一种变电站智能机器人运行方法与流程

1.本公开涉及变电站机器人巡检技术领域，具体涉及一种变电站智能机器人运行方法。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.在现有的敞开式变电站中，一般采用变电站巡检机器人对变电站设备进行全方位全天候自主巡检，能够及时发现设备的运行缺陷，保证电网运行的安全，目前，在变电站巡检机器人的图像采集分析方式上，采用定点停靠后调用预置位的作业方式，但是作业方式巡检点和预置位配置工作量大，人员和时间成本高，极大增加了巡检机器人现场实施的难度，以及在比较大型的变电站中，设备与机器人之间的导航路径要求精确而迅速到达巡检点或者维修点，要求对路径的导航以及障碍物的躲避要求极高，但是在进行避障时，对于转向或者停止的判断精确度不高，难以实现机器人运行的高效率。


技术实现要素：

4.本公开为了解决上述问题，提出了一种变电站智能机器人运行方法及系统，通过建立语义分割网络实现机器人下一步的移动控制策略，实现对远近距离区域的障碍物进行检测以及避障处理。
5.根据一些实施例，本公开采用如下技术方案：
6.一种变电站智能机器人运行方法，包括：
7.采集变电站内各运行设备的运行状况以及对应的设备信息；
8.将采集的各设备运行数据上传至控制中心进行分析，判断设备运行故障；
9.若发生故障，则调取设备编号信息以及对应的设备的位置发送给云台，所述云台根据设备的位置以及预先上传的站内地图进行规划路线，并按照路径进行移动实现巡检维修。
10.具体的，利用巡检相机实时采集机器人移动周围环境图像信息并上传至云台；若是对周围环境图像中中采集分析中存在远近两个区域的障碍物，云台对远近距离的目标进行分析，将远距离区域的目标作为机器人下一步路径规划的依据，近距离区域判断机器人当前是否可行。
11.若检测当前近距离前方出现不可越过的障碍物时，则通过对比障碍物左右两边的道路区域面积规划机器人避障路线，采用语义分割网络进行输出移动控制策略。
12.与现有技术相比，本公开的有益效果为：
13.本公开采用分割后处理保证避障效果，提升机器人避障的性能，可以实现对图像的精确采集。利用双目相机以及巡检相机和云台的配合，实现对图像以及各种信息的精确采集，实现巡检图像的标准化以及精准化的采集。
附图说明
14.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
15.图1为本公开的运行方法流程示意图；
16.图2为本公开网络结构示意图；
17.图3为本公开骨架网络模块示意图；
18.图4为本公开分割模块示意图；
具体实施方式：
19.下面结合附图与实施例对本公开作进一步说明。
20.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
21.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
22.实施例1
23.本公开提供了一种变电站智能机器人运行方法，具体包括：
24.步骤1：采集变电站内各运行设备的运行状况以及对应的设备信息；
25.步骤2：将采集的各设备运行数据上传至控制中心进行分析，判断设备运行是否发生故障；
26.步骤3：若是判断发生故障，则调取设备编号信息以及对应设备的位置发送给云台，所述云台根据设备的位置以及预先上传的站内地图进行规划路线，并按照路径进行移动实现巡检维修。
27.在大型的变电站中，变电站机器人采用轮式驱动，应用于敞开式变电站，变电站机器人组件为可见光、红外检测设备，实现对变电站设备进行全方位全天候自主巡检，能够及时发现设备运行的缺陷，保证电网运行的安全。
28.首先要对变电站内设备的运行状况以及设备信息进行采集，具体的设备的运行状况包括设备外观、设备温度、仪表仪器的显示数据以及刀闸的开合状态；设备信息为每个设备的编号信息。将设备的编号进行获取并存储在数据库中，便于后期对设备信息的快速调取。
29.设置远程的控制中心，所述控制中心与所述云台无线连接，所述云台设置于智能机器人上，通过激光传感器采集变电站内设备位置分布信息，上传至云台，创建站内设备分布三维地图。所述激光传感器为三维空间激光传感器，所述激光传感器也可反馈实时获取的机器人的位置信息。
30.当控制中心获取到设备运行的状况信息之后，利用控制中心判断是否存在设备发生故障，若是检测到故障信息，则将调取发生故障的设备编号信息以及对应的位置信息发送给云台，所述云台根据设备位置信息以及创建的地图进行路径规划，并实时的上传自身
所在位置至控制中心。
31.发送指令控制机器人前往故障地点，具体的，在移动过程中，利用双目相机实时采集变电站内广角设备信息；利用巡检相机实时采集机器人移动周围环境图像信息并上传至云台。所述双目相机固定安装在机器人本体的前方，采用短焦双相机，所述巡检相机安装在机器人云台之上，采用可变焦距相机，通过云台运动以及焦距的变换，实现对周围环境图像的精确采集。
32.变电站机器人全自主的对移动过程的数据信息进行采集，通过双目相机固定安装在机器人本体的前方，实时的获取变电站内广角的各种设备信息，利用现有的深度学习算法实现相机左右视场内目标设备的实时检测，根据双目立体视觉算法，实现目标设备相机坐标系空间位置信息的获取，机器人云台融合激光传感器以及双目相机获取的目标设备空间信息，然后构建变电站内设备位置的完备三维语义地图。
33.当机器人接收到故障确认指令时，接收目标设备信息，然后调取目标设备的位置信息，然后在预先构建的地图中进行标记，创建前进路径后向机器人发送执行指令，机器人接收指令并执行，开始按照路径前进。
34.前进中，机器人上安装的巡检相机对周围环境信息进行实时的采集，若是对周围环境图像中中采集分析中存在远近两个区域的障碍物，云台对远近距离的目标进行分析，将远距离区域的目标作为机器人下一步路径规划的依据，近距离区域判断机器人当前是否可行。
35.若检测当前近距离前方出现不可越过的障碍物时，则通过对比障碍物左右两边的道路区域面积规划机器人避障路线，采用语义分割网络进行输出移动控制策略。
36.具体的控制策略为：语义分割网络中的两个支路输出相同时，执行输出方向，当相反时，执行方向由分割支路决定。
37.具体的，出现转向和直行时，若无障碍物，则执行分类输出，反之执行分割支路输出；出现转向和停止时，执行转向；出现直行和停止时，执行停止。
38.上述的语义分割网络由特征提取结构、分类结构、语义分割结构构成，并结合后处理实现机器人避障，特征提取结构主要由基本网络层堆叠而成，逐步深入提取图像特征信息，分类结构通过全连接操作对提取的特征进一步抽象化为机器人行驶方向信息，语义分割结构采用上采样操作从特征信息中分割出各个目标在图像中的区域，后处理即将语义分割结果转化为机器人理解的行驶方向信号，最后，结合后处理与分类结果，共同指导机器人下一时刻动作，实现自主避障。
39.目前,用于解决计算机视觉任务的深度学习算法中,其网络的搭建基本采用骨干网络与特定任务网络相结合的模式。图像分类在计算机视觉任务中相对简单,主要由骨干网络提取图像有效再结合全连接将提取的信息抽象成类别即构成分类网络。随着深度学习的高速发展,研究者们已提出很多经典的骨干网络,如
ⅴ
gg1、resnet2、mo-enet、senet“等。由于本文方法主要应用于变电站巡检机器人,为保证网络效率,所提分类络主要借鉴了轻量级网络,采用深度可分离卷积为基本卷积单元搭建而成分类网络详细结构如表1所示,网络主要通过串联多个卷积块结构来由浅到深地提取图像特征,再经池化(pool)、全连接(fully connected,fc)等操作对像进行分类。而每个卷积块又由多个轻量级逆残差模块和注意力模块堆叠而成,其基本结构如图3所示。其中,轻量级逆残差模块主要是在传统残差
模块的基础上改进而成,通过对特征图先升维,再利用深度可分离卷积(dwcony)提取特征后进行降维的方式,降低了传统残差先降维后升维对特征多样性信息的丢失；同时,该模块以深度可分离卷积来替代传统卷积提取特征也有效提升网络效率；最后,沿用传统残差模块的残差连接来缓解网络训练时梯度消失等问题。而注意力模块主要由全局池化(globalpooling)、全连接、sigmoid激活函数构成,该模块通过训练为每个特征通道学习一个权重,用于衡量每个特征通道对当前任务的重要程度,可提升有效特征的权值,并降低无效特征对网络精度的影响。整个分类结构与目前主流分类网络(inception.resnet等)相比更为精简高效,对平台性能要求更低,尽管网络以损失部分特征信息为代价,但对于变电站道路场景的分类而言,其分类类别较少,目标特征相对简单,所提网络足以满足巡检机器人对道路场景分类的需求。
40.表1分类网络结构
[0041][0042]
分类网络主要从图像全局信息的角度来保证巡检机器人的正确行驶方向,但对于机器人避障而言,单靠分类网络难以满足其局部动态避障。因此,本文在分类结构基础上增加语义分割支路来对图像进行像素级分类,通过对障碍物实时识别分割来进一步提升机器人避障效果语义分割任务与分类相比,其难度相对较大网络结构也更为复杂。因此,为保证网络在实际变电站场景中的分割精度以及效率,采用了多种策略来搭建分割结构,如图4所示。为有效获取像中各目标空间细节信息,网络通过逐层上采样与骨干网络中对应维度的特征图进行融合,如图4(a)所示。该结构首先将分类网络中最后一个5x5卷积后的特征图最大池化后再上采样至卷积尺度进行融合(eltwise),然后将融合后的特征图再上采样融合,以此类推。其中,上采样过程采用双线性插值的方法,避免引人过多的参数而降低了网络效率,同时,由于浅层特征图包含较多噪声,故网络只融合了尺度小于1/8原图的特征图，即图中卷积块n分别为卷积块4、卷积块6、卷积块7中最后一层,上采样i为卷积块n对应尺寸的上采样层。图4(b)结构主要进一步挖掘目标细节特征以及全局信息,采用类似图像金字塔结构的特征提取方式,将骨干网络中卷积块4最后一层通过不同空洞率的空洞卷积和平均池化(mean poolin)操作进行信息提将空洞卷积后上采样至卷积块4进行拼接(concat)。最后,将图4(a)和图4(b)两种结构输出的特征图通过批正则化来平衡权重后通过点卷积来融
合,最后再将融合后的特征图上采样至原图大小,实现语义割。语义分割支路从多个角度来获取目标全和边绿信息,保证变电站巡检机器人在实时避障过程中对障碍物类别以及相对位置准确获取，进而指导机器人实现高效避障。
[0043]
后处理为：对于语义分割结果,机器人只能判断出图像中每个像素的类别,而对于避障信息需要通过对分割图像进一步转化提取。针对变电站巡检机器人避障问题,将语义分割结果转化成了障碍物类别、可行道路区域等信息。障碍物类别信息主要提取影响机器人正常行驶的区域目标,即机器人正前方目标信息。为有效辅助机器人避障,在机器人正前方选择了远近两个区域来识别目标,两个区域的大小为机器人所占面积的映射,其中,远距离的区域目标可指导机器人提前进行路径规划；近距离区域目标判断机器人是否可行。当机器人前方出现不可越过障碍物时,对于机器人对避障区域的选择,采用相对简单直观的方法,即通过对比障碍物左右两边的道路区域面积可由道路像素数量表示)来规划机器人避障路线,其中,对比区域与障碍物的判断方式类似,也选择了远近两组区域,当无障碍物或远目标区域出现障碍物时,使用远区域来判断结果引导机器人行驶；当障碍物由远及近出现在近目标区域时,选择近区域保证机器人准确避障。最后,结合分割结果与分类结果的避障信息,共同控制机器人避障,控制策略如下：
[0044]
语义分割网络中的两个支路输出相同时，执行输出方向，当相反时，执行方向由分割支路决定。
[0045]
具体的，出现转向和直行时，若无障碍物，则执行分类输出，反之执行分割支路输出；出现转向和停止时，执行转向；出现直行和停止时，执行停止。
[0046]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0047]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0048]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0049]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0050]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技
术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0051]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。