火电厂输煤系统煤仓间智慧监盘系统设计

2019-11-16杨勇

电子技术与软件工程 2019年20期

文/杨勇

输煤系统的智能化已成为一种趋势，利用巡检机器人在环境恶劣的输煤现场实现自动化的智慧巡检，准确识别煤仓是否溢出，皮带是否撕裂，作业现场是否有无关人员进入作业现场等等。同时，当犁煤器进行抬、落动作时，需要切换对应的视频画面至程控室监控屏。目前，机器视觉技术已经在很多领域得到大力发展，在输煤领域也有利用机器视觉实现输煤皮带堵煤、撕裂、跑偏等的检测。本文相较于当前解决方案，设计了基于机器视觉技术，并结合输煤程控现有系统，并联控现场工业电视，当对应犁煤器动作时，巡检机器人可自主行走至对应位置，采集落煤口视频，利用机器视觉相关算法，准确识别犁煤器是否动作到位，煤仓口是否有煤料溢出等等。

煤仓口的煤料溢出时，可利用光流法、背景差分法等等，准确识别溢出煤料形成的外形轮廓。本系统可与现有的输煤程控系统通过通信接口相连接，并将现有的工业电视系统接入，实现现场设备的自动控制与视频联动。

1 系统总体设计

1.1 巡检机器人嵌入式视觉处理单元

本文以温州发电有限公司输煤系统煤仓间为基础，配套开发了输煤系统轨道式巡检机器人，该机器人架设安装在煤仓间皮带上方，可实现自主行走、沿线设备的智能检测灯等。本文在巡检机器人本体上搭载数字摄像机，并将视频信息采集至机载的嵌入式视觉处理单元，系统内部的视觉算法依次完成图像滤波去噪、灰度转换、canny边缘检测。同时，将原始图像进行颜色提取，根据煤料与背景之间的颜色差异，辅助边缘检测的结果，得出是否煤料溢出的判断。

本文采用了嵌入式PC作为主控制器，该控制器中搭建Linux操作系统，并移植opencv视觉库。因输煤系统巡检机器人需要处理可见光以及红外图像，本文采用了数字摄像机与红外热成像仪作为视频采集终端。并通过以太网接口与嵌入式PC相连接，视频码流在嵌入式PC中进一步压缩，最终通过无线通信终端传输至后台服务器。

1.2 输煤程控系统、机器人通信单元

火电厂输煤系统一般采用PLC搭建控制系统，针对火电厂输煤系统煤仓间设备，程控PLC控制系统可控制现场犁煤器、皮带机、拉绳开关、跑偏开关、撕裂开关等等。因输煤程控室往往离输煤皮带较远、离煤仓间也有较远距离，使得巡检机器人与输煤程控系统之间的通信较为困难。本文采用2.4Ghz的无线自组网通信网络，并架设足够的中继器，有效解决输煤现场设备互相遮挡，视频信号传输的带宽要求。程控室无线通信网关选用菲尼克斯工业无线网控制器，采用12dbi增益的全向玻璃钢天线，并在天线馈线中段安装防浪涌装置，有效降低雷击、浪涌对设备的危害。

1.3 工业电视智慧监盘

本文以温州发电有限公司输煤系统煤仓间为基础，配套开发了输煤系统轨道式巡检机器人，巡检机器人通过机器视觉算法，将检测的结果通过无线通信设备传输至输煤程控室。输煤程控室的主控PLC根据当前动作的犁煤器、需要监测的煤仓编号，发出机器人移动位置的指令，使得巡检机器人行走至作业点。同时，程控PLC通过以太网口与工业电视的控制主板相连接，将现场固定机位所采集的对应机位的工业电视画面，以及巡检机器人的实时画面显示在监控大屏上。

此外，为了提高巡检机器人定位精度，本文所设计的轨道式巡检机器人利用两个驱动轮、两个从动轮实现轨道行走，为了实现巡检机器人在轨道上的准确定位，本文在主动轮上安装高精度编码器，通过记录主动轮正反转圈数，实时测得轨道式巡检机器人的位置。同时，为了消除系统的累积误差，在轨道上间隔安装基准点，提高机器人的定位精度。本文采用了绝对型旋转编码器，具备位置唯一、抗干扰、无需掉电记忆。该编码器通过串行接口与嵌入式云台控制器相连接，控制器将获取的位置信息存储至EEPROM。当轨道式巡检机器人自主巡检时，只需按照存储的既定巡检任务，行走至对应监测点，控制云台，获取正确的视频图像信息。

2 系统算法设计

2.1 基于背景差分的溢煤检测

背景差分是一种常见的运动目标检测方法，其原理是通过将视频码流中当前帧与之前采集的背景图像进行差分运算，再选取合适的阈值来提取溢出的煤料。背景差分首先要建立一个背景图像模型，然后利用连续两帧之间差分运算的结果，比对选取的阈值。如果当前帧与背景的差值大于选定的阈值则把这些像素点的集合作为疑似区域，即煤料；如果当前帧与背景的差值小于设定的阈值则把这些像素点看作是静止区域，即背景。这样就把溢出的煤料从图像中分离出来。

利用背景差分法进行溢出煤料的检测，其关键是建立图像检测的背景模型。本文设计的输煤系统煤仓间落煤口，场景较为简单，背景基本不会发生什么变化。本文在系统没有进行上煤操作时，选取多帧数据作为背景模型。同时，考虑到火电厂输煤系统日间、夜间不同的光照条件，本文选取不同时间，不同成像条件下的图像信息，加权计算最终的背景模型。

2.2 基于角点检测的犁煤器动作监测

输煤系统犁煤器一般为三角形状，具有典型的角点特征，本文采用哈里斯角点检测算法实现对犁煤器抬到位、落到位的监测。其算法基本思想是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，如果存在任意方向上的滑动，都有着较大灰度变化，那么我们可以认为该窗口中存在角点。在系统初始设置阶段，只需操作工人在现场手动操作犁煤器完成一次完整的抬到位、落到位，系统即可准确完成标定工作。

2.3 基于机器学习的皮带落物检测

在输煤现场中，皮带落是指意外掉落在输煤皮带上的无关杂物，例如工具、衣物、板材、甚至人或者动物等，及时识别落物，并发出安全预警，对于输煤系统的安全生产有重大意义。

机器学习算法可以分为三大类：监督学习、无监督学习和强化学习。监督学习可用于一个特定的数据集（训练集）具有某一属性（标签），但是其他数据没有标签或者需要预测标签的情况。无监督学习可用于给定的没有标签的数据集（数据不是预分配好的），目的就是要找出数据间的潜在关系。强化学习位于这两者之间，每次预测都有一定形式的反馈，但是没有精确的标签或者错误信息。本文涉及的应用场景中，皮带落物的种类一般为工具、衣物、板材、甚至人或者动物等。上述物体的形态、颜色都有较大差异，通过机器学习算法对上述物体进行学习，提高对物体识别的准确率。