摘"要：機器人檢測的最優(yōu)路徑規(guī)劃是一個非常重要的研究課題，尤其是復(fù)雜場景下的路徑優(yōu)化。介紹了一種基于YOLOv3的火電廠化水站巡檢機器人優(yōu)化路徑規(guī)劃方法。將先進的YOLOv3算法應(yīng)用于檢測目標的確定，通過繪制工作環(huán)境圖和檢測目標位置，該算法成功地找到了機器人的最佳檢測路線。該方法的優(yōu)點是檢測速度快、準確率高、成本低，可以有效地提高巡邏機器人的自動化水平。

關(guān)鍵詞：路徑規(guī)劃；檢測機器人；算法；YOLOv3

YOLOv3"Based"Algorithm"Optimal"Path"Planning"for"Inspection"Robot

Chen"Jianhua"Wang"Meizhan"Zhang"Fei"Gui"Duan"Cheng"Kun

Shaanxi"Shangluo"Power"Generation"Co.，Ltd."ShaanxiShangluo"726000

Abstract：Optimal"path"planning"for"robot"inspection"is"a"very"important"research"topic，especially"the"path"optimization"in"complex"scenes.This"paper"introduced"an"optimal"path"planning"based"on"YOLOv3"for"inspection"robot"working"at"chemical"water"station"in"thermal"power"plant.The"advanced"YOLOv3"algorithm"was"applied"to"the"determination"of"the"inspection"target.By"mapping"the"working"environment"and"detecting"the"location"of"the"target，the"algorithm"was"succeeded"in"finding"the"optimal"inspection"route"of"the"Robot.The"advantages"of"this"approach"are"fast"detection"speed"and"high"accuracy"rate"with"low"cost，which"can"effectively"improve"the"automation"level"of"patrol"Robot.

Keywords：Route"planning；Inspection"Robot；Algorithm；YOLOv3

火力發(fā)電廠輸煤系統(tǒng)作為燃料供應(yīng)的基礎(chǔ)保障，包含了皮帶輸送機、堆取料機、碎煤機、滾軸篩、電子皮帶秤、機械采樣裝置、除鐵器、犁煤器等多種燃煤輸送作業(yè)設(shè)備，棧橋內(nèi)還集成了水噴淋系統(tǒng)、除塵系統(tǒng)、水清洗系統(tǒng)等配套設(shè)施，作業(yè)環(huán)境差，安全風(fēng)險高，是設(shè)備運維的重點區(qū)域。

輸煤棧橋輸送線路長，運行設(shè)備種類多，棧橋內(nèi)環(huán)境質(zhì)量差，巡檢點多，在運行前、運行中都要定時、定點巡檢，導(dǎo)致人工巡檢作業(yè)勞動強度高、積極性差、安全性低。棧橋內(nèi)現(xiàn)有工業(yè)電視監(jiān)控范圍局限，棧橋內(nèi)現(xiàn)場狀態(tài)監(jiān)測要素少，難以實現(xiàn)輸煤棧橋全線路的狀態(tài)實時、量化監(jiān)測與管理，存在環(huán)境起火難預(yù)測、設(shè)備運行故障難監(jiān)測、惡劣環(huán)境下的人員安全難保障的問題。運用智能化（機器人）巡檢的新技術(shù)與新方法，能實現(xiàn)輸煤棧橋全線路、全方位、全自主的智能化巡檢管理，能實現(xiàn)無人化巡檢、可視化管理，提高輸煤系統(tǒng)運行的安全性，避免因人工巡檢不全面、不量化、人員素質(zhì)依賴性強引起的各種安全事故與損失。

由于檢測工作的高要求，檢測機器人以其省時、高效的優(yōu)點，取代了傳統(tǒng)的人工檢測而受到歡迎。在其應(yīng)用過程中，有必要在完成檢測任務(wù)的前提下，對檢測路線進行優(yōu)化規(guī)劃，以提高機器人的檢測效率，節(jié)省能源消耗。為此，需要了解工作地圖和地圖上巡邏目標的詳細信息。然而，由于機器人的巡檢路線長，且相關(guān)設(shè)備復(fù)雜、數(shù)量多，難以繪制機器人的工作環(huán)境圖和手動校準檢測目標的位置，不可避免地會出現(xiàn)誤差。

為了克服現(xiàn)有技術(shù)中的上述不足，本研究提供了一種基于YOLOv3的巡邏機器人最優(yōu)路徑規(guī)劃方法，實現(xiàn)了巡邏機器人的自動路徑規(guī)劃。

圖1"輸煤棧橋巡檢機器人實時信息展現(xiàn)

1"路線規(guī)劃方法

本文討論了基于YOLOv3的路徑規(guī)劃，主要包括目標檢測方法的建模和訓(xùn)練步驟，以及基于蟻群算法的機器人最優(yōu)路徑規(guī)劃步驟。方法如下：

（1）采用光柵地圖表示方法，自動創(chuàng)建檢測工作環(huán)境的地圖，并由檢測機器人確定檢測目標的位置。光柵的單位尺寸是檢查機器人的占用面積［1］。

（2）輸入初始化的信息素矩陣T，確定起始點和終止點，確保每個位置的信息素必須相等。

（3）確定下一個可到達節(jié)點，根據(jù)節(jié)點的信息素濃度確定螞蟻到達節(jié)點的概率，并使用輪盤算法選擇下一步的起始點。

（4）更新行程的路徑和長度。

（5）重復(fù)步驟（3）和（4）幾次，直到螞蟻到達目標點或螞蟻穿過所有可用路徑。

（6）多次重復(fù)步驟（3）至（5），直到螞蟻的迭代計算完成。

（7）更新信息素矩陣T，未達到目標點的螞蟻不包括在計算范圍內(nèi)。

（8）重復(fù)步驟（3）至（7），直到NTH代螞蟻的迭代結(jié)束。在循環(huán)中選擇最佳路徑，同時輸出最佳路徑曲線［2］。

圖2"基于YOLOv3的最優(yōu)路徑規(guī)劃流程圖

下面結(jié)合附圖對基于YOLOv3的儀器檢測機器人的最優(yōu)路徑規(guī)劃方法做進一步的說明：

本文的方法進一步定義為基于YOLOv3算法框架的目標檢測模型的建模和訓(xùn)練步驟，如下所示：

（1）收集輸煤棧橋各種設(shè)備的所有儀表圖片樣本，并根據(jù)圖片中的信息制作標簽文件。

（2）將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行劃分，從原始樣本中隨機抽取80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，剩余20%的數(shù)據(jù)作為驗證數(shù)據(jù)集。

（3）基于YOLOv3算法框架對目標檢測模型進行訓(xùn)練，直到目標檢測模型的損失收斂到預(yù)設(shè)的收斂值。

（4）驗證模型是否與驗證數(shù)據(jù)集過度擬合。當(dāng)驗證數(shù)據(jù)集的精度接近訓(xùn)練數(shù)據(jù)集的準確性時，模型訓(xùn)練就完成了。

（5）將訓(xùn)練后的目標檢測模型嵌入檢測機器人的控制系統(tǒng)中。

此外，在步驟（1）中創(chuàng)建用于檢查的工作環(huán)境的地圖并確定檢查目標的位置的方法中，檢查機器人具有用于測量行走方向和距離的內(nèi)置裝置以及紅外避障裝置。工作環(huán)境的映射和檢查目標的定位可以通過三次檢測來實現(xiàn)。算法實現(xiàn)過程如下：

第一步，初始化地圖數(shù)據(jù)，將數(shù)組中的所有數(shù)據(jù)設(shè)置為1，并認為它可以到達任何位置。

第二步，第一次檢測：機器人從初始巡邏位置開始檢測。假設(shè)初始位置位于地圖的左上角，機器人的右側(cè)始終保持為障礙物。由于環(huán)境封閉，機器人最終會回到起點，從而建立起工作環(huán)境的輪廓圖。

第三步，第二次檢測：對輪廓內(nèi)的區(qū)域進行遍歷檢測。采用廣度優(yōu)先遍歷方法確定輪廓內(nèi)區(qū)域內(nèi)所有網(wǎng)格的信息，得到機器人工作環(huán)境的完整地圖。穿越完成后，機器人返回起點。

第四步，第三次探測：在工作地圖已知后，開始啟動巡邏目標定位。啟動機器人的高清攝像頭和目標檢測模型，對機器人捕捉到的前方環(huán)境進行檢測。當(dāng)捕捉到的內(nèi)容中檢測到目標儀器圖像時，模型會為目標繪制目標框并顯示其儀器編號。機器人會跟蹤目標，直到屏幕中繪制的目標框面積達到總拍攝面積的50%或更多。此時，機器人位置被定位為與儀器相對應(yīng)的檢查坐標。檢測結(jié)束，機器人返回到初始位置。

2"結(jié)果與分析

2.1"基于YOLOv3算法框架的目標檢測模型建模與訓(xùn)練步驟

在本文中YOLOv3是一種基于回歸卷積神經(jīng)網(wǎng)絡(luò)的目標識別模型，該模型采用53層3×3和1×1的卷積。之后，一些殘差網(wǎng)絡(luò)結(jié)構(gòu)也被用于多尺度預(yù)測，具有檢測速度快、精度高的優(yōu)點。它是目前最優(yōu)秀的目標檢測算法之一，可用于巡邏目標的識別和檢測?；赮OLOv3算法框架的目標檢測模型的建模和訓(xùn)練步驟如下：

（1）收集輸煤棧橋各種設(shè)備的所有儀表圖片樣本，并根據(jù)圖片中的信息制作標簽文件。標簽文件中的數(shù)據(jù)包含圖形的類別號、中心點的標準化坐標（XXY）以及目標框的標準化寬度和高度（w，h）。計算公式如等式（1）至（4）所示。

x=X1+X22W（1）

y=y1+y22H（2）

w=x2-x1W（3）

h=y2-y1H（4）

其中（x1，y1）是注釋框體的左下角的坐標；（x2，y2）是注釋框體的右上角的坐標；W是圖像的寬度；H是圖像的高度。

（2）將訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行劃分，從原始樣本中隨機選擇80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，其余20%的數(shù)據(jù)作為驗證數(shù)據(jù)集。

（3）更改YOLOv3模型的參數(shù)配置文件。打開“訓(xùn)練”的參數(shù)設(shè)置，關(guān)閉“測試”的參數(shù)設(shè)定。將類別的數(shù)量修改為Classes，以及最后一個卷積層中過濾器的大小。修改規(guī)則，如等式（5）所示。

Filter=N×N×3×（4+1+classes）（5）

其中N是卷積核的數(shù)量，類是類的數(shù)量。

基于YOLOv3算法框架，對目標檢測模型進行訓(xùn)練，直到損失收斂到預(yù)設(shè)的收斂值。

（4）訓(xùn)練后，使用驗證數(shù)據(jù)集來驗證模型是否已擬合。當(dāng)驗證數(shù)據(jù)集的準確率接近訓(xùn)練數(shù)據(jù)集的正確率時，模型訓(xùn)練就完成了。

（5）然后將訓(xùn)練后的目標檢測模型嵌入檢測機器人的控制系統(tǒng)中［3］。

2.2"基于蟻群算法的機器人最優(yōu)檢測路徑規(guī)劃步驟

基于蟻群算法的機器人最優(yōu)檢測路徑規(guī)劃步驟如下：

采用光柵地圖表示方法，自動創(chuàng)建檢測工作環(huán)境的地圖，并由檢測機器人確定檢測目標的位置。光柵的單位尺寸是檢測機器人的占用面積［4］。

假設(shè)化水站內(nèi)部空間為正方形，有二維陣列環(huán)境空間圖。使用二維陣列圖［］來表示環(huán)境空間圖，并將整個區(qū)域劃分為m×n個相同大小的網(wǎng)格。數(shù)組的大小設(shè)置為M和n，是通過查詢供水站的設(shè)計圖紙獲得的，數(shù)據(jù)由0和1組成，0表示機器人不能通過，1可以通過。

巡邏機器人內(nèi)置測量行走方向和距離的裝置，以及紅外避障裝置。通過三次探測，可以繪制工作環(huán)境地圖，定位巡邏目標，算法實現(xiàn)過程如下：

（1）初始化地圖數(shù)據(jù)，將數(shù)組中的所有數(shù)據(jù)設(shè)置為1，并認為它可以到達任何位置。

（2）第一次檢測：機器人從初始檢測位置開始檢測。假設(shè)初始位置位于地圖的左上角，機器人的右側(cè)始終保持為障礙物。由于環(huán)境封閉，機器人最終會回到起點，從而建立起工作環(huán)境的輪廓圖。根據(jù)機器人環(huán)境感知模塊的輸入數(shù)據(jù)，判斷機器人的移動方向和距離。然后，將反饋數(shù)據(jù)寫入陣列映射［］中，輪廓外的位置被認為是不可通行的，地圖［］中相應(yīng)的位置數(shù)據(jù)為0。

（3）第二次檢測：對輪廓內(nèi)的區(qū)域進行遍歷檢測。采用廣度優(yōu)先遍歷方法來確定輪廓區(qū)域內(nèi)所有網(wǎng)格的信息。更新了map［］陣列數(shù)據(jù)，以獲得機器人工作環(huán)境的完整地圖。

（4）第三次探測：在工作地圖已知后，開始巡邏探測目標定位。定義了字典型數(shù)組ToBeDetected［］，數(shù)組中的鍵是所有儀器的預(yù)設(shè)編號，所有儀器都有一個唯一的編號，鍵對應(yīng)的值是儀器的檢測狀態(tài)，初始值設(shè)置為1，表示所有儀器都是ToBeDetective。

同時，在完成工作環(huán)境映射和檢測目標定位后，對機器人的最優(yōu)檢測路線規(guī)劃進行了評估。機器人檢測路徑規(guī)劃問題可以看作是經(jīng)典的路徑優(yōu)化問題（TSP），并采用蟻群算法求解機器人檢測路徑的優(yōu)化規(guī)劃問題。

（1）啟動機器人的高清攝像頭和目標檢測模型，檢測機器人捕捉到的前方環(huán)境。當(dāng)在捕獲的內(nèi)容中檢測到目標儀器圖像時，模型將為目標繪制一個目標框，并顯示其儀器編號。機器人跟蹤目標，直到屏幕中繪制的目標框的面積達到總拍攝面積的50%或更多。此時，機器人位置被定位為與儀器相對應(yīng)的檢查坐標，并且與儀器編號的鍵相對應(yīng)的值被更新為0。重復(fù)上述過程，直到ToBeDetected［］中的所有值都為0，檢測結(jié)束并返回到原始位置。

在完成工作環(huán)境映射和檢測目標定位后，開始機器人的最優(yōu)檢測路線規(guī)劃。機器人檢測路徑規(guī)劃問題被認為是經(jīng)典的路徑優(yōu)化問題，即旅行商問題。利用蟻群算法求解機器人最優(yōu)檢測路徑規(guī)劃問題［5］。

（2）導(dǎo)入創(chuàng)建的檢測機器人的工作環(huán)境圖。在地圖中識別出檢查目標節(jié)點后，輸入初始化的信息素矩陣T，以確定起始點和終止點，并確保每個位置的信息素必須相等。信息素矩陣T如等式（6）所示：

T=0τ12

τ210…τ1n

τ2n

τn1τn2…τnn（6）

其中n是地圖中必須經(jīng)過的位置數(shù)。

（3）確定下一個可達節(jié)點，根據(jù)節(jié)點的信息素濃度確定螞蟻到達節(jié)點的概率，并使用輪盤算法選擇下一步的起始點；計算公式如等式（7）和（8）所示：

pkij=τij（t）α·ηij（t）β∑s∈Jk（i）τij（t）（t）α·ηij（t）β

0，j∈Jk（i）（7）

ηij=1dij（8）

其中，τij（t）代表時間t時位置i和位置j之間的信息素濃度。ηij是與時間t時從位置i到位置j的路徑相關(guān)的啟發(fā)式因子，α是信息素的權(quán)重系數(shù)，β是啟發(fā)式因子權(quán)重系數(shù)。Jk（i）是螞蟻k在下一步中允許選擇的一組檢測目標，是從位置i到位置j的距離。

（4）更新行程的路徑和長度。

（5）重復(fù)步驟（3）和（4）幾次，直到螞蟻到達目標點或已經(jīng)行進了所有可用的路線。

（6）多次重復(fù)步驟（3）至（5），直到螞蟻的迭代計算完成。

（7）更新信息素矩陣T，未到達目標點的螞蟻不包括在計算范圍內(nèi)。更新的信息素矩陣的計算公式如方程（9）和（10）所示。

τij（t+1）=（1-ρ）×τij（t）+△τij（9）

△τij=QLk（t）

0螞蟻k經(jīng)過i，j

螞蟻k不經(jīng)過i，j（10）

式中的ρ為控制參數(shù)；Q是一個正態(tài)數(shù)；Lk（t）表示螞蟻k經(jīng)過t時間后的路徑的總距離。

（8）重復(fù)步驟（3）至（7），直到螞蟻的NTH生成的迭代結(jié)束，在循環(huán)中選擇最佳路徑，同時輸出最佳路徑曲線。

3"結(jié)論

本文提出了一種基于YOLOv3的儀器檢測機器人最優(yōu)路徑規(guī)劃方法。機器人的最優(yōu)檢測路徑規(guī)劃具有保證機器人檢測目標識別準確性、提高機器人智能化水平等優(yōu)點，有利于降低機器人長期檢測的能耗、電池充電次數(shù)、延長機器人電池的使用壽命和成本，顯示出巨大的應(yīng)用價值。

參考文獻：

［1］Jan"GE，Chang"K"Y，Parberry"I.Optimal"Path"Planning"for"Mobile"Robot"Navigation［J］.IEEE/ASME"Transactions"on"Mechatronics，2008，13（4）：451460.

［2］LiX，Yu"D.Study"on"an"Optimal"Path"Planning"for"a"Robot"Based"on"an"Improved"ANT"Colony"Algorithm［J］.Automatic"Control"and"Computer"Sciences，2019，53（3）：236243.

［3］ZhangX，Liu"S，Xiang"Z.Optimal"Inspection"Path"planning"of"substation"Robot"in"the"complex"substation"environment［C］//2019"Chinese"Automation"Congress（CAC）.IEEE，2019.

［4］PanZ，Wang"D，Deng"H，et"al.A"Virtual"Spring"Method"for"the"MultiRobot"Path"Planning"and"Formation"Control［J］.International"Journal"of"Control，Automation"and"Systems，2019，17（5）：111.

［5］LuoX，Li"S，Liu"S，et"al.An"optimal"trajectory"planning"method"for"path"tracking"of"industrial"Robots［J］.Robotica，2019，37（3）：502520.

作者簡介：陳劍華（1971—"），男，漢族，上海人，學(xué)士，中級職稱，研究方向：火力發(fā)電廠智能運維。