基于深度学习的变电站巡检机器人自动抄表研究.pdf

R 机器人技术 obot Technology2023 年第 51 卷第 10 期李大川等基于深度学习的变电站巡检机器人自动抄表研究58 收稿日期:2022-12-07基于深度学习的变电站巡检机器人自动抄表研究李大川,杨志明(国网甘肃省电力公司金昌供电公司,金昌 737100)摘 要:为提高变电站巡检机器人自动抄表识别的精度,提出一种深度学习的自动抄表识别方法。以 YOLOX网络作为基础框架,在网络通道层和空间层添加卷积注意力模块,同时采用 Focal-Loss 函数替代 BCE-Loss 函数,以提高网络的训练速度和识别精度。结果表明,相较于标准的 YOLOX 网络、SSD 算法和 DenseBox 算法,改进的YOLOX 网络在 Pavg、P 和 R 指标上表现具有明显优势,分别达 91.44%,96.36%和 98.89%;将改进的 YOLOX 网络用于变电站巡检机器人自动抄表识别中,实现了智能电表数据的准确识别,且识别的 Pavg值达 90.23%,P 值达93.56%,R 值达到 98.12%。变电站巡检机器人的识别方法可用于自动抄表中,且具有一定的工程应用价值。关键词:变电站;巡检机器人;智能电表识别;识别精度;YOLOX 网络中图分类号:TP399 文献标志码:A 文章编号:1004-7018(2023)10-0058-05Research on Automatic Meter Reading for Substation Inspection Robot Based on Deep LearningLI Dachuan,YANG Zhiming(State Grid Gansu Electric Power Company Jinchang Power Supply Company,Jinchang 737100,China)Abstract:In order to improve the precision of automatic meter reading recognition of substation inspection robots,an automatic meter reading recognition method of deep learning was proposed.The YOLOX network was taken as the basic framework,the convolutional attention modules were added at the network channel level and space level,and the Focal-Loss function was used to replace BCE-Loss function,so as to improve the training speed and recognition accuracy of the network.The results showed that compared with the standard YOLOX network,SSD algorithm and DenseBox algorithm,the improved YOLOX network proposed had obvious advantages in Pavg,P and R,reaching 91.44%,96.36%and 98.89%.The improved YOLOX network was used in the automatic meter reading recognition of substation inspection robots,and the accurate recognition of smart meter data was realized,with Pavg value of 90.23%,P value of 93.56%and R value of 98.12%.It can be concluded that the identification method of substation inspection robots can be used for automatic meter reading,which has certain engineering application value.Key words:substation,inspection robot,smart meter recognition,recognition precision,YOLOX network0 引 言随着变电规模的扩大,变电站运维工作量不断增加,传统人工巡检存在执行不规范和操作不到位等问题,提高变电站巡检效率成为亟需解决的问题。近年来,人工智能机器在各领域应用广泛,为变电站智能巡检带来新的契机,变电站巡检机器人应运而生。变电站巡检机器人可替代人工实现远程巡查与在线监测,在减少工作量的同时,还可提升变电站运维效率。正是基于这些特点,巡检机器人被广泛研究。文献1提出一种巡检机器人路径规划方法,通过在人工鱼群算法中引入变指数函数的动态视野和泊松分布特征函数,优化拥挤度和转换因子,结合栅格法构建环境地图,从而实现了巡检机器人的路径规划。文献2为提升变电站巡检机器人的工作效率,提出一种改进蚁群算法的路径规划方法,使得机器人具有更好的巡检路径。文献3针对巡检机器人的仪表问题,采用深度学习 CRNN 网络进行仪表数字识别,该研究的特点在于简化了人工建模步骤,实现了变电站巡检机器人的自动抄表识别,但该方法存在识别精度低的问题。此外,文献4通过综述研究认为目前机器人仪表识别精度和效率较低。作为变电站巡检机器人的重要组成部分,提高机器人对图象的识别精度,是做好巡检智能化工作的重要任务。因此,本文尝试以目前较为前沿的YOLOX 神经网络为基础,通过改进其网络结构和输出函数,进而提高变电站巡检机器人自动抄表识别精度,为变电站巡检智能应用提供一种新的借鉴与参考。2023 年第 51 卷第 10 期 R 机器人技术 obot Technology李大川等基于深度学习的变电站巡检机器人自动抄表研究59 1 YOLOX 网络结构YOLOX 网络是 YOLO 系列目标检测算法中一种经典的模型,可解决 YOLOV4 和 YOLOV5 算法过度优化的问题。YOLOX 算法采用 Darknet53 作为骨干网和SPP 层,由YOLOV3 优化而来。相较于YOLOV3算法,YOLOX 算法在输入端主要使用 Mosaic 进行数据增强,通过裁剪、缩放等方式对图象进行拼接,从而大大提高了对小目标的检测识别精度;通过使用Mixup,减小图象分类的额外开销,提高分类精度5-8。同时,YOLOX 算法在预测部分通过解耦头增强特征表达能力,通过 Anchor-Free 减少参数量,并采用SIMOTA 进行精细化筛选,从而在保证算法精度的前提下,提高了算法的收敛能力和训练速度。YOLOX 网络结构如图 1 所示。图 1 中,输入图象的规格为640640,通道数为3。当输入图象规格不满足输入条件时,需对输入图象进行裁剪、缩放等预处理。输入图象后,先后经过 FOCUS 网络结构和卷积层进行间断取点操作和标准化,同时增加四倍通道数,然后进入 Resblock body 操作,对图象进行压缩并增加通道数。接下来先后进入 CspLayer 操作提取特征和 SPP 进行池化,并进行卷积与上采样;最后,将采样的特征进行融合。重复两次上采样与下采样,即完成了整个图象的识别。图 1 YOLOX 网络结构2 基于改进 YOLOX 网络自动抄表识别模型构建2.1 YOLOX 网络的改进YOLOX 网络实现了 YOLO 系列在目标检测与识别中端对端的性能,提高了收敛速度,但 YOLOX 算法识别精度与训练样本的正负样本数量有关,而变电站巡检机器人自动抄表的样本数量可能存在正负样本数量不均衡的问题,进而影响网络最终的识别精度。为解决该问题,对 YOLOX 网络进行改进,具体思路则是添加卷积注意力模块,以及改进其 BCE-Loss 函数。2.1.1 引入卷积注意力模块卷积注意力模块添加在 YOLOX 网络中的通道层和空间层。在通道层的注意力上,采用 Channel Attention 进行实现。设输入特征为 F,通过式(1)计算通道权重系数 Mc(F),然后其与 F 相乘,得到新的特征 Fmc。Mc(F)=W1(W0(FCavg)+W1(W0(FCmax)(1)在空间层面注意力上,采用 Spatial Attention 进行实现。将输入特征 F 通过式(2)计算空间权重系数 Ms(F),并将其与 F 相乘得到新的特征 Fms。Ms(F)=(f77(FSavg;FSmax)(2)最后,将 Fmc和 Fms代入 YOLOX 的骨干网络。2.1.2 BCE-Loss 函数改进改进 YOLOX 网络 BCE-Loss 函数的目的是使算法更侧重于对难分辨的样本进行识别,以提高算法的识别精度。考虑到本研究是对仪表数据进行识别,其属于小目标检测,要提高小目标检测的精度,就必须解决正负样本可能不均衡的问题。因此本研究选用 Focal-Loss 函数替代 BCE-Loss 函数,具体函数公式:FL(Pt)=-(1-Pt)log(Pt)(3)通过上述的改进,可进一步提高 YOLOX 网络的检测与识别精度。2.2 自动抄表识别步骤变电站巡检机器人自动抄表识别遵循一般的识别思路10-15:一是采集智能电表图象,通过移动巡检机器人协调机械臂,使相机聚焦于目标电表,以采集到清晰的电表图象;二是图象预处理,考虑到采集的图象可能存在噪声的干扰问题,需对图象进行预处理;三是读取电表数据,具体则采用目标检测与识别算法进行识别。基于以上思路,本研究将变电站机器人自动抄表识别步骤分为以下几步:(1)图象获取。通过变电站巡检机器人机械臂实现自动抄表图象的获取。(2)图象预处理。考虑到变电站巡检机器人采R 机器人技术 obot Technology2023 年第 51 卷第 10 期李大川等基于深度学习的变电站巡检机器人自动抄表研究60 集的图象为 RGB 图象,而改进发 YOLOX 网络的输入图象为二阶黑白图象,因此在原始图象输入前,需要对图象进行预处理。首先对图象进行灰度化处理,提取输入图象 R、G、B 三原色亮度作为灰度化的三个灰度值,将彩色图象转化为黑白图象;然后对图象进行平移、缩放、旋转等集合闭环,纠正图象的系统误差;最后使用平滑处理消除图象噪声,锐化物体轮廓,实现图象增强。(3)对改进的 YOLOX 网络进行训练。在设置YOLOX 网络参数的基础上,利用变电站巡检机器人采集到的抄表数据集图象样本对改进的 YOLOX 网络进行训练。(4)电表数据识别。将测试图象输入训练好的YOLOX 网络中进行识别,并输出仪表识别的结果。3 仿真实验3.1 实验环境搭建本实验基于 Pytorch3.8.11 深度学习框架搭建改进的 YOLOX 网络,并在 Windows10 操作系统上进行仿真训练和测试。系统安装 OPENCV 等机器视觉基础数据库,同时采用 VScode 作为 IDE 工具。3.2 数据集制作改进的 YOLOX 网络验证与对比部分选用 COCO数据集作为实验数据集。该数据集是一个大规模对象检测、关键点检测的数据集,共含32.8 万张图象。改进 YOLOX 网络的仪表图象选用变电站巡检机器人拍摄的智能电表图片共 500 张作为实验数据,然后将 500 张图片按照 7 2 1 的比例分为训练集、测试集和验证集。训练集图象格式统一为PascalVOC2007。测试集和验证集首先图象通过二值化处理,然后截图归类到 09 新建文件夹中,并设置其格式为 XML。3.3 评价指标本实验选用平均精度均值 Pavg、精确率 P、召回率 R 作为性能指标,其计算公式16-17:P=TPTP+FP 100%(4)R=TPTP+FN 100%(5)Pavg=Ki=1APiK(6)式中:TP表示真正例;TN表示真负例;FP表示假正例;FN表示假负例;K 表示类别数量;AP通过下式计算:AP=n-1i=1(ri+1-ri)pinterp(ri+1)(7)式中:ri表示第 i 个精确率插值点对应的召回率值。3.4 参数设置改进 YOLOX 网络的参数为:迭代次数 300,批大小 200,confidence 为 0.5,学习率为 0.01。同时YOLOX 网络的目标检测框是影响网络性能的重要参数,通常包括 iou-loss 和 giou-loss 两种。其中 iou-loss 具有对成型和尺度不变性等特点,可用于回归任务,但存在 iou 不相交时 loss 为 0 的问题,导致YOLOX 算法模型无法继续训练,而 giou-loss 解决了该问题。因此,本实 验 选 用 giou-loss 作 为 改 进YOLOX 算法的目标检测框方案。图 2 为 以 giou-loss 为 目 标 检 测 框 的 改 进YOLOX 网络模型的训练损失函数情况。由图 2 可知,采用 giou-loss 作为改进 YOLOX 算法的目标检测框进行训练时,可快速收敛达到稳定。图 2 网络损失函数值变化3.5 结果与分析3.5.1 算法验证为验证改进 YOLOX 网络的有效性,实验对比了 YOLOX 网络改进前后在 COCO 数据集上的性能,结果如图 3 所示。从图 3 可知,改进 YOLOX 网络的分类损失函数、置信度损失函数、重合框损失函数、总体损失函数均得到了不同程度的降低,Pavg值也由 81.31%时 提 升 到 87.23%。由 此 说 明,在YOLOX 网络的基础上添加卷积注意力模块对YOLOX 网络的改进是有效的。3.5.2 算法对比为进一步验证改进 YOLOX 网络的有效性,实验对比了网络与常用目标检测识别方法 SSD 算法、DenseBox 算法、GA-SVM 在 COCO 数据集上的性能,结果如表 1 所示。由表 1 可知,相较于 SSD算法 和 DenseBox 算 法 等,改 进 YOLOX 网 络 在Pavg、P 和 R 三项指标上的表现均具有明显优势,分别达 91.44%,96.36%和 98.89%。由此说明,改进 YOLOX 网络在目标检测识别中具有明显的优势。2023 年第 51 卷第 10 期 R 机器人技术 obot Technology李大川等基于深度学习的变电站巡检机器人自动抄表研究61 图 3 YOLOX 网络改进前后在 COCO 数据集上的性能R 机器人技术 obot Technology2023 年第 51 卷第 10 期李大川等基于深度学习的变电站巡检机器人自动抄表研究62 表 1 不同算法的识别性能对比算法PavgPRSSD 算法85.29%82.59%85.47%DenseBox 算法87.36%87.16%90.19%GA-SVM1891.01%92.23%94.61%CRNN1989.56%90.12%91.65%本文算法91.44%96.36%98.89%3.5.3 算法应用为检验改进 YOLOX 网络的实际应用效果,研究采用算法对变电站巡检机器人自动抄表的数据进行识别。图 4 为改进 YOLOX 网络的性能和识别结果。由图 4 可知,改进 YOLOX 算法对变电站巡检机器人采集电表数据具有良好的识别准确率,Iouloss 值达到 1.25%,Pavg值达到 90.23%,P 值达到 93.56%,R 值达到 98.12%。由此说明,改进YOLOX 网络可良好适应变电站巡检机器人的自动抄表识别工作,识别准确率较高,具有一定的有效性和优越性。图 4 改进 YOLOX 网络性能图5 为改进YOLOX 算法对变电站巡检机器人自动抄表图象进行图象预处理后的识别结果示例。由图 5 可知,通过变电站巡检机器人的目标检测与识别部分,可清晰识别三行数字。由此可以得出,改进YOLOX 网络识别准确率高,识别效果好。图 5 改进 YOLOX 网络对变电站巡检机器人抄表图象的识别结果示例4 结 语综上,通过对 YOLOX 网络的改进,实现了对变电站巡检机器人自动抄表数据的准确识别。相较于标准 YOLOX 算法、SSD 算法和 DenseBox 算法,改进YOLOX 算法在 Pavg、P 和 R 三项指标上的表现均具有明显优势,对变电站巡检机器人自动抄表的识别Iouloss 值 达 1.25%,Pavg值 达 90.23%,P 值 达93.56%,R 值达 98.12%。由此可以证明,改进方法是可行的。但由于条件限制,本研究在变电站巡检机器人图象数据集获取上,数据集还相对较小,同时只是对图象进行简单的预处理,而对模糊图象,机器人采集中存在的遮挡图象等还没有进行详细处理。下一步将尝试从多方面获取变电站巡检机器人图象,并对变电站机器人进行详细设计。参考文献 1 谢志文,汪政,王锐,等.基于改进蚁群算法的变电站巡检机器人路径规划研究J.能源与环保,2021,43(12):212-216.2 赵岩,包清华.变电站巡检机器人路径的人工鱼群算法规划J.黑龙江科技大学学报,2021,31(6):812-817,829.3 刘小波,徐波,宋爱国,等.基于变电站巡检机器人数字仪表识别算法J.供用电,2019,36(12):80-86.4 郑昌庭,王俊,郑克.基于图像识别的变电站巡检机器人仪表识别研究J.工业仪表与自动化装置,2020(5):57-61.5 李骏峰,杨小军,张凯望.基于 YOLOX-L 算法的安全帽佩戴检测方法J.计算机技术与发展,2022,32(9):100-106.6 安鹤男,杨佳洲,邓武才,等.基于 YOLOx 残差块融合 CoA 模块的改进检测网络J.计算机系统应用,2022,31(8):245-251.7 张智坚,曹雪虹,焦良葆,等.基于改进 YoloX 的输电通道工程车辆检测识别J.计算机测量与控制,2022,30(9):67-73.8 俞龙,黄楚斌,唐劲驰,等.基于 YOLOX 改进模型的茶叶嫩芽识别方法J.广东农业科学,2022,49(7):49-56.9 傅平.基于递归神经网络的超声波电机力矩迟滞辨识J.微特电机,2022,50(11):8-15.10 李天顺,孙佳东,李东洋,等.基于改进的 YOLOX 家用燃气表检测算法J.长江信息通信,2022,35(6):142-146.11 张宇廷,王宗彦,范浩东,等.基于深度学习的并联机器人定位检测技术研究J.电子测量技术,2022,45(11):147-153.12 徐哲玮,刘昭,包建东,等.基于改进 YoloX-s 的密贴检查器故障检测方法J.电子测量技术,2022,45(12):91-98.13 张培.智能变电站巡检机器人的应用J.现代制造技术与装备,2022,58(6):222-224.14 董翔宇,李安,汪太平,等.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J.合肥工业大学学报(自然科学版),2021,44(6):748-752,770.15 董翔宇,张中,朱俊,等.一种基于深度神经网络的变电站巡检机器人路面识别方法J.计算机应用研究,2020,37(S2):389-391.(下转第 67 页)2023 年第 51 卷第 10 期 P 生产技术 roduction Technology谭鹏等电机壳体工序分析和夹具设计67 求。同时,为保证产品定位与夹具面完全贴合且不影响整体加工,这里采用的锁紧方式是反面螺纹拉紧。4 结 语通过对壳体加工工艺的分析,结合加工尺寸链及夹具定位精度的核算,完成了该壳体所有工序配套加工夹具的设计。通过每道工序所对应的夹具,可有效缩短每件成品的加工工时,大幅提升了该壳体零件在机加工序的流转速度,不仅保障了各工序的加工稳定性和加工精度,还保证了每批次订单的顺利交付。参考文献 1 万晓萌,张笑,王晔,等.大型复杂铝合金变速箱壳体压铸模设计J.特种铸造及有色合金,2020,40(8):854-856.2 郑伟,孙见君,马晨波,等.汽车轮毂柔性加工夹具的定位误差分析J.机械设计,2021,38(3):46-52.3 刘建鹏,陈红艳.壳体的铣夹具设计J.内燃机与配件,2019(1):56-59.4 朱赞彬,李焕.压铸变速箱壳体加工工艺分析及优化J.机械设计,2021,38(S2):138-141.5 温沪斌.LED 灯罩壳体专用夹具的优化设计J.模具工业,2021,47(2):75-79.6 武文虎,李有生,王志林,等.电机壳体侧壁优化设计J.机电工程技术,2014,43(9):35-37.7 石玉娥.关于工艺尺寸链计算问题探析J.制造技术与机床,2014(4):86-89.8 王正东.利用画小箭头法查找工艺尺寸链J.机械工程师,2010(3):63-64.9 郝丽敏.冯永钦.机械制造中的数控技术探究J.中国设备工程,2021(23):226-227.10 吴拓.机床夹具设计实用手册M.北京:化学工业出版社,2014.11 屈福康.数控高速切削加工技术在机械制造中的应用实践J.橡塑技术与装备,2021,47(24):26-29.作者简介:谭鹏(1994),男,中级工程师,本科,研究方向为械设计及制造加工。(上接第 62 页)16 赵世超,赵东标,支程昊.基于改进 DRNN 的机电作动器 PI控制方法研究J.微特电机,2021,49(12):35-39.17 凌敏,胡华浪,曾爱萍,等.基于无监督和 YOLOX 的农村房屋建设状态识别算法J.中国农业信息,2022,34(3):52-60.18 王晓东,魏成保,冯海荣,等.基于 SVM 的变电站保护室数显仪表数字识别方法J.电子测量技术,2019,42(2):92-95.19 曲超然,陈立伟,王建生,等.基于深度学习的工业数字仪表识别算法研究J.应用科技,2022,49(2):100-105.作者简介:李大川(1988)男,本科,研究方向为变电运行、检修专业管理。杨志明(1994)男,本科,研究方向为变电站的运行维护、变电运行技术及视频监控技术等。