白健鵬，王巍，陳雨溪，焦嵩鳴

（華北電力大學(xué) 自動化系，河北 保定 071003）

2021 年3 月，十三屆全國人大四次會議通過 的“十四五”規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要中提出“要制定 2030 年前碳達(dá)峰行動方案，努力爭取 2060年前實(shí)現(xiàn)碳中和”[1]。實(shí)現(xiàn)以風(fēng)電為代表的可再生能源高質(zhì)量和規(guī)?；l(fā)展，是構(gòu)建新型電力系統(tǒng)、加速能源轉(zhuǎn)型進(jìn)程、實(shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵所在[2]。

因風(fēng)電機(jī)組主要分布在比較偏遠(yuǎn)且環(huán)境惡劣的地區(qū)，在迅速發(fā)展的同時(shí)，風(fēng)機(jī)葉片表面結(jié)冰、斷裂、剝落等一系列故障問題也相應(yīng)而生，此類故障不僅嚴(yán)重影響機(jī)組的正常使用壽命，同時(shí)還帶來高額的維護(hù)成本[3]。傳統(tǒng)風(fēng)機(jī)葉片檢測方法費(fèi)時(shí)費(fèi)力無法滿足大面積檢測要求，采用無人機(jī)檢測可實(shí)現(xiàn)風(fēng)機(jī)葉片低強(qiáng)度、快速化、低成本、少停機(jī)式巡檢，盡早發(fā)現(xiàn)葉片表面損傷并及時(shí)進(jìn)行處理。風(fēng)力發(fā)電機(jī)停機(jī)后其槳葉位置不確定，應(yīng)用無人機(jī)對其自主巡視時(shí)，無法采用固定巡檢路線，故需使用無人機(jī)對風(fēng)機(jī)的全景拍攝，并運(yùn)用目標(biāo)檢測算法對槳葉、輪轂進(jìn)行實(shí)時(shí)檢測，進(jìn)而對槳葉葉尖精準(zhǔn)定位。

傳統(tǒng)的目標(biāo)檢測方法已不能適應(yīng)日益復(fù)雜的應(yīng)用環(huán)境[4]。而深度學(xué)習(xí)由于其強(qiáng)大的特征提取能力，在目標(biāo)檢測任務(wù)中展現(xiàn)出強(qiáng)大的優(yōu)勢。然而，隨著網(wǎng)絡(luò)層數(shù)的加深，所包含的參數(shù)量信息也隨之增大，深度網(wǎng)絡(luò)密集復(fù)雜的計(jì)算對硬件要求非常高，導(dǎo)致難以將其部署在普通硬件設(shè)備上[5-6]。由于機(jī)載計(jì)算板的計(jì)算能力有限，需對目標(biāo)檢測算法進(jìn)行改進(jìn)，以達(dá)到輕量化的目的。

近年來，一些研究人員通過模型量化[7-8]、參數(shù)剪枝[9]、知識蒸餾[10]和設(shè)計(jì)輕量型架構(gòu)單元等技術(shù)來達(dá)到網(wǎng)絡(luò)模型儲存量和計(jì)算量降低的目=的[11]。相比上述幾種技術(shù)，手工設(shè)計(jì)的輕量型架構(gòu)單元具有遷移快速、即插即用等優(yōu)點(diǎn)，早已成為輕量型網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)的主流，并在下游任務(wù)目標(biāo)檢測和圖像分割任務(wù)上表現(xiàn)出優(yōu)異性能。MobileNetv2[12]采用了深度可分離卷積和倒殘差塊，減少了模型的計(jì)算浮點(diǎn)數(shù)，同時(shí)大大提高了計(jì)算效率。ShuffleNetv2[13]利用分組卷積和通道改組操作減少了網(wǎng)絡(luò)結(jié)構(gòu)不必要的開銷。Shift-Net[14]提出用交錯(cuò)的移位運(yùn)算和逐點(diǎn)卷積來取代昂貴的空間卷積。GhostNet[15]提出了一種新的Ghost 模塊，通過低成本的線性變換生成能夠揭示內(nèi)在特征信息的特征圖，從而提高模型的整體性能。

在風(fēng)機(jī)槳葉定位領(lǐng)域一些相關(guān)專家和學(xué)者也進(jìn)行了一定的研究，潘佳捷[16]提出一種基于已知風(fēng)機(jī)結(jié)構(gòu)的槳葉定位方法，首先通過手動操控使無人機(jī)正對風(fēng)機(jī)后對風(fēng)機(jī)進(jìn)行全景圖像采集，利用人工的方式檢測圖像中的槳葉信息，再通過視覺測量算法解算槳葉的空間位置坐標(biāo)，但該方法仍需人工參與，操作難度較大，對操作員的要求較高。朱凱華[17]提出一種基于ED-Lines 算法的槳葉定位方法，該方法首先使無人機(jī)飛行至正對風(fēng)機(jī)位置進(jìn)行圖像采集，然后提取圖像中槳葉的邊緣直線解算槳葉角度，最后通過風(fēng)機(jī)的實(shí)際物理參數(shù)對槳葉進(jìn)行三維空間定位，但此方法需使無人機(jī)正對風(fēng)機(jī)，定位精度依賴無人機(jī)正對效果。勾月凱等[18]提出一種風(fēng)電機(jī)組葉片智能巡檢策略，其包含對風(fēng)機(jī)槳葉定位的方法，此方法將無人機(jī)所采集到的風(fēng)機(jī)整體圖像遠(yuǎn)程傳輸至地面站，再利用圖像解析模塊獲取風(fēng)機(jī)的航向角以及槳葉的相位角，從而對槳葉進(jìn)行精確定位，但該策略中另需部署一套完整的圖像傳輸系統(tǒng)，成本較高且較為復(fù)雜。Kanellakis 等[19]使用超帶寬技術(shù)對巡檢無人機(jī)進(jìn)行定位，然后利用無人機(jī)對風(fēng)力發(fā)電機(jī)進(jìn)行水平切片圖像采集，進(jìn)而對風(fēng)機(jī)槳葉角度進(jìn)行解算并根據(jù)已知的風(fēng)機(jī)尺寸信息對其精準(zhǔn)定位，但此算法依賴超寬帶技術(shù)的定位精度，需在每個(gè)風(fēng)機(jī)周圍布置多個(gè)錨點(diǎn)，實(shí)際部署成本較高，難度較大。Guo 等[20]提出一種基于Mask R-CNN 深度學(xué)習(xí)的風(fēng)機(jī)槳葉定位方法，獲取風(fēng)機(jī)全景圖后利用深度學(xué)習(xí)算法提取圖像中的風(fēng)機(jī)信息，最后通過無人機(jī)的位置信息以及機(jī)組基礎(chǔ)信息對槳葉葉尖的空間坐標(biāo)進(jìn)行計(jì)算，以實(shí)現(xiàn)風(fēng)機(jī)槳葉的精確定位，但該方法中所采用的深度學(xué)習(xí)算法對機(jī)載計(jì)算機(jī)的性能有較高的要求。MOOLAN-FEROZE 等[21]利用卷積神經(jīng)網(wǎng)絡(luò)對風(fēng)機(jī)各部位進(jìn)行檢測，通過風(fēng)機(jī)模型的結(jié)構(gòu)信息和無人機(jī)的位姿信息對風(fēng)機(jī)槳葉進(jìn)行三維重建，從而對槳葉葉尖進(jìn)行定位，此方法中所使用的卷積神經(jīng)網(wǎng)絡(luò)檢測速度較慢，同樣難以對風(fēng)機(jī)進(jìn)行實(shí)時(shí)目標(biāo)檢測。

本文提出了一種基于輕量型YOLOv5 的風(fēng)機(jī)槳葉檢測與空間定位方法，在已知風(fēng)力發(fā)電機(jī)模型參數(shù)、風(fēng)機(jī)塔筒精確位置坐標(biāo)的基礎(chǔ)上，令無人機(jī)對風(fēng)力發(fā)電機(jī)進(jìn)行全景圖像采集；并使用目標(biāo)檢測算法檢測出全景圖中的風(fēng)機(jī)輪轂和槳葉，進(jìn)而得到全景圖像中風(fēng)機(jī)輪轂以及槳葉葉尖的像素坐標(biāo)；考慮到無人機(jī)機(jī)載計(jì)算板的計(jì)算能力有限，為提高檢測效率，減輕機(jī)載計(jì)算板的運(yùn)行負(fù)擔(dān)，故對YOLOv5 目標(biāo)檢測器進(jìn)行輕量化設(shè)計(jì)；最后利用無人機(jī)當(dāng)前的位姿狀態(tài)以及提取到的特征信息解算風(fēng)機(jī)的精確航向角，同時(shí)根據(jù)成像平面與槳葉平面的空間幾何關(guān)系，進(jìn)一步對槳葉角度進(jìn)行計(jì)算，從而對風(fēng)機(jī)槳葉進(jìn)行精準(zhǔn)定位。

1 Shuffle-YOLOv5 輕量化設(shè)計(jì)

文獻(xiàn)[12,14-15]雖然考慮到模型的計(jì)算復(fù)雜度和參數(shù)量，減少網(wǎng)絡(luò)前向推理的理論耗時(shí)，但是計(jì)算復(fù)雜度和參數(shù)量只是衡量目標(biāo)檢測器的實(shí)際推理耗時(shí)的間接指標(biāo)。內(nèi)存訪問成本、模型并行程度、組卷積操作數(shù)量以及元素級操作同樣是影響實(shí)際推理耗時(shí)的重要因素。

受ShuffleNetv2 的啟發(fā)，以分組數(shù)量為2 的通道改組(channel shuffle)以及縮小分組數(shù)量的深度分組卷積(depthwise convolution,DWConv)操作能最大限度地降低存儲器訪問成本以及計(jì)算復(fù)雜度。本文以YOLOv5s 作為基礎(chǔ)目標(biāo)檢測器，由于YOLOv5s 的初始層Focus 模塊在本文實(shí)驗(yàn)開展的邊緣設(shè)備ARM 平臺上執(zhí)行效率低下，故將其替換為Stem 層，將YOLOv5s 的初始Focus 層替換為Stem 層，ShuffleNetv2 中的基礎(chǔ)模塊ShuffleBlock(SFB)替換YOLOv5s 的Darknet53[22]主干網(wǎng)絡(luò)，為充分發(fā)揮SFB 特征提取潛能，保證特征提取網(wǎng)絡(luò)的簡潔精干，剔除SPP 層[23]，并保持YOLOv5s原來的PANet 頸部網(wǎng)絡(luò)[24]融合多尺度特征和預(yù)測頭部，形成新的目標(biāo)檢測器Shuffle-YOLOv5。相比于原YOLOv5 目標(biāo)檢測器，新的目標(biāo)檢測器Shuffle-YOLOv5 能夠在允許的精度誤差范圍內(nèi)大幅度提升檢測速度。圖1 給出了Shuffle-YOLOv5檢測器整體網(wǎng)絡(luò)架構(gòu)，其中BN 代表Batchnorm2d，ReLU 代表非線性激活函數(shù)。

圖1 Shuffle-YOLOv5 網(wǎng)絡(luò)架構(gòu)Fig.1 Shuffle-YOLOv5 network architecture

為充分提取圖像的深層語義信息，設(shè)計(jì)了步長(stride)分別為1 和2 的兩種SFB 結(jié)構(gòu)，其中步長為1 的SFB 結(jié)構(gòu)不會降低特征圖的尺寸大小，步長為2 的SFB 結(jié)構(gòu)會將特征圖的尺寸大小減半，圖2 展示了兩種SFB 結(jié)構(gòu)。

圖2 SFB 網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 SFB network structure

在相同的計(jì)算復(fù)雜度的情況下，輸入通道數(shù)和輸出通道數(shù)接近1∶1 時(shí)，模型并行程度最高，內(nèi)存訪問成本最小而且模型的計(jì)算速度最快[13]。在SFB 結(jié)構(gòu)中使用卷積操作、通道分離(channel split)、特征圖級聯(lián)(concat)保持輸入和輸出相同的通道數(shù)；在計(jì)算復(fù)雜度一定的情況下，過多的分組數(shù)的DWConv 操作會造成內(nèi)存訪問成本過高，特征圖元素相加操作(Add)同時(shí)會降低網(wǎng)絡(luò)模型的計(jì)算速度，所以在進(jìn)行DWConv 操作前我們盡量將通道數(shù)減半，不使用Add 操作，取而代之的是Concat 操作，并在最后引入通道改組操作，實(shí)現(xiàn)不同通道信息組之間的信息通信以提高特征重復(fù)利用率。

2 槳葉葉尖空間定位方法設(shè)計(jì)

利用本文所設(shè)計(jì)的輕量化YOLOv5 目標(biāo)檢測算法對風(fēng)力發(fā)電機(jī)進(jìn)行檢測，并提取風(fēng)機(jī)槳葉和輪轂信息，可得到像素坐標(biāo)系下的風(fēng)力發(fā)電機(jī)3 個(gè)槳葉葉尖坐標(biāo)和輪轂中心坐標(biāo)，再利用最小二乘法擬合橢圓，其中輪轂中心為橢圓圓心，葉尖為橢圓上的點(diǎn)。

橢圓方程為

吊腳樓外觀上有一種結(jié)構(gòu)幾何美，吊腳樓的平面多為兩開間或三開間，微呈扇形，結(jié)合江岸曲線自然成形。正面觀為一個(gè)個(gè)矩形，彌合了地形的差異，整齊美觀。腰廊形成的水平線和腰檐下的帶形窗形成的光影變化，使樓群的外觀更加生動，與下部密集支柱的垂直線條產(chǎn)生強(qiáng)烈的對比。

式中：a、b為橢圓的兩個(gè)軸長；(u0,v0)為輪轂中心的像素坐標(biāo)。將3 個(gè)葉尖坐標(biāo)代入式(1)可得：

式中 (ui,vi),i=1,2,3為槳葉葉尖的像素坐標(biāo)。利用最小二乘法對式(2)進(jìn)行求解，即可解得橢圓的軸長a、b。

因無人機(jī)對風(fēng)力發(fā)電機(jī)進(jìn)行全景圖拍攝時(shí)，基本保持在與輪轂同高度處，由幾何關(guān)系可知a≥b，即像素坐標(biāo)系下橢圓在u方向上的軸長大于v方向上的軸長，如圖3 所示。

圖3 全景圖拍攝示意Fig.3 Panorama shooting diagram

無人機(jī)所搭載攝像頭的成像平面與風(fēng)力發(fā)電機(jī)槳葉平面均與地平面垂直，由幾何關(guān)系可得

式中 θ為兩平面之間的平面夾角。

根據(jù)式(3)中的θ 與無人機(jī)此時(shí)的偏航角，即可計(jì)算出風(fēng)力發(fā)電機(jī)的航向角。由于槳葉平面與地平面垂直，從而可得風(fēng)機(jī)槳葉平面的法向量，進(jìn)一步可解得槳葉平面所在方程，此方程可表示為

將成像平面內(nèi)橢圓上的葉尖坐標(biāo)點(diǎn)qi(i=1,2,3)投影至圓上，投影點(diǎn)記為pi(i=1,2,3)，如圖4 所示。令起點(diǎn)為輪轂中心，方向垂直向下的單位向量為 η，任意取風(fēng)機(jī)的一個(gè)槳葉作為基準(zhǔn)槳葉，并以輪轂中心為起點(diǎn)，以此基準(zhǔn)槳葉的投影點(diǎn)pi為終點(diǎn)形成的向量作為槳葉基準(zhǔn)向量，則槳葉基準(zhǔn)向量與 η之間的夾角即為所在基準(zhǔn)槳葉的槳葉角度，再利用風(fēng)力發(fā)電機(jī)3 個(gè)槳葉間的角度關(guān)系，即可得到所有槳葉的槳葉角度，如式(5)所示：

圖4 槳葉葉尖投影示意圖Fig.4 Paddle blade tip projection diagram

式中：α1為基準(zhǔn)槳葉的槳葉角度；αi,i=2,3為其余2 個(gè)槳葉的槳葉角度。

通過式(5)計(jì)算出所有槳葉的角度后，可根據(jù)風(fēng)力發(fā)電機(jī)的槳葉長度，解算槳葉葉尖的三維空間位置坐標(biāo)。

輪轂的三維空間坐標(biāo)已知，槳葉平面方程如式(4)所示，每個(gè)槳葉葉尖與輪轂之間的距離固定，利用計(jì)算出來的槳葉角度 αi，將槳葉葉尖投影至地平面，可得方程：

式中：(x0,y0,z0) 為輪轂的三維空間坐標(biāo)；R為槳葉長度，即槳葉葉尖與輪轂之間的實(shí)際物理距離；(xi,yi,zi),i=1,2,3為槳葉葉尖的三維空間坐標(biāo)。

由式(6) 即可解得槳葉葉尖的地平面坐標(biāo)(xi,yi)，再由幾何關(guān)系可得葉尖高度與槳葉角度之間的關(guān)系，如式(7)所示，即可解得槳葉葉尖的高度坐標(biāo)zi。解算示意圖如圖5 所示。

圖5 槳葉坐標(biāo)解算示意圖Fig.5 Schematic diagram of the paddle coordinate solution

3 實(shí)驗(yàn)驗(yàn)證及結(jié)果分析

無人機(jī)采用大疆經(jīng)緯M210，所搭載的機(jī)載計(jì)算機(jī)為大疆MANIFOLD2-C 256GB，CPU 模塊的型號參數(shù)為Inter?Corei7-8550U，內(nèi)存為8 GB，所搭載的攝像頭型號為大疆禪思Z30 云臺相機(jī)，配備30 倍光學(xué)變焦鏡頭與6 倍數(shù)碼變焦，采用Type1/28 CMOS 傳感器，分辨率為1 920×1 080，如圖6 所示。

圖6 無人機(jī)及各部件Fig.6 Drone and it’s component

為更加貼合實(shí)際，將測試環(huán)境設(shè)置在學(xué)校較為空曠的操場上，測試環(huán)境中的風(fēng)力發(fā)電機(jī)為縮略模型如圖7 所示，其參數(shù)如表1 所示。

表1 風(fēng)力發(fā)電機(jī)參數(shù)Table 1 Wind turbine parameters cm

圖7 風(fēng)力發(fā)電機(jī)模型Fig.7 Wind turbine model

3.1 Shuffle-YOLOv5 風(fēng)機(jī)檢測及模型對比

在無人機(jī)位于與風(fēng)機(jī)輪轂同高度處，風(fēng)機(jī)輪轂位于圖像中心，且所有槳葉可完整呈現(xiàn)在圖像的前提下，無人機(jī)可對不同槳葉角度和航向角度的風(fēng)力發(fā)電機(jī)進(jìn)行全景圖采集。風(fēng)力發(fā)電機(jī)的航向角在-60°～60°每隔12°取點(diǎn)，如圖8 中的紅色線所示，同時(shí)槳葉角度在-60°～60°每隔12°再次取點(diǎn)，如圖8 中的黃色線所示。在所有點(diǎn)位可采集121 張風(fēng)機(jī)全景圖，將此121 張全景圖按照7∶3 的比例劃分作為輕量型YOLOv5 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集與驗(yàn)證集，即85 張全景圖作為訓(xùn)練集，36 張全景圖作為驗(yàn)證集。

圖8 全景圖取點(diǎn)示意Fig.8 Points taking diagram of panoramic

為準(zhǔn)確定位像素坐標(biāo)系下輪轂中心坐標(biāo)和槳葉坐標(biāo)，本文設(shè)計(jì)了3 種檢測標(biāo)注框，即風(fēng)機(jī)、葉尖、輪轂，標(biāo)注框數(shù)量比為1∶3∶1。圖9 給出了標(biāo)注示例。

圖9 目標(biāo)框標(biāo)注示例Fig.9 Example of target box labeling

本文采用目標(biāo)檢測模型中常用的評價(jià)指標(biāo)平均精度均值(mean average precision,mAP)對模型進(jìn)行評估，通過度量目標(biāo)檢測框與真值框間的交并比(intersection over union,IoU)計(jì)算各類目標(biāo)平均精度(average precision,AP)，以所有類目標(biāo)的AP 平均值作為目標(biāo)檢測模型的最終評價(jià)指標(biāo)?？紤]到檢測器邊界框定位坐標(biāo)的準(zhǔn)確性，列出IoU 閾值為0.5 時(shí)的mAP50 和10 個(gè)IoU(范圍為0.5～0.95)閾值的平均值mAP50:95 的情況。

在NVIDIA RTX3090 圖形處理器上以Pytorch1.7.1 環(huán)境實(shí)現(xiàn)了Shuffle-YOLOv5。在訓(xùn)練階段，使用了YOLOv5s 中PANet 部分的預(yù)訓(xùn)練模型。共訓(xùn)練300 個(gè)Epochs，前3 個(gè)Epoch 用于熱身訓(xùn)練，模型訓(xùn)練和測試的圖像尺寸最長邊保持在640 像素，batchsize 設(shè)置為16，使用SGD 優(yōu)化器進(jìn)行訓(xùn)練，以0.001 作為余弦退火學(xué)習(xí)率調(diào)度的初始學(xué)習(xí)速率，使用數(shù)據(jù)增強(qiáng)技術(shù)提高模型的泛化能力，例如：左右翻轉(zhuǎn)、尺寸變化和馬賽克增強(qiáng)等。

為證明Shuffle-YOLOv5 的有效性，從mAP50、mAP50:95、參數(shù)量、10 億次浮點(diǎn)運(yùn)算(GFLOPs)和單張檢測時(shí)間5 個(gè)角度來和其他輕量型目標(biāo)檢測器作對比，并保持同樣的輸入尺寸640×640，所有目標(biāo)檢測器所依賴的硬件設(shè)備為大疆MANIFOLD2-C 256GB，CPU 模塊為Inter?Corei7-8550U，內(nèi)存為8 GB，表2 給出了對比效果。

表2 輸入圖像尺寸640×640 像素輕量型目標(biāo)檢測器對比結(jié)果Table 2 Comparison of results based on an input image size of 640×640 for lightweight target detection

與原YOLOv5s 相比，Shuffle-YOLOv5 在mAP50指標(biāo)上相同，犧牲了0.036 的mAP50:95 的精度，換取了47.29%的速度提升以及78%的參數(shù)量的下降，這對于以CPU 為后端的硬件設(shè)備的框架是非常友好的。和主干網(wǎng)絡(luò)同為ShuffleNetv2 的YOLO-fastestv2 相比mAP50:95 提升20%并且檢測速度相差不大；與其他輕量型目標(biāo)檢測器YOLOv4-tiny 和YOLOv3-tiny 對比結(jié)果來看，Shuffle-YOLOv5 在各個(gè)方面都是最優(yōu)的。

為確保Shuffle-YOLOv5 通用性和泛化性，以充分體現(xiàn)其應(yīng)對不同CPU 硬件設(shè)備的靈活性，本文將圖像尺寸不等間距進(jìn)行調(diào)整為512×512 像素和416×416 像素，分別與上述其他模型進(jìn)行對比，以縱軸為mAP50 和mAP50:95，橫軸為單張圖像檢測時(shí)間繪制曲線圖，如圖10 所示。

圖10 目標(biāo)檢測器mAP 與檢測速度對比曲線Fig.10 Target detector mAP vs.detection speed curve

在圖10 中，每一條曲線代表一種目標(biāo)檢測器，從曲線圖中可以看出，曲線越靠近左上方，檢測性能越優(yōu)，Shuffle-YOLOv5 在檢測速度和mAP指標(biāo)上都強(qiáng)于其他輕量型目標(biāo)檢測器。圖像尺寸從640×640 像素降低到416×416 像素，Shuffle-YOLOv5mAP 相較于其他模型沒有明顯下降，單張檢測時(shí)間從68 ms 降低到34 ms，說明Shuffle-YOLOv5 可以在任意圖像尺寸下調(diào)整，以適應(yīng)不同的硬件資源設(shè)備來滿足不同的應(yīng)用場景。

3.2 風(fēng)機(jī)槳葉葉尖定位測試

考慮到在使用輕量型YOLOv5 對風(fēng)力發(fā)電機(jī)進(jìn)行檢測并提取其各部分的像素坐標(biāo)時(shí)存在一定的誤差，故選取槳葉角度所對應(yīng)的槳葉斜率的絕對值與1 最為接近的槳葉作為基準(zhǔn)槳葉。以風(fēng)力發(fā)電機(jī)塔筒底端為原點(diǎn)建立東北天三維空間坐標(biāo)系，根據(jù)風(fēng)力發(fā)電機(jī)的尺寸參數(shù)，可得風(fēng)機(jī)輪轂的空間坐標(biāo)為(0,0,2.27 m)，為驗(yàn)證所設(shè)計(jì)定位算法的有效性，多次選取不同槳葉角度以及航向角度的風(fēng)力發(fā)電機(jī)，同時(shí)令無人機(jī)飛至坐標(biāo)(2.5 m,0,2.2 m)處，此位置與風(fēng)機(jī)輪轂的水平距離為2.5 m，對風(fēng)機(jī)進(jìn)行槳葉葉尖定位測試。

選取其中1 次的定位結(jié)果進(jìn)行展示，采集到的全景圖如圖11 所示，此風(fēng)力發(fā)電機(jī)槳葉葉尖的實(shí)際坐標(biāo)如表3 所示，定位坐標(biāo)如表4 所示。

圖11 風(fēng)機(jī)全景Fig.11 Panoramic view of the wind turbine

將表3 和表4 進(jìn)行對比，此風(fēng)力發(fā)電機(jī)3 個(gè)槳葉葉尖定位的x方向平均定位誤差為1.4 cm；y方向定位誤差為3.3 cm，即水平誤差為3.6 cm；z方向定位誤差，即高度誤差為3.7 cm；整體三維誤差為5.2 cm。多次定位試驗(yàn)表明，槳葉葉尖的高度誤差僅小于5 cm，水平誤差僅小于5 cm，整體三維誤差僅小于10 cm。該定位方法可通過無人機(jī)的簡易運(yùn)動實(shí)現(xiàn)實(shí)時(shí)、快速、精確地得到風(fēng)力發(fā)電機(jī)槳葉葉尖的定位結(jié)果。

表3 槳葉葉尖實(shí)際坐標(biāo)Table 3 Actual coordinates of the paddle blade tip cm

表4 槳葉葉尖定位坐標(biāo)Table 4 Paddle blade tip positioning coordinates cm

4 結(jié)束語

為解決無人機(jī)機(jī)載計(jì)算板能力有限，普通目標(biāo)檢測器內(nèi)存開銷大與檢測速度慢的問題，本文提出了以YOLOv5 為基礎(chǔ)的輕量型Shuffle-YOLOv5目標(biāo)檢測器。對比實(shí)驗(yàn)表明，Shuffle-YOLOv5 在精確度降低很少的情況下，參數(shù)量縮減78%，檢測速度提升47%，并在416×416 像素輸入圖像尺寸下可達(dá)29.4 f/s 的實(shí)時(shí)檢測速度，并優(yōu)于現(xiàn)階段其他輕量型目標(biāo)檢測器。風(fēng)機(jī)槳葉葉尖定位測試結(jié)果表明，所提出的定位方法可對風(fēng)機(jī)槳葉葉尖進(jìn)行精準(zhǔn)定位，定位的高度誤差僅在5 cm 以內(nèi)，水平誤差僅在5 cm 以內(nèi)，整體三維誤差僅在10 cm 以內(nèi)。

綜上所述，在風(fēng)力發(fā)電機(jī)模型參數(shù)以及塔筒精確位置坐標(biāo)已知的基礎(chǔ)上，所提出的基于輕量型YOLOv5 的風(fēng)機(jī)槳葉檢測與空間定位方法可根據(jù)無人機(jī)所采集到的風(fēng)機(jī)全景圖對風(fēng)力發(fā)電機(jī)進(jìn)行快速且準(zhǔn)確的檢測，并對槳葉葉尖進(jìn)行精準(zhǔn)定位，同時(shí)所提方法無需過多硬件設(shè)備，僅需一個(gè)較為通用的掛載機(jī)載計(jì)算機(jī)和高清攝像頭的巡檢無人機(jī)即可完成對風(fēng)力發(fā)電機(jī)槳葉的定位，成本較低且在實(shí)際場景中易于部署和實(shí)現(xiàn)，給邊緣設(shè)備目標(biāo)檢測器輕量化改進(jìn)提供了新思路，為后續(xù)的對大型風(fēng)力發(fā)電機(jī)槳葉巡檢的路徑規(guī)劃研究提供理論依據(jù)和便利條件。