变电站巡检机器人避障方法研究与应用

为提升变电站巡检机器人的导航避障能力,将深度学习技术应用于变电站场景识别中,提出了一种基于深度卷积神经网络的避障方法.该方法联合图像分类和语义分割两个分支来共同辅助机器人导航避障,分类分支通过获取图像全局信息,保证机器人正确行驶方向;而语义分割支路则根据图像局部信息以及机器人前方目标类别,指导机器人准确避障.实验结果表明,避障方法可以高效地对图像进行分类和分割,同时,在实际变电站环境中,该方法也能为巡检机器人提供有效的避障信息,实现实时自主避障.     

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。     

变电站密闭空间中设备故障的智能判定方法

变电站设备大多处于密闭空间中,依赖传感器和专家经验来判别故障,为避免当前故障判别方式的弊端并提高变电站智能化水平,提出一种智能判定方法。首先,在对各类巡检需求分析的基础上完成数据的采集和标注,构建数据库;其次,分别介绍门控循环单元和粒子群算法,基于粒子群优化的门控循环单元网络(particle swarm optimization-gated recurrent unit, PSO-GRU)提出智能故障判定方法,给出了具体的网络结构和算法流程;最后,结合实际数据设计仿真实验,提供了具体的实验方式和流程,将本文方法的判别效果进行验证并与其他两种网络进行对比。结果表明:PSO-GRU对故障的判定更加快速和准确。