史慶軍

關鍵詞：巡檢機器人；圖像識別；深度學習；目標識別

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2023）14-0015-00

隨著我國經濟水平的不斷提升，電力逐漸成為國家能源支柱產業(yè)，使得變電站得到了高速發(fā)展[1-2]。因為變電站內電力設備均暴露在外界環(huán)境下，歷經風吹日曬后，極易出現電力故障，為了及時發(fā)現變電設備故障，保障其運行安全，需要在變電站內開展巡檢作業(yè)[3-4]。傳統(tǒng)的巡檢方式主要為人工巡檢，難以高效完成標準化巡檢流程，易出現漏檢、誤檢現象，而且變電站內部電壓等級較高，無法保障人工巡檢作業(yè)安全[5]。所以采用機器人巡檢方式取代人工巡檢是必然的，巡檢機器人可以實現全天候、全面性的無人變電站巡檢作業(yè)[6-7]。在機器人巡檢變電站的過程中，涉及眾多領域，尤其是巡檢圖像采集與識別是整個機器人巡檢作業(yè)中的關鍵，機器人自身攜帶記載設備用于記錄變電站內電力設備的巡檢情況，進一步識別巡檢圖像中目標即可發(fā)現電力設備的缺陷以及故障隱患等。因此，機器人巡檢圖像目標識別成為當下我國電力領域中的一個重要研究課題。

1采集機器人巡檢圖像

在變電站日常巡檢中，人工巡檢可能會出現視覺疲勞、檢查不全面等問題，所以本文針對機器人巡檢圖像識別[8]進行深入研究。當下，我國廣泛應用的巡檢機器人由運動系統(tǒng)、定位模組、控制系統(tǒng)以及工業(yè)相機等設備組成，在巡檢過程中，機器人控制工業(yè)相機拍攝變電站內各電力設備的圖像，然后經過傳輸通道傳輸至圖像預處理模塊，最后對處理過的圖像進行目標識別即可實現變電站的巡檢。因此，機器人巡檢圖像的采集是整個變電站巡檢作業(yè)的基礎，如果采集的巡檢圖像質量不符合要求，將會影響后續(xù)目標識別的準確性，所以選擇合適的工業(yè)相機對機器人巡檢圖像采集至關重要。在選擇工業(yè)相機時，主要考慮分辨率與幀率這兩個參數，其中工業(yè)相機的分辨率與精度之間存在直接關系，可以根據式（1）得：

式中，X₀表示工業(yè)相機單方向的分辨率；L 表示相機視野范圍；D 表示相機的設計精度。相機幀率就是每秒鐘內相機拍攝圖像的數量，由曝光時間決定，如果同一曝光時間內拍攝的圖像數量較小，就可能會出現丟幀狀況，那么機器人巡檢速度和相機曝光時間之間存在如下關系：

式中，t₀表示工業(yè)相機曝光時間；u₀表示相機拖影；v₀表示機器人移動速度。通過以公式（1）求得最佳工業(yè)相機參數，從而選擇更適用于變電站巡檢的工業(yè)相機，采集到高質量的機器人巡檢圖像。

2預處理巡檢圖像

本文研究所使用的圖像均為機器人攜帶工業(yè)相機巡檢變電站時拍攝而來，在采集巡檢圖像時，受室外環(huán)境、相機鏡頭誤差等因素的影響，導致圖像質量不滿足目標識別需求，所以在識別圖像目標之前，需要進行一定的預處理，保障圖像質量。首先為了在確保機器人巡檢圖像數據完整度的前提下，簡化圖像信息，文中對巡檢圖像做灰度化處理，進而提升目標識別的效率[9]。一般情況下，巡檢機器人采集的圖像為彩色圖像，主要由紅、藍、綠三種顏色構成，這種圖像無法準確表達出圖像中目標特征，所以需要將彩色巡檢圖像轉變?yōu)榛叶葓D像，突出目標特征，轉換公式如下所示：

式中，G （m，n）表示機器人巡檢圖像上第m行n列像素點的灰度值；blue （m，n）、red （m，n）、green （m，n）分別表示該像素點的藍色、紅色、綠色分量值。由此式可以看出，彩色機器人巡檢圖像的灰度處理，就是對原始圖像顏色做加權平均，從而轉換為灰度值，各顏色的權重值根據心理學而決定。對于機器人巡檢圖像而言，如果存在噪聲數據，將會導致圖像呈現出忽明忽暗的感覺，非常不清晰，所以接下來通過濾波操作來去除圖像噪聲。一般機器人巡檢圖像會存在椒鹽噪聲與高斯噪聲這兩種類型的噪聲數據，所以在實際的圖像預處理過程中，為達到最佳去噪效果，對于不同種類的噪聲，采用相對合適的濾波方法。如果機器人巡檢圖像中存在椒鹽噪聲，那么這些噪聲點的密度會在一定范圍內，所以可以利用自適應中值濾波法來預處理這類圖像，最大限度地保留圖像有效信息；如果機器人巡檢圖像上存在高斯噪聲，這類噪聲主要受光照條件影響所導致的，所以可以利用高斯濾波法來預處理這類圖像，處理效果更加明顯。

3基于深度學習識別圖像目標

卷積神經網絡（CNN）是近些年來迅速崛起的一種高效深度學習算法[10]，使用CNN來識別圖像，可以降低前期預處理的復雜度，所以本文主要構建一個Faster R-CNN模型來識別機器人巡檢圖像目標。在機器人日常巡檢中，巡檢圖像目標的快速、精準分類識別至關重要，Faster R-CNN模型可以對輸入的巡檢圖像進行分割，尋找到可能出現目標的候選區(qū)域，并且只對這些區(qū)域進行分類識別，大大提升了識別效率。Faster R-CNN模型的主要結構仍然是CNN，所以該模型依靠卷積層的運算來提取圖像中目標候選區(qū)域，表達式如下所示：

4實驗分析

為驗證本文設計機器人巡檢圖像目標識別方法的性能，采集變電站內電力設備蓋板碎裂、指示燈異常、輸電線路老化、桿塔絕緣子掉落這四類缺陷圖像，使用本文設計方法進行識別，其中每個缺陷類別的圖像有240張，包括正常圖像共計1500個樣本。同時，選取基于YOLOv4算法的目標識別方法、基于SIFT算法的目標識別方法作為實驗對照組，并對實驗對比結果進行分析。為了直觀表述這三種方法的識別效果，本章采用準確率、召回率、F1分數作為方法識別精度的評估指標，并采用參數量、計算量作為方法識別效率的評估指標，其中準確率、召回率、F1分數的計算公式如下所示：

式中，B₁表示目標識別方法的準確率指標；B₂表示目標識別方法的召回率指標；B₃表示目標識別方法的F1分數指標；A 表示全部樣本數量；α 表示識別正確的樣本數量；α₁表示正確識別缺陷樣本圖像的數量；α₂表示錯誤識別正常樣本圖像的數量；α₃ 表示正確識別正常樣本圖像的數量。根據上式獲得這三種方法的識別精度評價結果如表1所示：

由表1可知，本文設計基于深度學習的目標識別方法的準確率達到95.21%、召回率達到94.07%、F1分數達到95.11%，很好地兼顧了目標識別的準確率與召回率，較實驗對照組提升了8%、7.64%、8.95%，5.12%、3.96%、5.54%，說明本文設計方法具有良好的識別精度。下面根據上述三種識別方法所需參數量與計算量，繪制對比圖來判斷本文方法的識別效率。如圖1 所示。

由圖1可知，本文設計基于深度學習的目標識別方法的參數量約為16.8M、計算量約為3.9GFlops，較實驗對照組降低了2.7M、0.3GFlops，4.8M、0.9 GFlops，說明本文設計方法有效減少計算損耗，具有良好的識別效率。綜合識別方法的識別精度與計算復雜度來看，基于深度學習的機器人巡檢圖像目標識別方法性能優(yōu)越。

5結束語

為滿足我國電力系統(tǒng)高速發(fā)展的需求，機器人巡檢方式被廣泛應用于各變電站內，本文以機器人巡檢作業(yè)為研究導向，針對巡檢圖像目標識別方法展開相關研究。文中在獲取高質量的機器人巡檢圖像基礎上，引入深度學習構建一個目標識別模型，對巡檢圖像進行分類識別。通過實驗結果驗證了該方法可以很好地應用于機器人巡檢作業(yè)中，且具有良好的推廣價值。