基于深度学习的机器人巡检图像目标识别研究

史庆军

关键词：巡检机器人；图像识别；深度学习；目标识别

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2023）14-0015-00

随着我国经济水平的不断提升，电力逐渐成为国家能源支柱产业，使得变电站得到了高速发展[1-2]。因为变电站内电力设备均暴露在外界环境下，历经风吹日晒后，极易出现电力故障，为了及时发现变电设备故障，保障其运行安全，需要在变电站内开展巡检作业[3-4]。传统的巡检方式主要为人工巡检，难以高效完成标准化巡检流程，易出现漏检、误检现象，而且变电站内部电压等级较高，无法保障人工巡检作业安全[5]。所以采用机器人巡检方式取代人工巡检是必然的，巡检机器人可以实现全天候、全面性的无人变电站巡检作业[6-7]。在机器人巡检变电站的过程中，涉及众多领域，尤其是巡检图像采集与识别是整个机器人巡检作业中的关键，机器人自身携带记载设备用于记录变电站内电力设备的巡检情况，进一步识别巡检图像中目标即可发现电力设备的缺陷以及故障隐患等。因此，机器人巡检图像目标识别成为当下我国电力领域中的一个重要研究课题。

1采集机器人巡检图像

在变电站日常巡检中，人工巡检可能会出现视觉疲劳、检查不全面等问题，所以本文针对机器人巡检图像识别[8]进行深入研究。当下，我国广泛应用的巡检机器人由运动系统、定位模组、控制系统以及工业相机等设备组成，在巡检过程中，机器人控制工业相机拍摄变电站内各电力设备的图像，然后经过传输通道传输至图像预处理模块，最后对处理过的图像进行目标识别即可实现变电站的巡检。因此，机器人巡检图像的采集是整个变电站巡检作业的基础，如果采集的巡检图像质量不符合要求，将会影响后续目标识别的准确性，所以选择合适的工业相机对机器人巡检图像采集至关重要。在选择工业相机时，主要考虑分辨率与帧率这两个参数，其中工业相机的分辨率与精度之间存在直接关系，可以根据式（1）得：

式中，X₀表示工业相机单方向的分辨率；L 表示相机视野范围；D 表示相机的设计精度。相机帧率就是每秒钟内相机拍摄图像的数量，由曝光时间决定，如果同一曝光时间内拍摄的图像数量较小，就可能会出现丢帧状况，那么机器人巡检速度和相机曝光时间之间存在如下关系：

式中，t₀表示工业相机曝光时间；u₀表示相机拖影；v₀表示机器人移动速度。通过以公式（1）求得最佳工业相机参数，从而选择更适用于变电站巡检的工业相机，采集到高质量的机器人巡检图像。

2预处理巡检图像

本文研究所使用的图像均为机器人携带工业相机巡检变电站时拍摄而来，在采集巡检图像时，受室外环境、相机镜头误差等因素的影响，导致图像质量不满足目标识别需求，所以在识别图像目标之前，需要进行一定的预处理，保障图像质量。首先为了在确保机器人巡检图像数据完整度的前提下，简化图像信息，文中对巡检图像做灰度化处理，进而提升目标识别的效率[9]。一般情况下，巡检机器人采集的图像为彩色图像，主要由红、蓝、绿三种颜色构成，这种图像无法准确表达出图像中目标特征，所以需要将彩色巡检图像转变为灰度图像，突出目标特征，转换公式如下所示：

式中，G （m，n）表示机器人巡检图像上第m行n列像素点的灰度值；blue （m，n）、red （m，n）、green （m，n）分別表示该像素点的蓝色、红色、绿色分量值。由此式可以看出，彩色机器人巡检图像的灰度处理，就是对原始图像颜色做加权平均，从而转换为灰度值，各颜色的权重值根据心理学而决定。对于机器人巡检图像而言，如果存在噪声数据，将会导致图像呈现出忽明忽暗的感觉，非常不清晰，所以接下来通过滤波操作来去除图像噪声。一般机器人巡检图像会存在椒盐噪声与高斯噪声这两种类型的噪声数据，所以在实际的图像预处理过程中，为达到最佳去噪效果，对于不同种类的噪声，采用相对合适的滤波方法。如果机器人巡检图像中存在椒盐噪声，那么这些噪声点的密度会在一定范围内，所以可以利用自适应中值滤波法来预处理这类图像，最大限度地保留图像有效信息；如果机器人巡检图像上存在高斯噪声，这类噪声主要受光照条件影响所导致的，所以可以利用高斯滤波法来预处理这类图像，处理效果更加明显。

3基于深度学习识别图像目标

卷积神经网络（CNN）是近些年来迅速崛起的一种高效深度学习算法[10]，使用CNN来识别图像，可以降低前期预处理的复杂度，所以本文主要构建一个Faster R-CNN模型来识别机器人巡检图像目标。在机器人日常巡检中，巡检图像目标的快速、精准分类识别至关重要，Faster R-CNN模型可以对输入的巡检图像进行分割，寻找到可能出现目标的候选区域，并且只对这些区域进行分类识别，大大提升了识别效率。Faster R-CNN模型的主要结构仍然是CNN，所以该模型依靠卷积层的运算来提取图像中目标候选区域，表达式如下所示：

4实验分析

为验证本文设计机器人巡检图像目标识别方法的性能，采集变电站内电力设备盖板碎裂、指示灯异常、输电线路老化、杆塔绝缘子掉落这四类缺陷图像，使用本文设计方法进行识别，其中每个缺陷类别的图像有240张，包括正常图像共计1500个样本。同时，选取基于YOLOv4算法的目标识别方法、基于SIFT算法的目标识别方法作为实验对照组，并对实验对比结果进行分析。为了直观表述这三种方法的识别效果，本章采用准确率、召回率、F1分数作为方法识别精度的评估指标，并采用参数量、计算量作为方法识别效率的评估指标，其中准确率、召回率、F1分数的计算公式如下所示：

式中，B₁表示目标识别方法的准确率指标；B₂表示目标识别方法的召回率指标；B₃表示目标识别方法的F1分数指标；A 表示全部样本数量；α 表示识别正确的样本数量；α₁表示正确识别缺陷样本图像的数量；α₂表示错误识别正常样本图像的数量；α₃ 表示正确识别正常样本图像的数量。根据上式获得这三种方法的识别精度评价结果如表1所示：

由表1可知，本文设计基于深度学习的目标识别方法的准确率达到95.21%、召回率达到94.07%、F1分数达到95.11%，很好地兼顾了目标识别的准确率与召回率，较实验对照组提升了8%、7.64%、8.95%，5.12%、3.96%、5.54%，说明本文设计方法具有良好的识别精度。下面根据上述三种识别方法所需参数量与计算量，绘制对比图来判断本文方法的识别效率。如图1 所示。

由图1可知，本文设计基于深度学习的目标识别方法的参数量约为16.8M、计算量约为3.9GFlops，较实验对照组降低了2.7M、0.3GFlops，4.8M、0.9 GFlops，说明本文设计方法有效减少计算损耗，具有良好的识别效率。综合识别方法的识别精度与计算复杂度来看，基于深度学习的机器人巡检图像目标识别方法性能优越。

5结束语

为满足我国电力系统高速发展的需求，机器人巡检方式被广泛应用于各变电站内，本文以机器人巡检作业为研究导向，针对巡检图像目标识别方法展开相关研究。文中在获取高质量的机器人巡检图像基础上，引入深度学习构建一个目标识别模型，对巡检图像进行分类识别。通过实验结果验证了该方法可以很好地应用于机器人巡检作业中，且具有良好的推广价值。