渠道預制塊自動化鋪裝機械檢測定位技術(shù)研究

吳立韜，孫 嘯，田正宏

(河海大學水利水電學院，江蘇 南京 210024)

0 引 言

渠道護坡常常采用預制塊進行鋪裝保護。預制塊主要由混凝土制成，其獨特的連鎖式設(shè)計[1]對于防止水浪沖刷具有良好的整體穩(wěn)定性。預制塊外形不規(guī)整、質(zhì)量大、鋪裝精度要求高、間隙咬合緊密的特點導致預制塊鋪裝施工困難。目前預制塊的鋪設(shè)主要由人工來完成，存在工作強度大、效率低、安全性低的問題。如何根據(jù)現(xiàn)場情況設(shè)計實時調(diào)整鋪裝動作的自動化鋪裝機械，是解決人工鋪裝弊端的有效方式。

自動化鋪裝機械的設(shè)計模式多樣，設(shè)計限制由所處的環(huán)境決定。對于室內(nèi)鋪裝，環(huán)境變化較小，對鋪裝機械的體形限制較大；對于室外鋪裝，環(huán)境變化大，對鋪裝機械的環(huán)境適應(yīng)性限制就高。近年來，在自動化鋪裝機械領(lǐng)域已有學者進行相關(guān)的研究。2010年，tinger-stone自動鋪路機在荷蘭問世，利用磚塊自身重力碼放，需要工作人員協(xié)助裝料。2013年程明等[2]提出一種集運磚、刷漿、鋪磚、壓磚等多道工序于一體的自動化鋪磚解決方案。Usmanov等[3]提出了一個通用的方法來創(chuàng)建一個磚砌墻建筑系統(tǒng)，該系統(tǒng)提出了機器人系統(tǒng)在施工物體內(nèi)部的最佳位置，即，使機器人的運動距離最小化，從而減少施工過程的電力消耗。Wu等[4]以實際砌磚工程為例，利用概率路徑方法對六軸機器人進行運動規(guī)劃。Yu等[5]對基于最優(yōu)布局方式和軌跡算法的機械手集成移動系統(tǒng)進行研究，采用“快速算法”設(shè)計了模式生成器，并采用“重疊法”開發(fā)了機器人軌跡生成算法。但是現(xiàn)有的智能化鋪磚機械適用于平整且相對結(jié)實的地面路基，鋪裝的對象以方磚為主，磚塊之間卡接順暢，基底平整無變形無坡腳。采用這類機械式自動化鋪磚方法與機械，無法有效解決斜坡面松軟墊層面、重型大尺寸、互相咬合砌塊的精準對位和高效鋪裝問題。

對于磚塊檢測識別，Chattopadhyay等[6]設(shè)計一種基于動態(tài)視頻流的實時圖像分割方案，用于移動機器人中的目標定位，算法具有很高的時間效率，適用于兩個移動機器人實現(xiàn)多智能體交互協(xié)調(diào)，如比賽、目標跟蹤和砌磚等。Zandavali等[7]提出了一種基于圖像到圖像翻譯的機器學習自動磚瓦加工框架。該框架包括創(chuàng)建數(shù)據(jù)集、為每個紐帶訓練模型以及將輸出圖像轉(zhuǎn)換為機器人裝配的矢量數(shù)據(jù)。Malakhov等人[8]提出采用數(shù)字驅(qū)動以及優(yōu)化設(shè)計和算法解決方案被認為是提高移動砌磚機器人能源效率的手段。然而，在渠道預制塊鋪裝機械領(lǐng)域，圖像處理和定位技術(shù)尚未得到成熟的運用，針對現(xiàn)有對渠道預制塊鋪裝研究的不足，本文設(shè)計渠道預制塊鋪裝機械所需的檢測定位技術(shù)，將圖像處理系統(tǒng)、定位計算系統(tǒng)與機械系統(tǒng)相結(jié)合，實現(xiàn)對預制塊鋪裝點的精準預測與順利鋪裝。

本文研究內(nèi)容：①使用圖像預處理后的目標檢測算法，結(jié)合點云計算實現(xiàn)對預制塊檢測和定位。②根據(jù)預制塊模型建立數(shù)據(jù)集，實現(xiàn)對預制塊鋪裝點的預測。④設(shè)計預制塊鋪裝機械的機械系統(tǒng)，并進行鋪裝試驗。

1 渠道預制塊鋪裝機械

渠道預制塊鋪裝機械包含圖像處理系統(tǒng)、定位計算系統(tǒng)、機械系統(tǒng)。圖像處理系統(tǒng)獲取預制塊圖像，對限制待鋪裝位預制塊的相鄰預制塊坐標進行計算，并將數(shù)據(jù)傳輸給定位計算系統(tǒng)。定位計算系統(tǒng)根據(jù)輸入數(shù)據(jù)，對待鋪裝位置計算，再將待鋪裝預制塊的坐標傳輸給機械控制系統(tǒng)，機械控制系統(tǒng)根據(jù)坐標，將預制塊放置于預定位置。

1.1 圖像處理系統(tǒng)

圖像處理系統(tǒng)通過結(jié)構(gòu)光相機采集彩色圖和點云圖，圖像處理系統(tǒng)采用PDN700結(jié)構(gòu)光相機，采用850 mm的光源，工作距離為300～700 mm，近端視場為265 mm×235 mm，Z軸精度在0.1 mm，對深度圖的分辨率在1 280×1 024，對彩色圖的分辨率在1 280×1 024，采集時間在1 s左右。

圖像處理系統(tǒng)的總體流程如圖1所示：①結(jié)構(gòu)光相機采集彩色圖和點云圖。②目標檢測算法對彩色圖進行目標檢測。③計算彩色圖中目標區(qū)域的范圍。④根據(jù)彩色圖中目標區(qū)域的范圍提取點云中的目標區(qū)域。⑤計算預制塊的中心坐標點。

圖1 圖像處理系統(tǒng)總體流程

1.1.1 目標檢測算法

(1)圖像預處理。圖像預處理可有效改善原始圖像質(zhì)量，突出檢測目標。目前常用的圖像預處理手段有灰度變換、濾波去噪、圖像銳化等。渠道預制塊鋪裝機械處于室外開放環(huán)境中，存在太陽直射、目標物不清晰、目標物背景復雜等問題。因此采用多種圖像預處理方式，減小背景物的干擾，強化目標物體的輪廓，目標檢測算法的訓練精度和速度。圖像預處理步驟效果如圖2所示，具體流程為：①使用Canny[9]對原始圖像2a處理，通過高斯濾波、非極大值像素梯度抑制等算法檢測圖像邊緣、將非圖像邊緣抑制，處理效果如圖2b所示。②預制塊的材質(zhì)、灰塵、污漬使得Canny算法對圖像的處理效果未達到預期，使用Dilated[10]繼續(xù)處理。通過10×10的內(nèi)核對圖像處理，取核中像素值的最大值代替錨點位置的像素值，將圖像中的高亮區(qū)域膨脹，使得預制塊邊緣部分更加明顯，處理效果如圖2c所示。③經(jīng)過Dilated處理后的圖像，仍不能將目標物和背景較為清晰地區(qū)別開來，使用Thresholding[11]繼續(xù)處理，設(shè)置閾值將圖像分成二值圖像，處理效果如圖2d所示。④處理后的圖像除了預制塊的輪廓外，還存在較多干擾點，使用Eroded[12]繼續(xù)處理。通過5×5的內(nèi)核對圖像處理，取核中像素值的最小值代替錨點位置的像素值，將圖像中的白色部分縮減細化，得到目標物更加凸顯的圖像，處理效果如圖2e所示。

圖2 圖像預處理各步驟效果

(2)YOLOv5s結(jié)構(gòu)。YOLOv5s[13]算法主要結(jié)構(gòu)分為主干特征提取網(wǎng)絡(luò)、加強特征提取網(wǎng)絡(luò)、目標檢測分類器。主干網(wǎng)絡(luò)主要由Conv、C3、SPPF3個模塊組成，將輸入圖片轉(zhuǎn)為特征集合。輸入圖像數(shù)據(jù)大小為640×640×3，使用圖像預處理后，圖像通道數(shù)降低，圖像大小為640×640×1，可以提高模型的運行速度。加強特征提取網(wǎng)絡(luò)采用FPN+PAN[14]結(jié)構(gòu)，通過80×80、40×40、20×20等3個尺度對目標進行檢測，經(jīng)過NMS(非極大值抑制)按照概率值篩選剔除冗余的預測框，最終輸出置信度最高的預測類別和邊界框的位置坐標。

1.1.2 目標定位算法

根據(jù)彩色圖的目標區(qū)域?qū)ι疃葓D目標區(qū)域劃分后，計算預制塊的中心坐標和旋轉(zhuǎn)角度。目標定位算法如圖3所示。目標定位算法的流程為：

圖3 目標定位算法各步驟示意

(1)使用Pass Through算法[15]與Ransac算法[16]，將原始點云圖像的z方向設(shè)定數(shù)值段以外的點全部去除。在圖像采集時，預制塊與深度相機的距離固定，因此，只需保留固定距離的點云，去除噪聲，提升速度和精度。再對濾波后的深度圖提取平面，在深度圖中隨機選取3個點，計算其他點到該平面的距離，若小于設(shè)定的閾值則認為屬于同一個平面。如此往復迭代直到所有點滿足，處理效果見圖3b。

(2)使用Boundary Estimation算法[17]，對平面提取后的深度圖進行邊界提取，先進行局部采樣獲取局部平面，以最小二乘法擬合該局部平面，并將其向微切平面投影，根據(jù)采樣點與其近鄰所對應(yīng)投影點連線的最大夾角識別散亂點云邊界特征，處理效果如圖3c所示。

(3)預制塊的深度圖像中，有4條直線靠近圖像中心，兩兩相交。提取出4條直線，并計算出4條直線的表達式。根據(jù)4條直線的表達式，計算出直線的交點，取交點橫縱坐標的平均值為預制塊的中心點。根據(jù)直線的斜率，計算直線的傾角與45°、135°的差值，從而計算預制塊的旋轉(zhuǎn)角度，處理效果如圖3d所示。

1.2 定位計算系統(tǒng)

定位計算系統(tǒng)通過建立預制塊的模型，并通過調(diào)整預制塊間距和旋轉(zhuǎn)角度模擬鋪裝來獲取試驗數(shù)據(jù)。根據(jù)不同的工況采用其對應(yīng)的算法，輸出待鋪預制塊的鋪裝坐標信息。

1.2.1 模型參數(shù)

根據(jù)現(xiàn)場測繪建立預制塊模型，如圖4a所示，預制塊有兩個凸塊部分和兩個凹槽部分，形狀與大小完全一致。預制塊的鋪裝要求鋪裝的預制塊的凸塊與相鄰預制塊的凹槽相契合。為了保證鋪裝時預制塊間不會相互碰撞摩擦，以預制塊凸塊在相鄰預制塊的凹槽中，且凸塊與凹槽的間距最大為佳，可將模型簡化為預制塊間凸塊和凹槽的位置關(guān)系，如圖4b所示。為了限制住凸塊處于凹槽的包圍中，根據(jù)預制塊模型建立凸塊點模型和凹槽線模型，計算出凹槽包圍的范圍內(nèi)點的取值范圍，以限制凸塊的位置。若凸塊點模型超出取值范圍，將舍去該數(shù)據(jù)。

圖4 預制塊鋪裝示意

預制塊間凸塊與凹槽的間距受預制塊間的相對位移和相對角度共同影響，如圖4c所示，對于①②兩塊預制塊，在相對旋轉(zhuǎn)角度為α的情況下，②號預制塊沿x方向的位移dx和沿y方向的位移dy與②③兩塊預制塊，在相對角度為α，③號預制塊沿x方向的位移-dy，沿y方向位移預制塊間距一致。因此，只需對①②兩塊預制塊的不同相對位置和旋轉(zhuǎn)角度下的工況模擬即可推出①②③3塊預制塊間不同相對角度和位移下的間距。

對凸塊點模型沿x方向位移dx，沿y方向位移dy和旋轉(zhuǎn)α角度操作，若初始點坐標為(x，y)，經(jīng)過位移、旋轉(zhuǎn)后的點坐標(rmx，rmy)為

(1)

(2)

對于點總數(shù)為n的凸塊點模型，凸塊上第i個點pi到凹槽線模型最小間距為

dpi=min(dl，dc)，(1≤i≤n)

(3)

計算所有點到凹槽線模型的最小間距，其最小值即為凸塊至凹槽的最小間距為

d=min(dp1，dp2，…dpi…，dpn)，(1≤i≤n)

(4)

1.2.2 工況模擬

預制塊鋪裝過程分為單邊限制和雙邊限制2種工況。當渠道預制塊鋪裝機械進行每一列(第一列除外)預制塊中第一塊預制塊的鋪裝時，待鋪預制塊只受到單邊限制。當鋪裝機械在完成每一列第一塊預制塊的鋪裝后，繼續(xù)往下鋪裝時，待鋪預制塊受到雙邊限制。

(1)單邊限制。待鋪裝預制塊為②預制塊，對其單邊限制的預制塊為①預制塊。當預制塊間的夾角為0°，預制塊間間距為l時，①預制塊與②預制塊的間距最大，此坐標點作為②預制塊的鋪裝坐標。根據(jù)①預制塊相對鋪裝機械的坐標x1、y1、α1，計算出②預制塊的中心坐標為(x1-lcosα，y1-lsinα)。

(2)雙邊限制。待鋪裝預制塊為②預制塊，對其雙邊限制的預制塊為①③預制塊。設(shè)置②和③預制塊相對①預制塊的位移量和旋轉(zhuǎn)角度分別為x2、y2、α2和x3、y3、α3。③預制塊相對于②預制塊的旋轉(zhuǎn)角度為(α3-α2)，x方向位移為(x3-x2)，y方向位移為(y3-y2)。將②預制塊x方向位移m1次，y方向位移m2次，計算每次位移時，其與相鄰預制塊①和③預制塊的間距d1和d3。再計算②預制塊與相鄰預制塊最小間距

dk=min(d1，d3)

(5)

以①和③預制塊的相對旋轉(zhuǎn)角度和相對位移為前提，計算②預制塊相對①預制塊不同旋轉(zhuǎn)角度和相對位移下，①②③預制塊的間距，取其間距最大情況下的旋轉(zhuǎn)角度和位移點，視為最佳旋轉(zhuǎn)角度和位移點，即

dkbest=max(dk1，dk2，…，dki，…，dkn)

(6)

1.2.3 蜣螂算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

基于蜣螂算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(DBO-BP)用于對雙邊限制條件下的預制塊鋪裝位置的預測，是將蜣螂算法[18]和BP神經(jīng)網(wǎng)絡(luò)[19]相結(jié)合的算法。BP神經(jīng)網(wǎng)絡(luò)是以梯度下降的方法獲取最終解，但是梯度下降的方法與梯度下降的初始值有較大關(guān)系，而導致最終解為局部最優(yōu)的情況。蜣螂算法模擬蜣螂動作，將最優(yōu)解通過迭代的方式留下。為此，將蜣螂算法和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以彌補BP神經(jīng)網(wǎng)絡(luò)的不足，如圖5所示。該算法具體步驟如下：

圖5 蜣螂算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)示意

(1)將護坡上③預制塊與①預制塊間的相對角度α3和相對位移x3、y3作為輸入層神經(jīng)元參數(shù)，將待鋪裝的②預制塊的與①預制塊間的相對角度α2和相對位移x2、y2為輸出層神經(jīng)元參數(shù)，劃分完數(shù)據(jù)集后對數(shù)據(jù)進行預處理。將護坡上③預制塊與①預制塊間的相對角度α3和相對位移x3、y3作為輸入層神經(jīng)元參數(shù)，將待鋪裝的②預制塊的與①預制塊間的相對角度α2和相對位移x2、y2為輸出層神經(jīng)元參數(shù)，劃分完數(shù)據(jù)集后對數(shù)據(jù)進行預處理。

(2)確定BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)和相關(guān)參數(shù)(神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)、目標誤差的閾值、學習率和適應(yīng)度函數(shù))。其中適應(yīng)度函數(shù)fit(s，t)將輸出值和預期值之間的差值的絕對值進行累積。

(7)

(3)將BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元的權(quán)值和閾值編碼，組成遺傳算法的種群，以BP神經(jīng)網(wǎng)絡(luò)根據(jù)不同種群的權(quán)值和閾值計算得出的輸出值和期望值的誤差帶入適應(yīng)度函數(shù)計算，通過滾球行為、繁殖行為、覓食行為、偷竊行為的算子，使得BP神經(jīng)網(wǎng)絡(luò)向誤差更小的方向進化。

(4)將誤差最小的BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值保留下來，作為BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，將測試集數(shù)據(jù)輸入檢驗神經(jīng)網(wǎng)絡(luò)的準確度，通過迭代次數(shù)、誤差范圍來評價神經(jīng)網(wǎng)絡(luò)。

2 實例應(yīng)用

2.1 實驗環(huán)境和參數(shù)

模型訓練環(huán)境：處理器為Intel(R)Core(TM)i5-10200H CPU@2.40GHz，顯卡為NVIDIA GeForce GTX1650，操作系統(tǒng)為Windows10，深度學習框架為Pytorch1.6.0，語言環(huán)境為python3.7，使用CUDA10.2和Cudnn7.6.5對GPU加速。部分試驗參數(shù)如表1所示。

表1 試驗參數(shù)

2.2 目標檢測及定位抓取模型構(gòu)建

采用現(xiàn)場實拍的方式收集了某渠道工程的預制塊圖像。經(jīng)過篩選，選用100張1 920×1 440的預制塊圖像。通過開源標注工具LabelImg手工標注原始圖像中的預制塊，制作標簽文件，得到的預制塊目標分布和尺寸如圖6所示。由圖6a知，數(shù)據(jù)集的圖像主要集中分布于0.25～0.45之間，目標長與寬基本一致。由圖6b知，標簽分布情況比較分散，在取得的彩色圖中各個部分均有分布。

圖6 預制塊目標分布與尺寸

根據(jù)渠道現(xiàn)場實地測量，預制塊的尺寸為l×l×h=615 mm×615 mm×120 mm，凹槽長56.75 mm，凸塊長47.75 mm，凸塊和凹槽斜邊的角度相等，均為45°。為了便于試驗驗證，等比例縮放至1/4。根據(jù)公式l′=l×s可以計算出縮放后的預制塊尺寸為153.75 mm×153.75 mm×30 mm，模型凹槽長14.19 mm，凸塊長11.19 mm，凹槽深15.5 mm，凸塊深14.5 mm。若預制塊的中心位于坐標原點，預制塊凹槽的限制范圍表達如下

(8)

(9)

2.3 試驗結(jié)果和分析

2.3.1 圖像處理系統(tǒng)

2.3.1.1 目標檢測算法

目標檢測算法對圖像的處理效果如圖7所示，目標檢測算法首先對原始彩色圖進行預處理，再運行YOLOv5s_6模型，識別出預制塊中心區(qū)域。將預制塊中心區(qū)域的范圍保存，用以分割點云圖，定位預制塊中心坐標。

圖7 目標檢測算法運行效果

目標檢測算法運行效果如表2所示。表中，P為精確率；R為召回率；MAP_0.5指的是GIoU閾值取0.5時的均值平均精度MAP值，MAP_0.5-0.95指的是GIoU閾值取0.5～0.95、步長為0.05時的MAP值，使用權(quán)重大小作為模型是否輕量化易于工程部署的評價標準，使用訓練時間和檢測時間作為模型運行效率的評價標準。

表2 原始模型與改進后的模型性能比較

從表2可知，改進后的模型相較于原始模型，各參數(shù)都有一定程度的提升，增強了對預制塊識別的精度。由于并未對模型結(jié)構(gòu)進行調(diào)整，改進YOLOv5s模型較原模型迭代過程指標相近，精確率、召回率、MAP_0.5值和MAP_0.5-0.95值分別提高1.05%、2.2%、2.4%和2.03%；雖然模型大小略有增加(權(quán)重文件僅增加7KB)，但模型效率能夠有效提高，訓練時間和檢測時間分別減少0.051 h和0.043 s。

隨著訓練進行，訓練的進行置信度損失值迅速下降并趨于穩(wěn)定，精度不斷增加，模型逐漸達到最優(yōu)性能。原始模型與改進后的模型訓練過程對比如圖8所示。改進后的模型執(zhí)行都損失值一直低于原始模型，MAP值在0～27次迭代波動較明顯，且從第22次迭代開始一直高于原始模型。綜上，在略微增加模型規(guī)模的前提下，可提高模型的識別精度和速度，滿足預制塊鋪裝高效率的要求。

圖8 原始模型與改進后模型訓練過程對比

2.3.1.2 目標定位算法

根據(jù)預制塊等比例縮放模型尺寸，使用3D打印技術(shù)制作模型，模擬鋪裝過程中渠道上預制塊的擺放位置，結(jié)構(gòu)光相機采集圖像。圖像經(jīng)過目標檢測算法處理，目標定位算法計算預制塊中心和偏轉(zhuǎn)角度，將計算數(shù)據(jù)與實際預制塊的中心和偏轉(zhuǎn)角度比較，以模擬現(xiàn)場鋪裝工況，以十字線確定預制塊的中心位置，紅點為定位計算系統(tǒng)的計算結(jié)果，試驗如圖9所示。經(jīng)試驗，目標定位算法的坐標定位和角度計算均與實際值偏差0.1 mm，達到預期效果。

圖9 鋪裝圖像采集模擬試驗

2.3.2 定位計算系統(tǒng)

將遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GA-BP)[20]與蜣螂算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)(DBO-BP)比較。對GA-BP和DBO-BP使用相同的數(shù)據(jù)集和測試集進行訓練和仿真預測，將1900個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練集，將100個數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的測試集，分別導入DBO-BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)，比較神經(jīng)網(wǎng)絡(luò)的性能。比較兩種神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)輸出在預測的準確性和訓練過程中的收斂性能，結(jié)果見表3。表3中，MAE為平均絕對誤差，MSE為均方誤差。

表3 GA-BP與DBO-BP性能比較

從表3可以看出，GA-BP的測試集數(shù)據(jù)比訓練集數(shù)據(jù)高0.024，而DBO-BP的測試集數(shù)據(jù)比訓練集數(shù)據(jù)高0.005；平均誤差兩者相差不大，因此DBO-BP的訓練效果更好，對數(shù)據(jù)預測效果更精確。DBO-BP神經(jīng)網(wǎng)絡(luò)對訓練集數(shù)據(jù)預測的平均絕對誤差值和均方誤差值均小于GA-BP，故使用DBO-BP，比GA-BP對預制塊鋪裝所用的數(shù)據(jù)集有更好的適應(yīng)性。

分別使用GA-BP和DBO-BP從數(shù)據(jù)集中挑選100組數(shù)據(jù)進行仿真模擬，模擬結(jié)果如圖10所示。從圖10可以看出，DBO-BP的最大預測誤差百分值為0.134，最小預測誤差百分值為0.001；GA-BP的總體預測效果誤差較大，最大誤差百分值為0.280，最小誤差百分值為0.005。DBO-BP的預測誤差百分值比GA-BP的預測誤差百分值平均低0.056；在第99次仿真預測模擬，DBO-BP與GA-BP預測精度相差最大為0.220。試驗結(jié)果表明，DBO-BP有更加良好的預測精度，且預測值與真實值誤差較小，表明DBO-BP對鋪裝狀況能夠?qū)崟r調(diào)整，預測出合理的預制塊鋪裝位置。

圖10 神經(jīng)網(wǎng)絡(luò)仿真模擬結(jié)果

隨著訓練進行，目標函數(shù)值迅速下降并趨于穩(wěn)定，精度不斷增加，模型逐漸達到最優(yōu)性能。GA-BP和DBO-BP模型訓練過程對比如圖11所示。從圖11可知，DBO-BP的均方誤差一直低于GA-BP；GA-BP的均方誤差值初始值較高，在前9次迭代范圍內(nèi)，均方誤差下降幅度較大，最佳性能狀態(tài)為第53次，均方誤差為0.019；DBO-BP的均方誤差初始值較低，在前12次迭代范圍內(nèi)，均方誤差變化幅度較小，最佳性能狀態(tài)為第53次，均方誤差為0.004。在前7次迭代，GA-BP與DBO-BP的誤差差值在逐漸降低，在第8次至第10次迭代，GA-BP與DBO-BP，逐漸增大，在第10次迭代往后，GA-BP與DBO-BP的均方誤差均在緩慢下降，DBO-BO的均方誤差下降幅度略大。由此可知，遺傳算法優(yōu)化后的初始權(quán)重參數(shù)對神經(jīng)網(wǎng)絡(luò)的適應(yīng)性不如蜣螂算法優(yōu)化的權(quán)重參數(shù)。在進行7次神經(jīng)網(wǎng)絡(luò)迭代時，兩者性能相近，隨著迭代次數(shù)增加，DBO-BP提高模型準確度要比GA-BP高。

圖11 神經(jīng)網(wǎng)絡(luò)均方誤差變化結(jié)果

3 結(jié) 論

(1)本文通過圖像預處理，優(yōu)化YOLOv5模型，可以在一定程度上提高預制塊的識別精度，同時能有效提升模型訓練和目標檢測的速度，減少訓練和檢測所用時間，對提高鋪裝工作效率有重要意義。

(2)將點云處理算法和目標檢測算法相結(jié)合，為預制塊鋪裝機械識別、定位預制塊提供有效解決途徑。對預制塊的坐標計算效果良好，精度高，滿足鋪裝要求。

(3)通過現(xiàn)場采集數(shù)據(jù)，建立數(shù)值模型，先進行數(shù)值模擬試驗，獲取試驗數(shù)據(jù)后，使用蜣螂算法，實現(xiàn)輸入預制塊間的相對位移、旋轉(zhuǎn)角度后輸出預制塊的鋪裝坐標。滿足預制塊鋪裝對鋪裝點較高精度計算的需要。