基于5G的AI工業智能巡檢系統的研究

張男男　劉哲　霍鑫鵬　崔紫堯　王靜

關鍵詞：安全帽；SSD；人像；目標檢測

中圖分類號：TP181 文獻標識碼：A

文章編號：1009-3044（2022）36-0018-05

近年來，人工智能在各行各業迎來爆發式快速發展。智能工業行業有必要建立基于AI技術的面向業務的IT系統，以機器視覺能力提升安全管理和設備檢測能力，以獲取更高的制造效率[1-2]。

為了保證施工現場的施工安全，在5G加速發展的大背景下，有必要采取智能化的技術方式，降低一些未佩戴安全帽所造成的安全隱患的存在[3]。

安全帽佩戴屬于目標檢測的問題，Marr第一次提出了計算機視覺理論[4]，進而各研究人員都對該問題展開了相關的研究。由于安全問題愈發重要，安全帽的安全規范也受到重視，安全帽檢測研究的主要問題便是目標檢測算法。劉曉慧、Park、賈峻蘇、李美才、何慧敏等人都對安全帽進行了研究，推動了它的發展進程。

本文設計一款智能工業巡檢系統，重點解決大型電氣企業配電站巡檢的主要問題，打造“5G+AI”的工業智能巡檢機器人系統，對配電站等電力系統的具體工業化場景進行智慧管理，可以安全審核，自動化巡檢，遠程點檢，并完成安全帽的識別與檢測。本文完成機器人硬件系統的方案設計，完成計算機視覺技術軟件系統的方案設計，完成對人像以及安全帽檢測模塊的具體實現，并對其進行具體的案例實現，應用到具體工程中。

1 智能巡檢系統整體方案設計

1.1 整體方案設計

5G的快速發展對智能巡檢的需求快速增加，包括檢測分割、視覺感知、圖像處理、視覺應用的計算機技術快速發展，該課題要構建“5G+AI”的安全巡檢系統架構。以5G技術為橋梁，融合AI的智慧駕駛和計算機領域等兩大應用領域，按照創新與管理體系的成果目標，建立了“5G+AI”的工程智能巡檢機器人體系，在大規模電氣設備、機械設備、基站等具體的工業生產現場中，進行工程安全審核、自動巡查以及遠程點檢。

本項目主要完成對配電站施工人員的安全審核，確保施工人員的安全問題。施工前通過采集圖像，截取頭部圖片，通過深度學習SSD算法進行安全帽的特征提取，完成目標檢測，會有無人像、人像未佩戴安全帽、人像佩戴安全帽等三種情況，并可以顯示準確率。

1.2 巡檢系統機器人硬件方案設計

巡檢機器人具有智能化功能，它可以利用自身的性能感知外界系統并且獲取信息，環境感知系統傳感器包括：機器人設備檢測傳感器、機器人定位導航傳感器，為了提升機器人性能，目前也在研究雙目景深攝像頭、測溫攝像頭的應用，增強視覺SLAM和溫度精準探測性能。

巡檢機器人平臺一般由周圍環境觀察部門、信息處理和監控部門、通信部門等構成，具體如下：

（1）熱成像傳感器、可見光圖像傳感器、激光雷達、姿態傳感器、脈沖編碼器等組成了環境感知系統，能夠實現智能巡檢和導航的功能。

（2）運算單元和控制單元兩部分組成了數據處理與控制部分，包括充電房通信模塊、嵌入式數據處理板等重要器件。

（3）巡檢機器人的處理核心是一個運行ROS系統的工控主機。

1.3 智能巡檢系統軟件方案設計

嵌入式數據處理板應用軟件、監控后臺應用軟件、巡查機器人安裝的工控機應用軟件，構成了巡查系統的主要應用軟件。（1）嵌入式處理板應用軟件可以獲得感應器的信息，通過數據處理后通過技術發送至工控機或者將工控機的命令通過解析發送至底層控制板；（2）監控后臺應用軟件為操作者完成人機交互，對巡查機器人安裝下發命令并獲得信息；（3）巡檢工業機器人軟件系統用來完成智能化機器人的環境建模、定向、引導，或者最優路線規劃等的核心算法，并智能巡檢。

本項目中計算機視覺檢測技術主要體現在機器人巡檢和施工人員安全審核上。安全審核，根據人臉識別技術判定作業人員是否身份合規，首先根據預先輸入庫中的施工人員圖片進行身份鑒權判斷是否允許施工，其次對施工人員安全帽和安全帶的佩戴情況進行審核，對不滿足要求的行為進行警示，同時對違規行為進行記錄存檔。

2 智能巡檢系統人像及安全帽的目標識別與檢測

2.1 傳統方法與深度學習的比較

計算機視覺的傳統方法利用特征提取，對圖像進行處理來進行識別和檢測，而深度學習（DL）需要進行模型訓練，利用大量數據集訓練好的模型去預測，從而達到識別的目的，具有更高的精確度，在圖像顏色、分類分割等方面的效果都有了一定的提高。

目標檢測的傳統方法：（1）獲取目標候選區；（2）提取候選區特征；（3）對目標進行分類判別。

對于一些比較簡單的問題，傳統方法便更具有優勢，它能夠以一個更少更簡單的代碼便可以解決問題。在視頻穩像等簡單問題的領域，傳統方法有助于該方面問題的解決。

但是面對一些變化的場景容易產生識別準確率不高，適應性差的問題。

深度學習是端對端的學習，對大量的符合具體工業場景的數據進行標注，后定義框架數學模型，模型要滿足目標識別的要求，例如安全帽、安全帶，最后進行測試分析，因此訓練過程中，可以輕而易舉地確定使用哪一類特征來對物體進行分類和識別，具有通用性、遍歷性、準確性和靈活性。

本項目采用深度學習SSD算法利用級聯神經網絡來進行安全審核和設備運行情況的小物體檢測。它克服了物體小、定位模糊、環境干擾等問題，取得不錯的檢測效果。在SSD算法中，小物體用尺寸大的特征圖檢測[5]，大物體相反，分工明確，充分利用各類特征圖；先驗框大小長寬比不同，每個框中的不同類別都會以百分數的形式存在，通過調整預測框，選擇不同的尺寸結合分辨率等多種參數，進行預測，精度、靈活性、統一性方面效果良好[6]。

2.2 深度學習SSD算法介紹

SSD算法的網絡流程圖：

訓練階段：