基于特征深度融合的變電站巡檢機器人障礙自動化檢測算法

朱合橋

（國網寧夏電力有限公司中衛供電公司，銀川 750000）

在過去數十年間，機器人技術發展迅速，作為最具代表性的工程技術之一，在21 世紀的發展顯得尤為重要，取得了多方面的成果。機器人技術涵蓋了多個學科領域內容，在研究早期被廣泛應用于工業生產，主要對生產作業進行編程控制，在特定環境和職責內完成指定性的任務，具有機械性和重復性以及危險性等特點。此類具有重復和危險的工作，也成為了自動化機器人發展的根本動力。隨著應用領域不斷拓廣，在各種智能技術的開發過程中，更加智能化的高精準巡檢機器人誕生。尤其在電力行業領域，智能機器人被認為將會參與到未來電力的發展過程中，并扮演重要角色[1]。但在巡檢機器人應用早期，由于應用范圍比較單一，需要人工進行遠程控制，將其按照不同形態，分配到適宜的工作環境中，即空中線路巡檢和地面設備巡檢[2]。而地面移動巡檢機器人，可以是人為遙控的非智能移動機器人，也可是帶有環境感知能力的智能移動機器人，除了能夠以人工遙控的方式進行數據傳遞，也能夠通過有線和無線信道，直接對機器人發出控制指令，使其在規范管理下完成指定動作。本論文以分析特征深度融合技術的優勢為基礎，對機器人的巡檢障礙進行檢測，設計各種距離下的檢測算法。

1 匹配變電站實時巡檢數據

對變電站巡檢機器人障礙進行檢測，利用攝像機實時跟蹤巡檢機器人，對其巡檢數據進行匹配，并且將成像過程匯聚在坐標系中。

成像過程存在4 個坐標系，本文以圖像坐標系和像素坐標系為例，關系見圖1[3]。

圖1 圖像坐標與像素坐標關系Fig.1 Relationship between image coordinates and pixel coordinates

將圖像的左上角q0作為像素坐標系原點，該點在圖像中的列數和行數分別為w 和e，圖像坐標系原點q1處于平面中心。

引入雙目深度估計的基本思路，匹配圖像中所有的像素點，從而生成變電站的巡檢策略，x 軸與w軸平行，y 軸與e 軸平行，兩組坐標系之間的關系可表示為

式中：（w0，e0）為像素點坐標；rx，ry為單位像素在橫軸、縱軸的物理尺寸。

匹配巡檢圖像的列數和行數關系，表示如下[4]：

將其進行逆轉，關系表示為

式（2）為齊次矩陣，式（3）為逆轉矩陣，在像素點匹配過程中，對是否存在障礙物進行檢測，獲取圖像中包含的信息量。

2 劃分巡檢機器人障礙特征

通過巡檢機器人獲取的數據信息，以支持向量機進行數據監督，在數據子集的訓練過程中，定義巡檢圖像的最大處理邊緣，以此劃分巡檢機器人的障礙特征。

假定實時訓練數據只含有兩類樣本，按照正號和負號表示類別，分別存在超平面的兩側。設置分類器的決策邊緣表達式為

式中：p 為分類器邊緣軸線；u 和i 分別為決策邊緣參數[5]。

對不同類型的巡檢數據進行標記，按照二分類方式設置，表達式如下：

將圖像所在區域進行平面分界，距離平面最近的兩個點分別為p1和p2，則：

還可以表示為

式中：s 為兩點間的向量在法向量上的長度值。

按照邊緣求解算法，對最大邊緣面進行計算，即：

當向量長度s 的取值越大，對特征的描述就越清晰。采用拉格朗日求解兩組參數u 和i，如下：

式中：L（u，i，λ）為拉格朗日求解函數，函數帶入值為λ，以L（u，i，λ）對u 和i 導數求解，將等式0 一并代入，表示為

式中：當λ 取值為0，而λ0不等于0 時，此時對應的p0為選定的最大邊界尺度。通過求解結果進行特征融合，構建變電站巡檢機器人檢測模型，自動完成障礙檢測。

3 特征深度融合構建檢測模型

巡檢數據中無法完全還原現場狀況，采集到的特征信息會丟失一些特定語義，從而影響到障礙的識別精度。利用特征深度融合的技術理論，構建巡檢機器人障礙檢測模型，對障礙目標進行定位。

分別從特征精準度和敏感度以及特異性和準確性為標準，在各類檢測指標選擇中，建立多層障礙檢測模型。以ACC 分類指標為基礎，對劃分后的樣本數據進行分類，以此計算障礙特征的正確分類概率，如下：

式中：GH 為統計出的正確障礙特征樣本數，該值越大越好；GJ 為非障礙特征的樣本數據，該值越大越好；KH 為錯誤分類的障礙特征樣本，其值越小越好；KJ 為誤認的正常數據樣本，該值越小越好。

正確劃分的特征總數為GH+GJ；采集到的所有特征總數為GH+KH+GJ+KJ[6]。計算所有識別后的樣本數據ACC 精準均值，以及AUG 均值，則有：

式中：Nclassifier為檢測模型的特征分類個數；CACC為其識別精準均值；CAUG為AUG 均值。

構建巡檢障礙特征模型后，對特征指數或組合數量進行計算，即存在關系為

式中：CNACC和CNAUG分別為巡檢障礙的特征ACC精準均值和AUG 均值；Nfeature為巡檢數據中的障礙特征指數或者組合數量[7]。

在檢測模型中的特征敏感度和特異性，可以按照統計的樣本數據進行獲取，如下：

式中：SEN 為巡檢障礙特征的敏感度；SPE 為特異性。對融合后的巡檢數據進行篩選，定義出具有代表性的障礙目標。

4 計算目標中心自動檢測障礙

在變電站巡檢機器人障礙檢測中，直接以激光雷達方式對障礙持續掃描，在掃描區域對障礙目標進行處理，聚類計算出目標中心[8]。

將障礙目標中心表示為（nzk，mzk），其中z 為變化幀數，k 為目標區域，利用卡爾曼濾波對當下幀數的目標坐標進行處理。設置障礙坐標表示為（nk，mk），推導公式為[9]

式中：Δz 為2 組相鄰特征幀數的掃描時間；Bd-1為巡檢機器人產生的噪聲向量；Pd為噪聲向量[10]。

以目標的狀態向量Vi=（ni，mi）z為前提，設置向量n= [Vd，Vd-1]z，將式（15）帶入，結果為[11-12]

式中：F 為巡檢策略矩陣；R 為觀測矩陣，表示如下：

設置協方差矩陣為Ed，濾波增益為kk，分別建立預測方程和增益方程，如下[13-14]：

5 實驗測試分析

通過特征深度融合的技術優勢，完成對變電站巡檢機器人障礙的檢測算法設計，為驗證新算法的應用效果，采用對比測試的方式進行論證。分別采用卷積算法和語義分割算法作為對照，比較不同算法的障礙檢測效果。

5.1 劃定檢測范圍

以ATRVI 型巡檢機器人為測試對象，其具有四輪驅動原地轉彎的功能，在內部按照有位置傳感器和激光探測雷達，掃描角度最大為180°，角分辨率最大為0.6°，掃描周期設置為25 ms。

實驗選擇在變電站內的狹窄空間進行，房間尺寸為8.4 m×9.2 m，該空間內存在多個監測機器，且在中間位置放置了對稱的計算機設備，將控制站劃分成2 個對半空間。設置巡檢機器人的檢測路徑，隨機安置8 個障礙點，具體情況見圖2。

圖2 測試環境Fig.2 Test environment

如圖2 所示，Q 為機器人的初始放置位置，Q 點到W 點的連線為機器人的運動軌跡，其中標記的障礙點分別用A1～A8記錄。測試內容包括：

（1）障礙點數量：對3 組算法檢測的障礙點數據進行統計，比較不同算法的障礙點檢測數量是否能夠滿足機器人設定路徑的行駛軌跡。

（2）障礙點位置：將檢測完成的障礙點對應空間位置，計算不同算法的檢測誤差。

根據設定的2 組測試內容，將其導入至MATLAB測試平臺，應用3 種檢測算法在機器人主控系統內，驗證不同算法對障礙檢測的效果。

5.2 對比障礙點檢測數量

障礙點在測試平臺后，以位置坐標形式展現，具體情況見表1。

表1 各點位置坐標（x，y）Tab.1 Position coordinates of each point（x，y）

按照表1 中的位置坐標，對照不同算法檢測結果，如圖3 所示。

圖3 障礙點檢測對比結果Fig.3 Comparison results of obstacle detection

如圖3 所示，在2 組傳統算法應用下，存在障礙點缺失情況，無法完成全部障礙點的檢測，會影響巡檢機器人的運行。而本文方法能夠檢測出全部的障礙點，效果更加明顯。

5.3 分析障礙點匹配程度

為進一步驗證3 組算法的準確性，對上述的檢測結果進行誤差統計，缺失點無法計入統計，圖4為統計結果。

圖4 誤差對比結果Fig.4 Error comparison results

如圖4 所示，在本文算法應用下，橫縱軸位置誤差在1 mm 左右，傳統算法檢測出的障礙點中，位置誤差超過了10 mm，說明本文方法有效。

6 結語

變電站巡檢機器人在工作過程中，需要對障礙點進行有效檢測，多特征深度融合技術可以從多個角度對障礙物圖像進行識別。本文根據該技術設計了一種新的障礙檢測算法，并且在與多種算法的對比下，驗證了新算法的應用優勢。但障礙檢測是一個覆蓋面較廣的范圍，此次研究仍存在不足之處，如沒有對檢測過程中的噪聲情況和光照情況進行分析，需要在后續研究中逐一解決。