基于改进PointNet++的电力线场景语义分割

从机载激光雷达点云数据中自动准确地提取电力线和杆塔是常规电力线检测的关键步骤,针对目前基于无人机的电力线点云场景中输电线提取精度不高,难以满足无人机自主精细化巡检需求的问题,本文提出了一种新的基于深度学习的电力线点云语义分割方法。本文提出一种改进PointNet++网络架构,完成了对导线、地线、地面和杆塔塔身的分割。首先在输入电力线点云数据的基础上,对经典PointNet++模型参数进行调整,使该模型在特征提取数量、感受野方面更适用大场景输电线现场。然后,对set abstraction(SA)模块进行改进,增强模型对点云数据的特征提取能力。针对该模块主要做了两点改进,一是在每个SA模块中增加残差连接,二是在SA模块中增加了倒置瓶颈设计。基于自建的电力巡检数据集进行测试,结果表明,本文提出的方法在电力线点云语义分割任务上取得了比较好的性能。对比原网络,改进的网络在平均准确率上提升了5.1%,在平均交并比上提升了7.2%。

基于改进YOLOv5n的电力巡检红外图像目标检测算法

热红外图像检测技术在电力巡检中有着非接触、快速等优点,广泛应用于电力设备的监测与诊断,电力巡检红外图像目标检测可以达到快速识别设备发热故障、图像实时处理和降低人工成本的效果。为了保障输电线路的安全与稳定,实时检测输电线路绝缘子与T型线夹的发热故障。本文结合热红外图像的特点,基于YOLOv5n算法改进了网络模型:在原模型中引入Squeeze-and-Excitation注意力机制并且将普通卷积替换为space-to-depth卷积。改进的算法在自制的红外数据集上进行了模型训练与测试,并与其他几个主流的目标检测模型进行了对比评估,结果表明:改进后的模型在对绝缘子和T型线夹的检测精度上分别提升了6.8%和6.3%,且在精度、速度和模型大小上对比YOLOv3-spp和YOLOv3-tiny等模型更具优势,更适用于无人机红外图像下的绝缘子、T型线夹的发热故障识别。

基于深度学习的目标检测算法在电力巡检上的应用综述

面向电力巡检的目标检测是指对无人机采集到的图像进行分析,检测电力线路中的部分缺陷,从而对线路及时检修,保证电力系统能正常工作。基于深度学习的目标检测算法能高效处理大量的图片数据,其处理结果能应用于电力目标的故障诊断等任务,且众多算法的检测精度和速度都优于传统人工设计的机器学习方法。本文对基于深度学习的目标检测算法在电力巡检上的应用进行了较为全面的综述,并对比分析各种算法的优缺点,总结电力巡检领域的发展现状,还讨论了目标检测算法的未来发展趋势以及应用在电力巡检领域所面临的挑战。

基于RGB图像的机械臂目标抓取位姿估计算法

针对抓取过程中目标物体部分被遮挡的问题,设计了一种基于多尺度特征融合的深度卷积神经网络提取3D目标的投影特征点,并根据不同投影特征点数采用不同的多点透视成像算法。网络使用计算机自动生成的合成数据进行训练,经过验证,使用合成数据训练的网络也能在真实场景中有效工作。最后,搭建了一个基于机器人操作系统的UR5机械臂抓取平台,将训练好的模型部署到该平台上进行抓取实验,结果表明所提方法能够估计出目标物体的位姿,并在实际场景中抓取位姿未知的物体。

基于改进YOLOV5n的绝缘子和间隔棒检测算法

轻量级神经网络的出现显著降低了目标检测算法在移动端部署的难度,当前已有许多运算量小、精度较高的卷积神经网络在多个公共数据集上取得了不错的效果。然而,在基于图像的电力巡检领域,图像中目标检测与识别的效率对于及时排除电力故障具有重要意义,尤其是针对基于无人机的巡检,实现在线实时的故障检测更有意义。为了实现绝缘子和间隔棒这些重要巡检目标的移动端实时检测,本文提出了一种基于YOLOV5n的针对电力设备检测与分类的轻量级网络模型,算法在YOLOV5n的基础上优化网络,通过减少一系列的卷积层并舍去一部分的捷径分支,提高网络的并行程度并降低网络的深度。最终设计出模型更轻量、精确度更高的YOLOV5n-1、YOLOV5n-2,基于自建的电力巡检数据集进行测试,实验结果表明,提出的算法比YOLOV5n减少了27%的GFLOPs,检测时间降低了24%,降低了硬件要求,更适合在移动端部署。

基于强化学习的机器人轴孔装配算法

为了完成非结构化环境中的机器人轴孔装配任务,提出了一种融入模糊奖励机制的深度确定性策略梯度(DDPG)变参数导纳控制算法,来提升未知环境下的装配效率。建立了轴孔装配接触状态力学模型,并开展轴孔装配机理研究,进而指导机器人装配策略的制定。基于导纳控制器实现柔顺轴孔装配,采用DDPG算法在线辨识控制器的最优参数,并在奖励函数中引入模糊规则,避免陷入局部最优装配策略,提高装配操作质量。在5种不同直径的孔上进行装配实验,并与定参数导纳模型装配效果进行比较。实验结果表明,本文算法明显优于固定参数模型,并在算法收敛后10步内可完成装配操作,有望满足非结构环境自主操作需求。

一种适用于隧道场景的激光点云地面滤波和隧道壁及标靶球提取方法

从扫描的隧道激光点云场景中分割出隧道壁和标靶球是隧道三维重建的重要环节,同时也是实现隧道场景自动化监测的关键技术。然而,激光扫描获取的隧道三维点云中常包含着噪声点和离群点,隧道点云场景中的地面点占比较高且与隧道壁相连,直接对隧道点云数据进行标靶球和隧道壁的提取和识别具有一定挑战性。针对现有点云滤波算法不适用于隧道点云场景的问题,本文提出了基于法线评估的RANSAC平面拟合与直通滤波相结合的地面滤波算法。针对隧道壁和标靶球难以提取的问题,本文基于隧道点云地面的滤波结果,提出了一种基于DBSCAN聚类分割和条件约束的标靶球提取算法和隧道壁提取方案,利用非线性最小二乘球拟合方法对提取的标靶球点云进行处理,实现标靶球信息的提取及定位。本文在不同隧道场景点云上进行了实验,结果表明:本文地面滤波方法的总误差/Kappa系数在两个场景中分别为0.54%/97.75%和1.16%/96.71%,而且本文提出的标靶球拟合方法在3个标靶球上分别达到了99.8583%、99.5304%和92.9250%的精度。

联合力、声音信号的机器人钻骨操作

在近些年临床机器人辅助骨科手术中,机器人主要用来实现钉道定位,而后续钻削操作依然需要医生完成,因此本文主要针对机器人自主钻削展开研究。首先基于双层自适应模糊控制器实现皮质骨层钻削力控制操作,解决了钻削过程中的非线性时变问题,平衡了钻削进给速度和骨组织热损伤等问题。然后在机器人钻削过程中,分别基于时域和时频分析得到力特征和声音特征,并联合声音信号和力信号来实时感知钻削骨层状态,从而实现力控制到速度控制的切换,且保证了钻削安全,即钻削不会穿过内层皮质骨而损伤神经。最后以猪骨为实验对象,分别开展了力控制和钻骨状态感知实验。力控制实验结果表明双层自适应模糊控制器可以将钻削力误差控制在[−2N,2N],而钻削力通常大于20 N,表明误差对机器人钻削操作的影响很小;钻骨状态感知实验结果表明声音特征可以比力特征更早地感知内层皮质骨状态,而力特征可以提高感知鲁棒性。上述结果证明了本文的钻削控制和状态感知策略的有效性。

基于RGB-D图像的机械臂视觉抓取算法及系统

机械臂可以替代人工进行抓取等工作来提高生产效率与产品质量。当前基于数据驱动的算法需要大量样本训练模型,迁移性较弱,并要求一定的计算资源作为支撑。为解决上述问题,建立了一个基于RGB-D图像的高效机械臂视觉抓取算法和系统。首先提出一种最小包围矩形(MinBRect)目标检测算法,用以快速估计目标的位置信息;然后利用MinBRect通过计算最小包围矩形的短轴倾角来估计抓取任务的位姿信息;最后操纵UR5机械臂进行实际抓取实验。在实验中,所提算法对10种目标物体的位姿估计的精度均在85.7%以上,平均时间达0.7677 s。与两种位姿估计算法进行对比,所提算法的抓取精度和时间均有明显改善,这表明所提算法具有较强的准确性和鲁棒性。此外,由于无需构建数据集,所提算法能够应用到计算资源有限、工业生产中的结构化场景,在电力工件实验中验证了所提算法具有较好的可移植性。通过实际抓取实验进一步验证了所提机械臂系统抓取算法的有效性。