鐘全輝，蔣豐庚，張以全，王澤南

（1.國網(wǎng)浙江省電力有限公司嘉興供電公司，浙江嘉興 314000；2.國網(wǎng)浙江省電力有限公司雙創(chuàng)中心，浙江杭州 310000）

隨著社會生產(chǎn)的不斷發(fā)展，現(xiàn)代電力用戶對供電的質(zhì)量要求越來越高，一旦電能質(zhì)量不合乎要求或突然停電，將會給生產(chǎn)和生活帶來難以預(yù)估的損失。電力線路作為電力系統(tǒng)的重要組成部分之一，其能否安全運(yùn)行，直接決定了供電質(zhì)量。保持樹線的安全距離是做好電力線路防護(hù)的重要手段之一，在傳統(tǒng)的樹枝修剪人工作業(yè)過程中，存在著作業(yè)危險(xiǎn)、工作效率低、修剪機(jī)器笨重等諸多痛點(diǎn)，需耗費(fèi)不少人力，增加了施工成本。而將機(jī)器視覺與機(jī)械臂相結(jié)合，應(yīng)用于工業(yè)施工現(xiàn)場，可替代施工人員的部分體力勞動(dòng)。

上海海洋大學(xué)高遠(yuǎn)將深度學(xué)習(xí)應(yīng)用于剪枝無人機(jī)實(shí)現(xiàn)了對冗余樹枝的進(jìn)一步提取。在圖像識別領(lǐng)域，2022年西安石油大學(xué)的錢茹雪提出了遷移預(yù)訓(xùn)練與ResNet34網(wǎng)絡(luò)模型結(jié)合的方法，不僅能大幅縮短模型訓(xùn)練的周期，并且能降低訓(xùn)練的損失率，從而提高測試準(zhǔn)確率。近年來有學(xué)者采用D-H 參數(shù)法建立機(jī)械臂的參數(shù)化模型，綜合采用多種插值方法，實(shí)現(xiàn)機(jī)械臂在工作空間中的軌跡規(guī)劃，并根據(jù)實(shí)際工作環(huán)境確定了最適合的軌跡規(guī)劃方法。明鑫等針對機(jī)器人抓取策略的準(zhǔn)確性，提出了一種強(qiáng)化學(xué)習(xí)策略，根據(jù)機(jī)械臂末端與目標(biāo)區(qū)域中心位置的距離，定義分層獎(jiǎng)勵(lì)函數(shù)，計(jì)算每個(gè)動(dòng)作的獎(jiǎng)勵(lì)，實(shí)現(xiàn)抓取的目標(biāo)動(dòng)作。

為降低施工人員的安全風(fēng)險(xiǎn)，提高剪枝自動(dòng)化水平，文章設(shè)計(jì)了樹枝抓取機(jī)械臂。通過機(jī)器視覺的方式識別待修剪樹枝，通過坐標(biāo)轉(zhuǎn)換確定其空間位置，經(jīng)過剪枝機(jī)器人在電纜上的移動(dòng)和機(jī)械臂的配合，實(shí)現(xiàn)待修剪樹枝的抓取固定。

1 視覺設(shè)計(jì)方法

視覺部分采用的是YOLOv5 目標(biāo)檢測算法，通過實(shí)地拍攝的一組樹枝圖片作為訓(xùn)練集訓(xùn)練權(quán)重，獲得了較高的檢測精度。

1.1 骨干網(wǎng)絡(luò)

1.1.1 Focus結(jié)構(gòu)

Focus 結(jié)構(gòu)中較關(guān)鍵的是切片操作。YOLOv5s 布署了32個(gè)卷積核在Focus 結(jié)構(gòu)中。

1.1.2 CSP結(jié)構(gòu)

YOLOv5s 網(wǎng)絡(luò)在設(shè)計(jì)中采用了CSPNet 的設(shè)計(jì)思路，以有效降低目標(biāo)檢測的計(jì)算量。CSPNet 的基本思路為：①將上一層的輸出特征連接并輸出到下一層；②結(jié)合梯度信息來提升網(wǎng)絡(luò)的學(xué)習(xí)能力。設(shè)計(jì)中的融合優(yōu)先和融合最后策略可以在減少計(jì)算量的同時(shí)，以微小的準(zhǔn)確度下降（0.1%）為代價(jià)?？傊珻SPNet通過拆分為兩部分進(jìn)行卷積與特征融合，能在一定程度上降低計(jì)算量，但對準(zhǔn)確率的提升能力有限。

1.2 特征融合

YOLOv5 的Neck 主要采用了FPN+PAN 結(jié) 構(gòu)。FPN 自上而下地融合深層和淺層來構(gòu)建特征金字塔。

1.3 網(wǎng)絡(luò)輸出端

1.3.1 BoundingBox損失函數(shù)

文中的 Bounding box 損失函數(shù)為CIoU Loss。該函數(shù)需考慮的因素有：長寬比、中心點(diǎn)距離、重疊面積。針對目前目標(biāo)損失函數(shù)，使目標(biāo)框與預(yù)測框的歸一化距離能夠最小化是最重要的，而當(dāng)預(yù)測框被目標(biāo)框所包圍，預(yù)測框與目標(biāo)框的中心點(diǎn)距離相同，但預(yù)測框長寬比會有所不同，因此，使用CIOU_Loss 為損失函數(shù)，其表達(dá)式為：

式中，Distance_2為目標(biāo)框中心點(diǎn)與預(yù)測框中心點(diǎn)的歐式距離，B為兩者的并集，Distance_C為對角線距離，A為兩者的交集，如圖1所示。

圖1 DIOU_Loss參數(shù)說明

1.3.2 NMS非極大值抑制

在目標(biāo)檢測工作的后期環(huán)節(jié)，要篩選產(chǎn)生的眾多目標(biāo)框，一般要通過NMS 操作保留這些邊界框中最好的一個(gè)。其功能如圖2、圖3所示。

圖3 經(jīng)NMS處理后得出最佳預(yù)測框

2 對樹枝坐標(biāo)的跟蹤實(shí)現(xiàn)

為獲取樹枝在世界坐標(biāo)系上的坐標(biāo)，需其在像素坐標(biāo)系上的坐標(biāo)及相機(jī)內(nèi)參。相機(jī)內(nèi)參已用張正友標(biāo)定法獲得，而像素坐標(biāo)系上的坐標(biāo)由相機(jī)獲得。因此僅需通過服務(wù)通信方式將像素坐標(biāo)系坐標(biāo)發(fā)送到主程序?qū)?yīng)的包內(nèi)，然后通過矩陣運(yùn)算計(jì)算出世界坐標(biāo)系坐標(biāo)即可。實(shí)際的機(jī)械臂跟蹤效果如圖4所示。

圖4 機(jī)械臂跟蹤識別到的樹枝

由圖4可見，機(jī)械臂基本上能夠準(zhǔn)確跟蹤現(xiàn)實(shí)世界中待修剪的樹枝。

3 結(jié)果與分析

通過對散落的樹枝進(jìn)行識別，測試文章所設(shè)計(jì)的機(jī)械臂的運(yùn)動(dòng)能力、識別能力和目標(biāo)抓取能力，如圖5所示。

4 結(jié)束語

文章設(shè)計(jì)了一種基于圖像識別和機(jī)械臂抓取的樹枝清理機(jī)器人。其采用藍(lán)牙遙控四輪車作為移動(dòng)平臺，利用YOLOv5算法識別車途徑樹枝位置，通過坐標(biāo)變換控制機(jī)械臂抓取目標(biāo)樹枝。該設(shè)備可搭載在剪枝機(jī)器人上，起到固定樹枝方便切割的作用，能夠較大地幫助清理電纜周圍的樹枝并提高工作效率，具有一定的可靠性。