基于光視覺技術(shù)的海底管道自主巡檢系統(tǒng)研究

馬建民，李曉東，高天羽，李志航，解子祺，閆雨晴，李佳萍，馬少華

(中國石油大學(xué)(華東)石油工業(yè)訓(xùn)練中心，山東 青島 266580)

0 引言

管道作為運輸液體、氣體或松散固體的重要載體，受水深、地形等條件限制較少，具有輸送效率高、耗能少等優(yōu)點。海底管道運輸是海底油氣輸送的重要途徑，其正常運行對國民經(jīng)濟發(fā)展具有重要意義[1-2]。由于水中污垢、海水腐蝕、運行磨損等因素影響，海底管道會產(chǎn)生缺陷和損傷，甚至發(fā)生油氣泄漏，因此需要對海底管道進行定期檢測，避免安全事故發(fā)生[3-4]。由于海底管道處于水下，檢查和維修比較困難。水下機器人具有作業(yè)深度大、范圍廣、持續(xù)時間久、安全高效等優(yōu)點，成為海底管道檢測的首選設(shè)備[5-8]。由于海底管道位于水平面以下幾十至數(shù)百米，長度十幾甚至幾十千米，軌跡多為復(fù)雜曲線，因此有纜式水下機器人無法滿足作業(yè)要求，管道巡檢機器人應(yīng)具備自主循跡功能；面對水下環(huán)境中波浪擾動，管道巡檢機器人應(yīng)具備姿態(tài)自動調(diào)整功能，確保水下攝像頭工作角度的有效性；針對海底管道上存在的腐蝕區(qū)、泄露點等異常情況，管道巡檢機器人應(yīng)搭載檢測設(shè)備，對海底管道缺陷進行高效地初步檢測。

國內(nèi)外學(xué)者從路徑規(guī)劃、姿態(tài)自適應(yīng)、海底管道檢測等方面研究水下機器人。綜合考慮海底管道的復(fù)雜性，對比分析國內(nèi)外路徑規(guī)劃算法，機器學(xué)習(xí)法、深度學(xué)習(xí)法、群智能法等人工智能算法可較好適用于水下機器人的自主路徑規(guī)劃[9-10]；根據(jù)水下機器人的運動特點，調(diào)整自適應(yīng)神經(jīng)網(wǎng)絡(luò)算法參數(shù)并據(jù)此設(shè)計水下運動控制器，通過水下實驗探究克服水中擾動和水下三維軌跡跟蹤等問題的解決措施[11]；結(jié)合前人大量的水下實驗，探索適于水下機器人姿態(tài)控制的濾波算法，通過實時監(jiān)測水下機器人的相對位置和姿態(tài)角度以實現(xiàn)運動姿態(tài)的自適應(yīng)控制，進一步解決水流波動對水下機器人的運動干擾[12-14]；在管道缺陷檢測領(lǐng)域，電渦流探測法、超聲法、漏磁MFL法等得以廣泛應(yīng)用[15-19]。上述研究成果極大提高了水下機器人的性能水平，但是研究工作相互獨立，并且研究目標很少是海底管道的檢測與維護。

水下機器人領(lǐng)域的路徑規(guī)劃、姿態(tài)控制、管道缺陷檢測等研究成果，對海底管道檢測機器人研究具有較好借鑒意義，但是海底管道巡檢作業(yè)不僅要求水下機器人具備上述功能，還應(yīng)滿足海底管道行業(yè)的工程綜合要求。因此，有必要探究海底管道巡檢機器人的工作原理，以指導(dǎo)海底管道巡檢機器人的工業(yè)化生產(chǎn)，保障海底油氣的安全輸送。針對海底管道檢查維修的行業(yè)需求，我們設(shè)計了一款能夠沿海底管道自主運行、檢測管道吸附物并發(fā)出警報的海底管道自主巡檢系統(tǒng)。

1 整體方案設(shè)計

1.1 設(shè)計要求

1.1.1 模擬海底管道

綜合考慮海底管道實際鋪設(shè)與巡檢工況，模擬海底管道水平架設(shè)、轉(zhuǎn)向、傾斜等各種情況。場地為長方體藍色水池，其尺寸(長×寬×高)為3 000×2 000×600(mm)，水面高度為530 mm。模擬管道鋪設(shè)在水池底部，采用直徑φ75 mm的白色PVC管，設(shè)置淺水區(qū)、過渡區(qū)、深水區(qū)。其中淺水區(qū)水平距離長2 500 mm，距水池底部210 mm；過渡區(qū)水平距離1 000 mm，深水區(qū)水平距離2 500 mm，與水池底部接觸；設(shè)置兩個管道支撐架，分別放置于出發(fā)區(qū)靠近水池壁處和距離出發(fā)區(qū)支撐管2 000 mm處。

1.1.2 姿態(tài)矯正及自主循跡功能

根據(jù)海底管道巡檢需求，自主巡檢系統(tǒng)需全程自主循跡，并實現(xiàn)前進、轉(zhuǎn)彎、浮沉等功能。

1.1.3 吸附物檢測功能

為了在實驗室環(huán)境下模擬海底管道的腐蝕、泄漏等缺陷，在實驗室模擬管道外壁添加圓柱體、立方體等黑色吸附物。自主巡檢系統(tǒng)在管道循跡過程中，需自主識別吸附物的形狀、沿模擬管道軸線的位置等信息，并觸發(fā)相應(yīng)類型報警。

1.2 設(shè)計原理

根據(jù)設(shè)計要求，自主巡檢系統(tǒng)應(yīng)主要由機械主體、主控模塊、姿態(tài)模塊、循跡模塊和視覺模塊等組成，如圖1所示。機械主體可為其它模塊提供安裝支撐和無水工作空間，為巡檢機器人正常工作提供基礎(chǔ)保障；主控模塊可實時監(jiān)測自主巡檢系統(tǒng)的工作狀態(tài)及周圍水環(huán)境，并根據(jù)任務(wù)及環(huán)境調(diào)控自主巡檢系統(tǒng)工作狀態(tài)；姿態(tài)模塊可及時調(diào)控自主巡檢系統(tǒng)的運動姿態(tài)，保證尋跡和視覺識別的正常進行；循跡模塊可實時監(jiān)測水下管道相對于自主巡檢系統(tǒng)的位置信息，控制自主巡檢系統(tǒng)沿水下管道正確循跡；視覺模塊可實時反饋管道及吸附物圖像，為主控模塊正確判斷管道吸附物提供圖像信息；此外，自主巡檢系統(tǒng)在水下作業(yè)，需保證自主巡檢系統(tǒng)各部件防水。

圖1 自主巡檢系統(tǒng)設(shè)計思路

1.3 設(shè)計方案

根據(jù)設(shè)計要求，綜合考慮系統(tǒng)性與拓展性，完成基于光視覺技術(shù)的海底管道自主巡檢系統(tǒng)整體設(shè)計，如圖2所示。機械部分主要由支架、配重、防水艙、圖像艙、3組推進器(其中，2組水平推進器，1組垂直推進器)等組成，為各類傳感器、推進器等元件的安裝提供牢固的機械基礎(chǔ)，為控制模塊、圖像模塊等提供無水的工作空間。主控模塊主要由STM32F104ZGT6主控芯片、主控電路板、驅(qū)動電路板、穩(wěn)壓電路板、鋰電池等組成，可實時監(jiān)測各傳感器的反饋數(shù)據(jù)，控制推進器的運動狀態(tài)，并對各模塊提供穩(wěn)定、正確地電源，以實現(xiàn)自主巡檢系統(tǒng)的姿態(tài)智能調(diào)整、管道軌跡的自主巡檢。姿態(tài)模塊主要由十軸加速度傳感器WTGAHRS1、深度傳感器MS5837-30BA等組成，實時監(jiān)測自主巡檢系統(tǒng)的俯仰角、橫滾角、偏航角等水下姿態(tài)信息及下潛深度，采用PID運動控制算法及時調(diào)整垂直推進器工作狀態(tài)，保證自主巡檢系統(tǒng)的水下姿態(tài)正確、下潛深度正確且穩(wěn)定。循跡模塊采用openMV進行管道位置的識別，反饋管道相對于自主巡檢系統(tǒng)的角度和位置信息，輔助水平推進器工作，實現(xiàn)管道的自主循跡。視覺模塊通過140°廣角攝像頭實時獲取管道吸附物的圖像信息，利用NANO主板強大的圖像處理能力，采用YoloV4-tiny目標檢測算法，高效、快速識別管道吸附物。

圖2 自主巡檢系統(tǒng)方案

2 水下巡檢控制系統(tǒng)設(shè)計

水下巡檢控制系統(tǒng)主要由主控模塊、姿態(tài)模塊和尋跡模塊組成，可根據(jù)海底管道的相對位置信息實時調(diào)整推進器的工作狀態(tài)，實現(xiàn)自主巡檢系統(tǒng)沿海底管道前進、轉(zhuǎn)彎、沉浮等運動。

2.1 水下巡檢控制系統(tǒng)原理

以自主巡檢系統(tǒng)對稱中心為原點O，與前進方向平行的對稱線為X軸，建立笛卡爾坐標系XOY，如圖3所示。在自主巡檢系統(tǒng)的四角對稱安裝4個同規(guī)格推進器P(此時，P=1，2，3，4)，推進器正面朝向X軸正方向、軸線與X軸夾角為45°，相鄰?fù)七M器的軸線不平行，推進器1和2、3和4分別為一對正反推進器。當自主巡檢系統(tǒng)前進時，4個推進器正轉(zhuǎn)，產(chǎn)生推進力FP，F(xiàn)P沿Y軸分力F1Y和F2Y、F3Y和F4Y分別相互抵消(大小相等、方向相反)，沿X軸分力F1X、F2X、F3X、F4X方向相同，則產(chǎn)生沿X軸正向的合力，推動自主巡檢系統(tǒng)向前運動；當自主巡檢系統(tǒng)向右轉(zhuǎn)彎時，推進器1#、2#前進速度不變，推進器3#正轉(zhuǎn)、4#反轉(zhuǎn)，產(chǎn)生推進力F3和F4，沿X軸分力F3X、F4X相互抵消(大小相等、方向相反)，沿Y軸分力F3Y、F4Y方向相同，產(chǎn)生沿Y軸負向的合力，自主巡檢系統(tǒng)前部Y向位置不變、后部繞攝像頭位置向左前運動，自主巡檢系統(tǒng)整體運動表現(xiàn)為以攝像頭為圓心的向右轉(zhuǎn)彎；自主巡檢系統(tǒng)向左轉(zhuǎn)彎同理。在自主巡檢系統(tǒng)兩側(cè)對稱安裝2個同規(guī)格推進器P(此時，P=5，6)，推進器正面垂直向上、軸線亦垂直向上。推進器5#、6#正轉(zhuǎn)，產(chǎn)生垂直向上的推力F5、F6實現(xiàn)自主巡檢系統(tǒng)上??；反之，推進器5#、6#反轉(zhuǎn)，自主巡檢系統(tǒng)下潛。沿X軸，在自主巡檢系統(tǒng)的前方放置openMV攝像頭，實時獲取自主巡檢系統(tǒng)與管道的相對位置與夾角；在自主巡檢系統(tǒng)上表面放置深度傳感器，實時檢測自主巡檢系統(tǒng)的下潛深度；自主巡檢系統(tǒng)內(nèi)部布置慣導(dǎo)模塊，實時檢測自主巡檢系統(tǒng)的俯仰角、橫滾角、偏航角等姿態(tài)信息。

圖3 推進器布置

2.2 運動控制設(shè)計

自主巡檢系統(tǒng)運動控制包括循跡和姿態(tài)控制兩部分，如圖4所示。循跡控制將openMV反饋的角度偏差θ和位置偏差δ分別與循跡指令[ab]比較并進行PID運算，其結(jié)果[AB]乘以相應(yīng)水平推進器的權(quán)重系數(shù)ai(其中，i=1，2，3，4)以產(chǎn)生推進器的速度指令[AiBi]；姿態(tài)控制將慣導(dǎo)傳感器與深度傳感器傳回的橫滾角ψ和深度h分別與姿態(tài)指令[cd]比較并進行PID運算，其結(jié)果[CD]乘以相應(yīng)垂直推進器的權(quán)重系數(shù)bj(其中，j=1，2)以獲得推進器的速度指令[CjDj]。

圖4 運動控制器原理

2.2.1 角度控制

自主巡檢系統(tǒng)沿海底管道尋跡運動過程中，當出現(xiàn)偏差角θ后，立即調(diào)用PID模塊以修正水平推進器的推進速度，如圖5所示。為了保證攝像頭對管道的實時檢測，角度修正過程的旋轉(zhuǎn)中心應(yīng)位于攝像頭處。綜合考慮推進方向、自主巡檢系統(tǒng)重心、前進慣性等因素，為水平推進器設(shè)定不同的速度修訂權(quán)重系數(shù)ai(其中，i=1，2，3，4)。

圖5 角度修正

2.2.2 位置控制

在尋跡過程中，當自主巡檢系統(tǒng)出現(xiàn)位置偏差δ時，調(diào)用PID模塊進行位置修正。為了保證攝像頭視野的有效性，位置修正過程如下：

1)如圖6(a)所示，只對前方推進器1#、2#進行速度修正，后方推進器3#、4#的速度不變；

圖6 位置修正

2)如圖6(b)所示，在后方推進器的影響下，自主巡檢系統(tǒng)由位置偏差轉(zhuǎn)化成角度偏轉(zhuǎn)，此時調(diào)用角度控制器以修正偏角；

3)重復(fù)1)、2)過程，實現(xiàn)自主巡檢系統(tǒng)最終位置修正，如圖6(c)所示。

2.2.3 姿態(tài)

自主巡檢系統(tǒng)的姿態(tài)受俯仰角、橫滾角等影響。通過調(diào)整機身配重的大小與位置，使自主巡檢系統(tǒng)重力與浮力基本相等，且重心降低，保證自主巡檢系統(tǒng)不側(cè)翻且俯仰角穩(wěn)定。當橫滾角出現(xiàn)偏差ψ或需要調(diào)整深度h時，立即調(diào)用PID模塊修正豎直推進器5#、6#的運動速度，實現(xiàn)自主巡檢系統(tǒng)的姿態(tài)調(diào)整。

3 基于YOLOv4模型的異常綜合評估算法

3.1 算法模型

考慮到水下環(huán)境中光亮強度、圖像畸變等因素影響，兼顧自主巡檢系統(tǒng)運動控制與高效識別的矛盾性，本系統(tǒng)選用精度高、速度快的輕量級算法模型YOLOv4-tiny[20-24]進行水下圖像識別。其中，顯卡使用NVIDAGeForceRTX 2060，選用darknet深度學(xué)習(xí)框架進行數(shù)據(jù)集標注訓(xùn)練，深度神經(jīng)網(wǎng)絡(luò)加速庫為CUDA10.1和CUDNN7.5，為防止顯存溢出，Training中的batch參數(shù)設(shè)置為64，subvisions設(shè)置為16；嵌入式平臺選用NvidiaJetson Nano，通過GPU進行推理加速，安裝CUDA庫以及OpenCV庫，檢測幀率達到16 fps。

YOLOv4-tiny方法具有較快的目標檢測速度，可在嵌入式系統(tǒng)或移動設(shè)備上進行動圖識別。在1080Ti GPU平臺上，YOLOv4-tiny的目標檢測速度可達每秒37幀，而且精度滿足實際要求。YOLOv4-tiny方法使用CSPDarknet53-tiny網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，其使用了跨級部分網(wǎng)絡(luò)中的CSPBlock模塊，該模塊可以提高卷積網(wǎng)絡(luò)的學(xué)習(xí)能力。CSPBlock模塊將特征映射分為兩部分，并通過跨級殘差邊緣將兩部分合并。因此，梯度流可以在兩個不同的網(wǎng)絡(luò)路徑上傳播，增加了梯度信息的相關(guān)性差異。YOLOv4-tiny方法的激活函數(shù)LeakyReLU函數(shù)，即：

(1)

其中:ai∈(1，+∞)且為常數(shù)。

在特征融合部分，YOLOv4-tiny方法使用特征金字塔網(wǎng)絡(luò)提取不同尺度的特征地圖，以提高目標檢測速度。同時，YOLOv4-tiny使用兩種不同比例的特征圖1313和2626來預(yù)測檢測結(jié)果。預(yù)測過程中，首先調(diào)整輸入圖像的大小，使所有輸入圖像大小相同。其次，將輸入圖像劃分為大小為SS的網(wǎng)格，每個網(wǎng)格負責(zé)對中心落入該網(wǎng)格的物體進行預(yù)測。每個網(wǎng)格需要預(yù)測出B個目標框及每個目標框的置信度得分C，如果目標框的置信度得分高于置信度閾值，則保持目標框；否則目標框?qū)⒈粍h除。置信度得分的公式為：

(2)

(3)

由上式可得每個目標框的類別置信度得分，根據(jù)設(shè)置的閾值可對準確度低的目標框進行去除，并對閾值篩選后的目標框進行非極大值抑制即可得到檢測網(wǎng)絡(luò)最終的輸出的結(jié)果。

3.2 異常綜合評估算法

通常目標檢測對象是圖片或靜止物體，在進行目標檢測時基本不會出現(xiàn)因目標運動模糊造成模型誤識別問題。但自主巡檢系統(tǒng)在水下巡檢時一直處于運動狀態(tài)，采集的圖像幀數(shù)有限且不固定，需要在盡量短的時間內(nèi)根據(jù)不同角度的圖像完成目標準確識別。此外水下環(huán)境復(fù)雜，模型精度有限，單幀正確率難以保證。為了評估異常結(jié)果，一般采取以下兩種評估方案：1)實時評估，即僅依賴單次采集的圖像數(shù)據(jù)進行實時評估。該方案具有良好的同步性，但對模型要求較高，很容易出現(xiàn)誤報，且同一異常點會被連續(xù)采集，多次報警;2)完整評估，即預(yù)設(shè)評估數(shù)量，采集數(shù)據(jù)達到一定值后再進行評估?？蓽p少模型錯誤產(chǎn)生的誤報，但預(yù)設(shè)數(shù)量往往是定值，可能自主巡檢系統(tǒng)運動速度快慢影響數(shù)據(jù)利用等情況。

綜合以上考慮，本文提出一種新的動態(tài)評估算法，即根據(jù)實際的圖像采集情況確定評估時間，時間結(jié)束后立刻根據(jù)采集到的所有數(shù)據(jù)進行綜合性評估。

3.2.1 確定評估時間

首先設(shè)置視覺定時器，該定時器以固定頻率進行計數(shù)，當計數(shù)達到最大值時，采集結(jié)束。則需要確定計時器何時開始計時以及計數(shù)最大值，如圖7所示。具體過程如下：攝像頭以固定頻率進行圖像采集，當目標出現(xiàn)在自主巡檢系統(tǒng)視野內(nèi)(模型判斷該幀圖像目標存在概率超出閾值，避免誤判)，開啟視覺定時器；定時器開始計時后，若模型判斷當前幀存在異常，該計時器清零，重新計數(shù)；同時，根據(jù)圖像識別結(jié)果不斷調(diào)整計數(shù)器最大值；當計數(shù)器完成計數(shù)后，采集時間結(jié)束，將采集到的數(shù)據(jù)進行統(tǒng)計，并根據(jù)評估方法得出異常結(jié)果。其中，為了采集盡量多的數(shù)據(jù)并在采集完成后立刻進行評估，構(gòu)造計數(shù)器最大值與采集時間的函數(shù)，且具備以下特征：單調(diào)遞減、平滑、初始段斜率較小、超過一定閾值后以較快速度下降、保證準確率后直接進行判斷。為得到計數(shù)器最大值與采集時間的關(guān)系，設(shè)模型在某一時刻產(chǎn)生誤判或者漏識別的概率Pe(t)，正確檢測的概率記作Pa(t)，以目標剛進入視野內(nèi)開始計時，在視野內(nèi)的滯留的采集時間記作t，計數(shù)器最大值是用于模型在產(chǎn)生誤識別或漏檢后，如果在計數(shù)器規(guī)定時間內(nèi)沒有檢測到目標，則對已有數(shù)據(jù)進行評估，此目標檢測結(jié)束，等待下一次檢測開始，該計數(shù)器最大值記作k，計數(shù)器最大值與采集時間的關(guān)系記作k=f(t)。一般情況下，我們可以認為任意時刻Pe(t)均為常數(shù)，但實驗發(fā)現(xiàn)，由于目標圖像不完整以及模型本身存在一定缺陷，在目標剛進入識別視野內(nèi)和離開視野時Pe(t)較大，這里取50次目標檢測的數(shù)據(jù)進行分析，為方便后續(xù)數(shù)據(jù)處理，我們將時間t和k進行離散化，這里取時間單位100 ms，通過50次實驗數(shù)據(jù)可以對Pe(t)進行估計，公式為：

圖7 評估算法

為得到合適的f(t)我們?nèi)?yōu)化目標函數(shù)：

式中，a為懲罰系數(shù)，設(shè)置范圍在(1，1.5)范圍內(nèi)，優(yōu)化目標是使g(t)取最小值。為滿足f(t)的特征，我們選擇3次函數(shù)來進行優(yōu)化。通過Matlab仿真擬合以及實際實驗測試的效果，最終得到函數(shù)：

f(t)=0.0003t3-0.0115t2+0.0742*t+0.918

(4)

上述公式含義為在0.1*ts時刻，計數(shù)器最大值為s。通過配置程序中檢測定時器的值，實現(xiàn)計數(shù)器值動態(tài)變化。

當數(shù)據(jù)量較小時，計數(shù)器最大值較大，允許在較長時間內(nèi)繼續(xù)獲取數(shù)據(jù)；當數(shù)據(jù)量基本滿足要求時，計數(shù)器最大值則快速下降；當計數(shù)器最大值變小后，計數(shù)時間縮短，若未在規(guī)定時間內(nèi)獲取到數(shù)據(jù)或數(shù)據(jù)量達到一定值時結(jié)束，盡可能快地進行數(shù)據(jù)評估，得出結(jié)果。

3.2.2 計算評估結(jié)果

在采集完每幀圖像后，模型會對圖像信息進行處理，從而判斷出該幀圖像中可能存在的異常，并給出異常標簽i(異常類型)與該異常的置信度pi(存在概率)。設(shè)采集到某異常標簽j的數(shù)量為xj、其最大置信度為pjmax。水下數(shù)據(jù)采集完成后，對采集到的數(shù)據(jù)進行計算：Qj=xj×pjmax，取最大值Qj，則其對應(yīng)的標簽j便為評估結(jié)果。本算法直接將標簽對應(yīng)的數(shù)量與其最大置信度相乘，既利用了所有數(shù)據(jù)，又能最大程度地簡化運算，保證了算法的快速性與準確性。

4 水下巡檢實驗

4.1 實驗環(huán)境

為了驗證基于光視覺技術(shù)的自主巡檢系統(tǒng)的有效性，制作機器人樣機并搭建水下管道巡檢實驗平臺，滿足1.1.1尺寸要求，如圖8所示。其中，管道附著物采用截面形狀為方形、圓形的黑色物體進行模擬，且安置于管道軸線上方，沿軸線方向設(shè)置8個吸附物，相鄰吸附物距離不小于500 mm(機器人樣機長度)。吸附物的直徑或邊長為30～50 mm，材質(zhì)為PLA(聚乳酸)，采用3D打印機制作。

圖8 水下管道巡檢實驗平臺

4.2 實驗過程

在室內(nèi)光照充足環(huán)境下，分別間隔2個小時，連續(xù)開展10次實驗，步驟如下：

1)將自主巡檢系統(tǒng)放于水池出發(fā)區(qū)管道正上方，并啟動；

2)自主巡檢系統(tǒng)沿管道自主前行，依次通過出發(fā)區(qū)、深水區(qū)、過渡區(qū)、淺水區(qū)和返回區(qū)；

3)巡檢過程中檢測到方形吸附物點亮綠燈，檢測到圓形吸附物則點亮紅燈。

4.3 實驗結(jié)果

多次實驗表明，自主巡檢系統(tǒng)可完成水下管道尋跡運動、附著物檢測運動，具有良好的自適應(yīng)能力。

4.3.1 管道循跡實驗結(jié)果

采用深度傳感器、慣導(dǎo)傳感器獲取巡檢自主巡檢系統(tǒng)深度和橫滾角、俯仰角、偏航角等狀態(tài)數(shù)據(jù)，并進行均值化處理，在Origin75數(shù)據(jù)處理平臺上進行曲線擬合，結(jié)果如圖9所示。

圖9 自主循跡實驗結(jié)果

由圖9中下潛深度曲線和管道深度曲線可知，兩條曲線變化趨勢一致：0～20 s時間段，兩條曲線數(shù)據(jù)均較大、變化波動較小，二者平行，說明此段是深水區(qū)，機器人運動高度與管道高度一致；20～30 s時間段，兩條曲線下降，但是仍舊保持較好平行，說明此段是過渡區(qū)，機器人循跡高度與管道高度比較吻合；30～48 s時間段，兩條曲線數(shù)據(jù)均較小、變化波動較小，二者平行，說明此段是淺水區(qū)，機器人運動高度與管道高度一致。實驗表明，自主巡檢系統(tǒng)在淺水區(qū)、過渡區(qū)、深水區(qū)分別與管道在深度上保持了較好的一致性，滿足了在不接觸管道的基礎(chǔ)上完成管道循跡和附著物識別。

由俯仰角曲線和橫滾角曲線可知，橫滾角和俯仰角都趨于零，表示自主巡檢系統(tǒng)在水下的姿態(tài)穩(wěn)定，沒有發(fā)生明顯的側(cè)翻趨勢；由偏航角曲線可知，偏航角由深水區(qū)的0°左右增大到過渡區(qū)90°左右，再變化到淺水區(qū)的180°左右，表明自主巡檢系統(tǒng)發(fā)生兩次垂直轉(zhuǎn)彎，與管道實際布置情況一致，自主巡檢系統(tǒng)可沿管道正確循跡。

綜上可知，自主巡檢系統(tǒng)在水平方向、豎直方向都能準確地沿水下管道進行循跡運動，準確率達100%，自主巡檢系統(tǒng)具有較高的準確性和穩(wěn)定性。

4.3.2 附著物檢測實驗結(jié)果

如圖10所示，自主巡檢系統(tǒng)能夠在循跡過程中，圓柱型附著物的最低識別率為60%，僅出現(xiàn)1次；方塊型附著物的最低識別率為75%，出現(xiàn)了2次。

圖10 附著物識別結(jié)果

連續(xù)10次實驗表明，自主巡檢系統(tǒng)能夠準確識別出吸附物的位置和形狀并報警，多次實驗的識別準確度可以達到96%。異常綜合評估算法可以綜合同一目標的多次檢測數(shù)據(jù)進行綜合評估，提高了目標檢測的準確度，一定程度上可以減少漏檢和誤檢帶來的影響，解決了在采集圖像幀數(shù)有限且不固定、需要在盡量短的時間內(nèi)情況下及時做出準確評估的問題。

5 結(jié)束語

針對水下管道的巡檢問題，本文探究了水下管道自主巡檢方法與水下管道巡檢機器人原理，設(shè)計了一種基于光視覺技術(shù)的自主巡檢系統(tǒng)，并制作機器人樣機進行了實驗室環(huán)境下的水下實驗。實驗表明，該自主巡檢系統(tǒng)能夠通過視覺與運動控制器的配合實現(xiàn)水下姿態(tài)穩(wěn)定與正常循跡，并在此基礎(chǔ)上通過YOLOv4-tiny模型與評估算法實現(xiàn)管道吸附物的準確、快速檢測，解決了目前水下目標檢測精度低、速度慢等問題。但本系統(tǒng)還缺少實際環(huán)境下的深水實驗，實際效果還有待進一步提高完善。