基于四旋翼無(wú)人機(jī)的二次屏柜巡檢系統(tǒng)

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(mǎn)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(kāi)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(kāi)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(shù)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(kāi)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(xún)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(shù)莓派進(jìn)行圖傳，開(kāi)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(kāi)源飛控，同時(shí)采用樹(shù)莓派Raspberry Pi 3B做硬件開(kāi)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(shù)莓派直接相連，而超聲波傳感器直接連接到飛控，樹(shù)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(shù)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(shù)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(shù)莓派端，在樹(shù)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(shù)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(shù)莓派，樹(shù)莓派執(zhí)行拍照指令。樹(shù)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(shù)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(shù)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(shù)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(lèi)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?chē)h(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(lèi)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(lèi)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(shù)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(shù)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(shù)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(kāi)始執(zhí)行Socket后，首先與樹(shù)莓派端進(jìn)行連接，然后開(kāi)始接收樹(shù)莓派通過(guò)局域網(wǎng)發(fā)送回來(lái)的數(shù)據(jù)。在樹(shù)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(shù)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(shù)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(kāi)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(chēng)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(kāi)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(kāi)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(kāi)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(kāi)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]。總共獲得變電站現(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(kāi)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。可以看到，整個(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(kāi)關(guān)的狀態(tài)。圖上開(kāi)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(kāi)關(guān)的定位和狀態(tài)識(shí)別。

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

圖12 不同類(lèi)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(lèi)型的LED燈的位置，并準(zhǔn)確識(shí)別LED燈的類(lèi)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(kāi)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?？梢钥吹剑Ｐ突旧峡梢詫?duì)二次屏柜中的所有種類(lèi)的指示燈、空氣開(kāi)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(kāi)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(kāi)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(kāi)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。