摘 "要：隨著智慧城市建設(shè)的推進(jìn)，地下綜合管廊的運維需求不斷增加。傳統(tǒng)的人工巡檢不僅效率低下，還存在安全隱患。為此，該文提出一種集成聯(lián)動控制與人工智能視覺識別技術(shù)的智能巡檢機(jī)器人系統(tǒng)。該系統(tǒng)通過將YOLOv5算法與深度強(qiáng)化學(xué)習(xí)算法相結(jié)合，實現(xiàn)對火焰、煙霧、積水等目標(biāo)的高效識別和自動巡檢路徑優(yōu)化。聯(lián)動控制技術(shù)優(yōu)化機(jī)器人在復(fù)雜環(huán)境中的運動和定位，使其能夠精準(zhǔn)適應(yīng)地下管廊的復(fù)雜條件；同時，YOLOv5的多層特征融合機(jī)制提升目標(biāo)檢測的準(zhǔn)確性和響應(yīng)速度。實驗結(jié)果表明，YOLOv5在目標(biāo)檢測中的準(zhǔn)確率達(dá)到92.31%，展示該系統(tǒng)在提升巡檢效率和安全性方面的顯著優(yōu)勢。

關(guān)鍵詞：聯(lián)動控制；AI視覺識別；YOLOv5；目標(biāo)檢測；地下綜合管廊

中圖分類號：TU990.3 " " "文獻(xiàn)標(biāo)志碼：A " " " " "文章編號：2095-2945（2025）10-0010-04

Abstract： With the advancement of smart city construction， the maintenance and operation demands of underground duct banks have become increasingly complex. Traditional manual inspection methods face issues of inefficiency and safety hazards， leading to the emergence of intelligent inspection robots. This study explores an intelligent inspection robot based on linkage control and AI visual recognition technology to enhance the automation level of underground duct bank maintenance. By combining linkage control technology with the multi-task convolutional neural network （CNN） algorithm YOLOv5， the research designs and implements an intelligent inspection system. YOLOv5 demonstrates excellent accuracy and response speed in real-time identification of targets such as flames， smoke， and water accumulation. Experimental results show that the accuracy rate of YOLOv5 in target detection reaches 92.31%， demonstrating the significant advantages of the system in improving inspection efficiency and security.

Keywords： linkage control; AI visual recognition; YOLOv5; target detection; underground duct bank

隨著智慧城市建設(shè)的不斷推進(jìn)，地下管廊的運維需求愈加復(fù)雜且多樣化[1]。傳統(tǒng)的人工巡檢方式不僅存在人員安全隱患，還常常面臨工作效率低下的問題。在應(yīng)對地下管廊中的復(fù)雜環(huán)境和突發(fā)情況時，傳統(tǒng)方法顯得力不從心。尤其是在面對惡劣的地下環(huán)境條件和緊急情況的響應(yīng)過程中，人工巡檢難以保證高效和持續(xù)的作業(yè)。此外，對于設(shè)備狀態(tài)的實時監(jiān)測，人工方式也無法滿足現(xiàn)代化運維的精確性和及時性要求。為此，智能巡檢機(jī)器人逐漸成為地下管廊運維的重要解決方案[2]。智能巡檢機(jī)器人不僅能夠在復(fù)雜環(huán)境中執(zhí)行高頻次的巡檢任務(wù)，還能實時監(jiān)測管廊狀態(tài)，并進(jìn)行異常檢測和報告。這種新型技術(shù)的應(yīng)用，不僅提高了巡檢效率，還大大提升了人員的安全性，減少了因人工操作引發(fā)的風(fēng)險。

在智能巡檢機(jī)器人領(lǐng)域，基于聯(lián)動控制與AI視覺識別技術(shù)的研究顯得尤為重要。聯(lián)動控制技術(shù)可以通過智能算法和實時數(shù)據(jù)處理，實現(xiàn)對機(jī)器人的精確控制和協(xié)調(diào)運行。而AI視覺識別技術(shù)則通過深度學(xué)習(xí)和計算機(jī)視覺，能夠?qū)崟r識別和分析管廊中的各種目標(biāo)和異常情況[3]。這些技術(shù)的結(jié)合，旨在提高巡檢機(jī)器人的自動化水平、優(yōu)化其運行效率，并增強(qiáng)其對突發(fā)事件的響應(yīng)能力，從而全面提升地下管廊的安全管理和運維質(zhì)量。

本文旨在開發(fā)一套基于聯(lián)動控制技術(shù)與人工智能視覺識別技術(shù)相結(jié)合的智能巡檢系統(tǒng)，以解決地下管廊運維中效率低下和安全風(fēng)險等問題。通過聯(lián)動控制技術(shù)實現(xiàn)機(jī)器人多關(guān)節(jié)系統(tǒng)的協(xié)同運動，使其能夠靈活適應(yīng)管廊內(nèi)的復(fù)雜環(huán)境；同時，結(jié)合了多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)YOLOv5算法，對火焰、煙霧、積水等異常目標(biāo)進(jìn)行實時視覺識別與分析。在該系統(tǒng)中，聯(lián)動控制技術(shù)不僅優(yōu)化了機(jī)器人的移動軌跡，還確保了在復(fù)雜環(huán)境下的平穩(wěn)運行；AI視覺識別技術(shù)則增強(qiáng)了目標(biāo)檢測的精度與響應(yīng)速度。聯(lián)動控制技術(shù)為視覺識別系統(tǒng)提供了更穩(wěn)定的運動平臺與實時反饋支持，而視覺識別技術(shù)則為聯(lián)動控制系統(tǒng)提供了精準(zhǔn)的環(huán)境感知信息，從而形成了一種高效、可靠的智能巡檢系統(tǒng)。兩者的結(jié)合使得巡檢機(jī)器人在環(huán)境適應(yīng)性和智能識別能力上得到了顯著提升。實驗結(jié)果表明，YOLOv5在復(fù)雜條件下的檢測準(zhǔn)確率達(dá)到92.31%，大大提高了巡檢的自動化和智能化水平，為地下管廊的安全管理提供了強(qiáng)有力的支持。

1 "總體概述

1.1 "結(jié)構(gòu)設(shè)計

巡檢機(jī)器人主要由移動載體、通信設(shè)備、環(huán)境監(jiān)測傳感器和氣體檢測儀等組成，具備半自主或全自主控制模式。機(jī)器人通過軌道移動，并配備上下坡道防滑制動裝置，確保在復(fù)雜地形下的穩(wěn)定行駛。多電機(jī)聯(lián)動控制技術(shù)用于優(yōu)化機(jī)器人的運動和定位，使其能夠在動態(tài)環(huán)境中精確執(zhí)行巡檢任務(wù)。環(huán)境監(jiān)測傳感器用于探測周圍環(huán)境變化，傳感數(shù)據(jù)通過Wi-Fi協(xié)議實時反饋至終端系統(tǒng)。

1.2 "傳感器網(wǎng)絡(luò)布置

機(jī)器人集成了多種類型的傳感器，用于全面監(jiān)測管廊的運行狀態(tài)。主要傳感器及其功能見表1。

2 "聯(lián)動控制

2.1 "多設(shè)備聯(lián)動

巡檢機(jī)器人與管廊中的防火門、滅火裝置、環(huán)境照明等設(shè)備實現(xiàn)聯(lián)動控制。依靠傳感器網(wǎng)絡(luò)提供的實時監(jiān)測數(shù)據(jù)，以確保系統(tǒng)能夠在特定情況下自動觸發(fā)相關(guān)設(shè)備。具體的聯(lián)動流程基于傳感器收集的數(shù)據(jù)分析，系統(tǒng)在識別到潛在危險或異常狀況時，能夠迅速作出反應(yīng)，啟動防火門、滅火裝置和環(huán)境照明等設(shè)備，確保管廊運行的安全性和持續(xù)性。

在實際應(yīng)用中，防火門的啟動一般與溫度傳感器和煙霧檢測設(shè)備的監(jiān)測結(jié)果直接相關(guān)。當(dāng)溫度傳感器檢測到環(huán)境溫度超過設(shè)定的安全閾值（30 ℃）或煙霧傳感器檢測到煙霧濃度達(dá)到危險標(biāo)準(zhǔn)時，系統(tǒng)立即關(guān)閉相關(guān)區(qū)域的防火門，以防止火災(zāi)或高溫區(qū)域內(nèi)火勢蔓延。當(dāng)氣體傳感器檢測到管廊內(nèi)的可燃?xì)怏w或有毒氣體濃度超過標(biāo)準(zhǔn)限值時，系統(tǒng)會自動啟動滅火裝置。環(huán)境照明的聯(lián)動則主要用于低光或無光環(huán)境下的巡檢輔助。當(dāng)巡檢機(jī)器人進(jìn)入較為黑暗的區(qū)域或光線傳感器檢測到照度低于一定值時，環(huán)境照明設(shè)備會自動開啟，為巡檢提供必要的視覺輔助。圖1展現(xiàn)了一段時間內(nèi)溫度和光照強(qiáng)度的變化趨勢，圖2則展現(xiàn)了對應(yīng)的聯(lián)動設(shè)備的工作狀態(tài)。

2.2 "運動控制與定位

為了進(jìn)一步提升巡檢機(jī)器人在復(fù)雜環(huán)境中的自主運動性能，采用了深度強(qiáng)化學(xué)習(xí)（DRL）算法，機(jī)器人通過與環(huán)境的持續(xù)交互，不斷學(xué)習(xí)并優(yōu)化其運動策略[4]。該算法能夠根據(jù)周圍障礙物的移動、地形變化等動態(tài)信息實時調(diào)整機(jī)器人路徑規(guī)劃，從而確保巡檢作業(yè)的穩(wěn)定性和精確性。具體數(shù)學(xué)模型如下。

在算法中定義機(jī)器人在環(huán)境中的每一時刻都有一個狀態(tài)st和一個動作at。狀態(tài)st可以包括機(jī)器人的位置、速度、周圍障礙物的狀態(tài)等，動作at則是機(jī)器人在此狀態(tài)下所選擇的控制指令，比如加速、減速或制動。

2.2.1 "動態(tài)規(guī)劃模型

用狀態(tài)方程表示機(jī)器人運動的狀態(tài)

st+1=f（st，at），

式中：f是機(jī)器人在當(dāng)前狀態(tài)st下，根據(jù)動作at執(zhí)行后的下一個狀態(tài)st+1的函數(shù)。在巡檢過程中的位移和速度方程采用經(jīng)典力學(xué)公式進(jìn)行表達(dá)

xt+1=xt+vt·？駐t，

vt+1=vt+at·？駐t，

式中：xt和vt分別是時間t時刻機(jī)器人的位置和速度，at是時間t時刻的加速度指令，？駐t是時間步長。

2.2.2 "獎勵反饋

在該算法中，機(jī)器人采用最大化長期獎勵來優(yōu)化其運動策略。獎勵函數(shù)R的主要影響參數(shù)設(shè)置為路徑跟蹤誤差和能耗

Rt=-？琢·et-？茁·rt，

式中：et是在時間t時的定位誤差，rt是能耗，？琢和？茁是權(quán)重系數(shù)。誤差計算為實際位置xt與目標(biāo)位置xt*的差值

et=|xt-xt*|。

2.2.3 "制動策略

在需要制動時，機(jī)器人采用以下控制策略來減速并停穩(wěn)

at=，

式中：vtarget是期望的目標(biāo)速度（通常為0），at是所需的加速度指令。制動距離db可以通過以下公式計算

db=，

式中：vt是制動開始時的速度，｜at｜是制動加速度的絕對值。

為驗證該算法的有效性，開展了機(jī)器人在不同速度下的運行速度測試與制動距離測試。具體而言，測試在預(yù)設(shè)的50 m導(dǎo)航軌跡上進(jìn)行，機(jī)器人以不到1 m/s的速度自主行駛，并在需要時發(fā)出制動指令。通過實驗測定，機(jī)器人在1 m/s以內(nèi)的速度下能夠在較短距離內(nèi)準(zhǔn)確制動，且定位誤差基本保持在±10 mm以內(nèi)。圖3展現(xiàn)了一段時間內(nèi)機(jī)器人的速度與位移變化曲線，圖4展現(xiàn)了該機(jī)器人的定位誤差曲線圖。

3 "視覺分析識別

3.1 "多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)算法YOLOv5

在本研究中，視覺分析與識別技術(shù)的核心是多任務(wù)卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法YOLOv5[5]。這一算法基于深度學(xué)習(xí)技術(shù)，致力于在復(fù)雜環(huán)境下實現(xiàn)高效且精準(zhǔn)的圖像處理和目標(biāo)識別。在具體應(yīng)用中，YOLOv5主要用于以下幾類目標(biāo)的識別：火焰、煙霧、積水、設(shè)備缺陷、異物入侵以及開關(guān)、指示燈和儀表儀器狀態(tài)等。算法通過訓(xùn)練階段的深度學(xué)習(xí)模型，能夠自動提取圖像中的特征并進(jìn)行分類，從而在實際巡檢過程中實現(xiàn)對環(huán)境變化的實時監(jiān)測。特別是對于火焰和煙霧等緊急情況，YOLOv5能夠迅速識別并進(jìn)行警報，保證巡檢機(jī)器人的安全性和響應(yīng)能力。

YOLOv5采用了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，本文的改進(jìn)主要在于通過多層特征融合機(jī)制，使算法能夠在不同尺度上進(jìn)行目標(biāo)檢測。此機(jī)制將不同層級的特征信息進(jìn)行融合，顯著提升了對小目標(biāo)及復(fù)雜場景的檢測能力。這種改進(jìn)特別適用于地下管廊等復(fù)雜環(huán)境中的應(yīng)用，有效增強(qiáng)了算法的適應(yīng)性。具體而言，YOLOv5將圖像分割為多個網(wǎng)格，每個網(wǎng)格進(jìn)行特征提取獲得每個網(wǎng)格的Ｆi，然后通過不同尺度的特征融合獲得融合后的特征信息Ｆfused。同時在每個小網(wǎng)格范圍內(nèi)進(jìn)行檢測，采用三權(quán)損失函數(shù)L來不斷優(yōu)化檢測效果，直到置信區(qū)間達(dá)到閾值范圍。設(shè)置的損失函數(shù)表達(dá)為

式中：Ｌloc是位置損失（計算預(yù)測邊界框與真實邊界框之間的差距），Lcls是類別損失（計算預(yù)測類別與真實類別之間的差距），Lconf是置信度損失（計算預(yù)測置信度與實際目標(biāo)存在與否的差距）。？琢、？茁、？酌是權(quán)重系數(shù)，用于平衡不同損失項的影響。

3.2 "算法識別效果

為了驗證YOLOv5算法在巡檢環(huán)境下的識別效果，本研究設(shè)計并執(zhí)行了一系列實驗，評估其在不同環(huán)境條件下的目標(biāo)識別性能。通過實驗結(jié)果，我們評估了YOLOv5在識別火焰、煙霧、積水和設(shè)備缺陷等目標(biāo)時的準(zhǔn)確率和響應(yīng)速度。在實驗中，本文使用了多組火焰數(shù)據(jù)集，對YOLOv5模型進(jìn)行了平均目標(biāo)檢測的準(zhǔn)確率、召回率、F1得分等指標(biāo)的檢測。所得結(jié)果如下

準(zhǔn)確率（Precision）為92.31%，

召回率（Recall）為88.89%，

F1得分（F1 Score）為0.91。

實驗結(jié)果顯示，YOLOv5在復(fù)雜環(huán)境下表現(xiàn)出色，能夠高效、準(zhǔn)確地識別各類目標(biāo)。在緊急情況下，如火焰和煙霧的識別中，YOLOv5展現(xiàn)出較高的準(zhǔn)確率和快速的響應(yīng)速度。具體而言，在測試數(shù)據(jù)集中，YOLOv5的準(zhǔn)確率達(dá)到了92.31%，召回率為88.89%，F(xiàn)1得分為0.91。這些結(jié)果證明了YOLOv5在巡檢機(jī)器人中的應(yīng)用能夠提供可靠的安全性和實時預(yù)警功能。

4 "結(jié)束語

本文提出的智能巡檢機(jī)器人系統(tǒng)，通過聯(lián)動控制技術(shù)與人工智能視覺識別技術(shù)的深度融合，針對地下管廊的復(fù)雜環(huán)境提出了有效的解決方案。聯(lián)動控制技術(shù)通過優(yōu)化機(jī)器人運動和定位，確保其在動態(tài)環(huán)境中的穩(wěn)定性和精確性；YOLOv5算法則通過多層特征融合機(jī)制提高了對小目標(biāo)和復(fù)雜場景的識別能力。兩者的結(jié)合顯著提升了巡檢機(jī)器人的智能化水平和作業(yè)效率。實驗結(jié)果驗證了該系統(tǒng)在實際應(yīng)用中的有效性，為地下管廊的自動化運維提供了堅實的技術(shù)支持。未來的研究將繼續(xù)探討如何進(jìn)一步優(yōu)化該系統(tǒng)，以應(yīng)對更多復(fù)雜和多變的巡檢需求。

參考文獻(xiàn)：

[1] 張宇棟，呂淑然.從“城市安全”到“安全城市”[J].學(xué)習(xí)與實踐，2018（6）：74-82.

[2] 何濤，王傳禮，高博，等.廢棄礦井抽水蓄能電站基礎(chǔ)建設(shè)裝備關(guān)鍵問題及對策[J].科技導(dǎo)報，2021，39（13）：59-65.

[3] 吳剛，侯士通，張建，等.城市生命線工程安全多層次監(jiān)測體系與預(yù)警技術(shù)研究[J].土木工程學(xué)報，2023，56（11）：1-15.

[4] 孫輝輝，胡春鶴，張軍國.移動機(jī)器人運動規(guī)劃中的深度強(qiáng)化學(xué)習(xí)方法[J].控制與決策，2021，36（6）：1281-1292.

[5] 盧嫚，朱世博.基于OpenCV和YOLOv5的車道線檢測與識別[J].國外電子測量技術(shù)，2024，43（6）：134-142.