智能化視覺系統(tǒng)在配電網(wǎng)帶電接火上的應(yīng)用

陳盛慧，葉良，徐光年，陳寒鈺

(浙江華云信息科技有限公司，浙江 杭州 310000)

0 引言

電力工業(yè)是國民經(jīng)濟持續(xù)快速發(fā)展的基礎(chǔ)。隨著社會經(jīng)濟的快速發(fā)展，人民生產(chǎn)生活對于電力的需求越來越高。配電網(wǎng)處于電力系統(tǒng)末端，是保證電力持續(xù)供給的關(guān)鍵環(huán)節(jié)，其可靠性在整個供電系統(tǒng)中占有非常重要的位置。配電線路進行不停電檢修是近年來電力設(shè)備檢修的趨勢[1]。帶電進行電力設(shè)備檢修是對其升級改造、實現(xiàn)不間斷供電的重要方法。目前，配電網(wǎng)線路帶電進行斷接引流線作業(yè)大多采用人工作業(yè)[2-3]。

我國從20世紀(jì)末開展配電網(wǎng)帶電檢修以來，主要采用傳統(tǒng)方法，即作業(yè)人員穿戴絕緣屏蔽服，使用絕緣手套直接接觸高壓線或使用電力金具等設(shè)備進行帶電接火。21世紀(jì)初有部分地區(qū)開展過采用絕緣操作桿進行配電網(wǎng)帶電斷接引流線作業(yè)。但是配電網(wǎng)線路通常十分緊湊，線路相間距離小，作業(yè)人員帶電接火時易造成短路從而引發(fā)人身傷亡等事故。

為滿足工業(yè)生產(chǎn)及人民對電力持續(xù)供應(yīng)的條件，由機械手接火代替人工接火具有極其廣闊的應(yīng)用前景，而視覺輔助機械手協(xié)同控制是實現(xiàn)機械手代替人工的關(guān)鍵技術(shù)。基于上述需求，本文依據(jù)圖像分割、目標(biāo)檢測、多視幾何等計算機視覺技術(shù)，解決導(dǎo)線與背景的分割、導(dǎo)線位姿的估計、線夾穿線位置的定位等自動化帶電接火難題。為實現(xiàn)自動化、智能化的帶電接火模式提供有力的技術(shù)保障。

1 帶電接火智能化視覺系統(tǒng)設(shè)計

整個系統(tǒng)主要由2個機械手以及若干作業(yè)工具組成，每個機械手攜帶1個單目相機，控制臺搭載1個云臺相機。

帶電接火任務(wù)主要完成導(dǎo)線剝皮、引流線穿入緊固線夾、緊固線夾螺栓等任務(wù)，視覺系統(tǒng)在其中起到了“人眼”的功能：

1)通過計算機圖像分割技術(shù)將導(dǎo)線從復(fù)雜背景中分離，計算導(dǎo)線相對于相機的姿態(tài)。

2)通過YOLOv4目標(biāo)檢測技術(shù)，實現(xiàn)引流線穿線位置的檢測以及位姿的調(diào)節(jié)。

2 導(dǎo)線檢測與姿態(tài)估計

2.1 目標(biāo)導(dǎo)線分割與導(dǎo)線擬合

對灰度圖像進行二值化的基本思想是確定一個閾值，然后把每個像素點的灰度值和閾值比較，根據(jù)比較的結(jié)果把該像素劃分為兩類：目標(biāo)和背景[4-5]。

設(shè)原始圖像為f(x，y)，二值化分割圖像的方法為：

(1)

式中：f(x，y)表示圖像中坐標(biāo)(x，y)處的像素值；g(x，y)表示二值化處理后的圖像中坐標(biāo)(x，y)處的像素值；T是二值化分割閾值。

算法根據(jù)以像素點為中心內(nèi)的鄰域內(nèi)的均值與方差共同決定該中心像素的二值化分割閾值。以(i，j)為中心、大小是k×k的窗口為例，這個窗口內(nèi)各個像素灰度值的高斯加權(quán)均值為m，方差為s，該點的閾值T為：

T=(1-r)×m+t×s

(2)

式中：t為調(diào)整量，取t=-0.2；r為均值加權(quán)系數(shù)，取r=0.9。

在相機觀測的范圍內(nèi)導(dǎo)線可以近似成直線處理。由導(dǎo)線目標(biāo)分割的結(jié)果得到導(dǎo)線的像素坐標(biāo)集合為

{(x1y1)，(x2y2)…(xnyn)}|(xiyi)∈L

(3)

采用最小二乘方法[6]實現(xiàn)直線的擬合，假定待擬合直線方程為φ(x)=ax+b，則偏差記為ei=yi-φ(xi)，因此可以得到待優(yōu)化的目標(biāo)為

(4)

分別對參數(shù)a、b求偏導(dǎo)可以得到：

(5)

(6)

轉(zhuǎn)化為矩陣，表示為：

(7)

通過矩陣運算可以得到待剝皮導(dǎo)線的直線方程φ(x)=ax+b。

2.2 導(dǎo)線位姿計算

根據(jù)剛體坐標(biāo)變換理論，估計導(dǎo)線姿態(tài)相對A相機坐標(biāo)系的關(guān)系(圖1)，等效于導(dǎo)線坐標(biāo)系相對于A相機坐標(biāo)系發(fā)生了一次旋轉(zhuǎn)和一次平移[7-8]。

X=RX′+TP

(8)

其中：R為旋轉(zhuǎn)矩陣；TP為平移向量；X′為變換前空間坐標(biāo)；X為變換后空間坐標(biāo)。

圖1 導(dǎo)線坐標(biāo)系與相機坐標(biāo)系A(chǔ)和B的姿態(tài)關(guān)系

相機A負責(zé)計算導(dǎo)線相對于A相機坐標(biāo)系轉(zhuǎn)化到導(dǎo)線坐標(biāo)系時z軸的歐拉角，相機B負責(zé)計算導(dǎo)線相對于A相機坐標(biāo)系轉(zhuǎn)化到導(dǎo)線坐標(biāo)系時x軸的歐拉角。

逆時針旋轉(zhuǎn)的角度為正(與右手系旋轉(zhuǎn)方向相同為旋轉(zhuǎn)正方向)，繞不同軸的旋轉(zhuǎn)結(jié)果：

(9)

(10)

(11)

式中：α、β、γ分別為導(dǎo)線坐標(biāo)系變換到A相機坐標(biāo)系時的z-y-x歐拉角。導(dǎo)線坐標(biāo)系變換到A相機坐標(biāo)系時變換矩陣R=Rx·Ry·Rz。如控制機械手運動變換矩陣R，此時可以保證相機坐標(biāo)系與剝皮導(dǎo)線坐標(biāo)系姿態(tài)一致。

2.3 雙目測距

雙目測距是基于小孔成像原理建立世界坐標(biāo)與像素坐標(biāo)之間的關(guān)系[9]。根據(jù)張正友標(biāo)定方法[10-11]可以簡單、有效地得到相機的內(nèi)參，包括焦距f，光心的像素坐標(biāo)u、v。雙目測距的示意圖如圖2所示。

圖2 雙目測距示意圖

圖2中P是導(dǎo)線上的一點，OR與OL分別是兩個相機的光心，點P在兩個相機虛成像平面(虛成像平面是成像平面相對于光心翻轉(zhuǎn))上分別為P1和P2，f為相機焦距，B為相機中心距，Z為深度信息，像點P1和P2的距離為雙目的視差。

dis=B-(XR-XL)

(12)

根據(jù)相似三角形原理得到：

(13)

(14)

公式中焦距f和攝像頭中心距B可通過標(biāo)定得到，因此，只要計算XR-XL(視差)的值以及P點的像素相對于光心(u，v)的偏移坐標(biāo)位置(x，y)，根據(jù)相機標(biāo)定得到的焦距以及式(15)即可計算得到點P的空間坐標(biāo)(X，Y，Z)。

(15)

機械手A在初始狀態(tài)拍攝照片M0，隨后沿相機坐標(biāo)系的x軸方向，保持相機姿態(tài)不變，以直線運動Δxcm拍攝照片M1。則M0和M1構(gòu)成了光心距離為Δxcm的雙目系統(tǒng)，根據(jù)兩次圖像的視差可以計算導(dǎo)線上任意一點的空間坐標(biāo)(X，Y，Z)。

3 線夾穿線位置檢測

3.1 YOLOv4目標(biāo)檢測

緊固線夾穿線位置識別屬于目標(biāo)檢測范疇，傳統(tǒng)的方式是基于邊緣、形狀分割的方法，容易受到光線及復(fù)雜背景影響，識別魯棒性差。深度卷積神經(jīng)網(wǎng)絡(luò)由于能夠自主完成對目標(biāo)特征的學(xué)習(xí)，提取關(guān)鍵信息，因而具有較強的魯棒性。近年來，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法主要依托兩種思路，一種是基于目標(biāo)候選框思想的 two-stage，另一種是基于回歸思想的 one-stage。two-stage 先提取目標(biāo)候選框，再在其基礎(chǔ)上訓(xùn)練檢測模型，如 Fast R-CNN、Faster R-CNN 等[12-13]。而 one-stage 則沒有了目標(biāo)候選框提取操作，直接利用檢測網(wǎng)絡(luò)產(chǎn)生目標(biāo)的類別和位置信息，擁有更高的檢測速度，如SSD、YOLOv3、YOLOv4等[14-15]。

YOLOv4的主干網(wǎng)絡(luò)CSPDarknet53是算法的核心，用來提取目標(biāo)特征。YOLOv4在Darknet53的每個大殘差塊上加上CSP，將基礎(chǔ)層的特征映射劃分為兩部分，再通過跨階段結(jié)構(gòu)合并。YOLOv4通過一系列模型架構(gòu)設(shè)計以及模型訓(xùn)練技巧的配合下，在減少計算量的同時保證了模型推理的準(zhǔn)確率。

本文基于YOLOv4，推理預(yù)測圖像中是否存在緊固線夾，如果存在，則預(yù)測引流線穿線位置的中心以及中心與輪廓邊緣的距離，故本文YOLOv4中每個Cell預(yù)測:

[x，y，w1，w2，h1，h2，confidence]。

其中x、y為引流線穿線位置的中心；w1、w2分別為中心坐標(biāo)與左邊緣和右邊緣距離；h1、h2分別為中心坐標(biāo)與上邊緣和下邊緣距離；confidence為邊框的置信度分數(shù)。

3.2 數(shù)據(jù)收集與處理

本文訓(xùn)練和測試數(shù)據(jù)通過單目相機在實驗場地拍攝采集，共組成4000張圖片。為了獲得更好的訓(xùn)練效果，采用Mosaic數(shù)據(jù)增強的方式，對數(shù)據(jù)集隨機選取4張圖片，隨機縮放，再隨機分布進行拼接。這樣不僅大大擴充了原始采集的數(shù)據(jù)集，而且還豐富了圖片的背景，因而平衡了原始數(shù)據(jù)集目標(biāo)尺度問題，提高了訓(xùn)練網(wǎng)絡(luò)的魯棒性。

4 視覺引導(dǎo)實驗

4.1 視覺引導(dǎo)導(dǎo)線剝皮作業(yè)

通過機械手A上的單目相機，采集到當(dāng)前時刻待剝皮導(dǎo)線的圖像數(shù)據(jù)(圖3)，經(jīng)過圖像的自適應(yīng)二值化，聯(lián)通區(qū)域篩選等操作，得到直線的二值化圖像(圖4)。通過最小二乘直線擬合計算得到當(dāng)前時刻導(dǎo)線的傾斜角分別為14.48°與62.68°(圖5)，即繞x軸旋轉(zhuǎn)了14.48°，繞z軸旋轉(zhuǎn)了62.68°。

圖3 原始圖像

圖4 二值化圖像

圖5 最小二乘直線擬合結(jié)果

根據(jù)公式R=Rx×Ry×Rz可以計算得到旋轉(zhuǎn)矩陣R為

通過機械手A的控制柜，運動變換矩陣R，此時保證相機平面y軸與導(dǎo)線平行，相機平面x軸與導(dǎo)線垂直。控制機械手沿著x軸方向(垂直導(dǎo)線方向)分別運動10cm和20cm，采集相應(yīng)的圖像數(shù)據(jù)(圖6)。

圖6 沿相機x方向機械手平移10cm和20cm的原始圖像

同樣對圖像進行二值化(圖7)、最小二乘擬合等操作，得到任意兩幅圖像間的視差后，根據(jù)雙目視覺原理估計導(dǎo)線相對于相機的位置信息(表1)。實際測得導(dǎo)線與相機平面距離為68.5cm，導(dǎo)線與相機x軸平均距離為8.6cm。

圖7 沿相機x方向機械手平移10cm和20cm的二值圖像

表1 平移10cm和20cm雙目測距結(jié)果

根據(jù)估計得到導(dǎo)線與相機平面距離和導(dǎo)線與相機x軸距離以及機械手與相機的裝配位置，進一步計算出導(dǎo)線相對于末端作業(yè)工具的位置。將計算結(jié)果(平移變換向量T)傳入機械手控制柜完成相應(yīng)運動，待機械手運動到指定置位，配合作業(yè)工具完成導(dǎo)線剝皮工作，并且記錄當(dāng)前導(dǎo)線剝皮的坐標(biāo)(X，Y，Z)，即是線夾待安裝的位置。

4.2 視覺引導(dǎo)引流線穿入線夾作業(yè)

通過機械手B上的單目相機，采集到當(dāng)前時刻線夾作業(yè)工具的圖像數(shù)據(jù)，通過YOLOv4模型推理預(yù)測結(jié)果。矩形區(qū)域(機械結(jié)構(gòu)的喇叭口位置)為模型推理預(yù)測結(jié)果(圖8)。控制機械手B根據(jù)w1和w2、h1和h2的大小關(guān)系，調(diào)節(jié)機械手使得w1=w2，h1=h2；然后控制機械手B將引流線穿入線夾內(nèi)，完成引流線穿線工作；最終機械手A將裝有線夾的作業(yè)工具運動到導(dǎo)線剝皮步驟記錄的坐標(biāo)(X，Y，Z)處，完成線夾安裝與緊固工作。

圖8 采集到的原始圖像及YOLOv4推理結(jié)果

5 結(jié)語

文中根據(jù)配電網(wǎng)帶電接火工作環(huán)節(jié)的要求，立足于實現(xiàn)視覺引導(dǎo)的帶電接火智能化流程，設(shè)計了一整套視覺識別與檢測方法。通過視覺引導(dǎo)機械手完成導(dǎo)線剝皮和視覺引導(dǎo)機械手完成引流線穿線及線夾緊固實驗，驗證了本文設(shè)計的單目視覺引導(dǎo)機械手智能化作業(yè)方法的有效性以及可靠性，也進一步論證了智能化視覺系統(tǒng)在配電網(wǎng)帶電接火上的實用價值。