方澤海 鄒慶年 張振嶸 黎永昌

（廣東電網(wǎng)有限責(zé)任公司廣州供電局 廣州 510620）

1 引言

變電站是我國電力系統(tǒng)的重要組成部分，變電站作業(yè)安全對保障電力生產(chǎn)供應(yīng)具有重要意義［1～3］。在變電站設(shè)備檢修、搶修、更換、改造等日?，F(xiàn)場作業(yè)中，存在部分設(shè)備人工搬運難，需要使用吊車等低高空作業(yè)設(shè)備進行輔助工作。在現(xiàn)場吊裝作業(yè)過程中，因工作程序繁瑣、環(huán)境復(fù)雜，以及觀測主觀性和觀測死角，操作人員容易忽視身邊的危險，存在極大的安全隱患［4～6］。此外，作業(yè)區(qū)域位于一個三維空間內(nèi)，吊車吊臂、吊裝貨物與作業(yè)人員、周邊設(shè)備均存在誤觸、誤碰的危險。目前變電站吊車作業(yè)安全監(jiān)測定位主要存在以下問題：1）日常作業(yè)安全防護主要是在作業(yè)前布置地面臨時圍欄，隔離安全保障性不高；2）現(xiàn)場作業(yè)過程中吊車吊臂和吊裝貨物的移動位置監(jiān)測通過專職監(jiān)護人和操作司機來進行，對觀測人員要求極高；3）缺乏基于智能監(jiān)控技術(shù)的綜合安全防護措施，特別是缺乏涵蓋安全距離的三維立體空間安全防護［7～8］。

在變電站吊車作業(yè)監(jiān)測與定位分析系統(tǒng)中，往往只進行防碰撞監(jiān)測和視頻監(jiān)控，或只進行人員定位分析，作為吊車操作手難以判斷周圍存在的風(fēng)險。目前主流采用超聲波、激光、GPS等手段，對吊體空間位置進行綜合定位，但是吊體在立體空間的跟蹤和實時監(jiān)控能力不足，存在目標(biāo)易丟失的問題。文獻［9］設(shè)計了一種基于超聲波傳感器的防碰撞系統(tǒng)，但是單一的超聲波測距監(jiān)控往往只能進行初步的防碰撞分析。文獻［10］在變電站檢修作業(yè)3D 越界預(yù)警系統(tǒng)的研究中，綜合利用視頻智能分析中的運動目標(biāo)檢測與跟蹤技術(shù)和激光測距儀掃描技術(shù)，有效地解決了檢修作業(yè)區(qū)域內(nèi)3D 越界的問題，但是系統(tǒng)沒有實現(xiàn)實時定位追蹤，難以確定下一時刻吊體會出現(xiàn)在何處，難以預(yù)測可能存在的風(fēng)險。文獻［11］提出了基于顏色直方圖的粒子濾波動態(tài)目標(biāo)跟蹤方法，進行準(zhǔn)確定位目標(biāo)。文獻［12］采用改進的DSST 跟蹤算法，融合檢測算法和圖像縮放算法，通過APCE 置信度指標(biāo)，在背景、尺度變化及遮擋等方面表現(xiàn)出較強的魯棒性。但是這兩種方法適用在單維度定位跟蹤，尚未解決空間定位的難題。文獻［13］采用了基于卡爾曼濾波器改進的CamShift 算法，結(jié)合FAST 角點檢測算法構(gòu)建了雙目視覺目標(biāo)跟蹤算法，對運動目標(biāo)進行跟蹤。該方法縮小了角點檢測的范圍，有效解決了目標(biāo)跟蹤丟失問題。但是該方法需要建立穩(wěn)定的背景模型，無法適用在吊車作業(yè)中吊臂末端吊體多自由度的場景。針對多自由度帶來的系統(tǒng)不確定性，可以看作典型的非線性系統(tǒng)，多采用神經(jīng)網(wǎng)絡(luò)、粒子群等智能算法來解決。文獻［14］采用雙流卷積神經(jīng)網(wǎng)絡(luò)算法提取視頻的特征序列，生成了質(zhì)量較高的動作提名，有效提升了目前定位識別精度［15］。文獻［16］提出基于分塊奇異值分解的小波神經(jīng)網(wǎng)絡(luò)圖像識別算法，在光照、背景、姿態(tài)、遮擋等綜合因素影響下，能夠取得較高的識別率，具有較好的魯棒性和實用性。結(jié)合已有研究成果可以知道，改進的神經(jīng)網(wǎng)絡(luò)憑借良好的非線性特性，可廣泛應(yīng)用在目標(biāo)識別和定位跟蹤系統(tǒng)［17～25］。

針對變電站吊車作業(yè)目標(biāo)定位跟蹤的實際需求，以及當(dāng)前最新研究成果，在分析吊車作業(yè)定位跟蹤系統(tǒng)原理和模型的基礎(chǔ)上，采用改進的小波神經(jīng)網(wǎng)絡(luò)算法控制雙攝像機跟蹤角度，滿足目標(biāo)的精確定位跟蹤要求，進一步降低吊車作業(yè)風(fēng)險。

2 問題描述

為了考慮變電站吊車作業(yè)的安全性，在作業(yè)過程中，理論上當(dāng)檢測距離小于《國家電網(wǎng)公司安全工作規(guī)程》規(guī)定的安全距離時，進行告警提示?？紤]當(dāng)前變電站多使用吊車作業(yè)，且自動化和無人化操作水平還不高，吊體在空間位置精確判斷，尤其是吊體空中搖擺時的位置判斷，還停留在依靠工作經(jīng)驗階段。在沒有定量和直觀的監(jiān)控系統(tǒng)條件下，僅僅依靠吊車操作人員的視覺，在較小空間下難以準(zhǔn)確把握，存在極大的判斷誤差。一方面，導(dǎo)致了吊車作業(yè)工作效率低；另一方面，帶來了較大的安全風(fēng)險。在立體空間中，難以從一個視角精確判斷出吊體在空間的具體位置，常見的吊車工作環(huán)境3D示意圖如圖1所示。

圖1 吊車工作環(huán)境3D示意圖

2.1 攝像機標(biāo)定

針對單個攝像機視角單一、緩解盲區(qū)等問題，為提高對吊體位置的精確判斷，采用兩個攝像機對吊體進行目標(biāo)定位。首先，將吊體目標(biāo)點與其像素點進行空間的位置匹配，其次建立左右兩個攝像機之間的相互關(guān)系，最后通過兩個攝像機拍攝的畫面進行整合優(yōu)化，得到吊體在立體空間的位置，并進行數(shù)據(jù)預(yù)處理，為后續(xù)攝像機的精確控制提供基礎(chǔ)支撐。結(jié)合攝像機針孔成像原理，建立數(shù)學(xué)模型如圖2所示。

圖2 攝像機成像原理圖

為保證左右兩個攝像機光軸前向平行，需要對右攝像機進行旋轉(zhuǎn)與平移，對應(yīng)旋轉(zhuǎn)矩陣R與平移矩陣T的標(biāo)定結(jié)果如下：

此外，為了求解物點在左右成像平面內(nèi)投影坐標(biāo)的對應(yīng)關(guān)系，還需要標(biāo)定出本征矩陣E和基礎(chǔ)矩陣F，對應(yīng)的標(biāo)定結(jié)果如下：

利用標(biāo)定求得的結(jié)果參數(shù)對左右攝像機進行校正，校正前后圖像如圖3、4 所示。經(jīng)對比，可以發(fā)現(xiàn)經(jīng)過標(biāo)定校正后的攝像機畸變得到了消除，并且左右攝像機行像素得到了對齊，為后續(xù)左右攝像機對空間同一物點統(tǒng)一定位提供了支撐。

圖3 校正前左右攝像機圖像

圖4 校正后左右攝像機圖像

2.2 立體空間位置坐標(biāo)

考慮到立體空間存在深度（距離）信息和方位信息，首先，經(jīng)過標(biāo)定-校正后的左右兩個攝像機在立體空間坐標(biāo)下進行位置匹配，匹配成功后得到一個吊體特征點的坐標(biāo)，然后，經(jīng)測算得到特征點的視差，最后結(jié)合視差求取特征點的深度位置，對應(yīng)的左右兩個攝像機吊體位置匹配模型如圖5所示。

圖5 雙攝像機吊體位置匹配模型

根據(jù)物點P在左右成像平面的投影點pl、pr的對應(yīng)關(guān)系，便可以得出深度z與視差d的幾何關(guān)系，表達式為

式中，z是物點坐標(biāo)；b是基線距離；xl、xr和yl、yr分別為左右成像平面內(nèi)投影點橫坐標(biāo)和縱坐標(biāo)。對于匹配成功后的特征點，可以反推得到在攝像機坐標(biāo)系中的坐標(biāo)，再對該點在攝像機坐標(biāo)系中的坐標(biāo)點進行重投影，最終得到該點在世界坐標(biāo)系中的坐標(biāo)。以左相機投影中心為原點，對應(yīng)的投影關(guān)系表示如下：

3 自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)算法

3.1 經(jīng)典小波神經(jīng)網(wǎng)絡(luò)

經(jīng)典小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network，WNN）利用了小波變換的時頻局部特性和聚焦特性，在工程實踐中應(yīng)用廣泛［24］。典型的WNN 架構(gòu)主要包括輸入層，隱含層和輸出層，如圖6 所示。對應(yīng)的激勵函數(shù)選取和主要計算步驟如下所述。

圖6 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

1）輸入層：在本算法中，輸入層有θ1和θ2兩個變量。先將輸入變量θ1和θ2歸一化到［0，1］的區(qū)間內(nèi)，再將其傳送至隱含層。

2）隱含層：在本算法中，隱含層的激勵函數(shù)的選取主要依據(jù)經(jīng)驗選取，公式如下：

式中，a是小波神經(jīng)網(wǎng)絡(luò)的伸縮因子，b是小波神經(jīng)網(wǎng)絡(luò)的平移因子。同時，母小波函數(shù)采用“Mexican hat”函數(shù)，其數(shù)學(xué)公式如下［23］：

上式中，‖θ‖ =θTθ。該隱含層的第j個神經(jīng)元的激活函數(shù)可通過式（14）和（15）得到：

其中，m是該隱含層中神經(jīng)元總數(shù)目。

3）輸出層：小波神經(jīng)網(wǎng)絡(luò)的輸出值定義如下：

上式中，wj,i代表了第j個隱含神經(jīng)元和第i個輸出層節(jié)點之間的連接權(quán)值。

3.2 變結(jié)構(gòu)小波神經(jīng)網(wǎng)絡(luò)算法

由于攝像機控制具有實時動態(tài)、角度耦合等非線性特點，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練針對不夠強，難以實現(xiàn)快速跟蹤定位。同時，考慮傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在收斂速度慢等問題，通過實時調(diào)整小波神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，盡可能滿足攝像機控制系統(tǒng)信息處理特點和要求，提高變結(jié)構(gòu)小波神經(jīng)網(wǎng)絡(luò)（Variable Structure WNN，VSWNN）的控制特性。此處，采用輸入層變量θ和隱含層參數(shù)a和b構(gòu)建了Mahalanobis 距離，在保證神經(jīng)網(wǎng)絡(luò)的擬合性能的情況下盡量提高算法運算效率，其數(shù)學(xué)公式如下：

根據(jù)仿真結(jié)果，以式（8）的最小值Mmin作為原則來調(diào)整隱含層神經(jīng)元個數(shù)，即當(dāng)Mmin大于預(yù)設(shè)的非負閾值M0時，將會在隱含層中添加一個神經(jīng)元。根據(jù)仿真結(jié)果，M0在本算法中預(yù)設(shè)定為0.475。

經(jīng)過上述過程后，新的隱含層神經(jīng)元參數(shù)可通過下式表示：

式中，θ0和分別是設(shè)定的常量。結(jié)合式（16）和（18），可知m(j+1)=m(j)+1 是隱含層神經(jīng)元的總數(shù)目?？紤]到隱含層神經(jīng)元的無限制地增加將帶來嚴重的計算效率問題，本文通過評估神經(jīng)元重要性的指數(shù)，在有必要時對隱含層神經(jīng)元的數(shù)量進行裁減。隱含層神經(jīng)元的重要性指數(shù)公式如下：

3.3 參數(shù)自學(xué)習(xí)

粒子群優(yōu)化（Particular Swarm Optimization，PSO）作為常用的自適應(yīng)算法，在工程應(yīng)用中表現(xiàn)出優(yōu)越的性能［25］。該算法通過自適應(yīng)調(diào)整粒子的學(xué)習(xí)率等參數(shù)，實現(xiàn)群體中粒子相互競爭合作，最終得到全局尋優(yōu)參數(shù)，基本公式如下：式中，t是迭代周期數(shù)；xi(t)和vi(t)分別是粒子在搜索空間中的位置和速度；c1和c2分別為粒子的社會認知學(xué)習(xí)率和個體認知學(xué)習(xí)率；r1和r2是隨機數(shù)，均勻分布在［0，1］；?表示慣性權(quán)重；L是粒子總數(shù)目；粒子i可以記錄自己在迭代過程中個體最優(yōu)位置為hi，以及全體粒子群的最優(yōu)位置為hg。

為了提高粒子群算法的搜索效率，本文提出了改進的權(quán)重系數(shù)，在不同的搜索階段動態(tài)調(diào)整慣性權(quán)重，公式如下：

式中，?max為權(quán)重系數(shù)最大值，?min為最小值；Iter是當(dāng)前進化代數(shù)，Itermax是最大進化代數(shù)，設(shè)為200；ζ是搜索步長變化系數(shù)，設(shè)為12。為了降低算法陷入局部最優(yōu)的風(fēng)險，本文提出自適應(yīng)粒子群算法（Adaptive PSO，APSO）利用適應(yīng)度函數(shù)來評估粒子群算法，調(diào)整權(quán)重系數(shù)與學(xué)習(xí)率，使系統(tǒng)全局優(yōu)化，其計算步驟如下。

1）計算粒子i和其余粒子的歐氏距離：

2）適應(yīng)度函數(shù)的定義如下：

式中，disg為全局優(yōu)化粒子。利用適應(yīng)度函數(shù)對粒子群算法進行評估，學(xué)習(xí)率取值區(qū)間為[0.6,2.7]。

如果c1+c2的值大于4，通過如下的規(guī)則進行自整定。

4 仿真試驗

4.1 試驗環(huán)境

結(jié)合吊車作業(yè)特點和吊體定位跟蹤需求，首先需要對雙目跟蹤系統(tǒng)進行標(biāo)定。然后，將兩個攝像機分別放在不同位置同一時間拍攝同一場景，再通過計算機對兩個攝像機拍攝的圖像進行處理與分析，提取物點的圖像特征，并進行立體坐標(biāo)匹配。最后，根據(jù)立體坐標(biāo)匹配的特征點反推得到空間的同一點分別再雙攝像機圖像上的位置，并通過對應(yīng)點的視差和攝像機模型計算得到立體空間的物點坐標(biāo)。

圖7 雙目定位跟蹤系統(tǒng)信息處理流程

結(jié)合雙目定位跟蹤系統(tǒng)工作原理和信息處理流程，設(shè)計的仿真試驗系統(tǒng)主要包括兩個攝像機（配置：CS5260BDP，分辨率為768*576 像素，焦距為8mm，掃描面積為4.9mm*3.7mm）、4個直流無刷電 機（配 置：Robomasters 6623，DC 24V，Ke 為0.274Vs/rad，Kv 為35RPM/V，Kt 為0.268Nm/A，耐流值不小于8A）、1 臺計算機（3.4GHz 主頻CPU，4GB內(nèi)存，Win7 系統(tǒng)，Open CV 和C++），其中每個攝像機的高低和方向分別用一個電機控制，以便能夠準(zhǔn)確、快速地跟蹤物點位置。結(jié)合小波神經(jīng)網(wǎng)絡(luò)智能控制優(yōu)勢，利用改進的小波神經(jīng)網(wǎng)絡(luò)算法對攝像機角度進行控制。考慮左右兩個攝像機的高低、方向角度由不同電機控制，且電機的機械特性不同，所以將該算法用在四個不同的電機控制中。以其中一個電機為例，自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)設(shè)計為兩輸入兩輸出系統(tǒng)，即輸入為該攝像機的當(dāng)前角度位置和最終角度位置，輸出為物點的當(dāng)前空間位置和預(yù)期空間位置之間提供的設(shè)定值。

4.2 收斂性分析

收斂性是小波神經(jīng)網(wǎng)絡(luò)算法自適應(yīng)調(diào)節(jié)性能的重要指標(biāo)。本文利用樣本數(shù)據(jù)對PSO-WNN、PSO-VSWNN 和APSO-VSWNN 這三種算法分別進行了訓(xùn)練，并對比了各方法的收斂性，如圖8 所示。設(shè)置目標(biāo)與模型輸出位置的RMSM 小于0.01時，系統(tǒng)進入收斂狀態(tài)。從訓(xùn)練數(shù)據(jù)可以看出，APSO-VSWNN 算法較其他兩種算法在收斂速度上優(yōu)勢明顯，PSO-WNN 算法的訓(xùn)練能力相比而言較差。

圖8 三種算法收斂性比較圖

4.3 階躍響應(yīng)分析

階躍響應(yīng)作為小波神經(jīng)網(wǎng)絡(luò)算法快速性和穩(wěn)定性的重要指標(biāo)，分別將定值參考信號，以及增加外部擾動的參考信號作為控制系統(tǒng)的目標(biāo)值，試驗結(jié)果如圖9 所示。從圖中可以看出，將階躍信號的目標(biāo)值設(shè)置為8 時，基于APSO-VSWNN 的控制器進入穩(wěn)定狀態(tài)的時間較基于PSO-VSWNN 的控制器要早40ms。第180ms 引入一個8ms 的1.5Nm 的擾動，可見APSO-VSWNN 控制性能更好。在收斂分析試驗基礎(chǔ)上，驗證了自適應(yīng)粒子群算法的適用性，能夠有效提高小波神經(jīng)網(wǎng)絡(luò)算法的抗干擾能力。

圖9 兩種算法階躍響應(yīng)比較圖

4.4 定位跟蹤分析

在初始參數(shù)和試驗過程一致條件下，分別采用PSO-VSWNN 和APSO-VSWNN 算法進行定位和跟蹤，試驗結(jié)果如圖10 和11 所示，圖（a）為目標(biāo)無遮擋情況下的定位跟蹤情況，圖（b）～（d）為目標(biāo)被部分遮擋情況下的定位跟蹤情況。從試驗結(jié)果可知，在目標(biāo)無遮擋時，兩種算法均能夠?qū)崿F(xiàn)目標(biāo)定位跟蹤；在目標(biāo)被部分遮擋時，PSO-VSWNN 最終會丟失目標(biāo)跟蹤。但本文提出的APSO-VSWNN算法即使在目標(biāo)被部分遮擋情況下依然能實時跟蹤，表明該算法效率高、魯棒性強。對應(yīng)兩種算法運行時間見表1。由于變電站吊車作業(yè)過程，目標(biāo)移動速度較慢，本系統(tǒng)測試誤差在實際應(yīng)用允許的誤差范圍內(nèi)，可滿足實際應(yīng)用要求。

表1 兩種算法跟蹤時間比較

圖10 PSO-VSWNN算法的跟蹤結(jié)果

圖11 APSO-VSWNN算法的跟蹤結(jié)果

5 結(jié)語

針對變電站吊車作業(yè)帶來的安全風(fēng)險，本文設(shè)計了基于自適應(yīng)粒子群小波神經(jīng)網(wǎng)絡(luò)算法的雙攝像機定位跟蹤系統(tǒng)，能夠有效地支撐作業(yè)人員進行吊車作業(yè)安全實時監(jiān)控與定位分析。通過收斂性、快速響應(yīng)和定位跟蹤仿真試驗，結(jié)果表明，提出的APSO-VSWNN 算法能夠滿足吊車作業(yè)目標(biāo)定位跟蹤精度要求，并具有一定的抗干擾能力，滿足變電站吊車作業(yè)現(xiàn)場的實際應(yīng)用需求。