文摘
随着电力系统的快速发展,传统的手工检测方法的电力传输线(PTL)不能提供高质量和可靠性的需求电网维护。因此,自动PTL检测技术成为一个关键的研究重点。为了总结相关研究PTL检验环境感知和控制技术,三维(3 d)重建技术,对象检测和视觉伺服的PTL检测进行了综述,分别。首先,3 d重建PTL检验进行回顾和分析,特别是对电线的LiDAR-based重建技术。其次,典型目标检测技术,包括塔、绝缘体,电源线配件,属于深度上优于传统方法。在那之后,他们的优缺点。第三,进度和检查机器人视觉伺服控制的问题也简明地解决。为提高PTL机器人的自动化程度,当前问题的关键技术,如多传感器融合和数据集,进行了讨论和检查机器人的前景。
1。介绍
传统PTL检验方法包括直线爬行检验,地面检查,和手动检查与望远镜,如图1。他们的缺陷与电力系统的进展更清晰。这些方法有时缓慢而危险的,不得进行。原因如下:(a)复杂而多样化的工作空间。PTL走廊的安排包括几个场景,如架空地线和multibundled导体。导体的斜率是不同的。更重要的是,各种各样的障碍在PTL,如图2(1]。(b) PTL地理条件是不同的。PTL的一部分位于一些复杂的领域,如沼泽、湖泊和山脉。虽然快速和容易操作的直升机检验方法可以克服这个困难,其检测精度的小型对象长工作距离的影响。因此,它也不是最好的检查方法。自动PTL检测技术正急于开发在这些情况下,也是一个具有挑战性的任务。除了机械设计,PTL环境感知和控制技术是自动PTL检查的基础。他们研究热点在PTL检查。
(一)
(b)
(c)
在整个生产过程中自动PTL检查,主要任务完成检查机器人现在如下:(a)的3 d重建PTL走廊(2,3]。可视化的三维重建可以使用PTL,这有助于检查分析的偏移趋势PTL走廊,周围环境的干扰,破碎点检测和雪荷载。(b)的检验塔(4)和组件(5,6]。目标检测是利用识别和定位他们和他们的缺陷,如裂缝的螺母、螺栓松动,合适的腐蚀,是很难被发现通过手动检查。此外,对象检测可以干扰雨,雪,风。因此,3 d重建也应用于本地地图获得更精确的目标位置。(c)障碍跨越和故障维护(7,8]。障碍跨越和故障维修可以实现远程遥控操作或自动控制。远程遥控操作很容易意识到,这取决于一个地面控制单元的手动操作。然而,很难实现自动操作。由于PTL环境中存在的干扰,检测机器人的自主操作需要一个更健壮的控制系统。与传感器控制、视觉伺服控制更健壮且灵活。适用于PTL走廊的不可预测的环境。针对这些任务,3 d重建,对象检测和视觉伺服PTL检验进行了总结和分析提供了一个广泛的理解审查。
本文的其余部分组织如下:部分2介绍了输电线路走廊的发展3 d重建。部分3介绍了传统的进展和深度上优于PTL检验领域的检测算法。然后,他们的优缺点。部分4不同检测机器人的视觉伺服的担忧。部分5分析关键技术问题,并提出了未来发展的方向检测机器人。最后,结论部分给出了6。
2。3 d重建PTL检查
三维重建是一个意味着获取三维数据测量对象。主要用于收购对象纹理、结构和规模。三维重建的方法有两种:接触和非接触方法。前方法相比,非接触方法被广泛使用。基于是否积极传输测量信号,他们分为主动和被动视觉的意思。根据不同的原则,主动视觉方法分为激光方法(9- - - - - -13[],结构光方法14),和干涉15- - - - - -17]。的基础上使用视觉传感器的数量,被动视觉方法可分为单眼视觉(18,19],双目视觉[20.,21],multieye愿景(22,23]。
PTL检验领域的、活跃的视觉方法主要是用于构造PTL走廊的三维模型。的特征对象可以直观地表达的3 d模型。它有利于检查员发现现有或潜在危险的输电线路走廊。
2.1。输电线路的三维重建
电力线路中扮演着重要角色在整个电力供应的走廊PTL为主要载体。电线的三维重建的基础分析线下垂,糖衣,风偏差和距离测量。因此,许多研究提出了。
2.1.1。主动视觉的方法
现在,激光扫描通常采用电力线重建完成。它包含三个部分,点云提取点云分割和模型拟合。点云提取分为简单的萃取和萃取。原始数据包含各种物体的点云。简单的提取是用来消除地面的点云。此外,精细提取被用来进一步消除点云,不属于线。点云分割分为确定点云的跨度和一个导体。首先,不同跨度的数据划分根据最高的悬挂点。然后,单个电力线路的数据在一个跨得到证实。最后,选择合适的模型。
提取点云通常是基于过滤方法。首先,DTM (24)是由过滤。然后,分地上,对象是有区别的。之后,高程等特性是用来获取点云的电线。方法基于锡等输配电(25一般使用)。Yu et al。26)利用输配电消除地面点。此外,一个角度采用滤波器获得点云的电线。除了输配电、斜率过滤(27和形态学滤波28)也用于消除地面点。然而,他们不太适用于电线相比输配电的提取。使用高程与DTM获得点云的电线。基于nDSM,刘等人。29日)利用高程直方图统计方法获得点云的电线。除此之外,也有直接使用完成提取高程。沈et al。30.)提出了一种基于子空间的高程阈值分割算法的特性和海拔密度分割算法。一些其他的方法也用点云提取。麦克劳克林(31日]GMM和EM算法用于提取。更重要的是,Jwa和孙32)采用霍夫变换、特征值分析、点密度分析,提取的one-outlier测试技术。
在分割的过程中,点云线的跨度是由塔的位置决定。塔的位置可以通过高度26,33)或点云的密度(29日]。此外,点云的分割也可以完成最小链接层次聚类(34和二阶导数35]。有三种类型的技术来确定点云一个导体。(一)集群。区分每个权力线,点云属于同一电力线路在一个跨集群。赖et al。36)提出了一种基于空间距离的聚类分析方法的限制。更重要的是,林等。35]介绍了3 d连接成分分析基于fixed-radius附近邻居(模糊神经网络)和 - - - - - -意味着算法(37规范化的投影。(b)霍夫变换(HT)。Yu et al。26和吴et al。33)采用HT的分割单电源线。丢掉了et al。34)使用一个迭代版本的HT,但这种方法是不稳定的。(c)当地经济增长。意味着逐渐合并或生长形成整个输电线路模型,如本地仿射模型(31日增长和分段模型(体)(32]。
四种类型的电线通常采用曲线拟合模型:(a)多项式模型(33,38),(b)模型,该模型结合了一条线段和抛物线36,37),(c)模型,通过结合线段和二次多项式与两个变量(29日,39),(d)模型,结合线段和悬链线(26,31日,34,35]。第一个模型直接适合整个电力线路。然而,其他三个模型将电力线路分成一条线段和接头的弯曲部分。后者三种模式之间的区别是曲线拟合的表达式。第二个模型是第四模型的近似表达式。和第二个模型的性能要好得多,因为它更简单的公式。此外,Zhang et al。40)提高了第二个模型和第四模型。总的来说,第二个模型是更好。
在上面的文献,论文的每一步中使用的方法如表所示1,完成三维重建的整个过程。
现在,3 d重建电线集中于简单的地区结构。PTL的背景下,地区的不同结构和不同类型的电线被认为是更少。难以识别和重建套管节点和垫片节点。此外,激光雷达点云的密度直接影响三维重建。
2.1.2。被动视觉方法
被动视觉的三维重建方法不使用电线,和他们的精度低于主动视觉的方法。Zhang et al。41)开发了一种multiangle成像电力线路检测系统重建3 d电线,但方法的精度很低。Ganovelli et al。42)提出了一种使用少量的图像重建电线。这意味着使用SFM。因为这个方法是基于特定的假设,它不能用于检验任务。毛雷尔et al。43)提出了一个意味着使用语义分割基于FCN和多视图几何。流程图如图3。方法是有效的,但对硬件要求高。很难与缺乏有效的点特征匹配不同的图像被动视觉方法的电线。因此,活跃的视觉方法大多采用电力线重建。
2.2。地面和塔的三维重建
除了电线的重建,PTL走廊也需要重建的地面和塔。尽管如此,他们的三维重建是在初步阶段。关于地面,毛雷尔et al。43完成了三维重建的同时电线和地面。根据塔的重建,Chen等人。44)提出了一个模型驱动的方法来重建塔。塔可分为头部、身体和脚。三个部分是由不同的重建策略。他们组装整个塔利用方向和位置。结果表明,该方法的精度可以达到厘米级。郭et al。45)提出了一种基于模型库和随机几何塔重建。这种方法建立了一个能量模型点云之间的相关性和塔。它还使用模拟退火和重建塔的密度取样器。但这也意味着需要大量的计算。
最近,倾斜摄影已经应用于3 d重建PTL走廊。习等。46)设计了一种无人机电源检测系统基于斜摄影。系统使用了无人机地面获得的多视图图像对象和加速的3 d重建PTL走廊通过数据处理和模型细化。裴et al。47)设计了一个数据采集设备PTL走廊的三维重建,从而获得结构信息塔的四个立面。倾斜摄影有一些缺陷在PTL检查。倾斜摄影需要60% - -80%的空气带重叠。因此,有必要收集数据由多个航班和收集效率低。倾斜摄影是更好的更大的物体,但普通的三维重建为小型和空心物体比如电线和塔。因此,必须结合斜摄影和其他手段来获得良好的重建结果。这将是一个研究方向PTL走廊的三维重建。
3所示。对象检测PTL检查
目标检测是指从背景中识别和定位目标的一种方法。在近二十年中,发展对象检测分为传统的检测周期和深度上优于检测周期(48]。在PTL检查机器人研究的早期阶段,传统检测算法被用来识别和定位组件。手工制作的性能特性,往往是稳定的,对传统检测算法的研究几乎是停滞不前的。检查机器人的目标检测的发展陷入了瓶颈。由于R-CNN[的出现49),目标检测算法的进步飞跃。神经网络用于目标检测。他们能够提高检测性能和获得强劲的特点。结果,在PTL检查对象检测机器人方面的研究已经逐渐从深度上优于传统检测算法检测算法。
3.1。传统的目标检测算法
传统的目标检测算法用于检查机器人主要是前台modeling-based方法在过去的几十年。他们被归类为区域选择、特征提取和分类。滑动窗口是用来获得许多候选人边界框的整个画面。然后,提取候选边界框的特点。支持向量机等分类器(50),演算法(51),多层感知器(MLP),用于确定候选边界框的对象作为目标或背景。最后,NMS (52是用来完成检测。PTL领域的检验、筛选(53],[冲浪54),枸杞多糖(55),和猪56)是经常使用在传统检测算法。相关研究可分为两个方面:(一)塔和(b)绝缘体和配件。
3.1.1。塔
而进行塔检测、塔和燕窝主要发现。塔,Sampedro et al。57先进电力塔检测方法基于猪和延时。两个mlp训练在这个方法中。他们用于background-foreground分割和分类的四种类型的塔。系统体系结构如图4。Ceron et al。58]先进塔检测方法基于直线检测方法和网格的二维特征描述符。塔可以通过特征描述符。王等人。59)用猪和SVM完成塔的快速检测,但这种方法被罚下场报警率高于误警率。王等人。60基于猪)提出了一个方法检测塔组件从远到近。该方法使用猪塔的特点在不同的方向训练中的延时。这是适合塔检测在一个开放的环境。针对鸟巢,Zhang et al。61年)提出了基于coarse-fine意味着搜索策略。它用猪和演算法来检测塔的位置和大致确定候选边界框的鸟类的巢。然后,颜色特征被用来巧妙地检测燕窝。徐et al。62年)提出了一种基于HSV和纹理特征的方法。这种方法可以消除干扰引起的地区,类似的颜色和纹理的复杂背景下的鸟巢。
(一)
(b)
3.1.2。绝缘体及配件
绝缘体和配件,很多检测算法被设计为一个对象,虽然只有几个算法多重天体。绝缘体,赵et al。63年)提出了一个基于筛选和RANSAC绝缘子检测手段。该方法使用RANSAC删除异常筛选绝缘体的特点,通过仿射变换完成了绝缘子检测。之后,赵和刘64年]介绍了一种方法基于冲浪和直觉模糊集(IFS)。在图所示的步骤5。除以IFS绝缘子的上网功能。然后,所有类别的连接区域计算得到每个区域的最小外接矩形定位。普拉萨德et al。65年)使用SVM和局部二进制模式直方图傅里叶(LBP-HF)绝缘体的完整健康状况检测,精度93.33%。
对于配件,Zhang et al。66年根据猪)提出了一种拟合方法。这种方法利用PCA减少猪的维度的特性。然后,这些特性被SVM识别。与其他传统算法相比,这意味着更准确。Zhang et al。67年)提出了一个方法,可以检测复杂背景下振动阻尼器。这种方法使用Relief-F重量和合并总通道功能(ACF)和复杂的频域特性。最终,演算法和NMS是用来完成检测振动阻尼器。冯et al。68年]猪和SVM完成螺栓的检测,但方法的准确性很低。风扇等。69年)提出了一个方法基于一种改进的HT螺栓检测。HT的峰值选择策略改善了检测精度的提高。
的大小、上下PTL的目标可以分为水平,设备水平,部分水平,组件级别(70年]。目前,目标检测的研究集中在塔水平和设备水平的目标。有更少的研究检测水平和部分组件级别的目标。传统的目标检测算法应用于桥塔层和设备层的框架通常使用“特性表达式”+“标识符”。因此,特征和分类器检测的精度不同的对象是至关重要的。在传统算法,通常不能完全描述基本功能检测到的目标。功能需要改进的检测对象替换。这种现象更明显在PTL检查。有近二千种不同规格的配件PTL检验领域的使用。从不同地区无法获得统一的特性。 For the purpose of ensuring precision, it is imperative to design features for specific targets. Although the features designed for specific objects are intuitive and accessible, it has drawbacks such as low efficiency and poor generalization ability. In addition, tasks of PTL inspection require the robustness and real-time performance of algorithms. Facing the changes of light and viewing angle in the environment, handcrafted features are less robust. Besides, detection accuracy will be immensely influenced in the face of harsh operating environments. Moreover, handcrafted features are highly complex. And they are poorly real-time, which cannot satisfy needs of PTL tasks.
3.2。基于深度学习目标检测算法
由深度学习,R-CNN [49)打破了僵局的停滞的对象检测。很多类似的方法出现在接下来的几年里,他们也在PTL应用。这些算法分为“两级检测”和“单程检测”。在“两级检测”算法,因为R-CNN更快的速度是比较快的71年,72年),通常在PTL检查。在《单程检测算法,算法的YOLO系列(意思73年- - - - - -76年)使用更多。目标检测算法、基于深度学习,也可以分为两个方面与传统算法。
3.2.1之上。塔
塔,郭et al。77年)提出了一个基于YOLO。意思实时塔检测模型使用的方法 - - - - - -意味着提高锚参数YOLO。意思其检出率是大约20帧每秒,和地图是94.09%。王等人。78年)验证不同的网络检测塔的性能。对鸟类的巢,史等。79年)提出了一个鸟巢检测模型采用RetinaNet [80年]。这个模型是准确的但不是实时的。没有尝试其他神经网络模型为骨干在这个模型中,所以在实验中有一些限制。针对相同的任务,王et al。81年)提出了一个方法,用来检测燕窝在高压塔的多尺度。增强检测能力燕窝,多尺度卷积特性和区域建议了在这个模型中,基于R-CNN更快。模型评估的二千张图片组成的测试集。和平均检测精度达到84.55%。
3.2.2。绝缘体及配件
为绝缘体,刘等人。82年)采用快R-CNN检测绝缘体。精度达到94%。赵et al。83年基于改进更快R-CNN)提出了一个方法。这种方法达到更好的检测绝缘体通过改善NMS和锚生成项。它也解决了检测的问题引起的绝缘屏蔽。汉et al。84年)设计了一种新的神经网络检测绝缘体。有平均精度高但低实时性能模型。
在配件方面,检测基于深度学习不再局限于单一的目标。近年来,进一步研究多目标检测的研究出现了。目标包括各种配件和绝缘体。林等。85年基于改进更快R-CNN)先进的一种手段。意味着可以保持良好的检测性能在不同的决议,角度和立场。盾(86年)提出了一个基于YOLOv3正如实时检测方法。数据增加被用来提高模型的性能。它有很好的绝缘体和振动阻尼器的平均精度。杨et al。87年)提供了一个MSFF-KCD算法进行多尺度检测设备。这意味着可能保持86%的精度在臂装置,但速度不是很快。此外,杨et al。88年)比较不同骨干网络基于SSD的性能(89年)和使用特征融合来提高检测精度。为目的的检测配件、Qi et al。90年)提出了一种改进的SSD模型。该模型提高了检测性能的小型或密集目标在复杂背景通过改善路口联盟(借据)和使用排斥损失函数。同样的任务,刘等人。91年提出了一种基于R-FCN。在线硬例子矿业、样本调整和软NMS是用来促进R-FCN的性能。
正如上面的研究检测表明,深度上优于检测算法有很好的泛化能力。他们没有一个复杂的手工制作的过程特性,可以选择合适的和健壮的特性来表达目标。对于多尺度问题,传统的算法类似,他们的表现很差。因此有必要考虑多尺度技术的使用,如改善锚一代,剪断(92年],TridentNet [93年),来解决这个问题。这是一个很好的方向电力线路检查研究。
由于输电线的保密检查数据集,现在没有一个公共的数据集,这阻碍了电力线路检查方面的进步。所以只有一些典型深上优于检测算法PTL检查表中列出2比较性能。在中国,有两家电网公司,这是中国国家电网公司和中国南方电网。他们有电网的大规模数据集。因此,如果他们合作创建一个公共数据集,从全国电网相结合的数据,研究人员可以首先使用公共数据集的有效性意味着作证或自己提出的模型和基于私人数据的显示结果。
虽然不可能准确地比较这些模型之间的表现,可以看出,性能改善是由于新的修改模式。然而,不存在神经网络模型,实现精度高和速度,同时在目标检测。就像这两个系列中,各自关注的精度和速度。基于这两个系列的改进算法常常牺牲实时来提高检测精度。现在,研究人员一直使用YOLO系列意思来检测对象因其良好的实时性能。然而,PTL检查应该能够满足这两个方面的高要求。因此,许多改进算法只在研究阶段。此外,嵌入式平台的计算能力有限,他们不能真正用于工程。此外,深度学习模型用于工程需要的能力培训与新数据,但在这一领域的研究正在进行中。
4所示。视觉伺服PTL检验
视觉伺服系统以视觉信息作为反馈。在机器人和目标之间的相对姿态计算通过视觉信息,它可以实现机器人的姿态控制。三个分类标准包括类型的反馈(95年- - - - - -97年),相机位置(98年),和校准需求(99年)是常用的在视觉伺服系统。其中,PBVS和IBVS通常受雇于PTL检验任务。前者是基于位置,后者是基于图像。根据操作模式,检查机器人可分为攀爬机器人、无人机、和混合平台(94年),如图6。混合平台的研究尚不成熟,和视觉伺服控制解决方案只在第一个使用两种类型的检查机器人。
(一)
(b)
(c)
4.1。攀爬机器人的伺服控制
攀爬机器人的视觉伺服控制是最适用于自主抓线控制的过程中绕过障碍。和视觉伺服控制的不用于其他方面。
的自主行抓住,王et al。One hundred.)设计了一个抓线single-camera-based视觉伺服控制方法。虽然这种方法可以满足抓线需求,它主要取决于机器人的机械结构。Zhang et al。101年)设计一个IBVS控制器获得跨越障碍。这个方案是复杂的图像处理,是对光线敏感的变化。之后,赵et al。102年)提出了一个结合远程控制和IBVS的手段。该方法有效地在实验室环境中进行。郭et al。103年提出一个IBVS自主抓线控制的方法。这个方法使用一个二维模糊控制器。最后的挠度误差抓线控制在2摄氏度,时间还不到四十秒。王等人。104年)提出了一个基于hand-eye-vision抓线控制。这个方法使用一个二维模糊控制器如图7。变化的影响,在照明、背景、和其他因素对抓线被认为是全面准确性。它消耗20秒。针对一个新的双臂检查机器人由自己设计的,他et al。105年)提出了一种自适应的视觉伺服方法。这种方法可以提供良好的电线没有手眼标定的特点,提高了鲁棒性的自主把握。
上述研究是针对抓线双臂PTL检查机器人的问题,和他们中的很多人使用IBVS。但是检查机器人只完成自主抓线函数在实验室环境中,他们不习惯在实际应用场景。图像噪声的问题,模型误差、控制延迟,和环境变化不考虑实际中可能遇到的各种情况。除此之外,它花费的时间太长检查机器人抓线,效率很低。与传统的视觉伺服系统相比,无标定视觉伺服系统具有较高的灵活性和适应性,这是更适合检查机器人。因此,检验无标定视觉伺服机器人将是未来的研究方向。
在其他方面,针对autodocking充电控制检查机器人的问题,吴et al。107年]IBVS用于精确定位控制。宇宙一个变量模糊控制来克服控制精度不足的困难。此外,江et al。106年)提出了一种双闭环自动定位控制方法。它起源于BP网络和视觉伺服。BP网络和视觉伺服,分别用来解决机械手的粗和细定位。这种方法可以有效地提高检查机器人的自动化水平,但花了太长时间完成螺栓对齐。该方法的控制架构图如图8。
智能方法开始被用于检验的视觉伺服机器人。然而,他们并没有完全用于视觉伺服,因为计算智能手段的缺点。除此之外,许多上述视觉伺服的研究只专注于一个任务。然而,有许多在PTL维护任务。视觉伺服方案基于单任务操作控制适用性差,所以有必要关注的研究多任务的视觉伺服控制。
4.2。伺服控制的无人机
与攀爬机器人的视觉伺服控制相比,无人机的视觉伺服控制的研究范围比较有限。目前,只有视觉伺服控制的跟踪电线是可用的。
针对跟踪电线的问题,Araar和Aouf108年克兰菲尔德大学提出的两种解决方案,分别是一个IBVS方法结合LQ-Servo和部分PBVS (PPBVS)方法。有一个更好的PPBVS相反的效果。然而,这种方法极大地影响校准错误。谢et al。109年提出了一个新的IBVS方法。可能是健壮的相机校正错误没有深度估计。然而,只有在模拟阶段。针对固定翼无人机的问题跟踪目标的风,米尔斯et al。110年设计一个IBVS方法。它被认为是风修正角作为所需的线角。结果表明,它可以提高无人机的跟踪响应。Rafique和林奇111年]IBVS结合输出反馈用于无人机的运动控制。考虑不确定因素,如线性加速度干扰和质量,它采用inner-outer循环结构。结果表明,结构的稳定性很好。然而,这不是在户外PTL环境进行测试。
许多研究的视觉伺服控制的无人机仿真阶段。无人机是明显受环境因素的影响。风的影响在无人机的运动控制需要考虑跟踪电线。此外,攀爬机器人相比,无人机的检验速度更快。有必要提高响应速度的伺服跟踪。的基础上追踪电线,无人机还需要执行路径规划。因此无人机路径规划的视觉伺服是一个很好的研究方向。
5。问题和前景
许多研究机构都开始研究全球检验机器人。然而,检查机器人的研究只是处于初步阶段。一些关键问题仍然未得到解决的三维重建、物体检测和视觉伺服控制。同时,检查机器人的研究在其他领域仍然需要时间来培养。
5.1。关键技术问题
有效的使用检查机器人取代人工检查。有明确的应用程序需求PTL检查。因此,有一个非常重要的工程价值,开发一个检查机器人系统能够进行有效的操作在一个复杂PTL环境。目前,研究集中于机械设计、环境感知、和视觉伺服控制领域的PTL检查。然而,许多机械设计相关的结果,和其他领域的一些结果。因此,对于提高操作效率和精度检验机器人,以下问题需要解决。
5.1.1。环境感知的问题
高海拔环境和自然干扰因素对检验机器人构成挑战。在这个场景中,高度准确的环境信息是势在必行的任务传导。单个传感器的使用将不可避免地有感知的局限性。例如,光照变化影响相机和雾影响激光雷达。当电力设备老化或损坏,故障区域电力设备可以用肉眼几乎认不出,但热量或放电将发生在断层区域。这些现象可以通过红外热检测设备和紫外线相机。因此,多传感器信息融合PTL检查是必不可少的。如图9,它可以从以下步骤进行:
输电线路走廊的三维融合重建。首先,一个粗略的输电线路走廊的三维模型是由斜摄影。注册完成后的数据ICP算法来形成一个详细的3 d模型。断层区域大约发现了详细的3 d模型。
数据融合的红外、可见光和紫外图像采用。在确定近似故障区域和时间同步,这些传感器用于拍摄图像融合。目前,图像融合仍取决于像素阶段。特征融合应该进一步考虑。
放电的准确坐标,热点,可见缺陷故障区域是通过目标检测。空间的转换关系所获得的校准可见光相机和激光雷达。获得三维信息,缺陷面积的精确坐标投射到根据空间点云转换关系。然后,3 d信息用于当地的三维重建。
视觉伺服控制。当前机器人的构成和对象可以通过当地的三维重建。在那之后,它可以提供一个3 d视觉伺服控制器完成控制。
5.1.2中。深度学习所需的数据集的问题
随着人工智能的发展,越来越多的领域开始研究采用深入学习。深入学习算法依赖于数据,但是没有标准检验数据集研究人员进行算法研究。因此,建立一个标准的电源检查深度学习发展促进数据集是急需的。它可以由以下步骤:
检验标准图像和电力设备。针对不同缺陷的电力设备,应该建立一个统一的缺陷描述和分类规则。检查图像的大小和清晰度应该规范化。标准提供便利当指导人员在数据收集和高度提高数据集建设。
数据集PTL检验应根据不同地区划分。每个地区的地理环境和气候条件是不同的。PTL将受到一个独特的气候,使相同的功率器件的类型是不同的。不同类型的电力设备在外观和形状可能差别很大,从而导致区域特征。因此,在PTL走廊区域特征。此外,不同地区不同的背景。因此,有必要首先根据地区划分整个数据集。
根据不同类型的电力设备和程度的缺陷,区域PTL检验数据集应该进一步划分为不同的数据集的子集。在PTL根据特定的电力设备,它有助于形成相应的PTL数据集,数据集的子集,可以代表特点极大地有利于训练模型。在图所示的步骤10。
现在,一个好的深度学习总是基于高质量的带注释的数据模型。然而,它是昂贵的收集数据,尤其是带注释的数据。在PTL检查,这种现象更加明显。因此,研究者试图使用弱监督数据训练模型(112年,113年]。此外,他们使用非监督学习来注释数据。这些方法也可以用于目标检测(PTL检查114年减少的成本数据注释。这将是一个好的研究方向PTL检查。
5.1.3。的问题应用光网络模型适用于嵌入式平台
模型的训练通常运行在服务器上。计算能力时,应该考虑基于深度学习对象使用算法。因此,提前建立一个轻量级的网络具有重要意义。然后模型,从服务器转移到嵌入式平台,可以另外在实际场景中训练。目前,可以使用不同的脊椎如SSD和YOLOv4 MobileNetv3。此外,还可以采用微调。
5.1.4。控制问题的效率和视觉伺服系统的鲁棒性
现在,整个控制过程的把握行或跟踪线需要多少时间。效率很低。在这方面,提高采样频率视觉和图像处理速度可以改善它的实时能力。此外,微妙的结构变化检验机器人可能发生由于风能和振动阻尼器的阻力,导致错误。无标定视觉伺服系统对这些错误的容忍度很高。因此,可以采用提高鲁棒性。
5.2。前景
PTL应用场景的检查,不仅检查机器人的基础功能,还应该意识到根据需求进一步扩张。它有助于实现检查机器人的重要的工程价值。未来方向的方面如下:
5.2.1。机械设计的发展
检查机器人机械设计的核心。和一个好的可以大大提高效率。例如,相比LineScout [115年],LineRanger [116年]花更少的时间跨越障碍,因为巧妙的和被动obstacle-crossing机制。然而,PTL检查机器人的机械设计不完善,和机器人不能平衡检验和操作。到目前为止,与其他检查机器人相比,攀爬机器人由于其饲主测量更实用。攀爬机器人的工程价值更大当他们能够成功地跨越塔。所以检查机器人的机械设计仍然需要改进。
5.2.2。能源获取的发展
电池容量直接影响PTL检验的时间。关于一定负载能力的机器人,高容量电池,锂电池等可以提高机器人的最大忍耐,但是它限制了其他机械部件的重量。所以网上充电是非常重要的。耐力,增加检查检查机器人可以从电力线自动获取电能。所以应该制订一个感应供电系统。
5.2.3。电磁保护的发展
EMI随着电压检查机器人更为严重,尤其是等位的瞬时放电过程工作。然而,目前检查机器人是弱EMI。因此,它是一个不可避免的问题在检查。整个机器人应该为避免电火花内导电组件的机器人。旨在EMI屏蔽是一种有效的保护测量,应该设计和高质量的盾牌。然而,检查机器人不能完全屏蔽,这意味着其他优化技术,如路由、过滤和接地技术,应考虑。因此,如何设计电磁保护是一个重要的挑战。
5.2.4。模块化的发展
这是不可避免的,检查机器人在一个坏的工作环境将受到损害。和检查机器人的模块化发展快速的维护具有重要意义。商检的模块化机器人方便维护人员发现的故障定位和更换故障模块机器人。此外,它很容易安装和拆卸检查机器人模块化,也提高了在线和离线切换的效率。此外,它有助于机器人开关配置在不同的检查情况,如架空地线和multibundled导体。
5.2.5。可靠性的发展
检查机器人的工作环境是严酷的,如电力线路区域与大跨度和陡峭的斜坡。有一个良好的鲁棒性要求准确地完成这个任务。因此,检查机器人应该有能力跨越PTL最复杂的地区。为了满足多样化和复杂任务的需要,有效负载能力应该改进和运行控制技术。更重要的是,在线操作之前,机器人应该为耐力测试,如穿的机械系统,电池性能和电磁干扰的鲁棒性。
. 5.2.6。合作的发展
这种合作不仅是指各种检查机器人之间的合作。它还包括合作检验机器人和地面控制系统(GCS)。multirobot系统可以促进PTL检测的性能。此外,在遥操作的情况下,检验的效率也可以检查机器人和GCS合作的影响。适当的部署GCS点长PTL走廊是合作的关键检验机器人和gc。合作包括实时双向数据传输,拆卸的能源消耗,安装和遥控操作。
5.2.7。友好的可操作性和自主性的发展
的最终目标是实现自主巡逻检查机器人。然而,自主控制和遥控操作需要在发展过程中共存。虽然检查机器人可以自动越过障碍,如间隔器和悬架夹、缺乏自主能力在特定操作。具体操作包括处理损坏的电线和清除异物。安全地完成任务和迅速,应该使用遥控操作。与此同时,友好的人机界面检查机器人应该开发简单的遥控操作。
6。结论
促进研究人员开发高级研究PTL检验,三维重建的研究,对象检测和视觉伺服PTL检验进行了总结。现存的问题,如认知限制和缺乏数据,相应的讨论。更重要的是,几个方面构成,这是很有前途的研究方向在PTL检查。一句话,现在的感知技术和控制技术不能满足自动和精确的电力线路检查的要求。在这些研究成果的出现,检查机器人的自动化程度将大有提高。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
这个项目是国家重点支持的研究和中国发展计划(批准2018 yfb1307400)和中国国家自然科学基金(批准61873267)。