基于SVM的高压输电线路巡检机器人障碍识别研究与应用

摘要

用巡检机器人替代传统巡检方式进行高压输电线路巡检和维护，对于确保线路安全运行、提高线路维护效率有迫切的现实意义。障碍识别是高压输电线路巡检机器人实现完全智能化的关键技术之一，巡检机器人要想在输电线路上自主移动，完成更大范围的巡检工作，必须能够识别输电线路上的间隔器、防震锤等金具。本文针对500KV四分裂输电线路设计了一种基于支持向量机的高压输电线路智能巡检机器人障碍识别算法，辅助巡检机器人识别线路上几种典型金具。
　　本文针对高压输电线路进行了调研分析，并重点分析了线路上间隔器、防震锤等金具的结构特征和安装特点。根据巡检机器人越障方式选择4种金具：间隔器、防震锤、绝缘子和悬垂线夹作为识别对象，提出了一种基于支持向量机（SpportVectorMachine,SVM）的障碍识别算法，该算法由特征提取模块和分类模块两部分组成。
　　在特征提取前对采集到的障碍物图像用中值滤波法进行降噪处理。特征提取是目标识别的重要步骤，本文选择目标图像的梯度方向直方图（HistogramofOrientedGradient,HOG）特征作为障碍的图像描述，给出了HOG特征的提取过程，提取4种典型金具的HOG特征并给出其图像表达。为了加速算法运行速度，对提取到的HOG特征进行主成份分析（PrincipalComponentAnalysis,PCA）。在PCA基础上提出利用稀疏矩阵对HOG特征降维。
　　本文提出基于SVM的多分类障碍识别算法。在线性分类原理基础上引入支持向量机和多分类；首先利用交叉验证法获得最优SVM参数，对几种常见的基于SVM的多分类方法进行对比分析，提出使用决策树法设计障碍识别系统；然后在一对一分类基础上提出基于编码制的决策分类方法。通过对比实验获取4种金具在不同分类策略下的最佳样本组合方案。将特征作为变量进行对比实验，分析HOG特征和利用稀疏矩阵降维后的HOG特征对分类结果的影响。最后分别在最优参数下用决策树法和编码制决策法进行障碍物识别。实验结果表明，本文提出的基于SVM的障碍物识别算法识别准确率高、实时性好，能够满足巡检机器人障碍物识别要求。

目录

封面

中文摘要

英文摘要

目录

1 引 言

1.1 课题背景及研究意义

1.2 巡检机器人障碍识别的研究现状

1.3 论文结构安排

2 巡检机器人作业环境与障碍识别分析

2.1 引言

2.2 巡检机器人作业环境

2.3 巡检机器人总体结构及越障方式

2.4 巡检机器人障碍识别分析

2.5 本章小结

3 障碍物图像特征提取

3.1 引言

3.2 障碍物图像预处理

3.3 障碍物图像特征提取

3.4 本章小结

4 基于SVM的障碍识别系统设计

4.1 引言

4.2 SVM

4.3 SVM参数选择及实验结果分析

4.4 基于SVM的多类别分类

4.5 基于SVM的障碍物分类算法

4.6 本章小结

5 系统实验

5.1 实验环境

5.2 实验样本选取

5.3 基于HOG特征和SPS-HOG特征的障碍识别对比

5.4 决策树法和编码制决策法的障碍识别对比

5.5 本章小结

6 结 论

致谢

参考文献

附录 A. 作者在攻读硕士学位期间发表的论文和专利