基于YOLOv8的高壓電房異常檢測機器人

摘 要：在運行過程中，多種因素導致高壓電房設備可能會出現故障。為提高故障檢測的效率和準確性，本文提出一種基于YOLOv8算法的自動導航機器人檢測系統，該系統能夠在高壓電房內完成自主導航并檢測異常情況。首先，本文分析高壓電房運維巡檢工作的必要性以及在巡檢工作中巡檢機器人的優勢。其次，本文結合自動導航技術與YOLOv8算法的原理介紹機器人結構和算法的應用，并改進算法，使巡檢機器人完成高壓電房內自主檢測。最后，本文進行測試，驗證了基于YOLOv8算法的自動導航機器人在高壓電房異常檢測中的有效性和實用性。

關鍵詞：智能機器人；YOLOv8；高壓電房；異常檢測；自主導航

中圖分類號：TP 242" " " " " " " " " " " " 文獻標志碼：A

電力系統是現代社會的關鍵基礎設施，高壓電房是其核心組成部分，承擔了電力傳輸和分配的重要任務。但是，高壓電房設備故障頻發，影響了電力供應的連續性和穩定性。傳統的人工巡檢方式存在效率低、準確性不足等問題，不能滿足現代電力系統的需求。基于此，本文提出了一種基于YOLOv8算法的自動導航機器人系統，該系統融合了多傳感器數據和視覺標記，能夠在復雜的室內環境中進行高精度的自主定位與導航，完成高壓電房的異常檢測。

1 高壓電房故障概述

高壓電房是電力系統的核心組成，其作用是對電能進行接收、轉換和分配，其穩定性直接關系到電力供應的連續性和安全性。但是，高壓電房在運行過程中易受設備老化、外部環境干擾和操作失誤等多種因素的影響，導致出現設備故障、絕緣故障、過載故障和短路故障等。這些故障不僅可能導致電力供應中斷，影響用戶正常用電，還可能導致設備損壞、提高維修成本，甚至對人員安全和周圍環境構成威脅。此外，高壓電房的故障可能引發連鎖反應，導致更大范圍的電力系統崩潰，嚴重影響社會經濟發展，給人民生活帶來不便。因此，運維巡檢是保證高壓電房不發生重大故障的重要手段。

與傳統的人工巡檢方式相比，巡檢機器人搭載的YOLOv8算法目標檢測速度快，精度高，是高壓電房故障檢測的理想選擇[1]。該算法能夠對高壓電房內部設備進行實時監控，快速識別例如設備過熱、電弧放電等異常情況，并及時發出警報。此外，自動導航技術使機器人在復雜、多變的高壓電房環境中具備自主移動的能力，能夠全面覆蓋各個監測點，提高檢測的效率[2]。這2種技術的結合提高了機器人對潛在故障的識別能力，減輕了人工巡檢的負擔，提升了電力系統運維的安全性和智能化水平[3]。

2 高壓電房異常檢測機器人

2.1 機器人結構

高壓電房異常檢測機器人系統示意如圖1所示。該機器人配置雙差速驅動，采用靈活的移動策略，能夠完成精準的轉向控制，在不平整或松軟的地面上行駛，能夠保持穩定。履帶輪的設計進一步提高了機器人的地面適應性，使其能在沙地、泥濘或其他崎嶇地形中順利行駛。

機器人實物如圖2所示。機器人前端安裝了1臺高精度的二維激光掃描儀，該設備能夠進行360°全方位環境掃描，實時獲取周圍環境的距離和障礙物位置信息，為機器人的路徑規劃和避障提供關鍵數據。激光掃描儀還能夠進行地圖構建和空間定位，提高機器人的自主導航能力。

機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。與充電樁進行對接后，機器人能夠自動進行充電，減少人工干預。

機器人兩側各安裝了2個超聲波測距模塊，該模塊能夠快速檢測近距離的障礙物，為機器人的緊急避障決策提供關鍵的空間感知信息。

機器人頂部安裝了一個可伸縮和升降的機械臂，使機器人能夠不受空間高度和面積的限制，靈活進行操作。

2.2 自動定位與導航

自主移動技術的核心是同時定位與建圖（Simultaneous Localization and Mapping，SLAM） 技術，其使機器人能夠在未知環境中進行定位并構建環境地圖。SLAM技術融合多種傳感器，包括輪式里程計、慣性測量單元（Inertial Measurement Unit，IMU）和激光掃描儀，使機器人進行自主移動[4]。此外，傳感器數據為機器人提供了周圍環境的結構特征以及其在環境中的位置和姿態信息。

當機器人構建高壓電房的2D柵格地圖時，首先，利用激光掃描儀獲取環境的輪廓信息。其次，結合輪式里程計和IMU數據，采用SLAM算法進行數據融合，對環境進行精確建模。在這個過程中，激光雷達的點云數據提供了環境的幾何結構信息，IMU數據提供了機器人姿態變化的實時信息，輪式里程計記錄了機器人的移動距離和方向，這些信息共同為機器人構建了一個其所處環境的動態、連續視圖。

在SLAM框架中，機器人利用特征提取來識別環境中的關鍵點，例如角落、邊緣或其他明顯特征。然后，將這些特征點進行數據關聯，并將觀測到的特征與已有地圖中的特征進行匹配。在狀態估計階段，機器人利用這些關聯的特征點來估計自身的位置和姿態。這個過程通常使用擴展卡爾曼濾波（Extended Kalman Filter，EKF）框架，該框架能夠融合來自不同傳感器的數據，并在連續的觀測過程中不斷更新機器人的位置和地圖信息。

地圖中的視覺標記信息可以向機器人提供視覺位置信息，進一步提高定位精度和魯棒性。機器人基于地圖利用激光掃描其所處環境，采用自適應蒙特卡羅定位（Adaptive Monte Carlo Localization，AMCL）算法計算其方向和位置。

在高壓電房的異常檢測中，機器人自主規劃路徑，全面監控復雜的電房環境，在環境中進行自主定位與導航，提升了故障檢測的響應速度和處理效率，降低了人工巡檢的安全風險，保障電力系統穩定運行。

2.3 基于YOLOv8的高壓電房異常檢測

YOLOv8算法是一種較新的實時目標檢測系統，其在前代YOLO算法的基礎上進行了優化和改進，檢測速度更快，準確率更高[5]。該算法利用單次前向傳播預測圖像的目標位置和類別，使其適用于需要快速響應的異常檢測場景[6]。因此，本文將YOLOv8算法應用于異常檢測機器人，使其識別在高壓電房中可能出現的各類異常情況，包括設備過熱、電弧放電以及絕緣體破損等[7]。

YOLOv8系列是YOLO系列中單階段檢測算法的重要突破，與YOLO系列中的其他算法相比，YOLOv8在模型識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網絡結構中具有關鍵功能，包括輸入數據的特征轉換、將信道劃分為不同的分支以及跨不同維度的特征集成。C2f模塊結構如圖3所示。

Concat模塊將不同來源的特征圖進行拼接。在通道維度，采用Chunk操作對特征圖進行分割，這樣可以將特征圖分成2個部分，一部分直接傳遞至最終的Conv模塊，另一部分傳遞至Bottleneck進行進一步處理。Bottleneck是一種常見的網絡結構，能夠提取特征并減少計算量。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，提高特征的表達能力；Conv層對特征圖進行初步處理并生成最終的輸出。

隨著參數增加，YOLOv8精度提高，其在計算資源有限的檢測終端的部署過程更加復雜。因此，本文根據現有研究，以YOLOv8為基礎，利用C2f_EMSC模塊替換C2f模塊，最小化基本模型參數，消除冗余網絡分支，提高計算效率。本文使用的C2f_EMSC模塊是一個優化的多尺度卷積模塊，與標準卷積核相比，在輸入通道數和特征圖尺寸相同的情況下，其使用的卷積參數和計算資源更少，能夠更高效地提取多尺度信息。

本文改進YOLOv8模型，使機器人能夠快速、精確地識別高壓電房中可能出現的各類異常情況。C2f_EMSC模塊基于切片特征提取的概念設計保留了特征圖中通道的特征點。但是，這種方法增加了計算負載。此時，使用計算成本較低的卷積運算，能夠在不增加模型的計算負擔的情況下獲得同樣的效果。

在C2f_EMSC模塊中，本文根據GhostNet的原理，利用分組卷積來降低模型的計算復雜度。具體來說，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算負載，加快模型處理速度。首先，采用標準卷積法進行特征提取，將原始信道數減半。其次，利用分組卷積對數據進行進一步處理，并將結果與特征圖進行連接，生成最終的特征圖，GhostNet結構如圖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；激活函數的作用是將卷積層的輸出轉換為權重，這些權重將用于加權輸入特征圖的不同部分；乘法操作將Softmax層輸出的權重與輸入特征圖進行逐元素相乘，強調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”表示每個分組包括2個通道，其作用是減少計算量；求和操作將乘法操作的結果與分組卷積的輸出相加，得到最終的輸出特征圖。

將步長設置為2來執行卷積操作，主要目的是減少模型參數。當k=3時，通道數量增加4倍。下采樣后，高度（h）和寬度（w）減半，保留通道內的信息。對數組的元素進行乘法和求和運算，以獲得權重信息。設置特定的步長和卷積核大小，該結構減少了參數數量，保留了特征圖的關鍵信息。自適應下采樣結構的設計過程如公式（6）所示。

在結構設計方面，本文調整卷積核大小、填充和步長等參數來精確控制自適應下采樣。例如，增加填充可以減少下采樣帶來的信息損失，調整步長可以控制特征圖縮小的速率。采用這種方式，模型準確度較高，并能夠減少存儲和計算資源的需求，在減少參數數量與保持特征信息之間取得平衡。

將改進后的C2f_EMSC模塊集成至YOLOv8模型的Neck和Backbone中，替換原有的C2f結構。這個改進使模型能夠保持高檢測精度，減少了大量參數，加快了模型的推理速度，使其更適合在緊急情況下部署。

經過以上改進，YOLOv8模型能夠高效識別高壓電房中的異常情況，提高了電力系統的安全性和可靠性。該方法能夠適應復雜的現場環境，提供快速、準確的檢測結果。

3 高壓電房異常檢測系統測試

為了全面評估基于YOLOv8算法的自動導航機器人在高壓電房異常檢測中的性能，本文設計并執行了一系列測試。測試環境模擬高壓電房的實際情況，包括各種設備和不同的工作條件，測試場景如圖6所示。本文采用的數據集來自長期的高壓電房運營記錄，包括各種設備正常運行的狀態與當發生不同故障時的狀態。在測試過程中，將機器人分為9組進行測試。使用標注好的數據集對YOLOv8模型進行訓練，將訓練好的模型部署到機器人上。各組機器人根據預先構建的高壓電房地圖自主規劃路徑，并實時掃描環境以檢測異常情況。測試流程包括模型訓練、機器人部署、路徑規劃、異常檢測以及記錄與分析。記錄的測試指標包括異常識別延遲、識別準確率以及運行時長無故障率。故障識別延遲測量機器人從發現異常到識別異常所需要的時間，識別準確率評估機器人識別異常正確的比例，運行時長無故障率評估機器人在規定運行時長內無故障發生的比例。測試結果見表1。

測試結果表明，在不同異常情況下，機器人的識別準確率和運行時長無故障率均較高，分別gt;98.6％和99.6%。機器人異常識別所需時間lt;1.75 s，說明基于YOLOv8的自動導航機器人在高壓電房巡檢過程中能夠對設備異常情況做出快速反應。這些結果整體上反映了基于YOLOv8的自動導航機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險，提高了電力系統的穩定性和安全性，證明了機器人在高壓電房異常檢測中實用價值和應用性高。

4 結語

本文研究高壓電房異常檢測方法，應用自動導航技術，使巡檢機器人能夠到達高壓電房的任意位置，完成機器人自主巡邏，為異常檢測提供必要的前提條件。基于YOLOv8的輕量化檢測模型收集在高壓電房中的設備的大量數據，例如多種設備正常運行狀態與異常狀態，使巡檢機器人在高壓電房環境中能夠高效進行異常檢測。結合2種技術進行應用，提高了模型的計算效率和檢測的準確性，為高壓電房的安全運行提供了有力的技術支持。本文研究自動導航技術與YOLOv8算法在巡檢機器人系統中的應用，為高壓電房的智能化、數字化轉型提供理論支持，推動電力行業技術進步，提升經濟效益。

參考文獻

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

[2]周菁.智能巡檢機器人在變電運維中的應用[J].電子技術，2023，52（12）：292-293.

[3]張博文，謝怡琚，胡瑛，等.變電運維中智能化技術的有效應用[J].現代制造技術與裝備，2022，58（12）：190-192.

[4]呂強，李永強，王輝，等.基于機器視覺技術的變電站巡檢機器人自動導航系統[J].自動化與儀表，2023，38（4）：65-69.

[5]殷北辰，王子健，程智，等.基于改進YOLOv8模型的巡檢機器人目標檢測方法研究[J].醫療衛生裝備，2024，45（3）：1-8.

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

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