa c tur ea nd tes to fd isc r imina ting ph o to el ec tr ic system fo r sel ec ting wa ste r o c k[J*. Ch inese Jo ur na l o f Sc ientific Instr ument2001 223265-2688 [12* LENZ I, LEE H, SAXENA A. Deep l ea r ning fo r d etec ting r o b o tic g r a sps[J*. Th e Inter na tio na l Jo ur na l o fRo b o tic sResea r c h 2015 344-5705-724. [13* VARLEY J , WEISZ J , WEISS J , et l Gener a ting 上接第33页 LIFeng CUIXimin SUN Gua ng to ng eta l 8Appr o a c h o fd etec ting c o a l fir es b y unma nned a er ia l veh ic l e th er ma l infr a r ed r emo tesensing tec h no l o g y[J* Sa fety inCo a l Mines2017 481297-1008 [4 *邵振鲁,王德明,王雁鸣.煤田火灾探测方法研究进展 煤矿安全，2012,438 89192. SHAO Zh enl u WANG Deming WANG Ya nming 8 Res ea r c h pr o g r ess o fc o a l fiel d fir ed etec tio n meth o d [J*.Sa fetyinCo a l Mines2012 438189-192. [5 *陈彤无人机遥感技术现状与应用电子技术与软 件工程，2019410. [6*庄培,张翔宇,谢凯,等.六旋翼无人机飞行控制系统 研究江苏航空，20183023. [7*常怡鹏,王小平,徐浩军,等.新构型旋翼无人机的模 糊免疫PID控制[J/OL*飞行力学.[2019-06-02*. h ttps//d o i o r g /10. 13645/j. c nki. f d . 20190415. 001 CHANG Yipeng WANG Xia o ping XU Ha o jun eta l Fuzzy immune PID c o ntr o l o f a new c o nfig ur a tio n r o to r UAV [J/OL*. Fl ig h t Dyna mic s. [2019-06-02* htps//d o i o r g/10 13645/j c nki f d 20190415 001 [8 *张建学.多旋翼无人机飞行控制系统设计研究电 制 20191027-28 mul ti-fing er ed r o b o tic g r a spsvia d eepl ea r ning[C*// 2015 IEEE/RSJ Inter na tio na l Co nfer enc e o n Intelig ent Ro b o ts a nd Systems IROS 2015 4415-4420 [14* REDMON J ANGELOVA A Rea l -time g r a sp d etec tio nusing c o nvo l utio na l neur a l netwo r ks[C*// 2015IEEEInter na tio na l Co nfer enc eo n Ro b o tic sa nd Auto ma tio n ICRA 20151316-1322 [15* PINTO L GUPTA A Super sizing sel f-super visio n Lea r ning to g r a spfr o m50ktr iesa nd 700r o b o th o ur s [ C *//2016 IEEE Inter na tio na l Co nfer enc e o n Ro b o tic s a nd Auto ma tio nICRA 20163406-3413 [16* GUALTIERI M TENPAS A SAENKO K eta l Hig h pr ec isio n g r a sp po se d etec tio n in d ense c l u ter [C*//2016 IEEE/RSJ Inter na tio na l Co nfer enc e o n Inteli