蔡曉斌，劉榮海，楊發(fā)，鄭欣，郭新良，楊迎春，虞鴻江

（云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217）

0 前言

在高壓輸電線路上，為減輕線路因風(fēng)力作用而產(chǎn)生的振動(dòng)，在靠近絕緣子兩側(cè)的線路上會(huì)安裝一定數(shù)量的防震錘。但由于輸電線路長(zhǎng)期暴露在室外環(huán)境下，受到光照、雨水等氣象條件的影響，防震錘會(huì)逐漸受損、甚至失效，而防震錘螺栓松動(dòng)是導(dǎo)致防震錘失效的主要原因之一。為完成對(duì)防震錘螺栓檢修，傳統(tǒng)方法要求工作人員攀登上桿塔逐個(gè)對(duì)防震錘完成檢修，這種方法勞動(dòng)強(qiáng)度大、效率低，并且由于高壓輸電線路有很多架設(shè)在人煙稀少的地區(qū)，環(huán)境較為惡劣[1-2]。隨著智能電網(wǎng)建設(shè)的逐步推進(jìn)，國(guó)內(nèi)許多科研單位都開(kāi)始研制在架空線路上工作的帶電作業(yè)機(jī)器人。1999 年，山東電力研究院、山東魯能智能技術(shù)公司和濟(jì)寧電業(yè)局合作研制了我國(guó)首臺(tái)帶電作業(yè)機(jī)器人[3]，該機(jī)器人需要借助于車載平臺(tái)，不利于在復(fù)雜環(huán)境下使用。2006 年，武漢大學(xué)設(shè)計(jì)了一款具有越障功能的擺臂式兩臂帶電作業(yè)機(jī)器人[4]，該機(jī)器人通過(guò)兩個(gè)行走臂直接與輸電線路接觸實(shí)現(xiàn)遠(yuǎn)程巡檢功能。

防震錘和螺栓的識(shí)別以及螺栓中心點(diǎn)的提取是帶電作業(yè)機(jī)器人完成防震錘檢修工作的兩個(gè)重要步驟，長(zhǎng)沙理工大學(xué)的研究團(tuán)隊(duì)[5]提出使用卷積神經(jīng)元網(wǎng)絡(luò)對(duì)架空線路上的物體進(jìn)行識(shí)別，該方法識(shí)別準(zhǔn)確率高但訓(xùn)練時(shí)需要大量的較為準(zhǔn)確圖片訓(xùn)練集和較多的計(jì)算資源，這使得該識(shí)別模型更新較為困難，不利于實(shí)際運(yùn)用。以下首先分析了帶電作業(yè)機(jī)器人與螺栓緊固裝置的結(jié)構(gòu)需求，基于帶電作業(yè)機(jī)器人在作業(yè)時(shí)所要識(shí)別的物體種類較少、背景較為單一的特點(diǎn)，采用支持向量機(jī)方法實(shí)現(xiàn)防震錘和螺栓的識(shí)別。支持向量機(jī)是一種借助于核函數(shù)解決非線性分類問(wèn)題的機(jī)器學(xué)習(xí)方法，由Vapnik[6]提出。對(duì)于螺栓中心點(diǎn)的提取，本文分別采用了Hough 變換法和中心矩法進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明Hough 變換法更適合于帶電作業(yè)機(jī)器人使用。

1 帶電作業(yè)機(jī)器人螺栓緊固

帶電作業(yè)機(jī)器人需在高壓輸電線路上完成越障、防振錘螺栓緊固任務(wù)，其機(jī)械結(jié)構(gòu)應(yīng)滿足以下要求：

1）當(dāng)輸電線路受風(fēng)力的影響出現(xiàn)晃動(dòng)時(shí)，帶電作業(yè)機(jī)器人應(yīng)能夠在線路上平穩(wěn)運(yùn)行；

2）機(jī)器人本體機(jī)械機(jī)構(gòu)應(yīng)盡量緊湊以滿足在不同線路上運(yùn)行需求；

3）機(jī)器人的行走機(jī)構(gòu)滿足一定的爬坡需求；

4）機(jī)械臂的運(yùn)動(dòng)應(yīng)避免與導(dǎo)線直接相碰，并且應(yīng)保證不使機(jī)器人重心偏移量過(guò)大而導(dǎo)致失衡；

5）螺栓緊固檢修臂的套筒應(yīng)能夠更換以適應(yīng)不同型號(hào)的螺栓。

2 防震錘與螺栓識(shí)別

帶電作業(yè)機(jī)器人在巡檢過(guò)程中，安裝在機(jī)器人上的攝像頭會(huì)實(shí)時(shí)捕捉輸電線路上的物體，此時(shí)需要機(jī)器人實(shí)時(shí)完成對(duì)所采集到的圖像中的目標(biāo)進(jìn)行識(shí)別。關(guān)于圖像識(shí)別，在機(jī)器視覺(jué)中有許多方法。傳統(tǒng)的圖像識(shí)別方法，如基于灰度的匹配方法、基于特征的匹配方法等，其對(duì)圖像質(zhì)量要求較高，且魯棒性較差，不適合用于工作在戶外高空環(huán)境下的帶電作業(yè)機(jī)器人[5]。本文采用支持向量機(jī)（SVM）算法對(duì)所采集的防震錘和螺栓圖片進(jìn)行識(shí)別，SVM 是一種新的機(jī)器學(xué)習(xí)算法。相較于經(jīng)典的神經(jīng)元網(wǎng)絡(luò)模型，由于機(jī)器人所拍攝的圖片背景為天空，較為單一，SVM 算法所需的訓(xùn)練樣本更少，模型訓(xùn)練耗時(shí)小，識(shí)別效率高，更適合于帶電作業(yè)機(jī)器人[7]。

2.1 支持向量機(jī)原理

在求解非線性問(wèn)題時(shí)，支持向量機(jī)可以在高維空間中將非線性問(wèn)題轉(zhuǎn)化為線性問(wèn)題，并采用核函數(shù)來(lái)代替高維空間中復(fù)雜內(nèi)積的計(jì)算。SVM 作為一種通用的機(jī)器學(xué)習(xí)方法，最初被用來(lái)解決分類問(wèn)題。SVM 的核心思想可以概括為兩點(diǎn)：

1）在線性不可分的情況下，SVM 利用非線性映射將低維空間中的樣本映射到高維空間，使之在高維空間中線性可分。

2）基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，SVM 在高維特征空間中構(gòu)造最優(yōu)分類超平面，得到分類器的全局最優(yōu)解。

分類問(wèn)題通?？梢悦枋鰹閷讉€(gè)不同元素的正確分離過(guò)程，一般可以歸結(jié)為二分類問(wèn)題，如圖1 所示，圓和星代表兩類不同的元素，通過(guò)畫(huà)一條直線來(lái)將這兩類元素分離，這是一個(gè)典型的二分類問(wèn)題。

圖1 二分類問(wèn)題

如果用SVM 思想來(lái)對(duì)圖1 中的兩類元素進(jìn)行分類，可將分類邊界表示為：

式中，ω 和b 是函數(shù)的回歸參數(shù)向量，φ（x）是一個(gè)非線性函數(shù)，它將向量x 映射到一個(gè)高維特征空間。

在空間中可以有無(wú)數(shù)條分類邊界f(x) 將這兩類元素分離，SVM 分類器的目的就是尋找一個(gè)最優(yōu)的分類曲面f(x)，使它不僅能正確地劃分這兩類元素，而且能最大化這兩類元素之間的分類間隔，使D 最大。式（1）中參數(shù)ω 和b可通過(guò)最小化以下正則風(fēng)險(xiǎn)函數(shù)來(lái)估計(jì)。

式（3）中，||ω||2稱為正則項(xiàng)，通過(guò)最小化||ω||2將使最優(yōu)分類平面盡可能平坦，從而起到控制函數(shù)容量的作用。稱為經(jīng)驗(yàn)誤差，由不敏感損失函數(shù)Lε(yi,f(xi)) 確定，不敏感損失函數(shù)使得SVM 算法將允許分類點(diǎn)到最優(yōu)分類平面存在最大ε的誤差。C為正則化系數(shù)。

為了使該方法魯棒性更好并解決上述優(yōu)化問(wèn)題中的一些少量不可行約束，引入松弛變量ξ*i和ξi，將式（3）改寫(xiě)為：

通過(guò)引入拉格朗日乘子并利用最優(yōu)性約束，SVM 函數(shù)（1）可改寫(xiě)為以下顯式形式：

SVM 算法通常采用核函數(shù)來(lái)解決非線性特征空間映射問(wèn)題。徑向基函數(shù)（Radial Basis Function, RBF）核函數(shù)由于其具有較高的計(jì)算效率，是各種核函數(shù)中應(yīng)用最為廣泛的一種，此外，RBF 核可以將每個(gè)樣本點(diǎn)映射到一個(gè)無(wú)窮維特征空間，使得線性不可分的數(shù)據(jù)線性可分[8]。本文采用RBF 核函數(shù)構(gòu)造SVM 算法。RBF 核函數(shù)如下式所示：

式中，γ為核函數(shù)參數(shù)。

2.2 最優(yōu)參數(shù)搜索

SVM 算法模型和其核函數(shù)中有部分參數(shù)需要人為設(shè)置，一般需要研究者們根據(jù)經(jīng)驗(yàn)設(shè)置或通過(guò)算法自動(dòng)尋參，對(duì)于這些參數(shù)的設(shè)置本文將采用網(wǎng)格法進(jìn)行遍尋，同時(shí)用S 折交叉驗(yàn)證（S-Folder Cross Validation）的方法找到最佳參數(shù)[9]。具體步驟如下：

1）設(shè)定所尋參數(shù)某一初始取值范圍，和搜索步長(zhǎng)；

2）將參數(shù)取值范圍按搜索步長(zhǎng)進(jìn)行網(wǎng)格劃分；

3）將某一參數(shù)按網(wǎng)格從大到小將數(shù)值帶入模型，其余參數(shù)不變，利用5 折交叉驗(yàn)證計(jì)算誤差，即將訓(xùn)練集分為5 份，分別將每一份作為測(cè)試樣本其余4 份作為訓(xùn)練樣本輸入模型進(jìn)行分類，將分類結(jié)果與測(cè)試樣本求誤差，預(yù)測(cè)5次，將5 次誤差取平均作為這組參數(shù)對(duì)應(yīng)的誤差；

4）若存在兩組參數(shù)所對(duì)應(yīng)的誤差小于1×10-4則選擇其中風(fēng)險(xiǎn)系數(shù)C較小的一組，否則選擇誤差最小的一組對(duì)應(yīng)參數(shù)；

5）將另一個(gè)參數(shù)按步長(zhǎng)減小一次重復(fù)步驟（3）和步驟（4）直至所有參數(shù)組合都進(jìn)行過(guò)嘗試最終選擇誤差最小的一組對(duì)應(yīng)參數(shù)。

步驟4）中本文尋找風(fēng)險(xiǎn)系數(shù)C較小的一組參數(shù)理由是，C影響模型的學(xué)習(xí)精度，C的提高會(huì)使模型學(xué)習(xí)精度提高，但模型的泛化能力變差且運(yùn)算耗時(shí)增加，在測(cè)試集的擬合效果會(huì)明顯差于訓(xùn)練集，即過(guò)擬合現(xiàn)象。

2.3 圖像識(shí)別實(shí)驗(yàn)

和深度學(xué)習(xí)算法相比，SVM 算法在進(jìn)行圖片分類時(shí)，原始圖像信息需先經(jīng)過(guò)特征提取再輸入模型進(jìn)行訓(xùn)練或識(shí)別，如圖2 所示。本文將采用方向梯度直方圖（Histogram of Gradient，HOG）[10]和灰度共生矩陣（Graylevel Co-occurrence Matrix，GLCM）[11]作為輸入SVM 算法的圖像特征。SVM 算法進(jìn)行圖像識(shí)別流程圖如下所示：

圖2 SVM算法進(jìn)行圖像識(shí)別流程圖

為檢驗(yàn)本文所構(gòu)建的SVM 算法對(duì)架空線路上防震錘與螺栓的識(shí)別效果，本文采用防震錘和螺栓實(shí)物照片各20 張作為訓(xùn)練集，再分別采用各20 張作為測(cè)試集來(lái)測(cè)試模型的識(shí)別率。同時(shí)，為進(jìn)一步驗(yàn)證模型的魯棒性，本文在測(cè)試集中額外增加了輸電線路上常見(jiàn)的液壓線夾和絕緣子各10 張，最終測(cè)試集圖像數(shù)量為60。測(cè)試結(jié)果如下表所示：

表1 識(shí)別測(cè)試結(jié)果

帶電作業(yè)機(jī)器人在執(zhí)行巡檢任務(wù)時(shí)，機(jī)器人的攝像頭會(huì)對(duì)輸電線路上的物體進(jìn)行實(shí)時(shí)檢測(cè)，同一物體將被多次識(shí)別，根據(jù)表1 識(shí)別測(cè)試結(jié)果，本文所構(gòu)建的基于SVM 的識(shí)別模型能夠滿足作業(yè)需求。

3 螺栓中心點(diǎn)提取

在機(jī)器人執(zhí)行防震錘自主檢修任務(wù)時(shí)，需要安裝在維修機(jī)械臂上的攝像頭設(shè)備螺栓并提取中心點(diǎn)。要使螺栓緊固機(jī)構(gòu)正確完成任務(wù)則要求螺栓中心點(diǎn)提取精度足夠高。為尋找一個(gè)合適中心點(diǎn)提取方法，本文將使用中心矩法和Hough 變換法分別對(duì)螺栓實(shí)物圖像的中心點(diǎn)進(jìn)行提取實(shí)驗(yàn)，并通過(guò)計(jì)算提取結(jié)果的標(biāo)準(zhǔn)差來(lái)比較兩種方法的效果。

標(biāo)準(zhǔn)差計(jì)算公式如下：

式中，xi為計(jì)算中心點(diǎn)x 軸或y 軸像素坐標(biāo)，為xi的平均值。

在對(duì)螺栓中心點(diǎn)進(jìn)行提取之前，需對(duì)螺栓灰度圖像進(jìn)行二值化處理[12]，本文采用自適應(yīng)二值化方法對(duì)螺栓灰度圖像進(jìn)行處理，處理效果如圖3 所示。

圖3 二值化效果圖

3.1 中心矩法

中心矩法通過(guò)計(jì)算物體在圖像上的質(zhì)心來(lái)確定其中心點(diǎn)。中心矩法具有計(jì)算速度快，算法簡(jiǎn)單的特點(diǎn)。尤其在光斑光強(qiáng)比較均勻、對(duì)稱性好的情況時(shí)效果更加突出。但是只能檢測(cè)光斑中心、不能檢測(cè)半徑。要計(jì)算二值化后圖像的質(zhì)心需先計(jì)算圖像零階矩m00、一階矩m10、二階矩m01：

式中，當(dāng)圖像像素點(diǎn)為亮點(diǎn)時(shí)g(i, j)=1，當(dāng)圖像像素點(diǎn)為暗點(diǎn)時(shí)g(i, j)=0。

中心位置坐標(biāo)由下式計(jì)算：

3.2 Hough變換法

Hough 變 換 是 由Paul Hough 于1962 年 提出的一種檢測(cè)圓的算法，它是一種基于累加器的投票機(jī)制用來(lái)檢測(cè)圓特征的算法，具有精度高，抗干擾能力強(qiáng)等優(yōu)點(diǎn)[13]。它的基本思想是：將原始圖像從原圖像空間變換到參數(shù)空間，并在參數(shù)空間中使用大多數(shù)邊界點(diǎn)都滿足的某種參數(shù)形式作為圖像中的曲線的描述，再通過(guò)設(shè)置累加器對(duì)參數(shù)進(jìn)行累積，其峰值對(duì)應(yīng)的點(diǎn)就是所需要的信息。

對(duì)于一個(gè)如式（13）描述的圓，Hough 變換先對(duì)原始灰度圖像進(jìn)行邊緣檢測(cè)，理想情況下，對(duì)像素空間的一個(gè)點(diǎn)(x,y)，其在三維參數(shù)空間(a,b,r) 中對(duì)應(yīng)一個(gè)圓錐；而像素空間的一個(gè)圓就對(duì)應(yīng)著這三維參數(shù)空間中一簇圓錐。這一簇圓錐將相交于一個(gè)點(diǎn)，當(dāng)這個(gè)點(diǎn)的三維參數(shù)一定，就能找到其所對(duì)于的像素空間中的圓，Hough 變換提取圓心原理如圖4 所示。

圖4 Hough變換提取圓心原理

3.3 螺栓中心點(diǎn)提取實(shí)驗(yàn)

為了對(duì)比中心矩法和Hough 變換法用于提取螺栓中心的效果，本文利用圖3 所示的螺栓圖片進(jìn)行對(duì)比實(shí)驗(yàn)，原始灰度圖片會(huì)先經(jīng)過(guò)二值化處理，再使用加入均值為0、方差為25 的高斯白噪聲，具體實(shí)驗(yàn)流程如下圖所示：

圖5 實(shí)驗(yàn)流程

中心矩法和Hough 變換法都將進(jìn)行100 次獨(dú)立實(shí)驗(yàn)，最終實(shí)驗(yàn)結(jié)果如下表所示：

表2 中心點(diǎn)提取實(shí)驗(yàn)結(jié)果

如表2 所示，采用Hough 變換法提取螺栓中心點(diǎn)在x軸和y軸標(biāo)準(zhǔn)差均更小，這說(shuō)明Hough 變換法對(duì)于螺栓中心點(diǎn)的提取更穩(wěn)定。

根據(jù)本文的實(shí)驗(yàn)結(jié)果，Hough 變換法相較于中心矩法更適合于帶電作業(yè)機(jī)器人防震錘檢修過(guò)程中用于提取螺栓中心位置。且由于螺栓松動(dòng)，螺栓中心軸與防震錘螺栓安裝表面會(huì)存在一定的傾角，這時(shí)相機(jī)拍攝的螺栓圖像會(huì)出現(xiàn)傾斜，此時(shí)采用中心矩法求螺栓中心時(shí)需對(duì)相機(jī)角度進(jìn)行修正，不利于帶電作業(yè)機(jī)器人實(shí)際操作。

4 結(jié)束語(yǔ)

本文主要研究了帶電作業(yè)機(jī)器人在防震錘檢修過(guò)程中對(duì)防震錘和螺栓的識(shí)別，以及螺栓中心點(diǎn)的提取過(guò)程。防震錘在抵抗高壓輸電線路因風(fēng)力作用而產(chǎn)生振動(dòng)過(guò)程中發(fā)揮著重要作用，而螺栓的松動(dòng)是防震錘失效的主要原因之一。為了能夠高效識(shí)別出架空導(dǎo)線上的防震錘與螺栓，本文利用基于徑向基函數(shù)所構(gòu)造支持向量機(jī)對(duì)所采集的防震錘、螺栓、線夾和絕緣子圖像進(jìn)行識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，該方法能夠在訓(xùn)練樣本較少的情況下有效滿足帶電作業(yè)機(jī)器人在高壓架空線路環(huán)境下的識(shí)別任務(wù)。

針對(duì)螺栓中心點(diǎn)的提取工作，本文分別利用中心矩法和Hough 變換法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明Hough 變換法對(duì)于帶電作業(yè)機(jī)器人的工作需求是一種更加穩(wěn)定的方法。

本文的部分研究?jī)?nèi)容還未完全深入，需要更進(jìn)一步的研究工作，如支持向量機(jī)核函數(shù)的選取問(wèn)題和支持向量機(jī)及核函數(shù)的參數(shù)尋優(yōu)問(wèn)題，架空線路帶電作業(yè)機(jī)器人所處的工作環(huán)境較為特殊，在這種特殊環(huán)境下的相關(guān)研究有待進(jìn)一步深入。