Санкт-Петербургский государственный университет аэрокосмического приборостроения, Санкт-Петербург, Россия

Кузнецов В. А., программист, канд. техн. наук, доцент, k.avk-c@mail.ru

Московский государственный технический университет им. Н. Э. Баумана, Москва, Россия
Ермаков А. С., ассистент

ООО «ОптималФлоу Групп», Москва, Россия
Журавов Д. В., разработчик

Разработан и опробован в составе измерительного комплекса алгоритм определения наличия и длины зубьев ковша экскаватора, представлена оценка точности и скорости работы алгоритма. Определены дополнительные критерии надежности оценок наличия и длины зубьев, позволяющие снизить число ложных тревог. При этом чувствительность к артефактам исходных данных не исключается. Полученные результаты могут быть применены в составе программно-аппаратного комплекса для карьерных экскаваторов большинства существующих моделей в целях осуществления контроля наличия и длины зубьев в режиме реального времени.

1. Khedkar Y., Nagpure H., Dendage P., Shinde P., Naikavade S. et al. The evaluation of forces acting on excavator bucket and its capacity // Materials Today: Proceedings. 2022. Vol. 68. Iss. 1. DOI: 10.1016/j.matpr.2022.10.013
2. Rakhutin M., Simba N., Khoroshavin S. Analysis of the dependence of the stressed state of the tracked track of a career excavator from an angle slope // Ural Mining Decade : XVIII Scientific Forum. 2020. E3S Web of Conferences. 2020. Vol. 177. ID 03015.
3. Galiev S. Zh., Uteshov E. T., Galiev D. A., Farakhov K. A. Methods and techniques for energy efficiency assessment of geotechnological facilities at opencast mines based on the in-depth analysis // Eurasian Mining. 2021. No. 1. P. 65–69.
4. Sembakutti D., Ardian A., Kumral M., Sasmito A. P. Optimizing replacement time for mining shovel teeth using reliability analysis and Markov chain Monte Carlo simulation // International Journal of Quality & Reliability Management. 2018. Vol. 35. Iss. 10. P. 2388–2402.
5. Knights P. F. Optimal replacement intervals for shovel dipper teeth // International Journal of Mining, Reclamation and Environment. 2009. Vol. 23. Iss. 3. P. 157–167.
6. Luo X., Zhang H. Missing Tooth Detection with Laser Range Sensing // Proceedings of the 5th World Congress on Intelligent Control and Automation. – Hangzhou, 2004. Vol. 4. P. 3607–3610.
7. Lim S. N., Soares J., Zhou N. Tooth Guard: A Vision System for Detecting Missing Tooth in Rope Mine Shovel // 2016 IEEE Winter Conference on Applications of Computer Vision. – New York, 2016. DOI: 10.1109/WACV.2016.7477594
8. Liu X., Qi X., Jiang Y. Electric Shovel Teeth Missing Detection Method Based on Deep Learning // Computational Intelligence and Neuroscience. 2021. Vol. 2021. ID 6503029.
9. Жабин Д. В., Макеев М. А., Клебанов Д. А. Разработка систем контроля целостности зубьев ковша экскаватора с применением методов компьютерного зрения // Горная промышленность. 2023. № 3. С. 48–49.
10. Ortiz L. E., Cabrera E. V., Gonçalves L. M. Depth Data Error Modeling of the ZED 3D Vision Sensor from Stereolabs // Electronic Letters on Computer Vision and Image Analysis. 2018. Vol. 17. No. 1. DOI: 10.5565/rev/elcvia.1084
11. Tadic V., Toth A., Vizvari Z., Klincsik M., Sari Z. et al. Perspectives of RealSense and ZED Depth Sensors for Robotic Vision Applications // Machines. 2022. Vol. 10. Iss. 3. ID 183.
12. Саадун А., Фредж М., Букарм Р., Хаджи Р. Анализ дробления с использованием цифровой обработки изображений и эмпирической модели (KuzRam): сравнительное исследование // Записки Горного института. 2022. Т. 257. С. 822–832.
13. Shakeri A., Moshiri B., Garakani H. G. Pedestrian Detection Using Image Fusion and Stereo Vision in Autonomous Vehicles // 2018 9th International Symposium on Telecommunication With Emphasis on Information & Commmunication Technology. – Tehran, 2018. P. 592–596.

14. Bajracharya M., Moghaddam B., Howard A., Matthies L. H. Detecting personnel around UGVs using stereo vision (Invited Paper) // Unmanned Systems Technology X : Proceedings of SPIE // International Society for Optics and Photonics. – Bellingham : SPIE, 2008. Vol. 6962. DOI: 10.1117/12.782210
15. Дрыгин М. Ю. Разработка алгоритма технического диагностирования основного горного оборудования // Горное оборудование и электромеханика. 2020. № 2(148). С. 44–50.
16. Иванова П. В., Асонов С. А., Иванов С. Л., Кувшинкин С. Ю. Анализ структуры и надежности современного парка карьерных экскаваторов // ГИАБ. 2017. № 7. С. 51–57.
17. Дрыгин М. Ю. Анализ систем технического обслуживания и ремонта горного оборудования // Горное оборудование и электромеханика. 2020. № 2(148). С. 35–43.
18. Fischler M. A., Bolles R. C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography // Communications of the ACM. 1981. Vol. 24. No. 6. P. 381–395.