劉海峰池威威李志雷賈志輝張繼超

(國網(wǎng)河北省電力有限公司雄安新區(qū)供電公司,河北 雄安新區(qū) 071000)

隨著我國經(jīng)濟的快速發(fā)展,城市地下綜合管廊得到越來越多的推廣應(yīng)用。地下綜合管廊可以將城市中各種管線,如電力、通信、燃氣、供熱、給排水等進行統(tǒng)一規(guī)劃、統(tǒng)一設(shè)計、統(tǒng)一建設(shè)和管理,從而優(yōu)化配置和合理利用地下空間。以雄安新區(qū)為例,預(yù)計到2035年入廊220 kV 電纜將達到190 km,入廊110 kV 電纜將達到731 km。面對地下電力設(shè)備設(shè)施的飛速增長,目前以人工巡檢為主的運維模式已很難適應(yīng)新的形勢。為解決上述問題,國內(nèi)一些大城市已經(jīng)開始探索綜合管廊電力艙機器人巡檢技術(shù)。

1 綜合管廊電力巡檢存在的問題

綜合管廊作為保障城市運行的重要基礎(chǔ)設(shè)施和“生命線”,一般距離較長,且地形復(fù)雜,人工巡檢強度高,存在一定作業(yè)風(fēng)險[1]。同時,綜合管廊電力艙擔(dān)負著城市電力供應(yīng)的重任,需要通過巡檢及時掌握電纜運行狀態(tài)和環(huán)境變化。

1.1 巡檢設(shè)備

目前綜合管廊電力艙巡檢一般依托固定攝像頭、掛軌機器人、輪式巡檢機器人等。監(jiān)控攝像頭安裝位置固定,視野有限,若對管廊環(huán)境全程覆蓋,需要大量部署,成本較高;掛軌機器人可在軌道上運動,對管廊內(nèi)大部分區(qū)域可以進行有效巡檢,但其視野受限于軌道,無法360°全覆蓋;輪式巡檢機器人無視野限制,但輪式機器運動執(zhí)行機構(gòu)為車輪,要求地面平坦,并且通過坡度一般小于15°。通常管廊空間狹窄,地形環(huán)境復(fù)雜,存在坡道、障礙等,輪式機器人很難適應(yīng)。

1.2 缺陷識別算法

缺陷識別算法可分為基于模式識別與基于學(xué)習(xí)兩大類。基于模式識別的方法主要有灰度共生矩陣、直方圖統(tǒng)計等?；趯W(xué)習(xí)的方法分為監(jiān)督和無監(jiān)督兩類。有監(jiān)督的深度學(xué)習(xí)缺陷檢測模型,如Fast RCNN、Yolo系列等,在缺陷類別明確的場景識別率較高,網(wǎng)絡(luò)實現(xiàn)相對簡單,但是需要了解缺陷詳細類別,且需要較大的缺陷樣本庫[2]。在管廊中,各位置的環(huán)境是固定并已知的,但缺陷是未知、位置不固定(如滲漏水)的,通常缺陷樣本的形狀、顏色都沒有穩(wěn)定的統(tǒng)計規(guī)律,無法窮舉所有的缺陷種類(如電纜的破損),而且由于缺陷樣本難以收集、數(shù)量極少,直接使用監(jiān)督學(xué)習(xí)會導(dǎo)致訓(xùn)練集高度不平衡。

2 構(gòu)建基于四足機器人的自主巡檢體系

2.1 巡檢設(shè)備

四足機器人憑借優(yōu)越的越障能力和自適應(yīng)能力,對地面條件的要求較輪式機器人大幅降低,在管廊環(huán)境中應(yīng)用前景廣闊。四足機器人從典型四足動物的運動特點出發(fā),采用運動捕捉等手段,對四足動物運動進行抽象和提煉。本文利用仿生設(shè)計思想,對機構(gòu)、驅(qū)動和傳動等環(huán)節(jié)進行設(shè)計,重點分析典型四足動物的骨骼結(jié)構(gòu)、主被動柔順運動機理以及柔性足底結(jié)構(gòu)等生理特征。通過運動捕捉技術(shù),采用紅外運動捕捉儀、陀螺儀、三維測力平臺、道格拉斯氣袋、氣體分析儀等設(shè)備,可采集典型腿足式動物在不同速度、路面和擾動情況下的關(guān)節(jié)及全身運動數(shù)據(jù)、地面作用力、壓力中心和能量消耗等大量數(shù)據(jù)、信息。采用基于虛擬力控制的方法規(guī)劃Trot步態(tài)行走,根據(jù)機器人期望的運動速度和身體姿態(tài),結(jié)合地形適應(yīng)控制和抗外力擾動控制,結(jié)合虛擬力控制生成機器人Trot步態(tài),使其具有較強的路面適應(yīng)性和抗擾動恢復(fù)能力,四足虛擬模型控制系統(tǒng)和Trot步態(tài)規(guī)劃框,見圖1、圖2。

圖1 四足虛擬模型控制系統(tǒng)

圖2 Trot步態(tài)規(guī)劃框示意

2.2 缺陷識別算法

相較于有監(jiān)督學(xué)習(xí)缺陷檢測模型,無監(jiān)督學(xué)習(xí)僅需要正樣本,如基于圖像修復(fù)的方法、基于深度自編碼器的方法、基于生成對抗網(wǎng)絡(luò)的方法。傳統(tǒng)無監(jiān)督學(xué)習(xí)通常依賴生成模型,精確重建正常區(qū)域,無法直接異常定位,需要進行復(fù)雜的后處理步驟,增加了應(yīng)用難度,限制了無監(jiān)督方法的推廣。

應(yīng)用基于正樣本的缺陷檢測算法DRAEM,并在算法原有網(wǎng)絡(luò)基礎(chǔ)上優(yōu)化重構(gòu)損失函數(shù)GMSD-DRAEM。以端到端的方式對生成的非分布模式進行鑒別訓(xùn)練,不需要真實地表示目標(biāo)域缺陷。該網(wǎng)絡(luò)由一個重構(gòu)子網(wǎng)絡(luò)和一個判別子網(wǎng)絡(luò)組成,重構(gòu)子網(wǎng)絡(luò)通過訓(xùn)練來學(xué)習(xí)無缺陷重構(gòu),判別子網(wǎng)絡(luò)則在原始圖像和重構(gòu)圖像的聯(lián)合外觀上學(xué)習(xí),從而生成高保真像素級別缺陷檢測圖。本文根據(jù)管廊缺陷特點優(yōu)化重構(gòu)了損失函數(shù),在原模型基礎(chǔ)上提升了缺陷識別準確率,提升了算法的適用性[3]。

如圖3所示,第1個缺陷區(qū)域(地面滲漏水)由重構(gòu)子網(wǎng)絡(luò)隱式檢測和重構(gòu),然后將重構(gòu)子網(wǎng)絡(luò)的輸出和輸入圖像連接起來并送到判別子網(wǎng)絡(luò),使用焦點損失訓(xùn)練分割網(wǎng)絡(luò)定位缺陷區(qū)域并生成缺陷圖,最后從缺陷分數(shù)圖中獲取圖像級缺陷分數(shù)。

圖3 缺陷檢測原理示意

2.2.1 重構(gòu)子網(wǎng)絡(luò)

重構(gòu)子網(wǎng)絡(luò)被表述為一種編碼-解碼器架構(gòu),將輸入待測缺陷區(qū)域的局部模式轉(zhuǎn)換為更接近正常樣本分布的模式。網(wǎng)絡(luò)經(jīng)過訓(xùn)練可以利用模擬器獲得從人為損壞樣本Ia中重構(gòu)的原始圖像Ir。使用梯度幅相似偏差(Gradient Magnitude Similarity Deviation,GMSD)優(yōu)化重構(gòu)子網(wǎng)絡(luò)中的損失函數(shù)。Ir損失通常用于基于重構(gòu)的缺陷檢測方法,但現(xiàn)實中相鄰像素之間并非獨立,因此,額外采用基于圖像相似度亮度、對比度和結(jié)構(gòu)的結(jié)構(gòu)相似性(Structural Similarity Index,SSIM)[4]損失,取值范圍為0 到1,越大表示越相似。SSIM(I,Ir)為原始圖像與重構(gòu)圖像的結(jié)構(gòu)相似性,定義為

式中:μI、μIr分別為I、Ir的平均值;δ、δIr分別為I、Ir的標(biāo)準差;δIIr為I、Ir的協(xié)方差;c1、c2分 別為常數(shù),避免分母為0帶來的系統(tǒng)誤差。因此重構(gòu)子網(wǎng)絡(luò)的SSIM 損失定義為

式中:h和w分別為圖像I的高度和寬度;Np為I中的像素數(shù);Ir為網(wǎng)絡(luò)輸出的重構(gòu)圖像;SSIM(I,Ir)i,j為I、Ir塊以圖像坐標(biāo)(i,j)為中心的SSIM 值。

由于管廊場景下圖像有著豐富的局部結(jié)構(gòu),不同的結(jié)構(gòu)有不同的梯度幅值退化損失,因而增加基于梯度幅值的損失GMSD[5],定義為

式中:h、w、Np、Ir含義同式(2);GMSD(I,Ir)(i,j)為I、Ir以圖像坐標(biāo)(i,j)為中心的GMSD值。

因此,重構(gòu)子網(wǎng)絡(luò)整體損失為

式中:λ1、λ2為重構(gòu)損失平衡超參數(shù)。

2.2.2 判別子網(wǎng)絡(luò)

以往基于重構(gòu)的缺陷檢測方法,通常將原始圖像與其重構(gòu)圖進行比較得到缺陷圖,但是人工很難定義缺陷檢測的相似性度量方法。因此本文使用一種判別子網(wǎng)絡(luò)自動學(xué)習(xí)適當(dāng)?shù)木嚯x函數(shù),然后輸出與輸入圖像尺寸一致的缺陷分數(shù)圖。其中判別子網(wǎng)絡(luò)使用類似U-Net的架構(gòu),并融入跳躍連接操作,提升了網(wǎng)絡(luò)多尺度捕獲圖像空間細節(jié)和生成高質(zhì)量的缺陷區(qū)域掩碼的能力。同時使用焦點損失函數(shù),以提高對困難示例進行準確分割的魯棒性。

將重構(gòu)子網(wǎng)絡(luò)輸出Ir和原始輸入待測缺陷區(qū)域圖像I的通道連接,作為判別子網(wǎng)絡(luò)的輸入Ic。由于重構(gòu)子網(wǎng)絡(luò)對正常樣本具有恢復(fù)特性,因此當(dāng)輸入圖像存在缺陷時I和Ir的聯(lián)合外觀差異較大,這一點為缺陷區(qū)域分割提供了必要的信息。

焦點損失函數(shù)定義為

式中:Ma、M分別為ground truth和異常分割掩碼。綜合上述重構(gòu)和判別子網(wǎng)絡(luò),基于正樣本學(xué)習(xí)的缺陷檢測模型用于訓(xùn)練的總損失函數(shù)為

式中:Ma、M、I、Ir含義 同上。

2.2.3 缺陷定位和檢測

判別子網(wǎng)絡(luò)的輸出為像素級缺陷區(qū)域檢測掩碼Mo,可直接判別缺陷位置。同時通過均值濾波器卷積層對Mo進行平滑處理,聚合局部缺陷響應(yīng)信息,用平滑缺陷分數(shù)圖的最大值η作為圖像級別缺陷概率,可判別圖像中是否存在缺陷,η定義為,

式中:fsf×sf為sf×sf的均值濾波器;*為卷積算子。

3 自主巡檢方法測試與應(yīng)用

3.1 圖像采集

在綜合管廊場景下,四足機器人采用定點巡檢方式進行巡檢。首先四足機器人按照計劃任務(wù)定點拍攝待檢測的點位圖片,作為模板圖片;然后四足機器人開始巡檢,同樣按照計劃任務(wù)巡檢到待檢測的巡檢點位,采用拍攝模板圖片時相同的距離、角度、變倍系數(shù)拍攝待測圖片,待測圖片與模板圖片具有一致的分辨率和相似的視野。

由于四足機器人定點拍攝過程中,導(dǎo)航與云臺存在定位偏差,待測圖像與模板圖像存在一定的偏移,為了消除偏移對后續(xù)缺陷檢測造成的影響,將待測圖像與模板圖像進行配準,使得待測圖像與模板圖像對應(yīng)位置的像素點進一步對齊,配準成功之后,提取待測圖像與模板圖像中缺陷待測區(qū)域所對應(yīng)區(qū)域,作為待測圖像的缺陷待檢區(qū)域。

3.2 模擬缺陷生成

在綜合管廊場景下,基于正樣本學(xué)習(xí)的缺陷檢測模型,不需要模擬生成目標(biāo)域中真實的缺陷外觀,而是生成剛剛超出正常分布的外觀,然后學(xué)習(xí)適當(dāng)?shù)木嚯x函數(shù)以通過偏離正常分布來識別缺陷[6]。模擬缺陷生成過程見圖4。缺陷模擬器遵循下述規(guī)則。

圖4 模擬缺陷生成過程

使用柏林噪聲生成器生成噪聲圖P,可捕獲各種形態(tài)缺陷,并通過隨機均勻采樣的閾值將噪聲二值化為缺陷圖Ma。然后從與輸入圖像分布無關(guān)的缺陷源圖像數(shù)據(jù)集中采樣,得到缺陷紋理源圖像A。采用類似Rand Augment隨機增強采樣方法,從集合(后處理、銳度、均衡、亮度變化、顏色變化、自動對比度)中隨機選擇3種操作對圖像紋理A進行增強。增強的紋理圖像A與缺陷圖Ma進行圖像運算,并與I混合用來生成剛剛超出正常分布的缺陷圖,從而有助于收緊訓(xùn)練網(wǎng)絡(luò)中的決策邊界[7]。增強后用于訓(xùn)練的圖像Ia定義為

式中:為Ma圖像取反;☉為元素乘法運算;β為不透明度參數(shù),從[0.1,1.0]區(qū)間中均勻采樣。通過隨機混合和增強,一個單一的紋理可生成不同的缺陷圖像。

3.3 訓(xùn)練集

收集四足機器人巡檢過程中不同時間段云臺相機拍攝的管廊環(huán)境的4個點位圖像進行訓(xùn)練,為了提高模型魯棒性,減少過擬合程度,將圖像經(jīng)過平移、旋轉(zhuǎn)、縮放、光照增強等變換[8]。該數(shù)據(jù)集命名為管廊環(huán)境正樣本訓(xùn)練集,包含原始1 000張圖像,其中每個類別250張圖像,增強8 000張,每個類別2 000張。使用copy-paste數(shù)據(jù)增強方法,利用VOC2012數(shù)據(jù)集和破損、漏水缺陷圖像,制作管廊環(huán)境缺陷測試數(shù)據(jù)集,命名為管廊缺陷測試數(shù)據(jù)集,包含1 000張正常圖像與3 000張缺陷圖像,缺陷圖像中包含300張管廊破損樣本和300張滲漏水樣本。測試中,GMSD-DRAEM 在管廊缺陷訓(xùn)練集上訓(xùn)練了100個epoch,學(xué)習(xí)率設(shè)置為10-4,并在40和60個epoch之后學(xué)習(xí)率變?yōu)樵瓉淼?.1倍。在-45°～45°內(nèi)的圖像旋轉(zhuǎn)用作訓(xùn)練期間無缺陷圖像的數(shù)據(jù)增強方法,以減輕由于較小的無缺陷訓(xùn)練集而導(dǎo)致過度擬合?？擅枋黾y理數(shù)據(jù)集用作缺陷模擬生成器缺陷源數(shù)據(jù)集。訓(xùn)練損失函數(shù)曲線見圖5。

圖5 訓(xùn)練損失函數(shù)曲線

從圖5可以看出,模型的損失曲線下降平滑,表明模型在缺陷訓(xùn)練集上的有效性。

4 結(jié)論

構(gòu)建基于四足機器人的綜合管廊電力艙巡檢系統(tǒng),由機器人巡視替代人工巡視,減少管廊人工巡檢頻次,節(jié)省運維成本,規(guī)避運檢人員作業(yè)風(fēng)險;通過搭載多種傳感器,實現(xiàn)缺陷自主識別,提高巡檢作業(yè)效率。通過采集綜合管廊環(huán)境、安防、電纜運行狀態(tài)等數(shù)據(jù),接入后臺監(jiān)控系統(tǒng)進行分析診斷和風(fēng)險預(yù)警,實現(xiàn)“數(shù)據(jù)集成、業(yè)務(wù)協(xié)同、管理集中、資源共享”。