输电线路带电作业机器人视觉检测算法的研究

摘要

输电线路长期暴露于室外，受复杂气候、电荷变化等因素影响，导致线路连接部件螺栓松动、导线断股、金具破损等线路故障。为了保证电能的稳定传输，电力作业人员需穿着屏蔽服在高危、高压的环境中作业。利用电力作业机器人代替人工作业是解放检修人员劳动力的一种有效方式。但目前电力作业机器人仍存在自动化程度低、作业效率不高等缺点。近年来机器视觉检测技术在各大领域中得到了广泛的应用，其中深度学习作为新兴视觉检测技术表现出优异的检测性能。论文针对输电线路带电作业机器人螺栓紧固末端作业装置与导线修补末端作业装置，分别研究视觉检测算法，提高机器人作业效率。 论文首先对Hough变换、SVM分类器等相关图像处理技术算法进行研究。针对螺栓紧固末端作业装置的螺栓检测，设计基于Hough变换的六边形峰值选择策略拟合六角螺栓，提出利用HOG特征子与SVM分类技术对摄像头视野物体进行初步分类，完成螺栓检测。针对导线修补末端作业装置的导线缺陷检测，设计通过Hough变换提取导线特殊纹理，利用最小二乘法算法拟合导线中心线，最后采用改进的LBP特征子与SVM分类技术对导线缺陷进行判断的检测方法。实验表明，基于Hough和SVM分类器设计的螺栓检测算法与导线缺陷检测算法在一定环境下能完成目标检测任务，但依然不能很好地解决光照、遮挡等难题，定位精度有待提高。 针对Hough与SVM设计的视觉检测算法鲁棒性差，误检率高等问题，论文提出采用深度学习中性能领先的Faster R-CNN网络设计螺栓与导线缺陷检测算法。首先对Faster R-CNN原理进行研究，针对困难样本检测准确率低的问题，添加在线困难样本挖掘网络。分析螺栓与导线缺陷在摄像头中出现的尺寸，提出适合的RPN参数针对样本不足导致网络模型无法拟合的问题，提出样本扩展方法增加样本数量，最后通过联合训练方式得到螺栓及导线缺陷检测网络。通过多个实验对比，证明论文设计的基于FasterR-CNN的螺栓与导线缺陷检测网络，在检测螺栓和缺陷导线结果中都表现了更高的检测准确率，能精准的定位缺陷位置，具有很好的适用性。 最后论文将训练好的Faster R-CNN深度学习网络模型投入机器人中，并在110kV输电线路上完成作业实验。实验证明设计的Faster R-CNN的检测算法能有效检测螺栓和导线缺陷，大大提高了机器人作业效率，具有广阔的应用前景。

目录

声明

摘要

第一章绪论

1．1课题研究的背景和意义

1．2电力作业机器人国内外研究现状

1．2．1国外研究现状

1．2．2国内研究现状

1．3视觉检测算法研究现状

1．3．1视觉检测算法国内外现状

1．3．2视觉检测算法在电力自动化领域中的应用

1．3．3电力机器人视觉检测算法研究难点

1．4论文主要工作及内容安排

第二章输电线路带电作业机器人整体结构

2．1输电线路带电作业机器人本体结构

2．2螺栓紧固末端作业装置

2．3导线修补末端作业装置

2．4本章小结

第三章基于Hough变换与SVM分类器的视觉检测算法

3．1图像处理相关技术

3．1．1图像预处理

3．1．2 Hough直线检测

3．1．3 SVM分类器

3．2基于Hough变换与SVM分类器的螺栓检测算法

3．2．1图像预处理

3．2．2六边形螺栓检测算法

3．2．3图像分类

3．2．4实验结果

3．3基于Hough变换与SVM分类的导线缺陷检测算法

3．3．1图像预处理

3．2．2导线提取

3．2．3图像分类与定位

3．2．4实验结果

3．4本章小结

第四章基于Faster R-CNN的视觉检测算法

4．1．1卷积神经网络

4．1．2 RPN

4．1．3网络训练

4．2基于Faster R-CNN的螺栓视觉检测算法

4．2．1候选区域改进

4．2．2数据集

4．2．3实验结果

4．3基于Faster R-CNN的导线缺陷视觉检测算法

4．3．1候选区域改进

4．3．2数据集

4．3．4实验结果

4．4本章小结

第五章基于视觉检测算法的机器人作业实验

5．1螺栓紧固作业实验

5．2导线修补作业实验

5．3本草小-结

总结与展望

参考文献

致谢

附录