羅顯躍，周敬余，禹天潤(rùn)，潘俊，周思源，齊冬蓮

(1.貴州電網(wǎng)有限責(zé)任公司銅仁供電局，貴州 銅仁 554300； 2.浙江大學(xué) 電氣工程學(xué)院，杭州 310027)

0 引 言

近年來(lái)隨著經(jīng)濟(jì)社會(huì)的成長(zhǎng)，人們的生活質(zhì)量不斷提高，對(duì)電力能源的需求隨之不斷增大，這對(duì)輸電線路及變電站的管理也就提出了更高的要求[1]。二次屏柜作為變電站室內(nèi)高壓設(shè)備運(yùn)行狀態(tài)監(jiān)控的重要組成部分，在整個(gè)變電站的正常運(yùn)行中起著非常重要的作用[2]。目前，變電站內(nèi)二次屏柜的巡檢過(guò)程仍以人工巡檢為主，任務(wù)重復(fù)而又繁瑣，不便于留存設(shè)備異常歷史圖像，巡檢工作仍存在諸多困難[3]。

在這樣的形勢(shì)下，以往的人工巡檢過(guò)程中有時(shí)會(huì)出現(xiàn)因巡檢工作人員精神狀態(tài)不佳、巡檢態(tài)度不認(rèn)真等原因而導(dǎo)致的誤檢和漏檢問(wèn)題，以及人工無(wú)法24 h實(shí)時(shí)進(jìn)行巡檢工作等原因?qū)е略谠O(shè)備異常時(shí)不能及時(shí)報(bào)警等問(wèn)題，使得人工巡檢已不能滿足變電站管理的需要。近年來(lái)，各個(gè)變電站為提升站內(nèi)設(shè)備巡檢的智能化與有效管理水平，開始逐漸將巡檢機(jī)器人應(yīng)用到巡檢過(guò)程中，且已取得初步成效，機(jī)器人的加入大大提高了變電站內(nèi)日常巡檢的效率和質(zhì)量，并且機(jī)器人技術(shù)的推廣，對(duì)電力系統(tǒng)的安全運(yùn)行，起到了非常重要的保障作用。近些年，隨著多旋翼無(wú)人機(jī)技術(shù)的成熟與消費(fèi)型無(wú)人機(jī)的大力推廣，多旋翼無(wú)人機(jī)市場(chǎng)的逐漸擴(kuò)大，因此無(wú)人機(jī)被電網(wǎng)看好，并逐漸推廣應(yīng)用到室外輸電線路巡檢任務(wù)中，這節(jié)約了大量的人力、物力、財(cái)力。目前全國(guó)各電網(wǎng)公司已經(jīng)配備了巡檢無(wú)人機(jī)數(shù)千架，但幾乎全是用來(lái)巡檢室外的桿塔、輸電線路等輸電設(shè)備，而將無(wú)人機(jī)用于變電站室內(nèi)巡檢還非常罕見(jiàn)。因此，為解放變電站內(nèi)工人雙手并提高巡檢效率，文章就多旋翼無(wú)人機(jī)在變電站室內(nèi)自動(dòng)化巡檢二次屏柜的應(yīng)用展開探索研究。

1 無(wú)人機(jī)巡檢系統(tǒng)設(shè)計(jì)

文中設(shè)計(jì)的無(wú)人機(jī)巡檢系統(tǒng)架構(gòu)如圖1所示，主要由機(jī)載巡檢系統(tǒng)和地面站系統(tǒng)[4]。機(jī)載巡檢系統(tǒng)主要包括飛行控制模塊、室內(nèi)定位模塊、圖像采集模塊、數(shù)據(jù)傳輸模塊[5]；而地面站系統(tǒng)主要包括設(shè)備控制模塊、數(shù)據(jù)傳輸模塊、圖像識(shí)別模塊和異常報(bào)警模塊。

圖1 無(wú)人機(jī)巡檢系統(tǒng)Fig.1 UAV inspection system

無(wú)人機(jī)巡檢系統(tǒng)工作流程如下：無(wú)人機(jī)通過(guò)識(shí)別地面二維碼，并結(jié)合飛控內(nèi)外的傳感器數(shù)據(jù)對(duì)無(wú)人機(jī)的位姿進(jìn)行控制。無(wú)人機(jī)按照預(yù)先設(shè)計(jì)的巡檢路徑飛行，通過(guò)機(jī)載攝像頭采集二次屏柜的圖像，然后樹莓派在局域網(wǎng)中把圖片發(fā)送到地面站服務(wù)器端。服務(wù)器獲得現(xiàn)場(chǎng)二次屏柜的圖片后，輸入到預(yù)先訓(xùn)練好的二次屏柜異常檢測(cè)網(wǎng)絡(luò)模型中，輸出電氣開關(guān)和指示燈等的工作情況，并將異常結(jié)果上報(bào)中控室平臺(tái)顯示，提醒工作人員立即進(jìn)行核實(shí)并維修，大大降低了工作人員巡檢的勞動(dòng)強(qiáng)度，并提高了設(shè)備巡檢的準(zhǔn)確度。

2 機(jī)載巡檢系統(tǒng)設(shè)計(jì)

無(wú)人機(jī)在拒止環(huán)境中的自主定位問(wèn)題是制約其廣泛應(yīng)用的瓶頸之一，視覺(jué)定位方法有重要研究意義。文中采用實(shí)驗(yàn)室咨詢組裝的四旋翼無(wú)人機(jī)平臺(tái)為研究對(duì)象，構(gòu)建具有二維碼標(biāo)志的室內(nèi)飛行環(huán)境，研究機(jī)載攝像頭獲取二維碼圖源并解算自身位姿的AprilTag算法，并利用樹莓派進(jìn)行圖傳，開展相應(yīng)的室內(nèi)定位飛行實(shí)驗(yàn)，最終在銅仁變電站進(jìn)行試驗(yàn)并取得較好效果。文章設(shè)計(jì)的無(wú)人機(jī)系統(tǒng)如圖2所示[6]。

圖2 無(wú)人機(jī)系統(tǒng)Fig.2 UAV system

2.1 無(wú)人機(jī)硬件設(shè)計(jì)

2.1.1 無(wú)人機(jī)結(jié)構(gòu)設(shè)計(jì)

文中組裝的無(wú)人機(jī)采用的飛控是穩(wěn)定性較好的Pixhawk 2.4.8開源飛控，同時(shí)采用樹莓派Raspberry Pi 3B做硬件開發(fā)板[7]。機(jī)身搭載的外部傳感器主要包括兩個(gè)單目攝像頭傳感器和一個(gè)超聲波傳感器[8]，兩個(gè)單目攝像頭傳感器均和樹莓派直接相連，而超聲波傳感器直接連接到飛控，樹莓派和飛控之間則是通過(guò)串口方式連接；飛控內(nèi)部包含的傳感器主要是加速度計(jì)、陀螺儀等。機(jī)身搭載的兩個(gè)單目攝像頭傳感器中，一個(gè)為自身帶有處理器的攝像頭OpenMV，安裝方向固定向下，通過(guò)I/O口與樹莓派直接連接，該攝像頭用于拍攝識(shí)別地面二維碼標(biāo)志，在攝像頭自帶處理器中通過(guò)運(yùn)行AprilTag算法對(duì)拍攝的二維碼信息進(jìn)行解算，有效降低了延遲；另一個(gè)攝像頭傳感器為500萬(wàn)像素的工業(yè)攝像頭HXY-500，安裝方向沿機(jī)頭向前，通過(guò)USB口與樹莓派直接連接，用于采集二次屏柜圖像；超聲波傳感器為HC-SR04，安裝方向固定向下，通過(guò)I2C總線與飛控直接連接，用于測(cè)量對(duì)地高度從而實(shí)現(xiàn)無(wú)人機(jī)的精準(zhǔn)定高。

2.1.2 圖像采集設(shè)計(jì)

將設(shè)計(jì)好的二維碼標(biāo)志在從起點(diǎn)起飛到最終飛回起點(diǎn)的飛行路徑垂直投影的地面上，間距均勻地進(jìn)行鋪設(shè)，每個(gè)屏柜前地面上均鋪設(shè)一張二維碼。無(wú)人機(jī)從起點(diǎn)出發(fā)，首先帶有處理器的單目相機(jī)拍攝地面上的二維碼標(biāo)志，通過(guò)攝像頭自帶處理器對(duì)拍攝到的二維碼直接進(jìn)行解碼運(yùn)算，將實(shí)時(shí)讀取的二維碼中包含的相對(duì)于飛機(jī)的位置信息傳到后端連接的樹莓派端，在樹莓派中運(yùn)行對(duì)應(yīng)的代碼段，獲得無(wú)人機(jī)下一步的動(dòng)作與任務(wù)指令，并通過(guò)串口將指令傳輸?shù)斤w控，同時(shí)機(jī)載超聲波傳感器測(cè)量的對(duì)地高度信息傳回到飛控端。飛控結(jié)合樹莓派傳輸?shù)闹噶钆c超聲波傳感器測(cè)量的對(duì)地高度信息，并考慮自身加速度計(jì)、陀螺儀等傳感器測(cè)得的無(wú)人機(jī)姿態(tài)信息，對(duì)電機(jī)轉(zhuǎn)速進(jìn)行控制，從而對(duì)無(wú)人機(jī)的姿態(tài)、動(dòng)作進(jìn)行控制，實(shí)現(xiàn)無(wú)人機(jī)的室內(nèi)精準(zhǔn)定位。

根據(jù)實(shí)際場(chǎng)景設(shè)計(jì)了無(wú)人機(jī)在二次屏柜前的圖像采集路徑，如圖3所示，每個(gè)屏柜高2.4 m，寬0.8 m，按屏柜擺放的順序?qū)γ總€(gè)屏柜依次命名為A、B、C、D、E、F。在距離屏柜較近時(shí)，普通工業(yè)攝像機(jī)無(wú)法通過(guò)只在一個(gè)位置拍攝屏柜的整體圖片。另外屏柜雖分成上、中、下三部分，但由于下部分僅為擋板，無(wú)需采集圖像。圖3中定義了各采集區(qū)域?yàn)锳1、A2、……、F1、F2，定義第一預(yù)置高度h1=2.0 m，第二預(yù)置高度h2=1.2 m。無(wú)人機(jī)沿箭頭所示路線采集圖像，在每一個(gè)拐點(diǎn)處懸停。當(dāng)無(wú)人機(jī)飛到第一個(gè)屏柜前時(shí)，通過(guò)檢測(cè)屏柜前地面上的二維碼，獲得懸停指令發(fā)送到無(wú)人機(jī)，無(wú)人機(jī)結(jié)合超聲波傳感器的高度信息在該屏柜前逐漸調(diào)整自身姿態(tài)與高度，實(shí)現(xiàn)精準(zhǔn)穩(wěn)定懸停。

圖3 無(wú)人機(jī)圖像采集路徑Fig.3 UAV image acquisition path

當(dāng)無(wú)人機(jī)在屏柜前達(dá)到第一預(yù)置高度并穩(wěn)定懸停后，飛控將已穩(wěn)定懸停信息傳回到樹莓派，樹莓派執(zhí)行拍照指令。樹莓派控制前置工業(yè)相機(jī)拍攝二次屏柜的視頻流獲得二次屏柜的圖像，為防止懸停過(guò)程中因無(wú)人機(jī)抖動(dòng)等而導(dǎo)致獲得圖像不清晰，在懸停時(shí)間段內(nèi)按1 s時(shí)間間隔截取視頻流中的10張屏柜圖片，并傳回到工業(yè)相機(jī)后端連接的樹莓派中進(jìn)行緩存同時(shí)把圖片依次命名為A10，A11，……，A19，方便在后期圖像處理過(guò)程中，通過(guò)圖片命名識(shí)別出該圖片是哪個(gè)屏柜的哪個(gè)部分。第一預(yù)置高度的圖像采集完成后，需要在水平方位不變的情況下，飛控通過(guò)超聲波傳感器實(shí)時(shí)測(cè)量的高度信息，改變無(wú)人機(jī)的高度到達(dá)第二預(yù)置高度。當(dāng)無(wú)人機(jī)判斷達(dá)到第二預(yù)置高度并且無(wú)人機(jī)穩(wěn)定懸停后，按照前述過(guò)程再次截取視頻流中10張圖片并傳回到樹莓派中，同時(shí)將圖片依次命名為A20，A21，……，A29。至此，第一個(gè)屏柜的圖像采集過(guò)程完畢。

在樹莓派中對(duì)接收到的每一張圖片命名結(jié)束后，立即在局域網(wǎng)中通過(guò)圖傳算法把該屏柜的圖片按照每次一張的速度傳回到地面服務(wù)器中存儲(chǔ)。在完成第一個(gè)屏柜的圖像采集與傳輸后，繼續(xù)執(zhí)行水平飛行動(dòng)作以檢測(cè)下一個(gè)屏柜前二維碼的位置，到達(dá)第二個(gè)屏柜的第二預(yù)置高度后，重復(fù)之前的過(guò)程完成第二個(gè)屏柜的圖像采集并命名B20，B21，……，B29，然后進(jìn)行傳輸。再次改變無(wú)人機(jī)高度到第二個(gè)屏柜的第一預(yù)置高度，重復(fù)之前的過(guò)程完成第二個(gè)屏柜的圖像采集并命名B10，B11，……，B19，再傳輸?shù)降孛娣?wù)器中完成第二個(gè)屏柜的圖像采集與傳輸。然后重復(fù)上述過(guò)程直到所有屏柜的圖片采集完成，無(wú)人機(jī)繼續(xù)沿著地面二維碼，飛回到起點(diǎn)進(jìn)行充電，等待下一次巡檢過(guò)程。

2.2 無(wú)人機(jī)軟件設(shè)計(jì)

2.2.1 AprilTag算法

AprilTag是近年來(lái)提出的一種新的基于二維碼標(biāo)志進(jìn)行定位的視覺(jué)定位方法，適用于各種各樣的任務(wù)，包括增強(qiáng)現(xiàn)實(shí)技術(shù)、機(jī)器人技術(shù)、攝像機(jī)標(biāo)定等。AprilTag使用的二維碼標(biāo)簽在概念上類似于QR 碼,如圖4所示。然而，相比于QR 碼，AprilTag標(biāo)簽用來(lái)編碼的數(shù)據(jù)有效載荷小得多，允許對(duì)光照和遮擋有更好的魯棒性，探測(cè)范圍也更大。另外，AprilTags 標(biāo)簽設(shè)計(jì)的定位精度也非常高。

圖4 AprilTag標(biāo)簽Fig.4 AprilTag tag

使用AprilTag算法需要解決三個(gè)問(wèn)題：一是如何在周圍環(huán)境中根據(jù)不同的像素梯度檢測(cè)出不同的圖像中的各種各樣的邊緣；二是如何在檢測(cè)到的所有類型邊緣圖像中找出需要的四邊形形狀的圖案并篩選出待檢測(cè)的二維碼標(biāo)簽；三是如何對(duì)攝像頭檢測(cè)到的二維碼標(biāo)簽進(jìn)行編碼和解碼運(yùn)算。因此，文中設(shè)計(jì)的AprilTag 算法具體細(xì)化流程如圖5所示。

圖5 AprilTag算法流程Fig.5 AprilTag algorithm flow

由流程圖可知，AprilTag 算法的輸入是單目攝像頭拍攝到的含有二維碼標(biāo)簽的RGB圖像,輸出的結(jié)果為經(jīng)過(guò)一系列運(yùn)算得到的無(wú)人機(jī)相對(duì)于二維碼標(biāo)簽的位姿，再把所得數(shù)據(jù)進(jìn)行坐標(biāo)系轉(zhuǎn)化，從而實(shí)現(xiàn)對(duì)無(wú)人機(jī)的室內(nèi)定位。以圖6(a)為例，下面分別對(duì)AprilTag算法流程涉及的每一步驟作出詳細(xì)解釋。

圖6 示例圖像與算法檢測(cè)過(guò)程Fig.6 Sample image and algorithm detection process

(1)將由單目攝像頭輸入的包含二維碼的彩色圖像轉(zhuǎn)換為0～1灰度圖像[9]；

(2)然后計(jì)算每個(gè)像素計(jì)算梯度的大小和方向并且存儲(chǔ)計(jì)算結(jié)果[10]，如圖6(b)、圖6(c)所示；

(3)通過(guò)聚類有相似梯度的像素來(lái)提取邊緣[11]，如圖6(d)所示，通過(guò)貪心算法提取二維碼邊緣；

(4)如圖6(e)，再次遍歷像素，統(tǒng)計(jì)每個(gè)像素集群中包含的數(shù)據(jù)，將線段擬合到這些像素點(diǎn)上；

(5)遍歷這些像素集群，擬合線段；

(6)以得到的每條線段結(jié)束終點(diǎn)作為新線段的起點(diǎn)，尋找新線段。將這些線段按照逆時(shí)針順序頭尾相接連接起來(lái)，并構(gòu)建二維hash表[12]；

(7)列出所有首尾連接的線段，看是否存在四條線段組成閉合回路，并把所有回路到添加到Quad 列表中；

(8)首先估計(jì)Quad被解讀成0或1的閾值，超過(guò)閾值為1，低于閾值為0。然后解讀由0和1值組成的一個(gè)個(gè)數(shù)字序列；

(9)實(shí)際中可能因二維碼局部遮擋導(dǎo)致搜索多次Quad。若有兩個(gè)相同ID的Quad，選錯(cuò)誤較少的Quad；若錯(cuò)誤量相同，選可觀察邊界較大的；

(10)獲取所使用的單目識(shí)別相機(jī)的內(nèi)外參數(shù)；

(11)使用PnP 算法來(lái)構(gòu)建一組含有檢測(cè)的二維碼位姿數(shù)據(jù)的方程，求解二維碼的位姿參數(shù)；

(12)求解得二維碼坐標(biāo)系在像平面坐標(biāo)系中的位姿數(shù)據(jù)[13]。

運(yùn)行AprilTag算法的工具為自帶處理器的單目攝像頭傳感器，避免了在飛機(jī)的有限負(fù)載能力中搭載大尺寸的外部傳感器。在該算法的幫助下，多旋翼無(wú)人機(jī)能夠在地面鋪設(shè)二維碼標(biāo)志的室內(nèi)環(huán)境下，實(shí)現(xiàn)快速精準(zhǔn)定位。

2.2.2 圖傳算法

圖像傳輸分為樹莓派作為發(fā)射端和地面服務(wù)器作為接收端。通過(guò)運(yùn)行Socket，實(shí)現(xiàn)樹莓派和服務(wù)之間的圖像傳輸[14]。具體的圖傳算法流程如圖7所示。

圖7 圖傳算法流程圖Fig.7 Flow chart of graph transfer algorithm

樹莓派和服務(wù)器之間通過(guò)Socket進(jìn)行連接，并在數(shù)據(jù)傳輸結(jié)束后關(guān)閉Socket[15]。當(dāng)服務(wù)器開始執(zhí)行Socket后，首先與樹莓派端進(jìn)行連接，然后開始接收樹莓派通過(guò)局域網(wǎng)發(fā)送回來(lái)的數(shù)據(jù)。在樹莓派端通過(guò)設(shè)定與服務(wù)器終端相同的IP和Port端口，同時(shí)兩者確定固定的圖片編碼和解碼格式。樹莓派對(duì)攝像頭采集的視頻流進(jìn)行截取圖像幀，并對(duì)圖像進(jìn)行命名，然后進(jìn)行編碼，發(fā)送到服務(wù)器端。服務(wù)器接收后按照相對(duì)應(yīng)的解碼格式進(jìn)行解碼運(yùn)算，即可獲得原始采集圖像。

3 地面站系統(tǒng)設(shè)計(jì)

3.1 圖像識(shí)別算法

在地面服務(wù)器獲得樹莓派傳輸回來(lái)的二次屏柜現(xiàn)場(chǎng)圖片后，將圖片輸入到預(yù)先訓(xùn)練好的圖像識(shí)別網(wǎng)絡(luò)模型中，對(duì)二次屏柜的開關(guān)、指示燈進(jìn)行識(shí)別，并判斷是否正常工作。若正常工作則返回狀態(tài)良好，若工作異常，則結(jié)合識(shí)別出的工作異常圖片的名稱判定出是異?，F(xiàn)象的位置，并立即上報(bào)異常信息，同時(shí)進(jìn)行聲光報(bào)警，提醒工作人員到現(xiàn)場(chǎng)進(jìn)行核實(shí)檢查。

用于變電站二次屏柜圖像識(shí)別采用的是基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法模型， CNN是一種深度學(xué)習(xí)的監(jiān)督模型[16]。

在圖形處理和識(shí)別過(guò)程中，圖形可以表示為像素向量[17]。在傳統(tǒng)的圖像處理中，隨著像素的提高，對(duì)參數(shù)個(gè)數(shù)的要求越來(lái)越高，對(duì)圖像的處理速度產(chǎn)生了一定的影響，而CNN可以有效地減少參數(shù)數(shù)量[18]。如圖8所示， CNN采用了權(quán)值分配的方法[19]。

圖8 卷積神經(jīng)網(wǎng)絡(luò)提取局部原理圖Fig.8 Local schematic diagram of CNN extraction

這種權(quán)值共享的方法是在確定權(quán)值后隨機(jī)選取一個(gè)圖形，將相應(yīng)的權(quán)值大小應(yīng)用于其他相同的圖像塊。

CNN的基本結(jié)構(gòu)包括兩個(gè)層次：特征提取層和特征映射層[20]。在特征提取層中，首先將神經(jīng)元的輸入連接到前一層的局部可接受域，然后提取圖像的局部特征，確定位置關(guān)系[21]。在特征映射層中，作為計(jì)算核心的特征映射是一個(gè)平面，這個(gè)平面上的所有權(quán)值都是相等的[22]。該特征降低了卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算復(fù)雜度和參數(shù)量[23]。同時(shí)，權(quán)值相等，使得網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練可以并行進(jìn)行[24]。

文章利用上述卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)無(wú)人機(jī)拍攝的屏柜圖像進(jìn)行識(shí)別，識(shí)別出柜體上的開關(guān)狀態(tài)、指示燈狀態(tài)信息。

3.2 異常報(bào)警

將單個(gè)采集點(diǎn)的10張圖像輸入到CNN網(wǎng)絡(luò)模型中后，根據(jù)10張圖片的一致性識(shí)別結(jié)果進(jìn)行判別設(shè)備工作是否異常，判別規(guī)則如下：

(1)若單個(gè)采集點(diǎn)的10張圖片中的檢測(cè)異常結(jié)果不少于5張時(shí)，即可判別該圖像對(duì)應(yīng)的采集點(diǎn)處設(shè)備異常，同時(shí)進(jìn)行聲光報(bào)警，提醒工作人員立即進(jìn)行設(shè)備檢查與維修；

(2)若異常檢測(cè)結(jié)果少于5張，則可能是由于無(wú)人機(jī)抖動(dòng)引起的采集的圖像不清晰，進(jìn)而導(dǎo)致的識(shí)別結(jié)果出錯(cuò)，此時(shí)判別為該采集點(diǎn)的設(shè)備正常。

在服務(wù)器輸出屏柜檢測(cè)的狀態(tài)異常結(jié)果后，根據(jù)圖片的命名規(guī)則可以定位到異常屏柜位置，例如，圖片A1i(i= 0,1,…,9)結(jié)果異常表示第一個(gè)屏柜的上半部分的開關(guān)或指示燈異常，圖片A2i結(jié)果異常表示第一個(gè)屏柜的中半部分的設(shè)備異常。服務(wù)器獲得設(shè)備異常的檢測(cè)結(jié)果后立即進(jìn)行聲光報(bào)警，并將異常結(jié)果傳輸?shù)街锌厥业娘@示屏上，以顯示異常設(shè)備的具體位置信息，方便工作人員立即定位到異常位置，并及時(shí)進(jìn)行檢修。同時(shí)將異常檢測(cè)結(jié)果上傳到檢測(cè)歷史記錄中，便于以后打印報(bào)表查看。

4 實(shí)驗(yàn)

4.1 無(wú)人機(jī)調(diào)試

按照文中的設(shè)計(jì)，最終組裝完成的無(wú)人機(jī)如圖9所示。首先對(duì)組裝完成的無(wú)人機(jī)進(jìn)行各項(xiàng)參數(shù)調(diào)試，測(cè)量無(wú)人機(jī)的基礎(chǔ)參數(shù)，如重量、機(jī)翼展開尺寸和對(duì)角線軸距、充電時(shí)間、最大起飛重量等。其中最大飛行時(shí)間是在室內(nèi)密閉無(wú)負(fù)載的環(huán)境下，無(wú)人機(jī)按照地面鋪設(shè)的二維碼，不間斷飛行，最終測(cè)得飛機(jī)的最大飛行時(shí)間為21 min。

圖9 組裝無(wú)人機(jī)Fig.9 Assembly UAV

對(duì)無(wú)人機(jī)開展各項(xiàng)測(cè)試，獲得該無(wú)人機(jī)的各項(xiàng)參數(shù)如表1所示。

表1 無(wú)人機(jī)參數(shù) Tag.1 Parameters of UAV

4.2 訓(xùn)練結(jié)果及分析

卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中，需要設(shè)定很多參數(shù)，如學(xué)習(xí)率、迭代次數(shù)、正則化系數(shù)以及優(yōu)化方法等[25-28]?？偣搏@得變電站現(xiàn)場(chǎng)二次屏柜圖片8 000張，其中7 500張用于訓(xùn)練集，500張用于驗(yàn)證集。文中設(shè)定網(wǎng)絡(luò)訓(xùn)練主要參數(shù)如表2所示。

設(shè)定完參數(shù)后模型開始訓(xùn)練，在不斷的迭代過(guò)程中，將模型每一次迭代的損失函數(shù)打印出來(lái)，繪制成走勢(shì)圖，圖10所示?？梢钥吹剑麄€(gè)訓(xùn)練過(guò)程中，損失函數(shù)的大致趨勢(shì)是在減少，最后基本上達(dá)到穩(wěn)定，說(shuō)明模型對(duì)特征學(xué)習(xí)的較好。

圖10 損失函數(shù)趨勢(shì)圖Fig.10 Loss function trend graph

文中利用在變電站現(xiàn)場(chǎng)拍攝的二次屏柜圖像，對(duì)所提出的卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了測(cè)試。識(shí)別結(jié)果顯示，該網(wǎng)絡(luò)可以識(shí)別出二次柜上的四種型號(hào)的LED燈，并確定柜上開關(guān)的狀態(tài)。圖上開關(guān)狀態(tài)識(shí)別結(jié)果如圖11所示，LED燈識(shí)別結(jié)果如圖12所示。從實(shí)驗(yàn)結(jié)果可以看出，如果使用一個(gè)經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)來(lái)識(shí)別二次屏柜圖像，可以更好地實(shí)現(xiàn)開關(guān)的定位和狀態(tài)識(shí)別。

圖11 開關(guān)狀態(tài)識(shí)別結(jié)果Fig.11 Switch status recognition result

圖12 不同類型LED燈的識(shí)別結(jié)果Fig.12 Recognition results of different types of LED lights

從圖12中，可以看到，該網(wǎng)絡(luò)能準(zhǔn)確定位不同類型的LED燈的位置，并準(zhǔn)確識(shí)別LED燈的類型，它有利于變電站整合不同的二次設(shè)備信息，不同的燈光代表不同的設(shè)備信號(hào)，文中使用的自動(dòng)識(shí)別方法可以自動(dòng)提取二次屏柜信息。

文中所完成的二次屏柜狀態(tài)識(shí)別方法，將開關(guān)識(shí)別網(wǎng)絡(luò)和LED燈識(shí)別網(wǎng)絡(luò)分別在完成訓(xùn)練測(cè)試時(shí)進(jìn)行集成?？梢钥吹?，模型基本上可以對(duì)二次屏柜中的所有種類的指示燈、空氣開關(guān)等都進(jìn)行準(zhǔn)確識(shí)別。識(shí)別結(jié)果的置信度都可以達(dá)到90%及以上，模型訓(xùn)練的結(jié)果比較理想。由此可見(jiàn)，基于CNN模型的圖像識(shí)別算法可以用于變電站二次屏柜的設(shè)備狀態(tài)識(shí)別，并且在經(jīng)過(guò)合適的訓(xùn)練過(guò)程之后，可以達(dá)到比較好的識(shí)別效果。

5 結(jié)束語(yǔ)

文中設(shè)計(jì)了一整套基于多旋翼無(wú)人機(jī)的變電站室內(nèi)二次屏柜智能巡檢辦法，并在此基礎(chǔ)上做了大量實(shí)驗(yàn)，獲得較好的效果。采用文中所述的方法，在很大程度上提高了變電站室內(nèi)巡檢的自動(dòng)化程度，更好地管理了二次設(shè)備的信息，可以實(shí)現(xiàn)變電站二次設(shè)備信息的實(shí)時(shí)采集和監(jiān)控，節(jié)約了人工成本，提高了工作效率，可應(yīng)用于變電站的智能化開發(fā)。

文中設(shè)計(jì)的基于多旋翼無(wú)人機(jī)的變電站室內(nèi)巡檢系統(tǒng)雖應(yīng)用到銅仁變電站內(nèi)取得較好成效，但仍有許多不足之處有待改進(jìn)：

(1)無(wú)人機(jī)姿態(tài)解算精度和抗干擾能力需要進(jìn)一步提高。在實(shí)驗(yàn)中無(wú)人機(jī)有時(shí)會(huì)出現(xiàn)抖動(dòng)漂移現(xiàn)象，所以文中需要在單個(gè)采集點(diǎn)采集10張圖片，以對(duì)比選擇較清晰的圖片來(lái)識(shí)別，從而帶來(lái)大量的識(shí)別計(jì)算量；

(2)圖像識(shí)別準(zhǔn)確率有待進(jìn)一步提高。雖目前對(duì)二次屏柜的開關(guān)和指示燈的正確檢測(cè)效果達(dá)到了90%以上，但仍需進(jìn)一步提高。

故文中在總結(jié)不足之處后，在將來(lái)的一段時(shí)間內(nèi)計(jì)劃在以下方面做更深入的研究：

(1)研究無(wú)人機(jī)控制優(yōu)化算法，通過(guò)增加有效的機(jī)載傳感器數(shù)量以獲取更多無(wú)人機(jī)姿態(tài)信息，從而控制無(wú)人機(jī)懸停更精確，以減少圖像采集數(shù)量，加快圖像識(shí)別速度；

(2)研究更適用的二次屏柜開關(guān)和LED燈的圖像識(shí)別算法，進(jìn)一步提高識(shí)別的準(zhǔn)確率。