基于模板卷积匹配的电气指针式仪表快速检测方法

在电力系统智能运维中,特别是在基于数字孪生的变电站智能机器人巡检中,由于受周围复杂环境以及网络信号屏蔽的影响,机器人存在检测精度不高和实时性差等问题,导致不能准确检测出设备目标。利用变电站有关先验信息,如仪器仪表已知位置信息,在机器人巡检过程中,通过对已知目标的图像特征分析,利用图像几何特征信息的约束,完成智能巡检机器人在巡检过程中实现设备的准确检测。利用变电站中电气设备柜上的仪表进行识别和检测,是完成智能巡检机器人实现目标快速检测的一个关键环节。提出一种基于模板卷积匹配的电气指针仪表检测方法,通过对仪表盘进行卷积模板匹配,实现电气柜上仪表盘的精确检测,为下一步智能巡检器人的位置自校准提供必要的先验信息。实验结果表明,提出的算法具有较高的目标识别和检测精度,由于不涉及复杂的图像抽象特征计算,具有较高的计算效率。     

煤矿巡检机器人巷道气体环境智能检测系统设计

目前井下危险气体巡检机器人大多采用升降机构或固定探头的形式进行气体环境感知,对机器人的行驶灵活性产生了影响,且受机器人本体结构的限制,大多数巡检机器人只能检测到传感器安装范围内的局部气体环境信息,缺乏针对巷道任意截面空间内的气体浓度检测。针对以上问题,设计了一种基于气体扩散模型的煤矿巡检机器人巷道气体环境智能检测系统。该系统以气体扩散理论为基础,结合煤矿巷道气体环境特点,引入巷道壁帮围岩、风速、气体扩散系数对煤矿巷道气体扩散模型的影响,采用虚拟像源法和遗传算法优化BP神经网络智能算法建立了巷道气体扩散优化模型。通过传感器检测系统获取巡检机器人在行进过程中任意点的气体浓度等环境信息,代入气体扩散优化模型求解最优气体扩散系数,通过输入巷道某点坐标位置,可计算求解相应点的气体浓度分布情况,随着巡检机器人的移动,可获取其路径中不同巷道截面上气体浓度分布数据。实验结果表明,该系统能够解算出符合检测误差要求的巷道任意截面上任意点的气体浓度,并实现动态实时检测;克服了传统煤矿巷道气体检测方法的局限性。利用巡检机器人取代人工巡检作业,为煤矿井下气体智能检测提供了一种新思路与新方法。     

应用不间断巡检机器人的仓库异常自主报警方法

现有巡检机器人检测方法受到机器人各参数量纲不同的影响，异常报警效果差，经常出现漏检和误检问题，对此，设计一个不间断巡检机器人的仓库异常自主报警方法。采用蚁群算法规划机器人运动路径，实时更新巡检路线，保证机器人不间断巡检；通过通信协议向机器人控制器发送约定指令，获取传感器采集的检测数据并进行归一化处理；结合形态学与边缘区域包围度抑制方式识别检测目标，依据重建误差表示每个位置异常的可能性，设定异常情况报警过程，实现巡检机器人的仓库异常自主报警。实验结果表明，所研究的机器人仓库异常自主报警方法的漏检次数、误报次数与误检次数均不超过一次，提高了异常报警效果，具备实际应用意义。     

机器视觉技术在荔枝识别与定位研究中的应用

为解决串型荔枝图像识别和定位问题,提出以Harris与SIFT算法融合的采摘点计算与匹配为基础,进行平行双目立体视觉模型下采摘点定位的研究方案。首先对荔枝YCbCr色彩空间的Cr灰度图进行二次阈值分割,分类识别出荔枝串、荔枝果与结果母枝。其次,提取识别果实区域的最小外接矩形、质心等特征信息,结合在结果母枝上检测的Harris特征点计算出采摘点的二维图像坐标,并对计算采摘点进行基于SIFT向量搜索的立体匹配。最后,对计算采摘点进行视觉定位及其深度误差分析实验,实验数据表明：在354~590?mm距离范围内,插值补偿后的采摘点的定位深度误差小于10?mm,能够较好满足荔枝采摘机器人的现有技术要求。     

基于孤立森林算法的巡检机器人通信异常数据自动检测方法

由于通信数据异常会影响巡检机器人对巡检任务数据的接收精度，因此利用孤立森林算法实现巡检机器人通信异常数据自动检测方法的优化设计。首先，在构建的通信信道环境下，采集巡检机器人通信数据，从通信流量、数据信噪比、数据包平均长度等方面，提取通信数据特征。其次，利用孤立森林算法，计算通信数据异常分值。最后，通过异常分值的分区比对和数据特征的匹配，以可视化的形式输出通信异常数据自动检测结果。通过性能测试实验发现，优化设计自动检测方法的误检率和漏检率均低于预设值，即优化设计方法具有较高的检测精度。     

基于HOG-SVM分类器的电力屏柜锁孔快速检测方法

为实现变电站电力屏柜的机器人开锁开门操作，提出一种综合边缘特征圆形检测和HOG-SVM分类器的变电站电力屏柜锁孔图像的快速检测方法。对实时采集的图像进行预处理以降低计算量；在此基础上，根据边缘特征构建判定条件进行圆形的快速圆形检测；进一步，通过收集锁孔及对照图片作为素材训练基于HOG-SVM的锁孔分类器。实验结果表明：边缘特征圆形检测算法无须预设半径且平均耗时相对于霍夫圆检测法减少0.3～0.4 s;同素材测试，HOG-SVM分类器较CNN分类器准确率高13.79%且运行时间减少1～2 s。算法单次运行时间约0.4 s,可满足机器人进行实时开锁需要。     

强磁环境下室内设备的轮式机器人自动巡检方法

强磁环境下轮式机器人难以准确定位仪表盘，导致仪表图像识别误差较大。为此，设计强磁环境下室内设备的轮式机器人自动巡检方法。建立表盘重点区域定位模型，通过二维卷积操作特征定位摄影机中影像重点区域；提取仪表图像特征，建立回归方程获取目标区域的特征点，得到排除强磁环境干扰的图像特征提取方法。设计轮式机器人巡检仪表自动识别算法，通过双向匹配法控制巡检结果的误差。实验结果表明方法对圆周指针型仪表的识别误差控制在0.5以下，可准确识别电子数字型仪表，提高仪表图像识别精度。     

面向变电站机器人的仪表检测与场景理解技术

为提升变电站巡检机器人巡检效率和环境适应能力,将深度学习算法应用于变电站巡检机器人仪表检测和道路场景理解中,提出一种多视觉任务交替实现的轻量级卷积神经网络.该网络由骨干结构、控制模块、任务分支3部分串联组成,通过改进的Inception结构结合注意力模型提取图像特征信息,引入基于分类思想的控制模块实现仪表检测和场景理解支路交替运行,使网络充分利用平台计算资源,避免对无效信息的处理.实验结果表明,所提网络与传统网络相比,其精度与效率都有较大的提升,同时,在实际变电站场景中,该网络也体现出更高的适应性,可以更好辅助机器人完成巡检任务.     

变电站指针式仪表自动读数系统设计

针对变电站指针式仪表人工抄表存在易受工作人员主观因素影响,常发生漏检、误检,存在工作环境辐射危害大等问题,设计一种由巡检机器人和图像处理技术组成的变电站指针式仪表自动读数系统。该系统以STM32芯片为核心,由工字电磁传感器、双自由度云台、高清变倍相机以及ESP8266等组成的巡检机器人,能精确定位在仪表前对仪表图像进行采集并传回计算机终端。由计算机终端通过改进的区域卷积神经网络（Faster Region Convolutional Neural Networks,Faster R-CNN）目标检测算法提取出仪表盘高清图像,去除冗余信息后经霍夫变换检测出指针中心线位置,得出仪表读数。     

基于5G通信技术的巡逻机器人定位误差自动补偿方法

以提升巡逻机器人执行巡逻任务能力为目的,提出基于5G通信技术的巡逻机器人定位误差自动补偿方法。该方法在巡逻机器人工作区域架设5G无线通信网络,并将AD7380型号位置传感器安装在巡逻机器人上,利用位置传感器获取巡逻机器人工作时的位置信息后,利用5G无线通信网络将其传输到用户PC端,得到巡逻机器人位置采样点数据；以该数据为基础,使用拉丁超立方采样方法描述巡逻机器人在其巡逻空间内的位置,得到巡逻机器人空间位置数据；再依据巡逻机器人空间位置数据,计算该机器人预设目标点误差矢量,并构建巡逻机器人定位误差补偿模型,利用该模型补偿巡逻机器人定位误差。实验结果表明：该方法可全面获取巡逻机器人在其巡逻空间内的位置信息,可有效且精准的对其定位误差进行自动补偿,使巡逻机器人定位误差保持在可允许范围内,应用效果较为显著。     

一种改进的机器人滚动路径规划算法

针对静态和动态障碍物共存环境中机器人滚动路径规划的鲁棒性问题,提出了通过确定局部子目标位置判断机器人行进路线的路径规划算法.机器人以滚动窗口的形式实时检测局部环境信息,寻找并确定局部子目标的位置,从而做出下一步安全路径规划.机器人不断重复该过程,最终沿着一条优化路径安全到达目标点.仿真结果表明:该算法能使机器人沿着优化...     

基于CNN深度学习的机器人抓取位置检测方法

针对传统检测方法受到复杂环境和人工干预影响而导致检测精准度低的问题,提出了基于CNN深度学习的机器人抓取位置检测方法。根据CNN基本结构,研究基于CNN深度学习检测原理。按照切线斜率方向划分机器人抓取位置模板点,计算模板匹配距离,得到机器模板上匹配点到边缘坐标图像点中最近的距离。保持横纵坐标变量保持不变,观察映射图上坐标灰度值及匹配度函数分布情况。引入GA求解匹配方法,根据匹配流程,寻找最优解。分析彩色图像、深度图像的可抓取位置和不可抓取位置信息,并将其转化为符合CNN深度学习的数据格式,完成信息预处理。根据机器人抓取作业示意图,设计具体检测流程,并显示检测结果,由此完成机器人抓取位置检测。由实验结果可知,该方法检测精准度最高可达到0.988,能够应用到实际机器人抓取相关任务之中。     

基于LoRa的变电站巡检监控系统的设计

针对变电站巡检技术的发展需求,设计了一种基于巡检机器人的巡检监控系统,该系统结合LoRa物联网技术和计算机嵌入式技术,与电网设施环境结合,能够进行无线视频监测,对机器人位姿、环境温度、前向障碍进行实时采集,将采集图像和数据发送至终端,并能够通过终端操作,对机器人进行运动控制,使其巡检变电站的各个监测环节。测试结果表明,该系统能够实现机器人的远程监测和运动控制,能够有效减少变电站人员工作量,改良变电站巡检方式。     

基于目标检测的机器人手眼标定方法

智能协作机器人依赖视觉系统感知未知环境中的动态工作空间定位目标,实现机械臂对目标对象的自主抓取回收作业。RGB-D相机可采集场景中的彩色图和深度图,获取视野内任意目标三维点云,辅助智能协作机器人感知周围环境。为获取抓取机器人与RGB-D相机坐标系之间的转换关系,提出基于yolov3目标检测神经网络的机器人手眼标定方法。将3D打印球作为标靶球夹持在机械手末端,使用改进的yolov3目标检测神经网络实时定位标定球的球心,计算机械手末端中心在相机坐标系下的3D位置,同时运用奇异值分解方法求解机器人与相机坐标系转换矩阵的最小二乘解。在6自由度UR5机械臂和Intel RealSense D415深度相机上的实验结果表明,该标定方法无需辅助设备,转换后的空间点位置误差在2 mm以内,能较好满足一般视觉伺服智能机器人的抓取作业要求。     

基于BRISK特征点约束的电力管廊点型气体探测器检测

随着人工智能等技术的快速发展,智能巡检机器人在综合管廊设备巡检中的应用已经非常普遍。电力综合管廊由于电气设备的特殊性,管廊内部需要专用传感器对管廊结构进行监测。智能巡检机器人负责对各种传感器是否处于正常工作状态进行巡检。点型气体探测器作为管廊内部重要的环境气体探测装置,对火灾预警、爆炸预警、人员生命安全,以及维护管廊正常运行安全具有重要作用。针对巡检机器人在管廊内部定位不精确导致目标在图像中成像位置不固定的问题,提出一种基于BRISK(Binary Robust Invariant Scalable Kepoints)特征点约束的方法,通过提取管廊内部安装的气体探测器特征点,利用几何约束实现特征点的精确匹配,实现智能巡检机器人对管廊内部安装的气体探测器的精确定位。实验结果表明,提出的算法定位精度高、速度快,可以完成智能巡检机器人对气体探测器的精确定位,减少了人工辅助,为智能巡检机器人对电力设备的精确巡检提供了重要的技术支撑。     

变电站巡检机器人预设性能反步自抗扰控制

为提升机器人在变电站巡检过程中在干扰情况下的控制效果，研究变电站巡检机器人预设性能反步自抗扰控制方法。该方法以机器人运动模型为基础，利用扩张状态观测器估计机器人运动状态后，确定巡检机器人的运动控制律；同时，完成预设性能函数和误差转换，获取转换后的无约束误差；在此基础上，将其和确定的控制律相结合，构建机器人速度和方位角的反步自抗扰控制器，完成机器人预设性能反步自抗扰控制。测试结果显示，该方法可精准估计机器人在滑动情况下产生的总扰动量，机器人的速度控制结果均在30 m/s～32 m/s范围内，方向角的控制结果均在15°～40°之间，有效控制机器人的力矩震荡现象，机器人在3个方向上的运动误差控制结果均在（-10 cm,10 cm）范围内，能够精准控制机器人按照预设巡检路径完成变电站巡检。     

基于深度学习的巡检机器人避障轨迹自动控制系统设计

为了提高巡检机器人在复杂环境下的避障能力,使机器人能够安全地完成巡检任务,设计基于深度学习的巡检机器人避障轨迹自动控制系统。设计由CCD传感器、信号处理芯片等设备组成的工业智能视觉CCD相机,基于FPGA和USB2.0的视频采集卡传输采集数据,完成硬件部分的设计。在软件设计中,对采集的图像实施目标分割、双目目标匹配等预处理,通过对摄像头实施双目视觉标定获取障碍物空间位置三维信息,基于深度学习中的CRNN设计机器人自主避障规划网络模型,并设计模糊轨迹控制器,实现避障中的轨迹自动控制。系统测试结果表明,设计系统最终成功避开了三个动态障碍物,最大轨迹控制误差的最大值为1.45°,最小轨迹控制误差的最大值为0.62°,动态避障巡检速度始终在3.5m/s左右,表现出了精准而稳定的轨迹控制效果。     

基于Kinect的三维视觉里程计的设计

针对移动服务机器人在未知环境下三维路径估计的问题,设计了一种基于Kinect的实时估计机器人运动轨迹的方法。该方法采用Kinect获取机器人运动过程中连续帧的彩色和深度信息,首先,提取并匹配目标帧和参考帧的SURF的特征点;然后,结合深度信息利用经典P3P问题的方法及改进的随机采样一致性(RANSAC)算法计算机器人的初始6自由度(DOF)位姿;最后,通过非线性最小二乘算法最小化初始位姿内点的双向投影误差来提高位姿精度,进而得到机器人的运动轨迹。同时对比了不同特征点及描述符结合下的里程计精度。实验结果表明,所提方法能够将里程计误差降低到3.1%,且能够满足实时要求,可为机器人同时定位与地图创建提供重要的先验信息。     

基于改进 YOLOv4 的嵌入式变电站仪表检测算法

随着机器人技术的快速发展,智能机器人广泛应用于变电站巡检,针对目前目标检测算法参数量过大且嵌入式设备性能有限,难以在嵌入式平台上实现实时检测的问题,提出了一种基于改进 YOLOv4 的嵌入式变电站仪表检测算法。以 YOLOv4 为基础,采用MobileNetV3 作为主干特征提取网络,在保证模型能够有效提取特征的情况下,降低运算量,提高检测速度;与此同时,将特征提取后的路径聚合网络(PANet)中的卷积运算替换成深度可分离卷积;采用迁移学习的训练策略克服模型训练困难问题;最后,利用TensorRT对改进后的模型进行重构和优化,实现快速和高效的部署推理。改进后的算法在嵌入式端 NVIDIA Jetson Nano上进行了测试,实验结果表明,在牺牲了较少精度的情况下,检测速度提高了 2 倍,达到 15 FPS,为边缘计算场景下的仪表实时检测提供了可能。     

学生竞赛系统中机器人的定位与目标检测研究

为提高学生竞赛系统中机器人定位和目标检测的准确率,提出基于ViBe算法的ORB特征匹配方法。首先,对ORB算法原理进行具体分析;然后加入四叉树分块用于前景分割,以减少图像边缘和纹理较少的目标点,之后再进行特征匹配,减少提取特征点数量,并简化算法过程;然后在改进的ORB特征匹配方法基础上,加入ViBe运动目标检测算法对ORB竞赛系统机器人进行更精准的特征匹配;最后将改进算法应用到学生竞赛系统机器人中进行实验验证。实验结果表明,提出的改进ViBe算法的精确率和误检率分别为78.4%和6.5%,均优于传统深度学习算法,由此说明基于改进的ViBe算法的特征匹配率更高,鬼影消除效果较好,匹配速度显著提升,可实现学生竞赛系统中机器人的精准定位和目标检测。