摘 要：在運(yùn)行過(guò)程中，多種因素導(dǎo)致高壓電房設(shè)備可能會(huì)出現(xiàn)故障。為提高故障檢測(cè)的效率和準(zhǔn)確性，本文提出一種基于YOLOv8算法的自動(dòng)導(dǎo)航機(jī)器人檢測(cè)系統(tǒng)，該系統(tǒng)能夠在高壓電房?jī)?nèi)完成自主導(dǎo)航并檢測(cè)異常情況。首先，本文分析高壓電房運(yùn)維巡檢工作的必要性以及在巡檢工作中巡檢機(jī)器人的優(yōu)勢(shì)。其次，本文結(jié)合自動(dòng)導(dǎo)航技術(shù)與YOLOv8算法的原理介紹機(jī)器人結(jié)構(gòu)和算法的應(yīng)用，并改進(jìn)算法，使巡檢機(jī)器人完成高壓電房?jī)?nèi)自主檢測(cè)。最后，本文進(jìn)行測(cè)試，驗(yàn)證了基于YOLOv8算法的自動(dòng)導(dǎo)航機(jī)器人在高壓電房異常檢測(cè)中的有效性和實(shí)用性。

關(guān)鍵詞：智能機(jī)器人；YOLOv8；高壓電房；異常檢測(cè)；自主導(dǎo)航

中圖分類(lèi)號(hào)：TP 242" " " " " " " " " " " " 文獻(xiàn)標(biāo)志碼：A

電力系統(tǒng)是現(xiàn)代社會(huì)的關(guān)鍵基礎(chǔ)設(shè)施，高壓電房是其核心組成部分，承擔(dān)了電力傳輸和分配的重要任務(wù)。但是，高壓電房設(shè)備故障頻發(fā)，影響了電力供應(yīng)的連續(xù)性和穩(wěn)定性。傳統(tǒng)的人工巡檢方式存在效率低、準(zhǔn)確性不足等問(wèn)題，不能滿(mǎn)足現(xiàn)代電力系統(tǒng)的需求?；诖耍疚奶岢隽艘环N基于YOLOv8算法的自動(dòng)導(dǎo)航機(jī)器人系統(tǒng)，該系統(tǒng)融合了多傳感器數(shù)據(jù)和視覺(jué)標(biāo)記，能夠在復(fù)雜的室內(nèi)環(huán)境中進(jìn)行高精度的自主定位與導(dǎo)航，完成高壓電房的異常檢測(cè)。

1 高壓電房故障概述

高壓電房是電力系統(tǒng)的核心組成，其作用是對(duì)電能進(jìn)行接收、轉(zhuǎn)換和分配，其穩(wěn)定性直接關(guān)系到電力供應(yīng)的連續(xù)性和安全性。但是，高壓電房在運(yùn)行過(guò)程中易受設(shè)備老化、外部環(huán)境干擾和操作失誤等多種因素的影響，導(dǎo)致出現(xiàn)設(shè)備故障、絕緣故障、過(guò)載故障和短路故障等。這些故障不僅可能導(dǎo)致電力供應(yīng)中斷，影響用戶(hù)正常用電，還可能導(dǎo)致設(shè)備損壞、提高維修成本，甚至對(duì)人員安全和周?chē)h(huán)境構(gòu)成威脅。此外，高壓電房的故障可能引發(fā)連鎖反應(yīng)，導(dǎo)致更大范圍的電力系統(tǒng)崩潰，嚴(yán)重影響社會(huì)經(jīng)濟(jì)發(fā)展，給人民生活帶來(lái)不便。因此，運(yùn)維巡檢是保證高壓電房不發(fā)生重大故障的重要手段。

與傳統(tǒng)的人工巡檢方式相比，巡檢機(jī)器人搭載的YOLOv8算法目標(biāo)檢測(cè)速度快，精度高，是高壓電房故障檢測(cè)的理想選擇[1]。該算法能夠?qū)Ω邏弘姺績(jī)?nèi)部設(shè)備進(jìn)行實(shí)時(shí)監(jiān)控，快速識(shí)別例如設(shè)備過(guò)熱、電弧放電等異常情況，并及時(shí)發(fā)出警報(bào)。此外，自動(dòng)導(dǎo)航技術(shù)使機(jī)器人在復(fù)雜、多變的高壓電房環(huán)境中具備自主移動(dòng)的能力，能夠全面覆蓋各個(gè)監(jiān)測(cè)點(diǎn)，提高檢測(cè)的效率[2]。這2種技術(shù)的結(jié)合提高了機(jī)器人對(duì)潛在故障的識(shí)別能力，減輕了人工巡檢的負(fù)擔(dān)，提升了電力系統(tǒng)運(yùn)維的安全性和智能化水平[3]。

2 高壓電房異常檢測(cè)機(jī)器人

2.1 機(jī)器人結(jié)構(gòu)

高壓電房異常檢測(cè)機(jī)器人系統(tǒng)示意如圖1所示。該機(jī)器人配置雙差速驅(qū)動(dòng)，采用靈活的移動(dòng)策略，能夠完成精準(zhǔn)的轉(zhuǎn)向控制，在不平整或松軟的地面上行駛，能夠保持穩(wěn)定。履帶輪的設(shè)計(jì)進(jìn)一步提高了機(jī)器人的地面適應(yīng)性，使其能在沙地、泥濘或其他崎嶇地形中順利行駛。

機(jī)器人實(shí)物如圖2所示。機(jī)器人前端安裝了1臺(tái)高精度的二維激光掃描儀，該設(shè)備能夠進(jìn)行360°全方位環(huán)境掃描，實(shí)時(shí)獲取周?chē)h(huán)境的距離和障礙物位置信息，為機(jī)器人的路徑規(guī)劃和避障提供關(guān)鍵數(shù)據(jù)。激光掃描儀還能夠進(jìn)行地圖構(gòu)建和空間定位，提高機(jī)器人的自主導(dǎo)航能力。

機(jī)器人后部安裝了銅制充電條，提高了充電效率和充電接口的耐用性。與充電樁進(jìn)行對(duì)接后，機(jī)器人能夠自動(dòng)進(jìn)行充電，減少人工干預(yù)。

機(jī)器人兩側(cè)各安裝了2個(gè)超聲波測(cè)距模塊，該模塊能夠快速檢測(cè)近距離的障礙物，為機(jī)器人的緊急避障決策提供關(guān)鍵的空間感知信息。

機(jī)器人頂部安裝了一個(gè)可伸縮和升降的機(jī)械臂，使機(jī)器人能夠不受空間高度和面積的限制，靈活進(jìn)行操作。

2.2 自動(dòng)定位與導(dǎo)航

自主移動(dòng)技術(shù)的核心是同時(shí)定位與建圖（Simultaneous Localization and Mapping，SLAM） 技術(shù)，其使機(jī)器人能夠在未知環(huán)境中進(jìn)行定位并構(gòu)建環(huán)境地圖。SLAM技術(shù)融合多種傳感器，包括輪式里程計(jì)、慣性測(cè)量單元（Inertial Measurement Unit，IMU）和激光掃描儀，使機(jī)器人進(jìn)行自主移動(dòng)[4]。此外，傳感器數(shù)據(jù)為機(jī)器人提供了周?chē)h(huán)境的結(jié)構(gòu)特征以及其在環(huán)境中的位置和姿態(tài)信息。

當(dāng)機(jī)器人構(gòu)建高壓電房的2D柵格地圖時(shí)，首先，利用激光掃描儀獲取環(huán)境的輪廓信息。其次，結(jié)合輪式里程計(jì)和IMU數(shù)據(jù)，采用SLAM算法進(jìn)行數(shù)據(jù)融合，對(duì)環(huán)境進(jìn)行精確建模。在這個(gè)過(guò)程中，激光雷達(dá)的點(diǎn)云數(shù)據(jù)提供了環(huán)境的幾何結(jié)構(gòu)信息，IMU數(shù)據(jù)提供了機(jī)器人姿態(tài)變化的實(shí)時(shí)信息，輪式里程計(jì)記錄了機(jī)器人的移動(dòng)距離和方向，這些信息共同為機(jī)器人構(gòu)建了一個(gè)其所處環(huán)境的動(dòng)態(tài)、連續(xù)視圖。

在SLAM框架中，機(jī)器人利用特征提取來(lái)識(shí)別環(huán)境中的關(guān)鍵點(diǎn)，例如角落、邊緣或其他明顯特征。然后，將這些特征點(diǎn)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，并將觀測(cè)到的特征與已有地圖中的特征進(jìn)行匹配。在狀態(tài)估計(jì)階段，機(jī)器人利用這些關(guān)聯(lián)的特征點(diǎn)來(lái)估計(jì)自身的位置和姿態(tài)。這個(gè)過(guò)程通常使用擴(kuò)展卡爾曼濾波（Extended Kalman Filter，EKF）框架，該框架能夠融合來(lái)自不同傳感器的數(shù)據(jù)，并在連續(xù)的觀測(cè)過(guò)程中不斷更新機(jī)器人的位置和地圖信息。

地圖中的視覺(jué)標(biāo)記信息可以向機(jī)器人提供視覺(jué)位置信息，進(jìn)一步提高定位精度和魯棒性。機(jī)器人基于地圖利用激光掃描其所處環(huán)境，采用自適應(yīng)蒙特卡羅定位（Adaptive Monte Carlo Localization，AMCL）算法計(jì)算其方向和位置。

在高壓電房的異常檢測(cè)中，機(jī)器人自主規(guī)劃路徑，全面監(jiān)控復(fù)雜的電房環(huán)境，在環(huán)境中進(jìn)行自主定位與導(dǎo)航，提升了故障檢測(cè)的響應(yīng)速度和處理效率，降低了人工巡檢的安全風(fēng)險(xiǎn)，保障電力系統(tǒng)穩(wěn)定運(yùn)行。

2.3 基于YOLOv8的高壓電房異常檢測(cè)

YOLOv8算法是一種較新的實(shí)時(shí)目標(biāo)檢測(cè)系統(tǒng)，其在前代YOLO算法的基礎(chǔ)上進(jìn)行了優(yōu)化和改進(jìn)，檢測(cè)速度更快，準(zhǔn)確率更高[5]。該算法利用單次前向傳播預(yù)測(cè)圖像的目標(biāo)位置和類(lèi)別，使其適用于需要快速響應(yīng)的異常檢測(cè)場(chǎng)景[6]。因此，本文將YOLOv8算法應(yīng)用于異常檢測(cè)機(jī)器人，使其識(shí)別在高壓電房中可能出現(xiàn)的各類(lèi)異常情況，包括設(shè)備過(guò)熱、電弧放電以及絕緣體破損等[7]。

YOLOv8系列是YOLO系列中單階段檢測(cè)算法的重要突破，與YOLO系列中的其他算法相比，YOLOv8在模型識(shí)別精度與推理速度之間取得了平衡。在YOLOv8中，C2f模塊取代了早期YOLO版本的C3模塊，性能明顯提高。C2f模塊在YOLOv8網(wǎng)絡(luò)結(jié)構(gòu)中具有關(guān)鍵功能，包括輸入數(shù)據(jù)的特征轉(zhuǎn)換、將信道劃分為不同的分支以及跨不同維度的特征集成。C2f模塊結(jié)構(gòu)如圖3所示。

Concat模塊將不同來(lái)源的特征圖進(jìn)行拼接。在通道維度，采用Chunk操作對(duì)特征圖進(jìn)行分割，這樣可以將特征圖分成2個(gè)部分，一部分直接傳遞至最終的Conv模塊，另一部分傳遞至Bottleneck進(jìn)行進(jìn)一步處理。Bottleneck是一種常見(jiàn)的網(wǎng)絡(luò)結(jié)構(gòu)，能夠提取特征并減少計(jì)算量。在C2f模塊中，Bottleneck利用一系列卷積、歸一化和激活操作處理輸入特征圖，提高特征的表達(dá)能力；Conv層對(duì)特征圖進(jìn)行初步處理并生成最終的輸出。

隨著參數(shù)增加，YOLOv8精度提高，其在計(jì)算資源有限的檢測(cè)終端的部署過(guò)程更加復(fù)雜。因此，本文根據(jù)現(xiàn)有研究，以YOLOv8為基礎(chǔ)，利用C2f_EMSC模塊替換C2f模塊，最小化基本模型參數(shù)，消除冗余網(wǎng)絡(luò)分支，提高計(jì)算效率。本文使用的C2f_EMSC模塊是一個(gè)優(yōu)化的多尺度卷積模塊，與標(biāo)準(zhǔn)卷積核相比，在輸入通道數(shù)和特征圖尺寸相同的情況下，其使用的卷積參數(shù)和計(jì)算資源更少，能夠更高效地提取多尺度信息。

本文改進(jìn)YOLOv8模型，使機(jī)器人能夠快速、精確地識(shí)別高壓電房中可能出現(xiàn)的各類(lèi)異常情況。C2f_EMSC模塊基于切片特征提取的概念設(shè)計(jì)保留了特征圖中通道的特征點(diǎn)。但是，這種方法增加了計(jì)算負(fù)載。此時(shí)，使用計(jì)算成本較低的卷積運(yùn)算，能夠在不增加模型的計(jì)算負(fù)擔(dān)的情況下獲得同樣的效果。

在C2f_EMSC模塊中，本文根據(jù)GhostNet的原理，利用分組卷積來(lái)降低模型的計(jì)算復(fù)雜度。具體來(lái)說(shuō)，特征圖通常包括大量的冗余信息，利用分組卷積可以降低計(jì)算負(fù)載，加快模型處理速度。首先，采用標(biāo)準(zhǔn)卷積法進(jìn)行特征提取，將原始信道數(shù)減半。其次，利用分組卷積對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步處理，并將結(jié)果與特征圖進(jìn)行連接，生成最終的特征圖，GhostNet結(jié)構(gòu)如圖4所示。

平均池化層的作用是縮小特征圖的空間尺寸，并保留重要的特征信息；卷積層的作用是提取特征圖中的局部特征；激活函數(shù)的作用是將卷積層的輸出轉(zhuǎn)換為權(quán)重，這些權(quán)重將用于加權(quán)輸入特征圖的不同部分；乘法操作將Softmax層輸出的權(quán)重與輸入特征圖進(jìn)行逐元素相乘，強(qiáng)調(diào)特征圖中某些重要的部分，并抑制不重要的部分；分組卷積層的“S∶2”表示每個(gè)分組包括2個(gè)通道，其作用是減少計(jì)算量；求和操作將乘法操作的結(jié)果與分組卷積的輸出相加，得到最終的輸出特征圖。

將步長(zhǎng)設(shè)置為2來(lái)執(zhí)行卷積操作，主要目的是減少模型參數(shù)。當(dāng)k=3時(shí)，通道數(shù)量增加4倍。下采樣后，高度（h）和寬度（w）減半，保留通道內(nèi)的信息。對(duì)數(shù)組的元素進(jìn)行乘法和求和運(yùn)算，以獲得權(quán)重信息。設(shè)置特定的步長(zhǎng)和卷積核大小，該結(jié)構(gòu)減少了參數(shù)數(shù)量，保留了特征圖的關(guān)鍵信息。自適應(yīng)下采樣結(jié)構(gòu)的設(shè)計(jì)過(guò)程如公式（6）所示。

在結(jié)構(gòu)設(shè)計(jì)方面，本文調(diào)整卷積核大小、填充和步長(zhǎng)等參數(shù)來(lái)精確控制自適應(yīng)下采樣。例如，增加填充可以減少下采樣帶來(lái)的信息損失，調(diào)整步長(zhǎng)可以控制特征圖縮小的速率。采用這種方式，模型準(zhǔn)確度較高，并能夠減少存儲(chǔ)和計(jì)算資源的需求，在減少參數(shù)數(shù)量與保持特征信息之間取得平衡。

將改進(jìn)后的C2f_EMSC模塊集成至YOLOv8模型的Neck和Backbone中，替換原有的C2f結(jié)構(gòu)。這個(gè)改進(jìn)使模型能夠保持高檢測(cè)精度，減少了大量參數(shù)，加快了模型的推理速度，使其更適合在緊急情況下部署。

經(jīng)過(guò)以上改進(jìn)，YOLOv8模型能夠高效識(shí)別高壓電房中的異常情況，提高了電力系統(tǒng)的安全性和可靠性。該方法能夠適應(yīng)復(fù)雜的現(xiàn)場(chǎng)環(huán)境，提供快速、準(zhǔn)確的檢測(cè)結(jié)果。

3 高壓電房異常檢測(cè)系統(tǒng)測(cè)試

為了全面評(píng)估基于YOLOv8算法的自動(dòng)導(dǎo)航機(jī)器人在高壓電房異常檢測(cè)中的性能，本文設(shè)計(jì)并執(zhí)行了一系列測(cè)試。測(cè)試環(huán)境模擬高壓電房的實(shí)際情況，包括各種設(shè)備和不同的工作條件，測(cè)試場(chǎng)景如圖6所示。本文采用的數(shù)據(jù)集來(lái)自長(zhǎng)期的高壓電房運(yùn)營(yíng)記錄，包括各種設(shè)備正常運(yùn)行的狀態(tài)與當(dāng)發(fā)生不同故障時(shí)的狀態(tài)。在測(cè)試過(guò)程中，將機(jī)器人分為9組進(jìn)行測(cè)試。使用標(biāo)注好的數(shù)據(jù)集對(duì)YOLOv8模型進(jìn)行訓(xùn)練，將訓(xùn)練好的模型部署到機(jī)器人上。各組機(jī)器人根據(jù)預(yù)先構(gòu)建的高壓電房地圖自主規(guī)劃路徑，并實(shí)時(shí)掃描環(huán)境以檢測(cè)異常情況。測(cè)試流程包括模型訓(xùn)練、機(jī)器人部署、路徑規(guī)劃、異常檢測(cè)以及記錄與分析。記錄的測(cè)試指標(biāo)包括異常識(shí)別延遲、識(shí)別準(zhǔn)確率以及運(yùn)行時(shí)長(zhǎng)無(wú)故障率。故障識(shí)別延遲測(cè)量機(jī)器人從發(fā)現(xiàn)異常到識(shí)別異常所需要的時(shí)間，識(shí)別準(zhǔn)確率評(píng)估機(jī)器人識(shí)別異常正確的比例，運(yùn)行時(shí)長(zhǎng)無(wú)故障率評(píng)估機(jī)器人在規(guī)定運(yùn)行時(shí)長(zhǎng)內(nèi)無(wú)故障發(fā)生的比例。測(cè)試結(jié)果見(jiàn)表1。

測(cè)試結(jié)果表明，在不同異常情況下，機(jī)器人的識(shí)別準(zhǔn)確率和運(yùn)行時(shí)長(zhǎng)無(wú)故障率均較高，分別gt;98.6％和99.6%。機(jī)器人異常識(shí)別所需時(shí)間lt;1.75 s，說(shuō)明基于YOLOv8的自動(dòng)導(dǎo)航機(jī)器人在高壓電房巡檢過(guò)程中能夠?qū)υO(shè)備異常情況做出快速反應(yīng)。這些結(jié)果整體上反映了基于YOLOv8的自動(dòng)導(dǎo)航機(jī)器人能夠有效替代人工巡檢，降低了人工巡檢存在的安全風(fēng)險(xiǎn)，提高了電力系統(tǒng)的穩(wěn)定性和安全性，證明了機(jī)器人在高壓電房異常檢測(cè)中實(shí)用價(jià)值和應(yīng)用性高。

4 結(jié)語(yǔ)

本文研究高壓電房異常檢測(cè)方法，應(yīng)用自動(dòng)導(dǎo)航技術(shù)，使巡檢機(jī)器人能夠到達(dá)高壓電房的任意位置，完成機(jī)器人自主巡邏，為異常檢測(cè)提供必要的前提條件?；赮OLOv8的輕量化檢測(cè)模型收集在高壓電房中的設(shè)備的大量數(shù)據(jù)，例如多種設(shè)備正常運(yùn)行狀態(tài)與異常狀態(tài)，使巡檢機(jī)器人在高壓電房環(huán)境中能夠高效進(jìn)行異常檢測(cè)。結(jié)合2種技術(shù)進(jìn)行應(yīng)用，提高了模型的計(jì)算效率和檢測(cè)的準(zhǔn)確性，為高壓電房的安全運(yùn)行提供了有力的技術(shù)支持。本文研究自動(dòng)導(dǎo)航技術(shù)與YOLOv8算法在巡檢機(jī)器人系統(tǒng)中的應(yīng)用，為高壓電房的智能化、數(shù)字化轉(zhuǎn)型提供理論支持，推動(dòng)電力行業(yè)技術(shù)進(jìn)步，提升經(jīng)濟(jì)效益。

參考文獻(xiàn)

[1]李俊萩，劉博文，張晴暉，等.結(jié)合改進(jìn)YOLOv8n及SLAM的機(jī)器人自主巡檢控制系統(tǒng)研究[J].傳感器與微系統(tǒng)，2024，43（8）：16-20.

[2]周菁.智能巡檢機(jī)器人在變電運(yùn)維中的應(yīng)用[J].電子技術(shù)，2023，52（12）：292-293.

[3]張博文，謝怡琚，胡瑛，等.變電運(yùn)維中智能化技術(shù)的有效應(yīng)用[J].現(xiàn)代制造技術(shù)與裝備，2022，58（12）：190-192.

[4]呂強(qiáng)，李永強(qiáng)，王輝，等.基于機(jī)器視覺(jué)技術(shù)的變電站巡檢機(jī)器人自動(dòng)導(dǎo)航系統(tǒng)[J].自動(dòng)化與儀表，2023，38（4）：65-69.

[5]殷北辰，王子健，程智，等.基于改進(jìn)YOLOv8模型的巡檢機(jī)器人目標(biāo)檢測(cè)方法研究[J].醫(yī)療衛(wèi)生裝備，2024，45（3）：1-8.

[6]周俊煌，黃廷城，謝小瑜，等.視頻圖像智能識(shí)別技術(shù)在輸變電系統(tǒng)中的應(yīng)用研究綜述[J].中國(guó)電力，2021，54（1）：124-134，166.

[7]鄭文杰，楊祎，喬木，等.基于改進(jìn)YOLO和Resnet的變電設(shè)備熱缺陷識(shí)別及診斷方法[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2023，37（9）：261-269.