变电站智能巡检机器人

技术领域

本发明涉及变电站智能巡检机器人技术领域，尤其涉及变电站智能巡检机器人。

背景技术

在机器人运行稳定性方面，通过对目前行业内主要产品的调研发现，变电站巡检机器人系统均存在由于定位精度差导致巡视图像采集精度差、偏离巡视路径无法复归甚至导致本体倾覆、无法有效识别巡视道路上障碍物导致本体结构损坏等情况。部分机器人虽然配置了足够的安全保护措施，但由于无法判定异物类型、通过性及大小、不具备绕障功能，需要重新规划路径、舍近求远的选择复杂路径进行巡视作业，在有限续航时间内极大降低了巡检效率。在已有变电站巡检机器人的实际应用中，配置了专门针对障碍物检测的各类传感器(如超声波雷达、激光测距雷达等)，但是现有手段仅能够实现对障碍物有无的检测，不能实现对障碍物的几何特征、颜色及纹理特征进行有效获取，更不能实现对障碍物进行绕障或跨越可行性的判断，降低了变电站智能巡检机器人的灵活性。

发明内容

本发明的目的在于：为了解决机器人灵活性差的问题，而提出的变电站智能巡检机器人。

为了实现上述目的，本发明采用了如下技术方案：

变电站智能巡检机器人，包括图像采集模块、模型识别模块、上位机通讯模块；

所述图像采集模块包括针对导航路径局部单独设置的激光扫描装置和RGB-D传感器；

所述模型识别模块包括用于自主避障及饶障功能的高性能视觉成像模组和增强成像识别的高照度光源；

所述上位机通讯模块包括用于对深度图像的稠密点云数据进行处理的GPU和信号传送的天线。

作为上述技术方案的进一步描述：

所述激光扫描装置采用OTSU最大类间方差法通过选取一个阈值使得背景和前景之间的灰度值方差差异最大化，从深度图像中提取前景区域，OTSU算法会把部分道路错误划分为前景部分，针对此问题利用U-V视差法区分道路和障碍物，将平面问题转换成直线从而准确获取障碍物具体的坐标信息。

作为上述技术方案的进一步描述：

所述RGB-D传感器获得深度图像后，使用均值滤波算法处理从传感器中获取的深度信息，未经算法处理的深度图像中的缺失的部分可以通过使用平均灰度值来表示，图像中的离散点点经过均值滤波算法处理后可得到改善，消除噪声后，用最大类间方差法选取一个最佳阈值将背景剔除，将背景的部分颜色全部设置成黑色，对前景部分进行提取，最后采用U-V视差法，标记障碍物的形状。

作为上述技术方案的进一步描述：

所述高性能视觉成像模组内部包括BP神经网络，图像采集模块将采集信息传输到BP神经网络，BP神经网络对采集障碍物信息与机器人动作指令进行匹配，完成障碍物检测信号与机器人动作指令的一对一响应机制。

作为上述技术方案的进一步描述：

所述模型识别模块将原始图像、识别结果以及判断结果通过网络通信协议上传至GPU进行记录与存储。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明中，利用图像处理技术的特征提取，并通过人工先验知识对特征进行定义，建立针对障碍物识别特征库模型，并对常见障碍物的物理属性进行分析，如尺寸、形状、颜色、纹理，从而获取采集信息，再通过BP神经网络模型实现分类匹配，使得机器人本身的越障能力、本身几何特性，对目标的可跨越性进行判定，最终实现对部分障碍物的容忍，如对杂草、小块碎石的跨越，提升机器人对障碍物的敏感程度，做到各种运动速度条件下的灵活避障。

附图说明

图1为本发明提出的变电站智能巡检机器人的主视结构示意图；

图2为本发明提出的变电站智能巡检机器人的系统总体框架结构示意图；

图3为本发明提出的变电站智能巡检机器人的融合整体技术路线结构示意图；

图4为本发明提出的变电站智能巡检机器人的基本三层BP神经网络结构示意图；

图5为本发明提出的变电站智能巡检机器人的环境障碍信息与避障动作分类匹配过程示意图；

图6为本发明提出的变电站智能巡检机器人的障碍物避让逻辑示意；

图7为本发明提出的变电站智能巡检机器人的障碍物识别标记图；

图8为本发明提出的变电站智能巡检机器人的沟道建模计算标记图。

图例说明：

1、激光扫描装置；2、RGB-D传感器；3、高性能视觉成像模组；4、高照度光源；5、天线。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

请参阅图1-8，变电站智能巡检机器人，包括图像采集模块、模型识别模块、上位机通讯模块；

图像采集模块包括针对导航路径局部单独设置的激光扫描装置1和RGB-D传感器2；

模型识别模块包括用于自主避障及饶障功能的高性能视觉成像模组3和增强成像识别的高照度光源4；

上位机通讯模块包括用于对深度图像的稠密点云数据进行处理的GPU和信号传送的天线5；

激光扫描装置1采用OTSU最大类间方差法通过选取一个阈值使得背景和前景之间的灰度值方差差异最大化，从深度图像中提取前景区域，OTSU算法会把部分道路错误划分为前景部分，针对此问题利用U-V视差法区分道路和障碍物，将平面问题转换成直线从而准确获取障碍物具体的坐标信息；

RGB-D传感器2获得深度图像后，使用均值滤波算法处理从传感器中获取的深度信息，未经算法处理的深度图像中的缺失的部分可以通过使用平均灰度值来表示，图像中的离散点点经过均值滤波算法处理后可得到改善，消除噪声后，用最大类间方差法选取一个最佳阈值将背景剔除，将背景的部分颜色全部设置成黑色，对前景部分进行提取，最后采用U-V视差法，标记障碍物的形状；

高性能视觉成像模组3内部包括BP神经网络，图像采集模块将采集信息传输到BP神经网络，BP神经网络对采集障碍物信息与机器人动作指令进行匹配，完成障碍物检测信号与机器人动作指令的一对一响应机制；

模型识别模块将原始图像、识别结果以及判断结果通过网络通信协议上传至GPU进行记录与存储。

具体的，请参阅图3，通过激光扫描装置1和RGB-D传感器2获得的数据信息进行空间关系转换矩阵；并基于传感器消息队列中消息到达的顺序与相关信息，依据不同应用场景进行不同策略的时间同步；在特征层通过所获得的标定关系，基于视觉的运动检测算法关联并约束激光的运动检测，再以激光前景点约束视觉的三维前景聚类，实现先融合下的前景目标检测；以上一步所分禽出的三维激光背景点云和视觉背景点云为输入，在数据层以激光完成半周旋转的时间为周期进行后融合下的场景背景重建与优化；完成重建后，循环该过程，整体的感知融合周期以重建为准，但运动检测的周期与之独立，以保证实时性。

具体的，请参阅图4，BP神经网络，是一种反/后向传播算法，其最小单位为单个神经元，BP神经网络的基本思想是：首先输入层网络将刺激传递给隐含层网络，然后隐含层网络通过各神经元之间联系的强度和传递规则将刺激传到输出层网络，输出层网络整理隐含层处理后的刺激产生最终的结果。

具体的，请参阅图8，机器人前进时做实时采集及运算，得到整个地貌三维图，遇到沟壑时，对其进行计算：(1)沟长度计算：根据里程计算，L＝∫Vdt；(2)沟实时宽度计算：根据雷达覆盖的角度范围，可利用余弦定理计算；对于前方沟道(障碍物)主要有三种大的策略：

1)小沟、缝隙等直接通过，即：越障通行策略；

2)稍大的沟、障碍物，进行偏航绕行，即：绕行策略；

3)特别大的沟/障碍物，无法前进，规划其他路线，即：路径规划策略；

其中，第二种策略又可分为完全绕行和转弯通过，对于小于轮距一半的沟道，且路面比较宽，可以采用完全绕行的策略；如果路面较窄，不足以完全绕行就采用转弯通过的策略；针对斜坡路面，可以根据测距值的连续变化，进行判断并做出相关处理，如减速操作。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。