[发明专利]一种架空输电线路巡检机器人障碍物检测方法

说明书

本发明公开了一种架空输电线路巡检机器人障碍物检测方法，通过视频采集传感器对机器人行走地线上的障碍物进行实时检测，采用视觉特征分析算法与深度神经网络模型相结合的方式，先基于轮廓特征对机器人前方地线上有无障碍物进行预判断，再使用基于卷积神经网络的目标检测模型检测障碍物的类别与位置，最后对存在的障碍物进行测距，辅助机器人采取不同的越障动作自主越障。本发明采用有无障碍物预判断模块以及基于地线轮廓特征的有无障碍物判断算法，可以高精确地检测到地线边缘的突变，对未知类型异常障碍物的检测有很好的鲁棒性，避免了深度神经网络长时间运行推理，显著地减少了计算资源的消耗和提高障碍物的识别效率。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种架空输电线路巡检机器人障碍物检测方法。

背景技术

随着电网智能化水平的提高，输电线路智能化巡检成为电网运行不可缺少的一部分。架空输电线路巡检机器人的发展对智能化巡检有着重要的作用，其不仅可以代替人工巡检，还不受天气和环境的影响，可以全天候长续航运行。为了实现连续的自主巡检，机器人需要提前识别前方存在于行走线路上的障碍物，并根据障碍物类型和位置信息执行相应的越障动作。地线上的常规障碍物包括防震锤，线夹等线路金具，障碍物检测的可靠性对机器人的安全运行至关重要，错误的判断会造成巨大的安全隐患。另外，任何异常的障碍物如塑料薄膜，风筝，气球等都必须被准确识别，实时预警机器人减速并停止。

目前常用的线路障碍物检测方法主要包括：基于特征提取再分类的传统图像处理方法和基于卷积神经网络的深度学习方法。基于特征的方法包括：基于障碍物几何特征的结构约束方法，基于Haar-like特征的Adaboost级联分类器和基于HOG特征的SVM分类器的两级检测模型；基于深度学习的方法大多使用人工标注的线路障碍物数据集训练经典的目标检测模型，包括YOLO，SSD，Faster-RCNN等。由于目标障碍物的颜色和纹理特征不明显且同类障碍物形状差异较大，单纯基于特征提取的方法识别准确率较低，而且很难识别形状多变的异常障碍物；而单纯基于深度学习的模型需要使用包含所有障碍物类型的数据集合进行训练，对未知类型异常障碍物的鲁棒性较低，且计算量很大，实时性很难保证。

文献一《一种高压线路障碍物识别方法、装置、巡检机器人》(中国专利申请号201811133352.9)披露了一种高压线路障碍物识别方法。该方法是基于障碍物的几何基元特征和线路结构信息，识别障碍物的类型和位置。该方法只能适应于简单背景的巡检图像，且只能识别线路金具，无法识别地线上可能存在的异常障碍物。

文献二《一种巡检机器人越障方法、系统、存储介质及计算设备》(中国专利申请号201911234036.5)披露了一种基于yolov3轻量版模型的障碍物识别检测方法。该方法使用生成对抗网络扩充数据集，用于训练基于卷积神经网络检测模型，检测线路上的障碍物。该方法虽然使用了轻量版模型，但是参数量依然较大，依赖高性能计算平台，长时间运行功耗较大；且受训练集数据丰富度影响大，鲁棒性很难保证。

发明内容

发明目的：提供一种架空输电线路巡检机器人障碍物检测方法，本发明综合结合视觉特征分析算法与深度神经网络模型的工作原理以解决现有技术中存在的障碍物识别类型单一，无法识别异常障碍物，以及采用网络模型运算体系复杂，计算时间长，鲁棒性低的技术问题。

技术方案：一种架空输电线路巡检机器人障碍物检测方法，包括如下工作步骤：

采集机器人行走地线上的视频信息；

根据视频信息，基于机器人行走地线的轮廓特征对机器人行走地线上有无障碍物进行预判；

若机器人行走地线上有障碍物，则将预判存在有障碍物的图像输入至训练好的卷积神经网络模型中，以获取障碍物类别、障碍物目标框位置、以及障碍物目标框置信度；

根据障碍物位置测算障碍物与机器人的距离，将障碍物类别及障碍物与机器人的距离作为检测结果输出。