熊希曦， 王旭紅， 文藝

(長沙理工大學(xué)電氣與信息工程學(xué)院， 湖南 長沙 410004)

0 引言

目前城市配電網(wǎng)的中低壓線路中(即10 kV 及以下電壓等級(jí)) 通常是架空絕緣電纜安裝。 但是在檢修電纜及設(shè)備時(shí)， 為了保障檢修人員的人身安全需要驗(yàn)明線路無電后掛設(shè)接地保護(hù)線。 如果是配電網(wǎng)人工帶電將接地線掛上接地環(huán)， 工作人員往往需要穿上密不透風(fēng)的絕緣服、 隨身攜帶各種設(shè)備工具， 在高空長時(shí)間作業(yè)， 危險(xiǎn)性高且作業(yè)效率低[1]。 因此采用帶電作業(yè)機(jī)器人代替人工作業(yè)，而如何實(shí)現(xiàn)接地環(huán)的精準(zhǔn)識(shí)別與定位是實(shí)現(xiàn)機(jī)器人作業(yè)的重點(diǎn)與難點(diǎn)。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法在配電網(wǎng)金具識(shí)別領(lǐng)域應(yīng)用越來越廣泛[2－3]。 王素珍等人采用改進(jìn)后的YOLOv5 算法對(duì)絕緣子進(jìn)行了識(shí)別[4]； 武建超等人在YOLOv4－tiny 的基礎(chǔ)上引入了空洞空間卷積池化金字塔模塊， 這種改進(jìn)后的網(wǎng)絡(luò)實(shí)現(xiàn)了輸電線路典型目標(biāo)的識(shí)別[5]； 戴永東等人將改進(jìn)后的Faster－RCNN 網(wǎng)絡(luò)運(yùn)用在均壓環(huán)和絕緣子識(shí)別范疇[6]。 以上這些目標(biāo)檢測(cè)算法很難同時(shí)兼顧檢測(cè)的速度與精度。 本文提出一種改進(jìn)的YOLOX－S 配電網(wǎng)接地環(huán)視覺識(shí)別方法， 在保留目標(biāo)檢測(cè)算法速度的同時(shí)， 提高檢測(cè)的精度。

在目標(biāo)測(cè)距與定位方面， 陳遠(yuǎn)設(shè)計(jì)了基于超聲波傳感的目標(biāo)定位系統(tǒng)[7]； 雷艷敏等人采用激光測(cè)距儀對(duì)動(dòng)靜態(tài)目標(biāo)進(jìn)行了位置檢測(cè)[8]； 王澤民等人利用單目視覺進(jìn)行目標(biāo)測(cè)距并分析了影響精度的因素[9]。 這些基于超聲波技術(shù)、 紅外技術(shù)、 激光技術(shù)的測(cè)距方法魯棒性差且成本高。 采用單目視覺進(jìn)行測(cè)距的條件過于理想， 不切合實(shí)際， 而雙目視覺就很好地解決了這一問題， 二者相比， 雙目視覺在測(cè)距定位領(lǐng)域的應(yīng)用精度更高。 因此， 本文提出一種基于雙目視覺的配電網(wǎng)接地環(huán)定位方法。

本文提出的基于改進(jìn)YOLOX－S 的接地環(huán)識(shí)別方法和基于雙目視覺的接地環(huán)定位方法， 可降低帶電作業(yè)的難度和安全風(fēng)險(xiǎn)， 提高配電網(wǎng)帶電作業(yè)的自動(dòng)化水平。

1 配電網(wǎng)接地環(huán)視覺識(shí)別方法

1.1 YOLOX－S 算法

2021 年， YOLOX 算法的提出， 將目標(biāo)檢測(cè)領(lǐng)域的解耦頭、 無錨框、 數(shù)據(jù)增強(qiáng)及標(biāo)簽分類等進(jìn)行了巧妙的運(yùn)用。 YOLOX 算法的輸入為640×640 的三通道圖像， 輸入圖像經(jīng)過主干特征提取網(wǎng)絡(luò)(CSPDarknet) 進(jìn)行淺層特征提取[10]， 然后傳入到PAFPN 特征利用層， 由PAFPN 對(duì)三個(gè)維度的特征圖進(jìn)行特征融合， 最后傳入到三個(gè)Decoupled Head， 置信度和回歸框都由Decoupled Head 實(shí)現(xiàn)，在預(yù)測(cè)時(shí)合成為一體， 將三個(gè)預(yù)測(cè)結(jié)果進(jìn)行組合。各個(gè)特征層的輸出:h、w、x、y、Fobj、Fcls， 其中前四個(gè)參數(shù)用來確定每個(gè)特征點(diǎn)的回歸參數(shù)， 以便獲得預(yù)測(cè)框位置； 第五個(gè)參數(shù)用來判斷每個(gè)特征點(diǎn)是否包含物體； 最后一個(gè)參數(shù)用來判斷每個(gè)特征點(diǎn)所包含物體的類別[11]。 YOLOX 相比于之前的YOLO 系列最大的進(jìn)步就是實(shí)現(xiàn)了anchorfree， 而這一突破得益于SimOTA， 即動(dòng)態(tài)樣本匹配，SimOTA 為每個(gè)正樣本分配一個(gè)GT 框， 讓正樣本去擬合該GT 框， 起到替代anchor 方案去擬合anchor的作用。 圖1 為YOLOX 的網(wǎng)絡(luò)結(jié)構(gòu)圖。 YOLOX 根據(jù)參數(shù)量的不同分為YOLOX－S、 YOLOX－M、YOLOX－L、 YOLOX－X， 其中YOLOX－S 由于參數(shù)量最少而被廣泛應(yīng)用。

圖1 YOLOX 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 改進(jìn)的YOLOX－S 算法

為提升YOLOX－S 模型的檢測(cè)速度和精度， 分別從網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)兩部分對(duì)此模型進(jìn)行改進(jìn)。

1.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

為了充分利用圖像的底層信息， 將頸部的PAFPN 特征利用層用BiFPN 網(wǎng)絡(luò)替代， 以提高檢測(cè)精度。 PAFPN 是一種均衡對(duì)待各個(gè)尺度的特征融合方式， 但不同輸入特征的分辨率是不同的， 而且他們對(duì)輸出特征的付出也是不同的[12]， 為處理好這種情況， BiFPN 為每個(gè)輸入引入了權(quán)重， 更好地協(xié)調(diào)不同尺度的圖像特征。

BiFPN 網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示， 藍(lán)色箭頭代表下采樣， 紅色箭頭代表上采樣。P3—P7為五個(gè)輸入特征(在圖像矩陣中)， 在進(jìn)行下采樣、 上采樣和融合之后得到五個(gè)輸出特征。 BiFPN 網(wǎng)絡(luò)為每個(gè)特征分支提供一個(gè)權(quán)重值， 如式(1)， 通過網(wǎng)絡(luò)的自學(xué)習(xí)得到最佳權(quán)重值。

圖2 BiFPN 網(wǎng)絡(luò)結(jié)構(gòu)

式中，I、O分別表示輸入和輸出特征， 使用ReLU函數(shù)使得ωi≥0，ε取極小值0.000 1 來保證數(shù)值穩(wěn)定。

因?yàn)閅OLOX－S 的主干特征提取網(wǎng)絡(luò)是對(duì)中間層、 中下層和底層進(jìn)行特征提取， 輸出為三個(gè)特征分支， 而BiFPN 網(wǎng)絡(luò)的輸入為五個(gè)特征層， 所以必須對(duì)BiFPN 網(wǎng)絡(luò)加以簡化。 經(jīng)過改進(jìn)后的BiFPN網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示， 輸入為三個(gè)特征層， 輸出也是三個(gè)特征層[13]， 這不但適應(yīng)了YOLOX－S 網(wǎng)絡(luò)結(jié)構(gòu)， 還降低了模型的計(jì)算量。

圖3 改進(jìn)后的BiFPN 網(wǎng)絡(luò)結(jié)構(gòu)

結(jié)合式(1) 可以得到各節(jié)點(diǎn)輸出特征的計(jì)算公式， 如式(2) — (5)。

式中，Conv為卷積和多項(xiàng)式乘法的函數(shù)； 下標(biāo)u、d 分別為上采樣和下采樣操作；ω表示權(quán)重。 改進(jìn)后的YOLOX 網(wǎng)絡(luò)架構(gòu)如圖4 所示。

圖4 改進(jìn)后的YOLOX 網(wǎng)絡(luò)整體結(jié)構(gòu)圖

1.2.2 損失函數(shù)

使用GIoU 作為定位損失函數(shù)。 原YOLOX 是使用IoU 作為邊界框損失函數(shù)， 將IoU 同時(shí)作為度量和損失函數(shù)時(shí)， 會(huì)產(chǎn)生兩個(gè)問題。 第一， 若兩個(gè)目標(biāo)之間沒有重合的部分， 這時(shí)IoU 就為0， 無法正確反映兩個(gè)目標(biāo)之間的距離； 若將這種情況下的IoU 作為定位損失函數(shù)， 梯度就會(huì)為0， 因此無法實(shí)現(xiàn)優(yōu)化訓(xùn)練。 第二， 不同方向上有相同重合水平的兩個(gè)對(duì)象的IoU 會(huì)完全相同[14]， 因此無法確定這兩個(gè)對(duì)象間的對(duì)齊方式。 為了處理這兩個(gè)問題，引入GIoU－Loss 作為定位損失函數(shù)。 GIoU 函數(shù)和GIoU－Loss 公式如式(6)、 (7) 所示。

圖5 為GIoU 示意圖， 其中，C表示能同時(shí)包住A和B的最小包圍框。 GIoU 作為度量時(shí)具備如下五個(gè)特性: 1) GIoU 作為距離時(shí)， GIoU－Loss 具有非負(fù)性、 對(duì)稱性、 三角不等性和不確定性；2) GIoU具有尺度不變性， 即對(duì)尺度不敏感[15]；3) GIoU(A，B) ≤IoU(A，B) ， 當(dāng)A和B形狀相似且無限接近時(shí)，；4)－1 ≤GIoU(A，B) ≤1； 5) GIoU 函數(shù)不僅考慮了A和B不重疊的情況， 而且能夠體現(xiàn)A和B重疊時(shí)的方式[13]。

圖5 GIoU 示意圖

1.2.3 置信度預(yù)測(cè)損失函數(shù)

使用Focal Loss 作為置信度預(yù)測(cè)損失函數(shù)。 原YOLOX 利用二元交叉熵?fù)p失作為置信度預(yù)測(cè)損失，出現(xiàn)了正負(fù)樣本不均衡問題。 因此使用Focal Loss來達(dá)到兩階段檢測(cè)算法的精度并保留一階段檢測(cè)算法的速度。 Focal Loss 函數(shù)的表達(dá)式如式 (8)所示。

Focal Loss 就是在二元交叉熵?fù)p失的基礎(chǔ)上增加了αt和兩項(xiàng)，其中，用來調(diào)整難易分類樣本的比重，αt對(duì)經(jīng)過系數(shù)衰減后的損失再進(jìn)行調(diào)整。

2 接地環(huán)定位方法

2.1 成像原理

數(shù)字圖像成像原理就是小孔成像。 任何一個(gè)點(diǎn)接收到光照以后就會(huì)向四周輻射光源， 當(dāng)一條光線穿過一個(gè)擋板小孔時(shí)， 就會(huì)落在背面感光面的一點(diǎn)上。 如果觀測(cè)場(chǎng)景中的每個(gè)點(diǎn)都有一條光線穿過小孔落在感光面上， 那么感光面上就形成了一個(gè)和觀測(cè)世界完全對(duì)應(yīng)起來的像。

2.2 三角測(cè)量原理

雙目視覺是利用兩個(gè)攝像頭模擬人的雙眼對(duì)同一物體形成視差， 從而能夠感知到三維世界。 雙目立體成像的實(shí)現(xiàn)是基于視差原理， 模型如圖6所示。

圖6 三角測(cè)量原理

兩臺(tái)相機(jī)的像平面精確處于同一平面上， 且光軸嚴(yán)格平行， 間距一定， 焦距相同fx＝fy， 并且左主點(diǎn)和右主點(diǎn)已經(jīng)過校準(zhǔn)， 即主點(diǎn)在左右圖像上像素、 坐標(biāo)一致。 模型中的兩幅圖像是對(duì)準(zhǔn)的， 并且每一行是嚴(yán)格對(duì)準(zhǔn)的， 具有一致的方向和列坐標(biāo)。假設(shè)物理世界中的點(diǎn)P在圖像上的成像點(diǎn)為Pl和Pr， 相應(yīng)的橫坐標(biāo)分別為xl和xr[16]。 兩個(gè)相機(jī)的投影中心的連線叫作基線， 用b表示。 根據(jù)三角形相似原理有式(9):

解得

式中，xl － xr稱為視差， 用d表示。 則式(10) 可改寫成:

由上式可知， 由于b、f是已知的， 只要求得某點(diǎn)的視差即可得到該點(diǎn)的深度信息。

2.3 坐標(biāo)系轉(zhuǎn)換

相機(jī)的外參數(shù)是指相機(jī)坐標(biāo)系相對(duì)于世界坐標(biāo)系的一個(gè)旋轉(zhuǎn)平移矩陣參數(shù)， 包括三個(gè)自由度的旋轉(zhuǎn)矩陣和三個(gè)自由度的平移矩陣， 從世界坐標(biāo)系到相機(jī)坐標(biāo)系的轉(zhuǎn)換是一個(gè)三維空間到三維空間的轉(zhuǎn)換[17]。 內(nèi)參數(shù)通常是指相機(jī)內(nèi)部的參數(shù)， 包括主點(diǎn)、 主距、x軸和y軸方向的像素尺寸及畸變參數(shù)。 各坐標(biāo)系之間的轉(zhuǎn)換關(guān)系如圖7 所示。

圖7 各坐標(biāo)系及其轉(zhuǎn)換示意圖

世界坐標(biāo)系到相機(jī)坐標(biāo)系的轉(zhuǎn)換:M表示世界坐標(biāo)系中的一點(diǎn)，m表示像平面坐標(biāo)系中對(duì)應(yīng)的點(diǎn)。 利用一個(gè)旋轉(zhuǎn)矩陣和一個(gè)平移矩陣可以實(shí)現(xiàn)三維空間的坐標(biāo)變換， 即一個(gè)三維目標(biāo)點(diǎn)在世界坐標(biāo)系和相機(jī)空間坐標(biāo)系下的轉(zhuǎn)換關(guān)系可以通過一個(gè)旋轉(zhuǎn)和一個(gè)平移矩陣運(yùn)算得到。

式中，C為相機(jī)空間坐標(biāo)系中的一個(gè)點(diǎn)；W為世界坐標(biāo)系中的一個(gè)點(diǎn)；t＝－ RC。

暫時(shí)不考慮畸變因素的影響， 相機(jī)空間坐標(biāo)系和像平面坐標(biāo)系的關(guān)系存在一個(gè)相似性變換， 如式(12) 所示。

像平面坐標(biāo)系到像素坐標(biāo)系的轉(zhuǎn)換: 定義主點(diǎn)O的像素坐標(biāo)為(u0，v0)， 從像平面坐標(biāo)系轉(zhuǎn)換到像素坐標(biāo)系存在一個(gè)比例， 此比例和像素的物理尺寸相關(guān)。 世界坐標(biāo)系到相機(jī)坐標(biāo)系以及相機(jī)坐標(biāo)系到像平面坐標(biāo)系的轉(zhuǎn)換都是在物理坐標(biāo)系[18](以m 或者mm 為單位) 下， 但是從像平面轉(zhuǎn)換到像素平面就存在一個(gè)像素對(duì)應(yīng)多少單位長度的問題，px、py代表一個(gè)像素在物理尺寸上的寬和高，利用這兩個(gè)量可以把坐標(biāo)值從物理尺寸過渡到像素整形尺寸， 如式(13) 所示。 像平面坐標(biāo)系與像素坐標(biāo)系之間的轉(zhuǎn)換如圖8 所示。 由于加工的問題， 感光元器件可能不是一個(gè)絕對(duì)的正方形， 而是一個(gè)平行四邊形。

圖8 像平面坐標(biāo)系到像素坐標(biāo)系的轉(zhuǎn)換示意圖

把上式簡化得:

式中，f為焦距；fx、fy是以像素為單位的在行和列方向上測(cè)量的焦距尺寸；s是由非矩形像素引起的傾斜因子， 由于傾斜角α很小， tanα接近于0， 通常s＝0[19]。 上述的上三角矩陣稱為內(nèi)參矩陣， 并使用符號(hào)K表示。

綜合公式(11) 和(14)， 場(chǎng)景中的三維點(diǎn)M(XM，YM，ZM) 投影到二維像素平面上的點(diǎn)m(um，vm) 的投影方程可以表示如下:

即:

式中，K表示內(nèi)參數(shù)矩陣；R表示外參數(shù)的旋轉(zhuǎn)矩陣；t表示外參數(shù)的平移矩陣；K(R t) 組合起來構(gòu)成相機(jī)矩陣。

2.4 相機(jī)標(biāo)定和畸變校正

相機(jī)標(biāo)定的目的是利用給定物體的參考點(diǎn)坐標(biāo)(x，y，z) 和像素坐標(biāo)(u，v) 來確定相機(jī)內(nèi)部的幾何學(xué)結(jié)構(gòu)和光學(xué)特征(內(nèi)部參數(shù))， 以及相機(jī)的三維世界坐標(biāo)關(guān)系(外部參數(shù))。 最常見的相機(jī)標(biāo)定方法是傳統(tǒng)的相機(jī)標(biāo)定法， 在一定相機(jī)模型下， 基于特定的試驗(yàn)條件(如形狀、 尺寸等已知的參照物進(jìn)行圖像處理、 數(shù)學(xué)變換等) 求取內(nèi)外參數(shù)的過程。 但是這種方法需要經(jīng)常調(diào)整相機(jī)的需求和設(shè)置已知參照物， 存在不現(xiàn)實(shí)、 適應(yīng)性差的缺點(diǎn)。 為克服傳統(tǒng)相機(jī)標(biāo)定法的缺點(diǎn)， 張正友博士對(duì)這種方法進(jìn)行了改進(jìn)并提出了張正友標(biāo)定法。 該方法介于傳統(tǒng)相機(jī)標(biāo)定法和自標(biāo)定法之間， 既解決了傳統(tǒng)相機(jī)標(biāo)定法需要高精度三維標(biāo)定物的不足， 又克服了自標(biāo)定法魯棒性差的難點(diǎn)。 標(biāo)定過程只需使用一個(gè)打印出來的棋盤格， 并在各個(gè)方位拍攝幾組照片即可， 不僅實(shí)用、 靈活、 方便， 而且精度更高、 魯棒性更強(qiáng)。 因?yàn)槠灞P格相對(duì)于三維物體更容易處理， 從而選擇棋盤格作為標(biāo)定物。 與此同時(shí)，相對(duì)于三維物體， 二維物體會(huì)缺少部分信息， 因此通過多次改變棋盤格的方位來捕獲圖像， 以獲得更豐富的位置信息。

完成相機(jī)內(nèi)外參數(shù)求取后， 標(biāo)定鏡頭畸變。 張正友標(biāo)定法只考慮了畸變模型中有較大影響的徑向畸變， 根據(jù)最小二乘法求解徑向畸變系數(shù)[20]。 至此， 相機(jī)的內(nèi)參、 外參和畸變系數(shù)已被全部求出，但直接求取結(jié)果只能作為初值。 接著， 根據(jù)實(shí)際的像素坐標(biāo)和計(jì)算得到的像素坐標(biāo)計(jì)算重投影誤差，最小化重投影誤差， 反復(fù)迭代相機(jī)的內(nèi)外參數(shù)和畸變系數(shù)直至收斂。

2.5 立體匹配

立體匹配算法是通過最小化能量代價(jià)函數(shù)來估計(jì)像素點(diǎn)視差值。 按照采用的最優(yōu)化理論方法的不同， 將立體匹配算法分為局部匹配算法和全局匹配算法、 半全局匹配算法。 局部匹配算法的匹配精度低但速度快， 全局匹配算法的匹配精度高但速度慢， 而半全局匹配算法正好介于二者之間。 半全局匹配算法的代表有雙目立體匹配 (semi－global block matching， SGBM) 算法， 本文采用此算法來完成雙目左右圖像的立體匹配。 半全局算法利用多個(gè)方向上的信息減少或消除視差突變處產(chǎn)生的錯(cuò)誤信息干擾。 SGBM 算法通過圖像上多個(gè)方向的一維路徑約束來建立全局馬爾可夫能量方程， 從而獲得每個(gè)像素的匹配代價(jià)， 即所有方向路徑信息的總和。 SGBM 算法的匹配代價(jià)函數(shù)如下:

式中，L(p，d) 為當(dāng)前路徑積累的代價(jià)函數(shù)；d為視差；c(p，d) 為像素點(diǎn)p以d為視差的代價(jià)；r為指向像素點(diǎn)p的路徑方向；P1是像素點(diǎn)與相鄰點(diǎn)視差存在較小差異時(shí)的平滑懲罰系數(shù)，P2是像素點(diǎn)與相鄰點(diǎn)視差存在較大差異時(shí)的平滑懲罰系數(shù)， 又因?yàn)镻1

3 試驗(yàn)分析

3.1 配電網(wǎng)接地環(huán)視覺識(shí)別試驗(yàn)

3.1.1 試驗(yàn)環(huán)境

將改進(jìn)后的YOLOX－S 模型部署在上位機(jī)上，從而控制帶電作業(yè)機(jī)器人對(duì)配電網(wǎng)接地環(huán)進(jìn)行識(shí)別試驗(yàn)， 試驗(yàn)設(shè)備及型號(hào)見表1。

3.1.2 數(shù)據(jù)集與預(yù)處理

對(duì)于接地環(huán)識(shí)別方法， 為了使模型具有更好的效果， 采集1 083 張包含接地環(huán)的圖像作為數(shù)據(jù)集。 對(duì)數(shù)據(jù)集進(jìn)行縮放、 旋轉(zhuǎn)、 翻轉(zhuǎn)、 平移等預(yù)處理， 如圖9 所示， 數(shù)據(jù)集擴(kuò)充到5 415 張， 標(biāo)簽為ground＿ring。 對(duì)數(shù)據(jù)集按9 ∶1 的比例分配訓(xùn)練集與測(cè)試集， 其中將訓(xùn)練集的20%作為驗(yàn)證集。

圖9 數(shù)據(jù)集擴(kuò)充

3.1.3 訓(xùn)練過程

為了節(jié)約時(shí)間和資源， 采取凍結(jié)訓(xùn)練的方式，共迭代300 次， 訓(xùn)練參數(shù)見表2。

表2 訓(xùn)練參數(shù)

從表2 可以看出， 前100 次迭代采用凍結(jié)訓(xùn)練， 批量樣本數(shù)為8， 學(xué)習(xí)率為10－3； 后200 次迭代采用解凍訓(xùn)練， 批量樣本數(shù)為4， 學(xué)習(xí)率為10－4， 訓(xùn)練的整個(gè)過程都采用Adam 優(yōu)化器。

訓(xùn)練過程的損失函數(shù)曲線如圖10 所示。

圖10 損失函數(shù)曲線

從圖中可以看到， 訓(xùn)練集損失和驗(yàn)證集損失在前25 次迭代都急劇下降， 在第25 次迭代到第100次迭代之間下降緩慢， 在第100 次迭代之后趨于收斂， 訓(xùn)練集損失和驗(yàn)證集損失都收斂于0.67。

3.1.4 試驗(yàn)結(jié)果分析

為了評(píng)價(jià)改進(jìn)后的YOLOX－S 網(wǎng)絡(luò)的性能優(yōu)劣， 采用平均精度(AP)、 召回率(Recall)、 模型大小、 推理時(shí)間作為評(píng)價(jià)指標(biāo)。 其中， 召回率(Recall) 表示被預(yù)測(cè)為正樣本的數(shù)量與所有正樣本數(shù)量的比值。 根據(jù)每個(gè)召回率可以獲得對(duì)應(yīng)的最大精確率， 把所有正樣本的最大精確率取平均值就是平均精度(AP)。

圖11 (a) — (d) 4 組圖像分別是原圖及經(jīng)過YOLOv5s 模型、 YOLOX－S 模型、 改進(jìn)YOLOXS 模型測(cè)試的結(jié)果， 可以看出YOLOv5s 模型對(duì)于從側(cè)面傾斜拍攝的接地環(huán)出現(xiàn)了漏檢情況，YOLOX－S 模型對(duì)非接地環(huán)物體產(chǎn)生誤檢。 對(duì)表3分析可得， 改進(jìn)后的YOLOX－S 模型的平均精度比改進(jìn)前提升了約5%， 比YOLOv5s 模型提升了約6%， 達(dá)到了96.98%； 召回率亦是三種模型中最高的。 雖然改進(jìn)后的YOLOX－S 模型比其他兩種模型略大， 但是每幀推理時(shí)間相當(dāng)。

表3 模型性能分析

圖11 接地環(huán)識(shí)別結(jié)果

3.2 配電網(wǎng)接地環(huán)定位試驗(yàn)

按照雙目測(cè)距原理、 坐標(biāo)系轉(zhuǎn)換關(guān)系及相機(jī)標(biāo)定、 畸變校正和立體匹配方法完成試驗(yàn)， 其中世界坐標(biāo)系與左相機(jī)坐標(biāo)系重合， 雙目測(cè)距的流程如圖12 所示。

圖12 雙目測(cè)距流程

張正友標(biāo)定法通過固定相機(jī)拍攝不同位置和姿態(tài)的平面標(biāo)定板， 建立三維世界坐標(biāo)與二維像素坐標(biāo)之間的關(guān)系。 對(duì)線性求解的相機(jī)內(nèi)外參數(shù)和畸變系數(shù)通過Levenberg－Marquardt (LM) 算法進(jìn)行非線性參數(shù)優(yōu)化， 理論精度高， 有利于提升定位精度。 因此， 選用張正友標(biāo)定法對(duì)雙目相機(jī)進(jìn)行標(biāo)定， 建立相機(jī)成像幾何模型并校正鏡頭畸變。 表4、 表5 分別給出了雙目相機(jī)內(nèi)參矩陣和畸變系數(shù)、雙目相機(jī)外參矩陣。

表4 雙目相機(jī)內(nèi)參矩陣和畸變系數(shù)

表5 雙目相機(jī)外參矩陣

校正后的圖像利用SGBM 算法進(jìn)行立體匹配，得到各個(gè)像素點(diǎn)的視差， 從而根據(jù)式(10) 得到各點(diǎn)深度。 對(duì)采集到的接地環(huán)圖像進(jìn)行雙目測(cè)距試驗(yàn)， 得到的結(jié)果如圖13 所示。

圖13 雙目測(cè)距試驗(yàn)結(jié)果

本試驗(yàn)將每個(gè)樣本的測(cè)量值與實(shí)際值進(jìn)行對(duì)比得到誤差， 部分樣本結(jié)果見表6。

表6 雙目測(cè)距測(cè)量值與實(shí)際值對(duì)比

通過計(jì)算可得， 所有試驗(yàn)樣本中最大測(cè)量誤差為2.1 cm， 最小測(cè)量誤差是0.4 cm， 樣本的測(cè)量誤差控制在3%以內(nèi)， 滿足帶電作業(yè)機(jī)器人掛設(shè)接地保護(hù)線精準(zhǔn)定位的要求。

4 結(jié)論

針對(duì)帶電作業(yè)機(jī)器人掛線過程中對(duì)接地環(huán)的識(shí)別與定位， 提出一種改進(jìn)的YOLOX－S 算法和雙目定位方法。 在改進(jìn)的YOLOX－S 算法中， 為了充分利用圖像的底層信息， 將頸部的PAFPN 特征利用層用BiFPN 網(wǎng)絡(luò)來替代， 以提高檢測(cè)精度； 采用GIoU 函數(shù)作為定位損失函數(shù)有利于網(wǎng)絡(luò)的迭代優(yōu)化； 利用Focal Loss 函數(shù)作為置信度預(yù)測(cè)損失函數(shù)解決正負(fù)樣本不均衡的問題。 采用雙目定位方法，首先對(duì)雙目相機(jī)采用張正友標(biāo)定法進(jìn)行標(biāo)定， 獲得相機(jī)內(nèi)外參數(shù)和畸變系數(shù)并進(jìn)行立體校正； 再采用SGBM 算法對(duì)左右圖像進(jìn)行立體匹配， 獲得視差；最后根據(jù)視差， 利用三角測(cè)量原理和重投影矩陣獲得接地環(huán)的坐標(biāo)和距離。

將改進(jìn)后的YOLOX－S 算法和雙目定位方法應(yīng)用于帶電作業(yè)機(jī)器人進(jìn)行識(shí)別和定位試驗(yàn)， 試驗(yàn)結(jié)果表明改進(jìn)后的YOLOX－S 模型具有更高的識(shí)別精度且能實(shí)現(xiàn)精準(zhǔn)定位。 本文所提出的識(shí)別和定位方法能完成帶電作業(yè)機(jī)器人掛設(shè)接地保護(hù)線的任務(wù)，并可推廣到電力機(jī)器人的其他作業(yè)領(lǐng)域。