基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法

摘"要：目前常規(guī)的無人機避障目標檢測方法主要采用超聲波技術實現(xiàn)對目標輪廓的獲取，由于缺乏對圖像的形態(tài)學處理，導致檢測精度較差。對此，提出了基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法。首先結合混合高斯模型，對巡檢圖像的前景與背景進行分離處理，并采用濾波算法對前景圖像進行去噪處理。然后結合分類損失函數(shù)以及位置損失函數(shù)，對特征點的梯度值以及方向進行計算，實現(xiàn)障礙物圖像的特征提取，最后對提取到的避障目標邊緣進行補償處理，實現(xiàn)避障目標檢測。在實驗中，對提出的方法進行了避障目標檢測精度的檢驗。最終的測試結果表明，采用提出的方法進行無人機避障檢測時，算法的mAP值較高，具備較為理想的檢測精度。

關鍵詞：高斯模型；光伏電場；無人機巡檢；檢測方法

中圖分類號：TM755""""""文獻標識碼：A

Obstacle"Avoidance"Target"Detection"Method"for"Photovoltaic"

Power"Field"Inspection"UAV"Based"on"Gaussian"Model"and"YOLOv3

TANG"Ming1，ZHANG"Yuning1，LI"Xiaye2，WEN"Xianmao1，LIU"Shijian3

（1.SPIC"Sichuan"Electricpower"Co.，Ltd.，Chengdu，"Sichuan"610000，China；

2.Sichuan"Wisdom"Green"Energy"Co.，Ltd.，Chengdu，"Sichuan"610000，China；

3.SPIC"Southwest"Energy"Research"Institute"Co.，"Ltd.，Chengdu，"Sichuan"610000，China）

Abstract：Current"conventional"UAV"obstacle"avoidance"target"detection"methods"mainly"use"ultrasonic"technology"to"realize"the"acquisition"of"the"target"contour，"which"results"in"poor"detection"accuracy"due"to"the"lack"of"morphological"processing"of"the"image."In"this"regard，"an"obstacle"avoidance"target"detection"method"for"photovoltaic"power"field"inspection"UAV"based"on"Gaussian"model"and"YOLOv3"is"proposed."Firstly，"the"foreground"and"background"of"the"inspection"image"are"separated"by"combining"the"hybrid"Gaussian"model，"and"the"foreground"image"is"denoised"by"using"a"filtering"algorithm."Then"the"gradient"value"and"direction"of"the"feature"points"are"calculated"by"combining"the"classification"loss"function"and"the"position"loss"function"to"realize"the"feature"extraction"of"the"obstacle"image，"and"finally"the"extracted"edge"of"the"obstacle"avoidance"target"is"compensated"to"realize"the"detection"of"the"obstacle"avoidance"target."In"the"experiments，"the"accuracy"of"obstacle"avoidance"target"detection"is"tested"for"the"proposed"method."The"final"test"results"show"that"when"the"proposed"method"is"used"for"UAV"obstacle"avoidance"detection，"the"algorithm"has"a"high"mAP"value"and"has"a"more"ideal"detection"accuracy.

Key"words：Gaussian"model;"photovoltaic"（PV）"electric"field;"UAV"inspection;"detection"methods

受到工作復雜特性以及環(huán)境等多方面因素的影響，光伏電場在運行過程中，其內部的電氣設備通常會出現(xiàn)故障或短路的情況。因此為了保障電場的正常運行，需要對其進行定期巡檢，以此實現(xiàn)對電氣設備的實時監(jiān)測。對此，常規(guī)的光伏電場巡檢一般可以通過采用人工巡檢的方式實現(xiàn)，但是由于電廠的外部環(huán)境較為復雜，在陰雨條件下，電廠很容易出現(xiàn)短路等情況，人力巡檢的方式不僅容易出現(xiàn)紕漏，同時施工人員的安全問題也無法得到有效保障。因此目前普遍采用的巡檢方式為無人機巡檢，通過對無人機進行改裝，在無人機上面搭建巡檢系統(tǒng)，可以實現(xiàn)智能化巡檢。采用無人機對光伏電場巡檢不僅能夠采集到更為全面的電場設備圖像，同時也能夠克服天氣因素，實現(xiàn)無間斷巡檢，不僅能夠提高巡檢效率，也能夠有效減少人力投入。在該過程中，無人機對于障礙物的檢測效果將會直接影響到最后的巡檢圖像質量。因此目前針對無人機避障，有眾多學者已經展開了深入研究。例如，文獻[1]采用SALM算法，結合嵌入式設備的計算性能，提出了一種針對無人機的避障系統(tǒng)。文獻[2]采用差分定位算法，通過提取障礙物的輪廓邊界，提出了一種針對無人機避障的導航技術。文獻[3]通過將深度卷積網絡與Tranformer模塊進行組合，極大地提高了無人機的避障性能。文獻[4]考慮到合成電場對無人機巡檢效果的影響，對巡檢路路徑進行了有效優(yōu)化。對此，本文結合高斯混合模型，通過對障礙物圖像進行形態(tài)學處理，降低圖像噪聲，在此基礎上提取障礙物特征點，實現(xiàn)目標檢測[5]。

1"基于高斯模型和YOLOv3的光伏電場巡

檢無人機避障目標檢測方法

1.1"基于高斯模型的無人機巡檢圖像形態(tài)學處理

無人機巡檢的避障目標檢測原理在于首先對檢測目標和背景進行分離處理，然后對檢測目標的特征點進行提取，從而識別出目標輪廓，實現(xiàn)巡檢避障。在該過程中，障礙物檢測目標與背景的分離效果在很大程度上會直接影響到最終的目標檢測效果[6]。因此無人機在對光伏電場進行巡檢的過程中，為準確檢測出障礙物的空間位置，從而實現(xiàn)巡檢避障，本文首先結合混合高斯模型對無人機的巡檢圖像進行形態(tài)學處理，從而提取出障礙物的輪廓矩陣。由于常規(guī)的高斯模型在對圖像信息進行提取過程中，通常容易受到光影條件的影響導致背景分離效果較為模糊，從而影響了圖像處理效果。因此本文通過對常規(guī)的高斯模型進行改進，采用混合高斯模型首先對無人機巡檢圖像中的陰影信息進行提取，從而實現(xiàn)圖像背景的有效分離[7]?；旌细咚鼓Ｐ偷木唧w模型表達式如下所示。

P（x|XT，BG+FG）=∑Mm=1（x，um，σm）"（1）

其中，XT代表無人機巡檢的圖像矩陣，T代表圖像信息的采樣周期，BG代表圖像背景，F(xiàn)G代表圖像中的障礙物，即圖像前景，σm代表圖像信息像素的標準差，um代表像素均值，M代表圖像總數(shù)。通過上述高斯混合模型，在采樣周期內分別對圖像像素均值以及標準差進行迭代處理，并以每次迭代結果作為新一張圖像的背景，從而實現(xiàn)圖像前景與背景的分離[8]。獲取圖像前景后，為保證分離效果，本文采用高斯濾波算法對前景數(shù)據(jù)進行去噪處理，由此構建出的像素權重分布矩陣表達式如下所示。

H=1/162/163/162/164/162/161/162/161/16（2）

通過上述高斯權重分布矩陣，對巡檢圖像像素的權重值進行統(tǒng)一調整，將無法調整至標準權重值的像素均看作噪聲干擾項，并對其進行剔除，從而實現(xiàn)巡檢前景圖像的去噪處理[9]。在去噪完成后，可以得到前景圖像的大致輪廓，為保證對障礙物輪廓的有效識別，對圖像進行侵蝕處理。具體處理方法為：首先將前景圖像轉化為二值圖像，并采用3×3的結構元素對圖像進行掃描處理。在掃描過程中，如果3×3的結構元素能夠對二值圖像中的元素進行覆蓋，便對該元素進行保留；若結構元素無法覆蓋前景圖像中的像素，則對該像素進行剔除，最終可以使前景圖像中的障礙物輪廓更為清晰，從而實現(xiàn)圖像的細節(jié)化處理。

通過上述步驟即可完成對于無人機避障巡檢圖像的形態(tài)學處理。通過結合混合高斯模型，對巡檢圖像的前景與背景進行分離處理，并采用濾波算法對前景圖像進行去噪處理，從而提高障礙物輪廓的清晰度。最后結合侵蝕操作對輪廓邊緣進行細節(jié)化處理，為后續(xù)的圖像目標檢測提供幫助[10]。

1.2"基于YOLOv3算法的圖像障礙物特征點提取

得到無人機巡檢圖像的前景輪廓提取結果后，本文通過構建YOLOv3網絡結構，以圖像特征點為中心，對特征向量不同梯度方向的梯度值進行計算，從而實現(xiàn)圖像障礙物特征點的有效提取[11]。對此，本文首先對YOLOv3網絡框架進行搭建，需要構建出兩種損失函數(shù)，具體函數(shù)表達式如下所示。

lcls=－∑S2i=0Ioi，j∑Pi（c）log"Pi'（c）"（3）

lbox=1－IOU"（4）

其中，式（3）代表圖像檢測分類損失函數(shù)，Ioi，j代表像素坐標為（i，j）處是否存在障礙物檢測目標，Pi（c）和Pi'（c）分別代表真實類別和預測類別的空間密度分布概率。式（4）代表位置損失函數(shù)，IOU代表預測輪廓與真實輪廓之間相互重疊的比率，也稱交并比，S2代表前景圖像的網格數(shù)量[12]。由于常規(guī)的YOLOv3網絡結構需要通過超參數(shù)設置對目標進行檢測，而超參數(shù)設置容易導致輸入框的預測精度受限。因此本文引入卷積核結構，對YOLOv3網絡結構進行優(yōu)化，從而提高算法的檢測精度。"卷積操作表達式如下所示。

S2M+11MNS2MN=1N+1S2"（5）

其中，M和N分別代表YOLOv3網絡結構輸入和輸出的特征圖數(shù)量。常規(guī)的卷積操作通常采用的采樣步長為2，在此采樣基礎上得到的輸入圖像會存在一定的像素損失，從而影響特征點提取效果[13]。對此，本文采用Focus結構對其進行優(yōu)化，具體如圖1所示。

通過采用Focus結構，將采樣步長設置為1，在每個輸入圖像中，以間隔的方式對像素進行提取，并針對第一次的提取結果將像素進行組合，從而生成新的像素排列方式。在此基礎上不斷進行像素提取與采樣操作，這種采樣方法不僅可以有效提高提取效率，所提取得到的圖像容易保留更多的特征點，有利于提高YOLOv3網絡的識別性能。

假設巡檢圖像障礙物特征點坐標為（x，y），L代表圖像坐標的尺度空間，由此可以以特征點為中心，對特征點的梯度值以及方向進行計算，具體計算公式如下所示。

m=L（x+1，y）－L（x－1，y）2L（x，y+1）－L（x，y－1）2"（6）

θ=tan"－1L（x，y+1）L（x，y－1）（7）

其中，m代表特征點梯度值，θ代表梯度方向。通過上述公式對特征點的梯度大小以及梯度方向進行求解，并結合高斯權重對其進行求和處理，從而明確不同特征點的關鍵特征方向。為保證匹配結果的穩(wěn)定性，本文設置采樣區(qū)域為16×16，以特征點領域范圍16×16的像素區(qū)域作為維度標準，分別對鄰域特征點的梯度以及方向進行計算，從而得到不同領域的關鍵特征方向。最終每個區(qū)域均可以形成一個128維的特征向量，從而完成特征提取。

通過上述步驟即可完成對于圖像障礙物的特征點提取，通過結合卷積操作，對YOLOv3的網絡結構進行優(yōu)化，從而提高算法檢測效果，并計算不同區(qū)域特征點的梯度以及方向，從而實現(xiàn)特征向量組合。

1.3"避障目標邊緣補償與檢測

在完成上述的避障目標特征點提取后，本文結合邊緣補償方法，對提取到的避障目標邊緣進行補償處理，從而提高障礙物目標輪廓的清晰度，最終對圖像閾值進行分割，從而實現(xiàn)目標檢測。對此，本文所提出的目標檢測流程如圖2所示。

通過圖2可以看出，本文首先根據(jù)無人機采集到的視頻序列對其進行分幀處理，從而得到不同幀畫面下的巡檢圖像數(shù)據(jù)[14]。然后分別對每一幀的圖像數(shù)據(jù)進行去噪匹配以及特征點檢測處理。待所有圖像數(shù)據(jù)的特征點均檢測完成后，對圖像進行配準處理，通過對每一幀的畫面進行重新組合的方式，判定特征點匹配的準確性，最后通過對配準完成的圖像進行邏輯運算，從而實現(xiàn)障礙物圖像的有效提取。邏輯運算的具體計算公式如下所示。

dk（x，y）=1，dk－1，k（x，y）∪dk，k+1（x，y）0，dk，k+1（x，y）∩dk－1，k（x，y）"（8）

其中，dk（x，y）代表第k幀圖像的像素值，dk－1，k（x，y）代表第k幀和第k-1幀圖像的像素差值，dk，k+1（x，y）代表第k幀和第k+1幀圖像的像素差值。

通過上述步驟即可完成無人機避障目標檢測，通過對特征點匹配結果進行邏輯運算，提取出障礙物輪廓[15]。將本節(jié)內容與上述提到的圖像形態(tài)學處理以及特征點提取等相關內容進行結合，至此，基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法設計完成。

2"實驗論證

為了證明本文提出的基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法在檢測效果方面優(yōu)于常規(guī)的目標檢測方法，在理論部分的設計完成后，構建實驗環(huán)節(jié)，對本文方法的檢測效果進行檢驗。

2.1"實驗說明

為驗證本文提出的基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法在實際檢測效果方面的有效性，本次實驗選取了兩種常規(guī)的無人機避障目標檢測方法作為對比對象，分別為基于計算機視覺的無人機避障目標檢測方法以及基于深度學習的無人機避障目標檢測方法。通過構建實驗平臺，采用三種檢測方法對同一障礙物目標進行模擬檢測與避障，對比不同檢測方法下的實際避障檢測效果。

2.2"實驗準備

本次實驗選取的實驗平臺為四旋翼無人機，無人機支持的搭載重量為5"kg，單次巡航持續(xù)時間為30"min。為提高無人機的通信效果，在巡檢過程中還配置了數(shù)傳電臺，用于與地面總控系統(tǒng)進行數(shù)據(jù)通信，從而實現(xiàn)對光伏電場的實時巡檢與監(jiān)測。無人機尺寸為322"mm×242"mm×84"mm，最大飛行高度為6000"m，最大懸停時間為25"min，具體實物圖如圖3所示。

待無人機巡檢完成后，對無人機的飛行數(shù)據(jù)進行了記錄，為無人機軌跡圖繪制提供數(shù)據(jù)支持，部分飛行數(shù)據(jù)如表1所示，無人機飛行路徑如圖4所示。

針對上述規(guī)劃出的無人機飛行路線，從無人機采集到的巡檢圖像中隨機抽取1000組用于實際測試。由于原始巡檢圖像的清晰度較高，圖像梯度差異較小，圖像中包含的噪聲部分無法作為干擾項對三種檢測方法的實際性能進行測試。因此為準確檢測出三種方法對于噪聲的干擾性能，本次實驗針對原始數(shù)據(jù)集進行了數(shù)據(jù)霧化隨機處理。處理后圖像包含更多的噪聲部分，可以更有效地檢測出不同算法的圖像去噪效果，具體霧化效果如圖5所示。

采用三種目標檢測方法對上述數(shù)據(jù)集進行檢測處理，待檢測完成后對檢測結果進行統(tǒng)計，并計算出不同算法的平均檢測精度。

2.3"檢測精度對比

本次對比實驗選取的對比指標為不同目標檢測方法的檢測精度，具體衡量指標為不同算法的平均精度均值（mAP），該值越高，代表算法的檢測精度越好，具體實驗結果如圖6所示。

圖6中，隨著迭代次數(shù)的不斷提高，不同算法的檢測精度也有著較大的差異。通過觀察mAP值變化曲線可以明顯看出，兩種常規(guī)的無人機避障目標檢測方法的檢測精度明顯較低，而本文提出的基于高斯模型和YOLOv3的光伏電場巡檢無人機避障目標檢測方法的mAP值較高，且變化幅度較為穩(wěn)定，由此可以證明本文提出的目標檢測方法具備更好的檢測精度。

3"結"論

針對常規(guī)的無人機避障目標檢測方法在檢測精度方面較差的問題，通過結合混合高斯模型以及YOLOv3網絡拓撲結構，提出了一種新型的檢測方法。在今后的研究工作中，還需對數(shù)據(jù)集的復雜程度進行優(yōu)化，從而檢測不同方法對于圖像噪聲的處理效果。

參考文獻

［１］"劉澤琳，張袁元，楊旺嗣，等.基于SLAM的自主避障物流無人機系統(tǒng)設計[J].機電工程技術，2023，52（7）：60-63+102.

[2]"馮蘭新，孫慶森，劉加國，等.基于差分定位的室內無人機自主避障導航技術[J].機械設計與制造工程，2023，52（6）：83-86.

[3]"梁永勛，甄子洋，李蘇寧，等.基于Transformer模塊和CNN的無人機避障方法研究[J].機械與電子，2023，41（5）：56-61.

[4]"普子恒，陳志剛，史星濤，等.考慮合成電場影響的換流站直流場巡檢機器人路徑優(yōu)化[J].高壓電器，2023，59（5）：178-184+192.

[5]"徐靜，苑征，梁寅博，等.基于向量場直方圖的無人機動態(tài)避障算法的應用研究[J].電腦知識與技術，2023，19（12）：95-99.

[6]"袁毅，何旭.基于無人機視覺的電力巡檢線路安全距離自動診斷方法[J].制造業(yè)自動化，2022，44（10）：192-195.

[7]"佘凱，趙振華，田江波.基于卡爾曼濾波算法的無人機避障路線智能生成方法[J].微型電腦應用，2022，38（10）：58-60.

[8]"袁林峰，柯達，許超，等.基于正交激光雷達的電力巡檢無人機自主避障系統(tǒng)研究[J].自動化技術與應用，2021，40（7）：18-22.

[9]"彭博.基于3D虛擬現(xiàn)實技術的風電場全數(shù)字化巡檢及監(jiān)測平臺的構建研究[J].華東科技，2022（10）：103-105.

[10]"王干軍，江玉歡，丁宗寶，等.變電站邊緣計算多無人機協(xié)同避障方法[J].計算機仿真，2022，39（7）：396-401.

[11]"涂柯，侯宏錄，蘇煒.改進人工勢場法的無人機避障路徑規(guī)劃[J].西安工業(yè)大學學報，2022，42（2）：170-177.

[12]"肖英楠，孫抒雨.基于改進SIFT圖像匹配的無人機高精度避障算法設計[J].機械制造與自動化，2022，51（1）：237-240.

[13]"張香竹，張立家，宋逸凡，等.基于深度學習的無人機單目視覺避障算法[J].華南理工大學學報（自然科學版），2022，50（1）：101-108+131.

[14]"賈俊良，孫哲.基于深度學習的無人機自主避障方法研究[J].機電產品開發(fā)與創(chuàng)新，2021，34（6）：77-79+87.

[15]"彭繼慎，孫禮鑫，王凱，等.基于模型壓縮的EDYOLO電力巡檢無人機避障目標檢測算法[J].儀器儀表學報，2021，42（10）：161-170.