挖掘机广泛应用于各种施工场合,在工程机械中占有十分重要的地位。挖掘机作业环境复杂多变,常伴有噪音、粉尘,一些场合甚至存在塌方、辐射等危险,挖掘机自主智能化作业已成为未来发展趋势。工作装置姿态信息是智能控制系统的重要参数,实时精准地获取姿态信息对自主智能化作业起着至关重要的作用。在挖掘机工作装置姿态测量方面,大部分是以电位计、关节角度编码器等接触式传感器来实现。近年来一些研究人员针对姿态测量中接触式传感器容易碰撞损坏等问题,提出了基于视觉测量技术的姿态测量方法。在工作装置上张贴具有角点特征或其他几何形状特征的人工靶标,相机捕获图像并进行图像处理,提取人工靶标的特征信息后计算获得工作装置姿态,完成姿态测量。该方法一定程度上仍存在着一些问题,例如:人工靶标易被环境中灰尘、泥土等粘附污染,人工特征被遮挡,使工作装置姿态测量失败;其次,视觉平面测量中,图像上某些目标特征会随相机成像夹角的增大而形变增大,影响特征的检测和定位;此外,挖掘机与作业环境过度融合且机身具有棱角,检测靶标上角点时易检测到较多无效角点特征,筛选有效特征会增加图像检测时间,也可能出现由于漏检或误判有效特征导致测量失败的现象。本文针对以上视觉测量中存在的问题,提出基于视觉的多点标识挖掘机工作装置姿态测量系统,为一台无任何传感器的挖掘机模型配备工作装置姿态测量系统。在系统中引入深度神经网络,有效解决关键点标识的检测和定位问题。利用一台RGB摄像机和YOLOv3深度学习算法实现对无任何传感器挖掘机工作装置的姿态测量。为工作装置设计布置区别于背景环境、易于识别和定位的关键点标识,捕获大量工作装置图像并标注建立数据集,以此数据集训练获得视觉模型实现关键点标识的检测;根据关键点间的约束关系和相机成像原理还原关键点标识的三维信息,并计算相应工作装置杆件的姿态角。具体研究工作如下:（1）进行挖掘机工作装置姿态测量系统的搭建。设计挖掘机工作装置姿态测量方案,包括硬件结构的组成和布置;设计并布置8种类型的关键点标识,并为每个标识配备冗余标识,保证检测不遗漏;设计布置图像数据采集系统,采集图像并制作样本容量为1300的VOC训练集;基于张正友棋盘格标定法,制定摄像机参数的校核标定方案;布置接触式传感器陀螺仪,获得工作装置的实际姿态角,用作评判模型性能好坏的依据。（2）搭建二维关键标识检测模块的训练平台和环境,根据前期采集并制作的VOC数据集,利用基于深度神经网络的YOLOv3目标检测算法训练获得关键点标识检测模块。（3）针对人工靶标污染损坏的现象,设计两组不同状态标识的试验,对每组试验均进行静态测量和动态测量,记录分析对应状态下工作装置姿态角的测量结果。针对相机成像时图像上标识变形导致工作装置姿态角测量有误的现象,进行试验。研究表明:本文多点标识下的挖掘机工作装置姿态测量系统可以有效地改善基于视觉工作装置姿态测量中存在的一些问题;一般情况下,测量系统对工作装置的测量偏差在±2°范围内,对每帧图像平均处理时间约为108ms,满足工作装置实时测量的要求。