变电站巡检机器人道路语义分割方法及其应用

为提升变电站巡检机器人对道路场景的识别理解能力,将深度学习技术应用于变电站巡检机器人中,提出了一种适用于变电站道路场景的全卷积语义分割网络。该网络借鉴ENet编码结构提取图像特征,同时融入多种解码结构来获取更多有效特征,恢复图像目标信息。同时,针对巡检机器人以及变电站道路特点,将语义分割结果转化为机器人前方目标信息以及机器人偏离情况信息,辅助机器人导航避障。实验结果表明:所提出的网络有效地提升了图像分割精度,并能较好地适应于实际变电站环境中。研究结果为机器人提供了有效的道路场景信息,辅助机器人导航避障。     

多特征融合的道路场景语义分割算法

为提升道路场景语义分割的性能以及实际应用性,本文将传统的图像处理算法与深度学习技术相结合,提出了一种多特征融合的轻量级道路场景语义分割网络模型。该模型首先利用颜色空间转化、图像均衡化、边缘检测等算法来对图像多种特征信息进行增强;其次,以深度可分离卷积为基本单元搭建高效率特征提取结构,对特征增强后的图像进行信息融合和提取,并结合跳层上采样操作完成初步分割;最后,引入边缘检测支路来对分割图像的目标边界信息进行细化,保障网络高精度分割。通过实验结果表明,所提网络在分割精度、计算效率上得到了较好的平衡,同时,在实际变电站道路场景应用中,该网络也能实现高效语义分割,为巡检机器人提供有效的道路信息。     

巡检机器人中二维条码的设计与应用

提出了一种巡检机器人中应用二维条码的视觉定位与任务给定及辅助导航的方法.通过在机器人巡检路线中的关键点设置二维条码标记,将巡检机器人大范围的绝对定位问题转化为小区域的相对定位,消除了里程计的累积误差.通过传递导航与命令信息,使巡检机器人的可操作性与可维护性大大提高.详细分析了二维条码图的设计方法,通过图像预处理、图像的矢量中值滤波、条码数据区定位等步骤得到了二维条码的读取算法.分步调试与在变电站设备巡检机器人系统中的应用表明,该算法实现简便,处理速度快.     

基于局部监督深度混合模型的变电站巡检机器人道路场景识别

近年来,在各种图像分类和处理中,卷积神经网络(convolutional neural networks, CNN)取得了明显的优势。通过CNN中的全连通顶层和中间层等,可有效获取具有全局语义信息的深度特征以及包含局部语义信息的卷积特征,以此来提升图像识别的效果。为了进一步改进变电站巡检机器人对自身所处环境的理解能力,特别是在依赖于道路场景中整体和细节图像相结合来进行特征识别的条件下,文章提出了一种基于局部监督深度混合模型的识别网络对变电站巡检机器人道路场景进行识别,以实现对卷积特征的有效应用。首先该识别网络可以有效地避免卷积特征捕获到的局部对象在高度压缩的全连接层表示中被明显消除的问题;其次在局部卷积监督层的辅助下,通过直接将标签信息传播到卷积层,实现对图像的局部结构进行增强以补充场景图像中无序的中层语义信息;同时添加空间卷积操作来处理由于遮挡所造成的信息丢失。实验结果表明,局部监督深度混合模型网络在明显提高推理速度的同时,能够保持较高的识别精度,并在实际变电站场景的识别中表现出优秀的性能。     

变电站巡检机器人导航方法研究

随着移动机器人技术的发展和变电站无人值守的开展,变电站巡检机器人应运而生。稳定的导航是巡检机器人能够正常工作的前提保证,因此针对变电站巡检机器人的导航方法进行研究。影响导航的关键因素有导航方式和导航算法,变电站巡检机器人采用视觉与电磁融合的导航方式,运用自适应位置型PID控制算法,对于脱离导航线的错误处理采用模糊控制的思想,实现了巡检机器人的导航并得到了实际应用,实际运行的结果说明此种方法抗干扰能力强、收敛性好。     

基于深度学习的图像语义分割研究进展

图像语义分割是对图像中的每个像素点进行分类,将图像中的前景和背景区分并且识别出每个前景的类别。随着深度学习技术的发展,传统图像语义分割方法在分割精度和分割速度上已经彻底被超越。针对深度学习图像语义分割方法研究现状进行综述,对近年来国内外基于深度学习图像语义分割方法主要思想、优缺点进行了分析和总结。提出了该领域目前存在的问题,对将来的发展进行总结和展望。     

变电站机器人视觉伺服系统研究

变电站巡检机器人替代人工巡检变电站设备,主要是机器人携带CCD摄像仪和红外成像仪,在固定点对目标设备的状态进行检测。由于机器人的定位误差和机器人本体自由度的误差,会造成机器人到固定点取图像时巡检目标偏移甚至丢失。采用Adaboost图像识别分类方法和光学成像原理组成视觉伺服控制系统,对机器人进行调整,使巡检目标保持在图像的中心位置。实验结果表明,机器人视觉伺服系统能有效避免机器人定位和自身误差带来巡检目标偏移和丢失的影响。     

基于深度学习的变电站巡检机器人道路场景识别

为了提升变电站巡检机器人对自身所处环境的理解能力,将深度学习技术应用于变电站巡检机器人对道路场景的识别中,提出了一种全卷积道路场景识别网络(road scene recognition net,RSRNet)。该网络主要由相对浅层的编码网络和镜像结构与跳层融合结构相结合的解码网络组成,通过编码网络提取图像特征后由解码网络识别出图像目标信息。通过实验表明,本文提出的网络在同类型网络中识别精度及效率更高,同时在实际变电站场景中也表现出了优良的场景识别性能。     

基于多传感器融合的机器人导航系统设计

随着传感器技术的进步,多传感器信息融合技术在移动机器人中的应用已经成为一个热门的研究领域,为移动机器人探索不确定和未知环境提供了一种技术途径,是机器人实现更高级智能行为的基础。目前,用于移动机器人避障和导航控制的多传感器信息融合方法主要有模糊逻辑和神经网络。在机器人避障和导航控制中,本文采用了基于模糊逻辑的多传感器信息融合算法。通过对多传感器的信息进行融合能较好地实现机器人在未知环境中的自主避障与导航,并对这种控制方法进行了MATLAB仿真。通过对MATLAB仿真结果的比较,证明了在机器人的避障和导航控制中,该信息融合算法是优于传统信息融合算法的。     

面向光伏电站识别的深度实例分割方法

针对遥感图像上光伏电站边界精细提取的难点，在传统分割网络上添加逐像素的类别信息约束，提出一种融合逐像素置信度模块的两分支深度实例分割网络. 该网络通过4个损失结构和2个分支结构来实现，纵向上保证了网络每一层的语义信息，横向上保证了目标检测分支和分割分支的信息共享，提升了网络对于光伏电站边界的识别能力. 采用国产GF-1数据进行新疆光伏电站提取实验，结果表明，当召回率为89.5%时，基于该方法进行光伏电站检测的准确率达到83.4%. 该方法可为新疆光伏电站动态监测提供支撑.     

基于matlab的苹果树枝图像分割方法研究

水果收获机器人机械手工作环境复杂,为了避免机械手与树枝相碰撞造成机械手的损坏,避障研究很有必要,获取障碍物信息是研究基础。本文把树枝图像分为枝干区域、成熟苹果区域、绿色区域,用matlab编程,分析三区域在RGB、YIQ、HSI颜色空间的分布情况,分别基于RGB和HSI色彩空间,采用阈值分割技术,对树枝图像进行分割,提取枝干区域,并实验比较其分割效果,找出适合苹果树枝图像的分割方法——剥离分割。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

移动智能机器人避障规划研究

文章针对环境信息不确定情况下的避障问题,利用摄像机逆透视映射原理,实现单摄像机获取环境深度信息,并提出了一种基于视觉的局部路径规划的算法,实现了移动智能机器人在不确定环境中利用视觉传感器实时获取外部信息进行路径规划,仿真与实验结果表明,移动智能机器人能快速地跟踪规划路径,实现避障。     

基于双目视觉技术的高压输电线路巡检机器人在线测距

为实现巡检机器人在线测距的实时性和可靠性,对传统测距算法进行改进,提出一种用于高压输电线路巡检机器人视觉导航的双目实时测距算法,左右摄像头相互协作,在左摄像头障碍识别的基础上对线路障碍物进行预设取点,然后通过两摄像头对所取点进行测距,随着机器人前进不断更新障碍物到镜头的距离。实验结果表明:该测距算法具有速度快、精度高和实时性强等优点。     

一种基于模糊识别的移动机器人避障算法

设计了一种基于障碍物模糊识别的移动机器人避障方案.移动机器人的视觉导航,具有信息量大的特点,在避障中相对其他传感系统,有一定优势.视觉图像处理计算量大复杂度高,避障中采用模糊控制的思想,减少图像矩阵精确变化和处理,选取障碍物图像中部分边缘点作为特征坐标点,据此设计模糊控制算法识别出障碍物其大致的姿态信息.根据障碍物图像大致姿态信息和其在视觉探测图像区域的方位信息,设定一组虚拟目标点序列,合理规划移动机器人的安全避障路径.最后,仿真试验演示方案良好的避障效果,证明在简单视觉环境中可行性和有效性.     

基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。