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

目前变电站巡检机器人大多基于SLAM或GPS进行定位导航,在变电站中受电磁信号干扰及环境变化干扰,存在较大的定位误差。而基于图像识别的道路导航,受光照影响,存在很大的局限性。为此,根据变电站巡检机器人运行工况,提出了一种基于六角锥体模型(hexcone model)的图像预处理算法,结合神经网络的路面识别算法,以实现变电站巡检机器人能够在复杂光照环境下的路面识别。该算法通过摄像头获取路面的实时图像信息,然后利用六角锥体模型处理图像中由外界环境因素所带来的干扰,对图像进行预处理,最后利用深层卷积神经网络(deep convolutional neural network,DCNN)方法提取处理后的图像特征并完成道路分割。实验结果表明,该方法能够在不降低路面识别精度的基础上,保证较高的光照适应度,具有较强的抗干扰能力。

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。