基于锚索状态图像识别的退锚机器人作业可行性判别

doi:10.3785/j.issn.1006-754X.2026.06.126

基于锚索状态图像识别的退锚机器人作业可行性判别

刘治翔^,¹^,², 庄源^,², 谢春雪³

1.辽宁工程技术大学矿产资源开发利用技术及装备研究院，辽宁阜新 123000

2.辽宁工程技术大学机械工程学院，辽宁阜新 123000

3.辽宁工程技术大学力学与工程学院，辽宁阜新 123000

Operation feasibility discrimination of anchor withdrawing robot based on anchor cable state image recognition

LIU Zhixiang^,¹^,², ZHUANG Yuan^,², XIE Chunxue³

1.Research Institute of Mineral Resources Development and Utilization Technology and Equipment, Liaoning University of Engineering and Technology, Fuxin 123000, China

2.School of Mechanical Engineering, Liaoning University of Engineering and Technology, Fuxin 123000, China

3.School of Mechanics and Engineering, Liaoning University of Engineering and Technology, Fuxin 123000, China

通讯作者: 庄　源（2001—），男，硕士生，从事机器人系统设计研究，E-mail: 1653510342@qq.com

收稿日期: 2026-01-20 修回日期: 2026-03-19

基金资助:

国家自然科学基金资助项目. 51904142

Received: 2026-01-20 Revised: 2026-03-19

作者简介 About authors

刘治翔（1988—），男，副教授，博士，从事机器人系统设计、矿山智能装备研发等研究，E-mail:lzxcndl@yeah.net,https://orcid.org/0000-0001-6785-3110 。

摘要

考虑到锚索散开状态和弯曲状态会影响退锚器具对锚索的破切作业，提出了基于图像识别的锚索状态识别方法。首先使用YOLOv8目标检测算法对锚索散开状态进行识别，然后使用PSPnet语义分割和图像处理方法对锚索弯曲状态进行识别。基于YOLOv8算法的锚索散开状态识别方法对完好锚索、轻微散开锚索和完全散开锚索的检测精度均达到了0.900以上，说明检测模型具有较好的锚索散开状态识别能力。基于PSPnet语义分割和图像处理的锚索弯曲状态识别方法可实现对完好锚索、整体弯曲锚索和部分弯曲锚索弯曲角度的识别，为退锚设备的选择提供了依据。通过对锚索散开状态与弯曲状态的识别，可实现退锚机器人作业可行性判别，从而为退锚机器人的研制提供理论支撑。

关键词： 退锚作业 ; 图像识别 ; 锚索 ; 角度识别

Abstract

Considering that the scattered and bending states of anchor cables will affect the cutting operation of anchor withdrawing equipment on anchor cables, an anchor cable state recognition method based on image recognition was proposed. First, the YOLOv8 object detection algorithm was used to recognize the scattered states of the anchor cables. Then, the PSPnet semantic segmentation and image processing methods were employed to recognize the bending states of the anchor cables. The anchor cable scattered state recognition method based on YOLOv8 algorithm achieved a detection accuracy of over 0.900 for normal anchor cable, slightly scattered anchor cable and completely scattered anchor cable, indicating that the detection model had a good ability to recognize the scattered states of anchor cables. The anchor cable bending state recognition method based on PSPnet semantic segmentation and image processing could recognize the bending angles of normal anchor cable, overall bending anchor cable and partially bending anchor cable, providing a basis for the selection of anchor withdrawing equipment. By recognizing the scattered and bending states of anchor cables, the operation feasibility discrimination can be achieved, thereby providing theoretical support for the development of the anchor withdrawing robot.

Keywords： anchor withdrawing operation ; image recognition ; anchor cable ; angle recognition

PDF (5893KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘治翔, 庄源, 谢春雪. 基于锚索状态图像识别的退锚机器人作业可行性判别[J]. 工程设计学报, 2026, 33(3): 398-407 doi:10.3785/j.issn.1006-754X.2026.06.126

LIU Zhixiang, ZHUANG Yuan, XIE Chunxue. Operation feasibility discrimination of anchor withdrawing robot based on anchor cable state image recognition[J]. Chinese Journal of Engineering Design, 2026, 33(3): 398-407 doi:10.3785/j.issn.1006-754X.2026.06.126

退锚作业是煤矿综采工作面回采工程中的重要工序，其目的是促使巷道顶板及时垮落，消除端头悬顶隐患。若坚硬顶板端头三角区的悬顶面积过大，会引起矿压显现异常、瓦斯集聚、采面漏风量大等问题。在回采期间通过拆除部分锁具和锚索，降低端头三角区位置顶板的支护强度，使顶板及时离层、垮落^[1-2]，是解决上述问题的主要手段之一。2024年4月24日，国家矿山安监局等七部委印发了《关于深入推进矿山智能化建设促进矿山安全发展的指导意见》的通知，对矿山智能化建设提出了更高的要求。因此，研发退锚作业机器人，使其代替人工完成繁重的退锚作业势在必行。

1 常用退锚设备与锚索状态

当前，矿井内常用的退锚设备主要为千斤顶式退锚器，如图1所示。该设备通过加压顶起锚索内部的锚具与顶板，使内部锚具与外套分离，实现退锚。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 千斤顶式退锚器

Fig.1 Jack type anchor withdrawing device

千斤顶式退锚器结构简单，操作简易，在矿井内被大量使用，但其存在以下缺点：1）设备自重较大。在进行退锚工作时，工作人员需借助梯子等携带几十斤重的退锚器攀爬到矿巷顶部作业，全程需多人配合作业，非常不便。2）在退锚作业中，操作者需攀爬至锁具处安装千斤顶，遇突发状况时缺乏安全撤离的余地。因此，近些年来相关学者一直在研究新型退锚设备。

崔计平等^[3-4]引进了水力切割技术，通过切割使锁具失效，实现了锚索应退尽退；赵垚庭等^[5]对水利切割装置进行了改进，将单根锚索的切断时间由8 min缩短至2.5 min，提高了切割效率。采用水力切割技术可以快速切割锁具和锚索，实现退锚任务。但是在工作现场准备水力切割设备的时间较长，需要的水压较高，存在安全风险，使用成本也较高。水力切割式退锚器如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 水力切割式退锚器

Fig.2 Hydraulic cutting type anchor withdrawing device

管守军等^[6-8]研制了破切式退锚器。利用破切原理将锁具切破从而实现退锚，并对破切器具的性能进行了优化设计。但是，退锚器质量大、搬运工人劳动强度大等问题仍然存在。破切式退锚器如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 破切式退锚器

Fig.3 broken-cut type anchor withdrawing device

于进等^[9]研究了一种新型液压退锚车。通过机械臂举升沉重的退锚机构进行退锚作业；采用履带式底盘，使其移动灵活方便。液压退锚车如图4所示^[9]。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 液压退锚车

Fig.4 Hydraulic anchor withdrawing vehicle

刘建月等^[10]通过在锚垫板与锚环之间添加一个耐压且冲击易碎的陶瓷环，使退锚作业比较便捷。

由于矿压作用、超前支架碰撞等原因，锚索会发生散开和弯曲。锚索状态呈完好、轻微散开、完全散开、轻微弯曲和大幅度弯曲等5种，如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 锚索状态

Fig.5 States of anchor cable

目前，锚索状态的判断主要依赖人工经验，这难以满足自动化作业的要求。为实现退锚作业自动化，退锚机器人必须具备对锚索状态的自主识别能力，并据此判别退锚作业的可行性。

本文针对自动化退锚作业的需求，提出了退锚机器人整体方案。采用基于深度学习的目标检测算法对退锚环境中锚索状态进行识别，从而实现退锚作业可行性判别。本文工作可为退锚机器人的研发提供理论支撑与技术参考。

2 锚索状态识别方案

退锚机器人设计方案如图6所示。退锚机器人主要由履带底盘、动力系统、机械臂、可更换式退锚器具和矿用摄像头等组成。首先通过安装在机械臂上的矿用摄像头采集顶板上锚索的图像，然后通过图像检测算法判别锚索状态，最后根据不同的锚索状态选择不同的退锚器具。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 退锚机器人设计方案

Fig.6 Design scheme of anchor withdrawing robot

针对完好锚索，可使用千斤顶式和破切式退锚器进行退锚作业；针对轻微散开和轻微弯曲的锚索，可使用破切式退锚器；对于完全散开和大幅度弯曲的锚索，由于锚索占用体积较大，现有的千斤顶式或破切式退锚器无法直接对其进行退锚作业，需要开发新型的开口式退锚器，从锁具和锚索的侧面进行破切作业。

锚索状态识别方案如图7所示。本文主要采用2类算法，分成2个步骤进行锚索5种状态的识别。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 锚索状态识别方案

Fig.7 Recognition scheme of anchor cable states

步骤1：锚索散开状态识别。将完好锚索、轻微弯曲锚索和大幅度弯曲锚索归为一类，这类锚索的端部没有散开。采用基于深度学习的YOLO目标识别算法对锚索端部没有散开、轻微散开和完全散开的图像进行识别和分类。

步骤2：锚索弯曲状态识别。采用PSPnet语义分割模型进行锁具与锚索的分割，并通过传统图像处理算法计算锁具与锚索的相对角度。相对角度为0~10°，判别为完好锚索；相对角度为10°~30°，判别为轻微弯曲；相对角度大于30°，则判别为大幅度弯曲。

3 基于YOLOv8的锚索散开状态识别

本文采用YOLOv8目标识别算法对锚索散开状态进行识别。YOLOv8延续了YOLO系列一贯的模块化设计，依然采用由输入端Input层、主干网络模块Backbone层、特征融合模块Neck层和输出端Head 层组成的整体架构^[11-13]，如图8所示。在YOLOv8网络框架中，Input层负责加载待检测的锚索图像，Backbone层从中提取特征并将提取的特征输入Neck层中，Neck层对特征进行池化与多级融合，最后将锚索散开状态的检测结果通过Head层输出^[14]。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 YOLOv8 网络框架

Fig.8 YOLOv8 network framework

图8中：w为网络宽度缩放系数，用于控制各层输出通道的规模；r为特征融合比例因子，主要用于调节Neck层在特征拼接与通道扩展过程中通道组合间的比例，以增强多尺度特征表达能力。图中所示的特征图尺寸为基准结构示意，实际输出的通道数依据模型配置文件自动生成。

实验中为了提高识别模块的训练与识别效率，硬件的选择如下：显卡选用RTX3090Ti（24 GB）；处理器选用i9-14900K，搭配128 GB DDR5内存；由1 500 W电源配合UPS电源为实验系统供电。

Ubuntu系统运行稳定性好，可靠性高，因此软件上采用Ubuntu18.06操作系统，同时采用Python3.7.0和 Pytorch1.8.0来搭建深度学习框架，并配置CUDA11.1、CUDNN8.1.0软件以充分发挥硬件性能。

YOLOv8目标检测模型的参数设置如表1所示。

表1 YOLOv8目标检测模型参数设置

Table 1 Parameter settings of YOLOv8 object detection model

参数	数值	参数	数值
lr0	0.01	hsv_h	0.015
lrf	0.01	hsv_s	0.7
最终学习率	0.000 1	hsv_v	0.4
余弦学习率	False	deterministic	True
优化器	ADAM	translate	0.1
标签平滑参数	0	scale	0.5
正则化	0	epochs	300
Weight_decay	5×10^-4	imgsz	640
warmup_epochs	3	flipud	0
warmup_momentum	0.8	fliplr	0.5
warmup_bias_lr	0.1	half	True
box	0.05	conf	0.5
cls	0.5	line_thickness	8
cls_pw	1	iou	0.7
obj	1	max_det	300
obj_pw	1	anchor_t	4
iou_t	0.2	split	val

新窗口打开| 下载CSV

通过锚索井下实景拍摄、网络搜集以及实验室模拟，获取完好锚索、轻微散开锚索、完全散开锚索、锁具和托盘的样本图片共935张。利用LabelImg标注软件对以上5种类型图片进行人工标注，并分别命名为Normal_anchor、Slightlydamaged_ anchor、Heavydamaged_anchor、Locktool和Pallet。标注完成后的每一张图片都生成一个对应同名的.txt文件，文件内记录了标注框的类别、尺寸和位置等信息。完成全部标注后将数据集按照8∶2的比例划分为训练集（train）和验证集（val）。考虑到样本规模有限，为保证模型训练样本充足，未单独划分独立测试集，将验证集用于评估模型性能。

YOLOv8模型的训练过程如图9所示。其输出的各类性能曲线包括：边界框定位损失曲线box_loss、分类损失曲线cls_loss、分布式焦点损失曲线dlf_loss，验证集评估指标（metrics）中边界框检测精度曲线precision (B)、召回率曲线recall (B)、交并比阈值为50%的平均精度曲线mAP50 (B)和交并比阈值为50%~95%的平均精度曲线mAP50-95 (B)。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 YOLOv8目标检测模型训练过程

Fig.9 Training process of YOLOv8 object detection model

图9中loss值即推测为识别目标的检测损失值，表示模型预测目标时的平均检测误差。其值越低，越接近0，说明模型的泛化能力越强，适应数据变化的能力越好，检测结果越准确。由图可知，训练集和验证集的3种损失曲线都呈迅速下降的趋势，最后保持平稳，表明模型处于收敛状态。

同时，Precision (B)、Recall (B)、mAP50 (B)和mAP50-95 (B)等指标值均随着训练轮次的增加而逐渐提高并趋于稳定。其中，mAP值越大，说明模型检测精度越高，综合检测性能越好。

锚索散开状态识别效果如图10所示。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 锚索散开状态识别效果

Fig.10 Recognition effect of scattered states of anchor cable

完好锚索、轻微散开锚索、完全散开锚索、锁具和托盘等5类目标的检测指标值如表2所示。

表2 YOLOv8目标检测指标值

Table 2 Indicator values of YOLOv8 object detection

类别	精度	召回率	mAP50 (B)	mAP50-95 (B)
完好锚索	0.919	0.923	0.946	0.829
轻微散开锚索	0.991	1.000	0.995	0.924
完全散开锚索	0.988	0.970	0.976	0.971
锁具	0.858	0.926	0.775	0.724
托盘	0.910	0.690	0.778	0.692
整体	0.833	0.902	0.894	0.828

新窗口打开| 下载CSV

测试结果表明，5类目标的mAP50 (B)值达到了0.894，虽然锁具和托盘单个目标的mAP50 (B)值稍低，仅有0.770左右，但是完好锚索、轻微散开锚索和完全散开锚索的mAP50 (B)值均达到了0.900以上，说明检测模型具有较好的锚索散开状态识别能力。

4 基于PSPnet语义分割和图像处理的锚索弯曲状态识别

轻微弯曲的锚索不会影响锚索破切器具对锁具的破切作业，但锚索破切器无法顺利穿过大幅度弯曲的锚索进行破切作业，因此需要开展锚索弯曲状态识别研究。识别的技术路线如图11所示。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 锚索弯曲状态识别技术路线

Fig.11 Technical route for recognition of bending states of anchor cable

锚索弯曲状态识别步骤如下所示。

步骤1：使用YOLOv8目标检测模型，检测锁具和锚索目标的位置，然后将目标框定。

步骤2：把目标框内的图像裁剪下来，然后通过PSPnet语义分割模型进行锁具和锚索的分割。

步骤3：将分割后的Mask图（单通道二值图）转化成HSV（hue，saturation，value，色相、饱和度、色明度）色域，然后分别通过红色阈值和绿色阈值把锁具和锚索筛选出来。

步骤4：分别检测锁具和锚索的轮廓，然后通过计算获取轮廓最小外接矩形。

步骤5：分别获取锁具和锚索最小外接矩形长边的中线，计算2条中线的夹角，即得锚索的弯曲角度。

4.1　基于PSPnet语义分割的锁具和锚索分割

语义图像分割是一种将图像分割成具有对应语义类别标签的区域划分方法，现已成为图像理解分析和计算机视觉领域的研究热点。目前，语义分割方法大致可分为传统方法和深度学习方法两类。其中传统方法主要采用条件随机场和马尔可夫随机场等方法进行数学建模。该类方法计算简单，处理速度快，但缺乏有效的先验知识，分割精度较低。目前主流的高性能语义分割算法均基于深度学习方法实现，可取得较好的分割效果。

目前图像分割常用的模型主要有UNet和PSPNet等。UNet模型简单、高效，最初用于处理医学图像分割任务^[15-17]。UNet模型运行速度较快且分割精度较高，但其本身缺乏足够的上下文语义信息，会产生较大的误差。因此，为了保证语义分割的有效性，在模型构建过程中必须考虑更多的全局语义信息。PSPNet模型是性能优异的全局语义分割模型，本文采用该模型进行锁具和锚索的分割。

PSPNet模型的结构如图12所示。其主要包括特征提取子模块Feature Map和金字塔池化子模块Paramid Pooling。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 PSPNet模型结构

Fig.12 PSPNet model structure

Feature Map模块使用深度残差网络（residual network, ResNet）架构提取图像特征。许多研究表明，语义层次越多，越能更好地挖掘图像的语义特征，更好地对图像进行分类。使用深度ResNet网络不仅可以有效扩展网络深度，而且比ResNet、VGG（visual geometry group，视觉几何组）等网络模型更轻量。因此，PSPNet的第1个子模型采用深度ResNet来提取图像特征。ResNet可以很容易地应用于其他分类任务，因此可以进行迁移学习来提高分割性能并加速收敛，并且可以用预训练后的ResNet模型的权重进行初始化。本文的分割任务也采用了这种方法。

PSPNet使用通用的池化技术——Paramid Pooling模块，将Feature Map模块提取的特征层按照不同的尺度进行组合，实现数据挖掘。

综上，PSPNet首先使用高效的特征提取网络从图像中提取特征，然后使用池化技术基于不同的池化核进行池化操作^[18-20]，最后将每个池化结果双线性组合为相同的尺寸，并且在对语义级像素预测结果进行分类之前对每个尺度的特征进行级联和融合。

锁具和锚索的分割结果如图13所示。

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 锁具和锚索分割结果

Fig.13 Segmentation results of locktool and anchor cable

4.2　锁具和锚索轮廓及相对角度的识别

在OpenCV中进行锁具和锚索的轮廓识别和相对角度计算。使用“hsv=cv2.cvtColor(segimg, cv2.COLOR_BGR2 HSV)”指令，将分割后的Mask图转化成HSV色域；使用“mask_red=cv2.inRange(hsv, lower_red, upper_ red)”指令，通过红色阈值和绿色阈值把两部分筛选出来；使用“contours_red,_=cv2.findContours (mask_red,cv2.RETR_EXTERNAL,cv2.CH AIN_APPROX_SIMPLE)”指令，分别对锁具和锚索的轮廓进行检测；使用“x, y, w, h=cv2.bounding Rect(c_green)”指令，获取轮廓最小外接矩形；利用几何关系获取锁具和锚索最小外接矩形长边的中线，并计算2条中线的夹角。锁具和锚索轮廓及相对角度的识别结果如图14所示。

图14

新窗口打开| 下载原图ZIP| 生成PPT

图14 锁具和锚索轮廓及相对角度识别结果

Fig.14 Recognition results of outline and relative angle between locktool and anchor cable

由图14可知，采用本文提出的锚索弯曲状态识别方法可以实现完好锚索、整体弯曲锚索和部分弯曲锚索弯曲角度的识别。弯曲角度识别精度与摄像机拍摄角度有关，当摄像头与锚索平面垂直时，识别角度的误差小于2°。因此，在实际应用时需要控制机械臂所携带的相机从多角度拍摄锚索图片，以准确识别锚索弯曲角度。

5 结论

1）本文提出了锚索状态识别步骤：首先使用YOLOv8目标检测算法对锚索散开状态进行判别，然后使用PSPnet语义分割和图像处理方法对锚索弯曲状态进行识别。

2）基于YOLOv8算法的锚索散开状态识别方法对完好锚索、轻微散开锚索、完全散开锚索、锁具和托盘等5类目标的平均检测精度达到了0.894，对完好锚索、轻微散开锚索和完全散开锚索的检测精度均达到了0.900以上，取得了较好的锚索散开状态识别效果。

3）基于PSPne语义分割和图像处理方法的锚索弯曲状态判别方法可实现对完好锚索、整体弯曲锚索和部分弯曲锚索的弯曲角度识别。当摄像头与锚索平面垂直时，识别角度的误差小于2°。

4）通过锚索散开状态和弯曲状态的识别可以判别退锚器具能否完成对锚索的破切作业。当检测到锚索为完全散开状态或大幅度弯曲状态时，需切换为开口式退锚器进行退锚作业；锚索为其他状态时，可对应选用适配的千斤顶式或破切式退锚器。

本文链接：http：//www.zjujournals.com/gcsjxb/CN/10.3785/j.issn.1006-754X.2026.06.126

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

杨晓明

采煤工作面端头三角区岩层弱化技术研究

［J］. 矿业装备， 2024（2）： 41-43.