本文摘要：摘要：針對散料港口無人化取料機往復取料效率低，毫米波雷達感知數據集噪聲多、波動頻繁、數據不平衡導致現有機器學習分類模型效果欠佳等問題，提出了一種基于改進模糊孿生支持向量機結合近鄰算法的孿生重疊敏感邊距分類器的料堆邊界感知方法。首先，利用毫
摘要：針對散料港口無人化取料機往復取料效率低，毫米波雷達感知數據集噪聲多、波動頻繁、數據不平衡導致現有機器學習分類模型效果欠佳等問題，提出了一種基于改進模糊孿生支持向量機結合近鄰算法的孿生重疊敏感邊距分類器的料堆邊界感知方法。首先，利用毫米波雷達獲取料堆邊界掃描數據并進行預處理，依據空間分布以及作業特點設計提取點云的10維特征，組成料堆點云樣本數據集;其次，引入改進模糊隸屬度函數的模糊孿生支持向量機，將料堆點云樣本數據集劃分為重疊與非重疊區域;然后，采用模糊孿生支持向量機決策邊界、近鄰算法分別對非重疊與重疊區域樣本進行分類，以提高對不平衡數據集的分類能力;最后，將得到的分類結果加入感知環節，達到料堆邊界感知目的。在人工作業雷達采集的數據集上的實驗表明，所提出感知方法有效提高了對少數類的識別能力。現場實驗表明，改進后的感知方法更接近操作員的判斷，斗輪空轉時間占比減少15.1%，提高了無人化取料機的作業效率，對無人化散料港口的建設具有參考意義。
關鍵詞：毫米波雷達點云不平衡數據集模糊支持向量機孿生支持向量機智慧港口
引言
智慧港口是國家倡導的重點發展方向之一，也是現代物流向“智能化、綠色化、高效化”轉型升級的重要環節。其中散料港口無人化改造是智慧港口建設不可或缺的一部分，取料機作為散料港口中數量最多、使用率最高的機械設備，其單機作業效率對港口效益的影響最為顯著。
無人化運行取料機需要環境感知、智能決策、自動執行三個環節支撐，環境感知作為整個系統與外界信息交互的關鍵，能夠提高對自身狀態和作業環境的理解能力[1]，確保無人化系統安全高效運行。由于目前環境感知對料堆邊界識別效果差，取料機在料堆邊界減速時斗輪空轉時間長，導致取料效率低。因此，優化取料機感知環節對提高港口經濟效益、無人化程度以及助力智慧港口建設有重要意義[2]。由于環境感知環節中缺乏全面的料堆邊界感知手段，無法根據料堆輪廓進行減速位置預判，從而嚴重影響了取料機作業效率。
無人機論文范例：無人機測繪數據處理關鍵技術及應用的相關分析
近年來，超聲波雷達、激光雷達、毫米波雷達等傳感器以及機器學習算法在自動駕駛領域的廣泛應用為無人化取料機系統的環境感知提供了重要參考，使取料機感知系統可以獲取料堆輪廓的點云數據，通過機器學習分類算法對人工作業時正常取料過程“垛中”和料堆邊界減速過程“垛外”兩類點云數據學習，從而在無人作業時能夠預判取料機回轉減速位置。然而，在料堆輪廓點云數據的分類問題中，“垛外”樣本占樣本總數較少，且根據操作員的個人經驗標注樣本存在錯誤標注的問題。
取料機作業時伴隨的機械振動和塵霧水霧也會增加雷達掃描數據的噪聲。因此，料堆輪廓點云數據存在樣本數量不平衡、樣本重疊以及存在噪聲樣本的問題。上述問題在機器學習領域中被歸類為不平衡數據集問題，其主要包含兩類：類間樣本數量不平衡問題和類間樣本重疊問題。
由于傳統分類算法大多基于正確率(accuracy)最大化和樣本分布平衡建立模型，當訓練數據集不平衡時預測結果會出現偏斜性[3,4]，對少數類的分類性能明顯降低。目前針對不平衡數據集的解決方法主要有兩種，前者基于數據集的改造，通過重采樣平衡樣本數據集。如Chawla等[5]提出基于合成新數據的SMOTE過采樣算法，通過增加少數類樣本平衡數據集，Lin等[6]提出基于聚類的降采樣算法，剔除部分多數類樣本平衡數據集，以及Georgios等[7]提出means聚類結合SMOTE的重采樣算法，提高了合成數據的可靠性。后者則從機器學習算法改進出發，如Batuwita等[8]提出了FSVM和改變類間懲罰成本結合的方法(FSVMCIL)，對噪聲魯棒并改善了數據集預測結果的偏斜性。
Zhu等[9]提出了基于熵的矩陣學習機，并在實際應用中驗證了方法的有效性。Batista等[10]指出類間樣本重疊是造成分類算法性能下降的主要原因，而重采樣方法對解決樣本重疊問題幫助十分有限�，F有方法僅對樣本不平衡和樣本重疊單獨進行分析，在實際應用中兩類問題同時存在時處理結果不夠理想[11]。綜合來看，雖然數據重采樣處理不平衡數據集通用性比較好，但存在引入噪聲、損失關鍵信息、容易過擬合、對樣本重疊的數據集分類結果改善不明顯等問題[12]，所以算法改進更加適合解決實際問題。本文基于機器學習分類算法對取料機感知系統進行優化，提出通過學習人工作業采集的雷達點云數據特征，來模擬操作員對料堆邊界的感知方式。針對傳統方法對不平衡數據集處理能力較差的問題，提出了孿生重疊敏感邊距(twinoverlapsensitivemargin,TOSM分類模型。
對毫米波雷達點云進行預處理并提取特征組成樣本數據集后，使用改進的孿生模糊支持向量機fuzzytwinsupportvectormachines,FTSVM)將數據集分割為非重疊和重疊區域，并對非重疊區域樣本分類。在限制重疊區域樣本占總體比例的前提下，使用NN算法進行重疊樣本分類。點云的數據集分類實驗證明，所提出分類器性能優于傳統分類方法。加入TOSM方法的感知環節能預測出合理減速位置，較斗輪功率和距離預測的方法更接近人工作業，顯著減小了取料機在回轉邊界的斗輪空轉時間。
1料堆邊界感知方法
取料作業可分為以下四個過程：接受任務、走行對位、往復取料、到量停止。如圖所示，在接收中控室下發的作業任務后，取料機走行到指定料堆附近完成對位;繼而進入往復取料過程：懸臂向左側回轉取料，直至斗輪到達料堆左側邊界，回轉減速并向前進車，再向右側回轉取料;當取料量累積到任務額度，則抬升取料機懸臂，停止取料�？梢�，料堆邊界的感知信號參與了往復取料過程的控制，決定斗輪的回轉方向。因此，快速、準確的檢測料堆邊界對提高取料機的作業效率有重要作用。
投運的無人化散料港口中，料堆邊界的感知手段有測量料堆切削面與斗輪距離、斗輪負載功率、料堆模型計算。前兩種通過設定閾值判斷當前位置能否進車，但無法獲知理想進車位置。第三種方法受限于料堆模型誤差和數據更新滯后，實際效果不理想�，F有邊界感知方法均會在邊界導致斗輪空轉，降低取料效率。因此提出基于毫米波雷達的改進方式，通過雷達點云挖掘料堆輪廓特征，引入機器學習算法識別操作員對料堆形狀的預判，模擬人工對料堆邊界的處理。
2基于點云的料堆邊界感知
2.1料堆點云的獲取
目前，大場景點云獲取方式主要有雙目視覺、激光雷達和毫米波雷達，相比前兩者，毫米波雷達探測范圍大，對雨、霧、煙、塵的穿透能力強[13]，適合大霧天氣多、鹽霧濃度高、揚塵污染嚴重的散料港口�；诂F有條件在取料機斗輪左右兩側各安裝一臺毫米波雷達，采集作業中料堆輪廓點云，選用大陸集團ARS408毫米波雷達。
2.2料堆點云的預處理
掃描過程由于設備振動和環境變化將產生離群點，干擾后續算法應用。利用直通濾波與統計濾波算法進行預處理，確定興趣區域，濾除無效點，減少對數據分析的影響。直通濾波通過限制數據范圍剔除無效數據14]，為避免掃描到相鄰料堆影響后續點云分析，定義圓錐形料堆的興趣區域為圓形作業平臺范圍。根據相似三角形和休止角原理，在已知料堆堆積高度的情況下可計算出當前斗輪作業平臺的直徑。
2.3基于機器學習的邊界感知方法
工業智能化是工業生產轉型升級的重要趨勢，基于人工智能的建模、預測、診斷、優化、決策在工業領域不斷展現優勢。因此選擇機器學習算法識別取料過程點云特征，優化料堆邊界感知問題。操作員通過視覺感知可以預判料堆邊界提前減速，斗輪在料堆邊界空轉時間較短。通過標注好的點云數據樣本對機器學習模型訓練，將人工操作的取料機回轉減速過程點云和其他狀態點云進行區分，模擬人工作業對料堆邊界的判斷。
2.4點云樣本標注和特征提取
料堆邊界感知的理想效果是模仿人類通過視覺預判減速位置，使取料機回轉減速至靜止時，斗輪處于料堆邊界附近，既具備進車條件又不會在垛邊殘留過多散料。在點云標注中，將人工操作時取料機在料堆邊界的停止回轉角Δ作為理想值。取料機通過變頻器控制回轉電機，減速時可在1.6°回轉角內減速至靜止，結合設備操作規程和人工操作經驗，設置回轉制動裕量2.5°滿足減速需求，回轉到邊過程中將點云數據以Δ前2.5°為界，分別標注為“垛中”和“垛外”。
樣本標注完成后需提取點云特征進行學習15]，在數據分類問題中，樣本特征的選取直接關系到模型分類性能。顯然，較少的點云數據是不利于分析其特征的，但是自動執行環節要求料堆邊界感知信號頻率至少為1Hz，因此考慮數據采集和運算過程的時間，每次將雷達.5秒內采集的數據合并處理，依靠取料機搭載的工控機運算能力能夠滿足要求。雖然預處理時按雷達軌跡對毫米波雷達二維點云進行拼接，但雷達在短時間內的移動距離極小，料堆點云的局部特征區別不明顯。因此，采用法向量、曲率、FPFH作為分類特征并不理想。
3重疊敏感邊距分類器
3.1模糊孿生支持向量機
標準的模糊支持向量機FSVM)、孿生支持向量機TSVM)算法即使考慮了數量不平衡的問題，但支持向量仍集中在樣本重疊區域，導致非重疊區域的分類正確率較差。針對此問題提出了孿生重疊敏感邊距分類器twinoverlapsensitivemargin,TOSM)的不平衡數據集處理算法。
4實驗與結論分析
為驗證本文提出的感知方法和TOSM分類性能，分別進行了數據集測試和現場應用驗證�；贛ATLAB軟件，在雷達點云數據集上進行了分類性能測試。通過部署訓練模型的C++動態鏈接庫將識別方法加入感知環節，在取料機無人化重載調試過程進行了現場驗證，證明了該方法的可行性。
4.1模型評價指標的選擇
數據集不平衡的分類問題，個別典型評價指標會給出誤導性的分類能力評價，因此實驗中選擇了正確率Acc、查準率Pre、mean以及F1score四個指標衡量模型性能。
4.2TOSM分類實驗結果分析
采用TOSM分類器對不平衡數據集進行分類試驗，實驗數據采用2020年10月2021年月曹妃甸某港口取料機人工作業和自動作業過程中，在操作員嚴格按照規章作業的條件下采集的點云數據。實驗以操作員在邊界的回轉角作為理想值標準值。樣本數量的選取依據統計學習理論中泛化誤差界概念，在不引入噪聲的前提下盡量擴大訓練樣本數以降低泛化誤差18]。
5結論
本文針對無人化取料機的毫米波感知技術進行研究，利用機器學習模型分析人工作業時雷達點云數據特征，針對點云數據集的不平衡性導致分類難度增加的問題，提出一種基于重疊敏感成本的孿生模糊支持向量機(TOSM)，相比其他傳統方法更適合處理不平衡數據集�；赥OSM改進感知系統后，實現了取料機作業中預判減速位置的功能。重載實驗表明本文提出的感知技術比改進前增加了取料效率，降低了斗輪空載時間。
在后續工作中，重點考慮建立案例庫的方式進一步優化感知系統。通過記錄料堆煤種、數量、堆積方式、堆積位置以及整個作業過程的點云數據，訓練邊界感知模型。對新作業料堆，通過“身份信息”，選用案例庫中最相似的模型識別到邊減速位置。目前正在開展黃驊某礦石碼頭取料機改造工作，推廣時需根據現場作業規范收集數據訓練模型。綜上所述，基于機器學習優化感知系統的方法具有可行性與實用價值，為散料港口中無人化取料機的感知技術研究提供了探索經驗。
參考文獻
[1]柴天佑.工業人工智能發展方向[J].自動化學報,2020,46(10):20052012.CHAITY.Developmentdirectionsofindustrialartificialintelligence[J].ActaAutomaticaSinica,2020,46(10):20052012.
[2]陳致遠.黃驊港智能堆場研究[J].起重運輸機械,2019(2):4651.CHENZY,ResearchonintelligentstorageyardofHuanghuaPort[J].HoistingandConveyingMachinery,2019(2):4651.
作者：孔德明*,張鈺,曹帥,王立成
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/dzlw/27573.html
