胡健
浙江省通信产业服务有限公司 浙江湖州313300
摘要：智能巡检机器人集烟雾浓度及气体传感器、温度传感器、高清摄像头等传感器于一体,在化工厂能监测有毒有害、易燃易爆气体的浓度以及现场的温度,具备自动避障及报警功能。油田巡检系统已充分开发出机器人视觉识别功能,能对仪器仪表指示、信号灯指示进行识别,完成气体检测及报警等功能。本文主要分析智能巡检系统在电力行业中的应用研究。
关键词：智能巡检系统;现状;主要技术;功能定位
引言
随着智能化水平的不断提高,化工、石油、电力、交通运输等行业逐渐开始将智能巡检技术运用到巡检中,各领域根据其需求不断完善巡检机器人功能,逐渐形成了符合行业生产特点的智能巡检系统。
1、电力线路巡检模式的现状
目前输电线路的巡检方法大多还是依赖于人工巡检，而人工巡检模式主要有以下几点问题：（1）巡检手段单一。人工巡检时只能使用望远镜与相机等设备进行测量，寻找问题时只能进行人为的查找，在电力巡检过程中无法使用过重的诊断设备。例如：杆塔瓶口上面的部位有观测角度大与观测距离远这两个特点，人工巡检时无法进行问题的查找，只能得过且过，最后导致巡检结果产生误差，影响了巡检的质量，提高了线路产生问题的概率。（2）维护人员无法满足线路增长需求。最近几年，220kV及以上电压等级输电线路的总长度已经超过7×105km，年增长9%左右，以后的年增长率约6%。可路线维护人员的增长率却在2%左右，远远跟不上线路的增加速度，而且人工人本越来越高，电力企业为了控制成本，不会大量增加维护人员，因此会产生维护人员无法满足线路增长需求的情况。（3）数据管理分散。目前电力巡检工作中，大多都是电力线路运维部门进行数据的整理与统计，却没有及时将数据进行分享与整合，导致数据过于分散，无法进行多维度的利用，也不能给有关部门进行数据的提供，从而影响有关部门进行有效精准的判断。而且在进行巡检数据判断时都是由人工完成的，人工判断容易产生数据的判断失误，因为人工效率过慢，数据的处理时间较长，因此会影响后续工作的正常进行。因为人工巡检的方法过于传统，并没有给电力巡检工作带来良好的效率性与准确性，所以，现在大多都使用无人机来进行电力巡检工作。
2、智能巡检系统的主要技术
2.1图像识别与视频流识别
图像识别和视频流识别主要是在拍摄照片或录制视频后,对其进行去噪处理,提取特征量后通过智能算法进行对比识别,从而达到对图像及视频进行识别判断的作用。采用此技术,智能巡检系统可以对表计读数、指示等信号进行识别,还能够识别油水系统的“跑、冒、滴、漏”现象,火灾及带电设备放电等现象。视频流识别其实质属于图像识别,是一个动态检测技术,主要对连续帧的视频图像做减法,减去相同的图像元素和余下变化的差异部分,从而检测出视频图像变化的异常信息。
2.2定位技术
定轨巡检机器人按照既定轨道巡检时,巡检设备通过识别导轨位置进行定位。可自主移动机器人,定位通过预先根据巡检场所绘制的三维地图进行,在巡检移动时常采用激光无轨导航技术进行路线巡检。此外,巡检设备使用的定位技术有视觉定位、激光反射、北斗/GPS等。
2.3AI深度学习
AI深度学习技术是实现智能巡检系统的核心所在,能否实现巡检系统的“智能”在于系统是否具备自主学习能力,应基本包含机器学习和计算机视觉。红外成像分析、图像及视频流识别、语音识别、巡检路径自动规划、嗅觉识别等技术实质上都采用了人工智能的深度学习技术。
该技术通过长期对模型进行训练学习,建立电力行业专业化图像、声音识别等典型特征诊断模型,并不断提高算法的准确率,从而提高识别准确率。深度学习的系统是由多层神经网络构成,通过大量数据进行学习。当前,应用于深度学习的神经网络构成的算法种类较多。例如在图像处理系统中应用的常用算法包括人工神经网络算法、遗传算法、蚁群算法、模拟退火、粒子群算法等。ACO(蚁群优化)、ABC(人工蜂群)则常用于路径巡检路线规划。各算法各具特点,在应用中往往根据需要为研发人员使用。
2.4图像的典型干扰因素与图像识别措施
电力巡检中的图像处理会产生许多影响巡检工作的干扰元素，具体如下：（1）光学像差。在光学系统里，远轴产生的实际图像和近轴产生的理想图像之间是有一定差距的。而这些差距会拉低图像的质量，致使电力部件检测时的准确率较差。（2）辐射失真。使用传感器进行目标的反射与辐射能量的观测时，辐射的失真会致使遥感图像也出现失真情况，从而对遥感图像的解读产生影响。（3）几何失真。传感器与无人机飞行样式的不一致，会致使无人机图像出现扭曲的情况，这种图像退化的情况就是几何失真。（4）运动模糊。因为无人机在飞行过程中，成像系统经常会被运动、机械振动所影响而变得模糊。因此，运动模糊是无人机电力巡检中的最大干扰之一。（5）噪声。信号的干扰产生再无人机进行图像的摄取与传送的过程中，导致有严重的噪声出现在图像中，从而影响了无人机巡检效果。为了有效地解决以上的干扰元素，提高电力巡检图像检测的准确性，需要针对图像展开针对性的处理，具体如下：（1）图像亮度调整。同一个亮度在不一样的场景里会给人带来不同感受的亮度，若进行图像拍摄时选用了不合适的亮度，也会增加计算机的识别难度，因此，需要对图像进行适当的亮度调节。具体方法如下：①可以转换到HSL(HSV)颜色空间调整，在这个方法简单却低效；②可以进行线性的调整，将电力巡检中要体现的物体进行强化突出；③可以进行曲线调整，可以将图像层的整体亮度加强。（2）图像对比调整。图像对比调整也就是在维持平均亮度的前提下，进行亮暗点的变大或变小。（3）去除雾雨背景。在可见度较低的雾霾、阴雨天气里，拍摄的图像十分不清晰，因此，需要将图像中的雾雨背景去除，将真实背景显示出来。而除雾的方法分为单帧去雾方法与视频去雾方法。（4）图像拼接。因为无人机机载摄像机没有很高的分别率，分别率会因为场景的大小而发生变化。因此，需要通过图片拼接的方式来进行工作需求的满足。（5）图像识别。无人机拍摄图像时对天气没有要求，因此，经常会在恶劣天气下展开工作，这对提取目标造成了一定程度的困难，因此，需要使用图像处理算法来进行图像识别，提高电力路线检测工作的效率。
3、智能巡检系统的功能定位
当前人工智能巡检系统主要为人工智能巡检机器人,通过机器人搭载各种先进的智能设备,使其具备数据采集、处理、识别等功能,机器人成为了该系统的核心部分。同时,不同行业、不同场所的巡检重要关注点不同,巡检场所特点存在较大差异。智能巡检系统应根据实际情况和需求合理采用机器人与固定设备元件结合。例如变电站面积较小,设备种类少,布置较为简单,便于实现智能巡检机器人对设备的全覆盖。但水电厂厂房布置较为复杂,巡检涉及面广,设备种类多,仅靠智能机器人无法满足对全厂设备巡检的全覆盖。因此,智能巡检系统应将现场的实际设备布置和空间结构布局与巡检目标需求相结合,满足全天候、全方位实时监控的功能定位。
结束语
当前智能巡检系统应用广泛,凭借其视觉识别及其学习功能,一定程度上实现了对设备的“望、闻、问、切”的工效,有效解决了人工巡检可靠性低、追溯性差、人身安全风险大、人力成本高等问题,提高了工作效率和生产力,也必将是未来安全生产领域的发展方向。
参考文献：
[1]高玉健,胡立夫,王海明,等.化工厂智能巡检机器人系统设计[J].工业仪表与自动化装置,2020(03):55-59.
[2]李平,马亮,梁潇,等.机器视觉在油气田巡检中的应用[J].技术纵横,2020(03):87-89.
[3]郑慧娟,周嘉元,等.关于水电厂智能巡检技术探讨[J].内蒙古水利,2020(12):73-74.
[4]萧伟锋.变电站巡检机器人应用技术及实施要点[J].电子技术与软件工程,2019(17):233-234.