复杂光照环境下的标识线图像增强方法

自动驾驶汽车在行驶过程中需要识别道路标识线以确保行驶在车道上,变电站巡检机器人通过识别道路标识线实现准确巡检。但由于复杂光照环境的影响,道路标识线信息难以准确提取。传统的图像增强方法无法对所有复杂光照环境下的道路标识线图像都产生良好的增强效果,对此提出一种复杂光照环境下的道路标识线图像增强方法。利用HSV色域空间的亮度图像的亮度差进行分层处理,对高亮度差的图像使用自适应伽马校正的方法进行图像增强,对低亮度差的图像先使用直方图锥形拉伸扩大图像灰度级,再利用自适应伽马校正提升图像对比度。实验结果表明,该算法能有效解决低光照、曝光等复杂光照环境所导致的道路标识线难以识别的问题,是一种有效的图像增强方法。

基于深度学习的变电站开关柜图像增强及状态识别方法

针对变电站机器人巡检时存在开关柜的状态识别精度极易受到环境影响,以及小尺寸状态灯误检率高等问题,提出了一种基于融合生成对抗网络和改进的YOLOX的开关柜状态识别方法。首先,基于融合生成对抗网络进行图像增强,对原图进行色彩校正和色彩增强预处理;其次,构建多损失函数用于特征的提取、融合,并增添纹理提取模块,减少训练中预处理算法造成的伪影噪点和细节模糊;再次,基于改进的YOLOX网络进行开关柜状态识别,在解耦头模块融合DAMM双注意力机制,加强YOLOX网络对信息量更大的分支的关注,丰富开关柜状态的特征信息;最后,优化YOLOX网络结构,用轻量级MobileNetV3网络替换原始主干网络CSPDarknet,并保留Focus层,使网络减少参数量和计算量的同时保持良好的特征提取性能。增强算法能有效校正因强光照而失真的状态灯色彩,还原夜晚拍摄反光区域的信息,提高低对比度图像的质量,增强图像色彩鲜明度,峰值信噪比和结构相似性均有提升,与其他算法相比,所提方法的性能更好。改进后的检测算法平均识别精度可以达到94.1%,图片识别速度为4.6 ms/张,表现出较强的泛化性、鲁棒性、准确性和快速性。试验表明,采用基于深度学习的图像增强和目标检测方法有效解决了复杂环境下高压开关柜的状态识别问题,提高了电力巡检机器人开关柜状态识别的准确率。

配网电缆沟机器人巡检系统探究

在智能电网快速发展的背景下,配网电缆沟总数量在不断增多,电网电缆巡检任务也变得越来越繁重。电缆沟属于敷设电力或电讯电缆设施的地下管道,其一般都配有盖板,无论是敷设还是维修电缆都需要将盖板揭开,因此,电缆沟巡检工作极为繁琐和不方便,研发配网电缆沟机器人巡检系统,可以更好地适应电缆沟复杂的巡检环境,提升巡检效率以及质量。文章以智能化发展下配网电缆沟机器人巡检系统,作为研究对象,在查阅大量相关文献和结合以往工作经验的基础上,对配网电缆沟巡检现状进行了简单介绍,然后分析了配网电缆沟机器人巡检系统的重要价值,最后探讨了配网电缆沟机器人巡检系统设计,期望可以为配网电缆沟机器人巡检工作的进一步优化提供理论参考和更多思路。

基于改进SSD的电力设备红外图像异常自动检测方法

为实现各类巡检机器人、无人机等智能电力巡检设备所携红外热像仪采集的红外图像自动检测,该文提出基于改进SSD的电力设备红外图像异常自动检测方法。对收集的典型故障电力设备红外图像统一预处理;标注电力设备及异常区域并制作标准数据集;搭建检测网络;读入数据与预训练模型到搭建的网络进行微调训练验证,得到最终模型文件并测试。实验表明,该方法泛化性强,准确率较高,能达到实时自动检测红外图像下多类典型电力设备并定位异常发热区域的效果,将使现有电力巡检设备实现“智能+”。

基于阻抗匹配的输电线路在线取能方法研究

针对常规电流互感器在线取能方法无法在较宽的输电线路电流变化范围内,实现稳定较大功率输出的问题,提出了基于阻抗匹配的输电线路在线取能方法。该方法利用套在输电线路上磁芯的励磁电感与磁芯副边匹配电容实现并联谐振,大幅增加线路阻抗从而抑制线路上的电流。同时通过分流的方式将输电线路上的负荷电流导入负载实现功率输出。通过分析该方法取能原理,建立基于阻抗匹配的输电线路在线取能电路模型,推导出取能电路模型中各参数与取能功率间的关系,继而实现取能电路与负载阻抗相匹配,提高在线取能功率。最后的仿真以及实验表明:在输电线路电流为50A时,取能电路的输出能达到15.44W,折算得到功率密度达到了25733W/m^3。是相同条件下常规电流互感器取能方法输出功率密度2倍以上,已经能够支撑一些低功耗监测仪器的供电需求。当线路电流达到80A以上,取能电路的输出功率更是可以达到30W左右,已具有足够的供能能力。

采用双磁路的电流互感器在线取电方法

针对目前应用较为广泛的电流互感器在线取电装置存在磁路易饱和、取电功率较小等问题,提出双磁路拓扑结构与谐振功率控制相结合的在线取电方法。在双磁路结构中,一个两半圆磁芯安装于输电线路上,通过二次侧接入电容使磁路中的励磁电感与电容发生并联谐振,增大该磁路阻抗值,从而控制线路上的电流更多流入双磁路另一磁路线圈,并通过该磁路实现内部阻抗与外部负载值匹配,获取最大功率。基于该取电方法,提出调整谐振电容的磁芯防饱和方法,使取电装置维持高取电功率的同时正常工作。采用Maxwell与Simplorer的联合仿真验证了该取电方法的正确性和线路谐波情况下的适用性。初步搭建的取电装置实验表明,双磁路取电功率满足高压输电线路监测设备需求。

基于阻抗自适应调整的输电线路取能装置稳定取能方法

针对电流互感器在线取能装置存在的小电流难以取能、大电流磁芯饱和等问题,该文提出基于阻抗自适应调整的稳定取能方法。通过并联谐振,构建包含阻尼支路与取能支路的双支路模型,实现电流转移,解决小电流难以取能的问题。提出基于品质因数调节的阻抗调整方法,在一定电流范围内,稳定负载功率。提出基于反向电流注入的阻抗调整方法,解决线路大电流下的磁芯饱和问题。针对线路电流突变情况,提出基于旁路电阻投切的阻抗调整方法,实现阻抗的快速调整,避免能量冲击。搭建仿真和实验系统,实验结果表明取能方法不仅可以实现较大功率输出,还能在宽电流范围内稳定负载功率,满足输电线路在线监测设备的供能需求。

基于改进D^* Lite算法的电缆沟巡检机器人系统设计

对地下电缆沟运行状态的在线监测问题,针对电缆沟环境设计了电缆沟巡检机器人系统;分析了地下电缆沟在线监测的需求以及电缆沟环境带来的约束,构建了包含图像模块、温湿度检测、可燃气体检测、运动机构、自动导航模块、上位机系统在内的巡检机器人结构;采用多关节串联结构的履带式底座和双CPU(central processing unit)设计来减小机器人整体的体积和重量,采用烟花算法改进D*Lite算法,加大机器人本体与障碍物距离,提升规划路径的平滑度,实现了适用于电缆沟环境的路径规划;经现场测试,系统总功耗为94.3 W,最小通过宽度为35 cm,可穿越坡度不超过30°的障碍,获得满足测量精度要求的多种电缆运行信息,实现了地下电缆沟的自动巡检,满足了地下电缆沟在线监测的要求。

基于改进YOLOv4的雾天变电站电力设备识别方法

在雾霾天气下,巡检机器人检测变电站电力设备存在能见度低、目标不清晰等情况,而且常用的目标检测算法参数量过大,部署在巡检机器人上难以达到实时性的要求。为此,提出了一种结合Cycle-Dehaze去雾算法的轻量级变电站电力设备识别方法。对采集到的变电站带雾图进行去雾预处理,提高目标电力设备的清晰度和可见性;在YOLOv4网络中引入MobileNetv3和深度可分离卷积,实现模型轻量化;在目标检测网络中嵌入SE注意力机制,提高电力设备识别精度。实验结果表明,Cycle-Dehaze与改进YOLOv4相结合的识别mAP可达92.5%,改进的YOLOv4比YOLOv4算法检测速度快15.59帧/秒,模型参数量减少了80.21%,更有利于在变电站巡检机器人上部署。

地下电缆沟智能巡检机器人导航避障技术研究

电缆沟是电力系统必不可少的基础设施之一。地下电缆沟内部空间狭窄、空气环境恶劣,人工电力巡检需携带多种检测工具,存在行走困难、检测不便等问题,且一旦发生冒烟、起火等紧急情况,容易造成人身伤害。为此,文章基于所设计的双驱动履带式电缆沟智能巡检机器人系统,构建了机器人运动模型并提出了一种地下电缆沟智能机器人导航避障技术,其采用基于改进的RBPF-SLAM算法对电缆沟智能机器人同时进行定位与地图构建。实验结果显示,该机器人能够在电缆沟内实现自主导航定位,不仅能顺利通过PVC管、砖块及铁质撬棍等障碍物,而且对于较高的障碍物,也能够成功避障,满足地下电缆沟巡检技术要求。

带电作业智能新技术及其应用现状

电网设备的例行维护工作通常采用人工带电作业的方式完成,目前存在着作业难度高、劳动强度大和人身安全威胁显著等问题。随着近年来信息技术的突破,带电作业中引入了许多智能新技术。本文对目前电网系统带电作业中运用的机器人和无人机技术进行了概括和介绍,并且对其在湖南电网中的应用情况进行了分析和展望。

新工科背景下电气工程专业学术型创新人才培养模式的探讨

针对高校学术型创新人才的培养问题,该文提出了一种以创新实践成果为导向的教育理念——OBEE(Outcomes-based Education of Experiment),这种理念定义了理论知识与创新实践是一种相辅相成的关系和有机结合的过程。一方面通过创新实践验证理论知识的真实可靠性,并加深对理论知识的理解,另一方面,通过理论创新指导实践活动,并激发学生的创新意识。该文以提升学术型创新人才能力培养为目标,从发展方向、课程建设、能力培养三个方面构建了电气专业人才的培养模式。

基于关键点的输电线路防振锤滑移视觉检测

提出一种基于关键点训练学习的防振锤滑移检测方法。首先利用改进SSD模型对防振锤进行识别、定位;再选择防振锤关键点,训练MobileNetV3网络,通过上一级定位结果设定输入区域,从而实现关键点的检测;最后依据线路图像特征,制定相应判别规则。当档距内悬挂m(m≥2)个防振锤时,利用关键点几何约束关系实现判别;当档距内悬挂单防振锤时,采用EPnP算法估计相机在多个角度的位姿,通过位姿与线夹关键点像素坐标间的关系求解最邻近点的世界坐标,判断最邻近点与防振锤间的距离是否在阈值范围内。实验结果表明,所提方法能对滑移异常进行有效识别,为输电线路异常检测提供了新思路。

基于IESKF与图优化的激光惯性SLAM算法

同步定位与建图(SLAM)算法在使用激光雷达建图过程中,由于环境的变化且配准参数固定,会在点云配准过程中产生较大的累计误差,并且对高程误差抑制效果不佳,进而会影响全局的配准精度和建图定位效果。针对上述问题,提出一种基于迭代误差状态卡尔曼滤波器(IESKF)与因子图优化的激光惯性SLAM算法。该算法包括自适应参数调节模块、点云预处理模块、前端里程计模块和后端因子图优化模块。根据点云规模确定不同的关键帧距离、配准、体素下采样,以及地面约束等参数。采用K近邻(KNN)选取关键帧组成局部地图,可充分利用帧-图匹配时的空间信息。通过IESKF融合点云残差与惯性测量单元(IMU)先验位姿,得到滤波方式的前端融合里程计。在后端优化中加入地面约束、回环约束构成因子图优化,提高了建图的全局一致性。在M2DGR公开数据集和实际场景上进行多算法对比实验,实验结果表明,在校园场景中:相较于仅使用因子图优化的LIO-SAM算法,所提算法在全局建图精度上提高了38%,在高程误差上减少了52%;相较于仅使用IESKF的FAST-LIO2算法,所提算法在全局建图精度上提高了64%,在高程误差上减少了62%,证明其在环境适应性和高程误差抑制方面具备更优异的性能。