一种高压带电作业机器人带电接引线作业方法

技术领域

本发明涉及属于带电作业工作领域，具体为一种10kV配电线路带电接引线作业方法。

背景技术

当高压作业机器人进入到电力检修行业时，人们越来越希望机器人能在方方面面替代人的工作以保障人员安全。在这个机器人智能化程度还不够高的时期，许多较为精细的操作还是需要富有经验的操作员来完成；比如在带电接引线的作业中，引线的抓取和托举、引线与主线的安装，完全凭借机器人无法达到高效作业的要求；所以新型的高压带电作业机器人带电接引线作业方法的研发成为需要解决的难题之一。

发明内容

针对上述问题，本发明的目的在于提供一种高压带电作业机器人带电接引线作业方法，以提高对三角形排列配电线路带电作业的效率和安全性；通过双臂协同和计算机视觉的配合，实现引线的抓取和托举和接引线的工作。

为实现上述目的，本发明采取以下技术方案：

方法依托的高压带电作业机器人包括带电作业平台；两台协作机械臂；带电作业前端执行机构包括：剥线器、引线紧固装置、引线夹、视觉模块；

一种带电接引线作业方法，包括以下步骤：

步骤1，带电作业平台移动到预定的工作位置，主副机械臂各携带一部视觉模块；主机械臂搭载剥线器前端执行机构到达待作业相预备位；通过视觉算法识别与定位主线，搭载剥线器完成对主线的去绝缘操作；

步骤2，主机械臂切换前端执行机构为引线紧固装置，副机械臂搭载引线夹前端执行机构移动到抓取引线预备位置，通过视觉算法判断引线姿态并抓取引线去绝缘部分的后端；

步骤2中视觉算法具体过程如下：

判断引线姿态的要点在于使机器人感知引线上去绝缘部分的姿态，并以最优方式抓取去绝缘部分后端，将其移动至与主线去绝缘部分姿态相同；电力线的小段具有较强的刚性，所以可将去绝缘部分的一小段作为刚体；副机械臂携带引线紧固装置和视觉模块移动到抓取引线预备位置(即引线侧边)利用视觉模块拍摄接引作业场景；首先将图片送入网络，由网络预测引线去绝缘部分的特征，在像素级别对目标像素进行轴向扩展；由姿态估计网络计算目标的语义分割信息和指向目标关键点的向量场；随后，通过RANSAC Voting从方向向量场中计算出目标关键点，同时生成关键点空间分布的mean和covariance；最后通过EPnP算法，已知目标引线关键点在视觉模块中图像的位置，利用相机内参矩阵和透视投影模型将目标引线关键点的像素坐标转换为相机坐标系下的坐标，通过相机的外参，将相机坐标系下的坐标转换成世界坐标系下的三维坐标，使机器人感知其三维空间中的姿态；

步骤3，主机械臂搭载引线紧固装置到达主线下方，根据主线方向调整引线紧固装置的角度，副机械臂拖动引线至主线侧上方，主机械臂完成主线和引线固定在引线紧固装置的工作；

步骤3具体过程如下：

步骤31，副机械臂将引线剥去绝缘的部分与主线剥去绝缘的部分对齐；具体方法如下：利用算法获取主线去绝缘部分(A)的姿态，并将其作为标的，副机械臂通过标的，对引线去绝缘部分(B)姿态进行修正，使(B)与(A)的姿态相同并与之对齐；

步骤32，主机械臂托着引线紧固装置直线上升，依托引线紧固装置的漏斗结构，使得主线去绝缘部分滑进夹爪组件中；

步骤33，副机械臂调整引线姿态，将引线去绝缘部分滑入夹爪组件中，引线紧固装置打开夹紧电机，将主线引线固定；

步骤4，主机械臂携带引线紧固装置下降，将线夹留在主线和引线上，主机械臂收回，副机械臂松开引线并收回；主副机械臂运动到复位姿态，带电接引线作业完成。

带电接引线工作危险、环境复杂，人们一直渴望使用机器人来代替人工完成这一工作，现有的技术主要在规范带点接引线作业流程，和电力线的识别方向上进行创新，对于引线的识别和姿态估计研究甚少，使得带电作业机器人不能完全实现自动化作业。与现有的技术相比，本发明提供了一种新的带电作业机器人自主接引线的流程，实现带电作业无人化；本发明设计了一种新的判断引线姿态的视觉算法，通过像素级别的图像处理，解决采用RGB-D相机对弱纹理小目标的漏检问题；通过简化引线目标，将感兴趣目标视作刚体，解决引线目标姿态不明确的问题；利用基于RGB图像的姿态估计网络，解决在复杂工作环境下、目标有遮挡情况下的目标识别与姿态估计问题。

附图说明

图1为本10kV配电线路三角形排布电线杆结构示意图；

图2为本发明携带剥线器去绝缘操作示意图；

图3为本发明携带引线夹和引线紧固装置接引线工作示意图；

图4为本发明所涉及到得引线紧固装置示意图；

图5为本发明所述引线姿态估计算法流程图；

图2和图3中：1为带电作业平台，2为主机械臂，3为剥线器前端执行机构，4为引线，5为引线紧固装置前端执行机构，6为引线夹前端执行机构，7为副机械臂，8为待作业主线。

图4中：该紧固装置包括夹爪安装底座9、漏斗形导向架10、夹爪组件11。

具体实施方式

下面结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述。应当理解，此处所描述的具体实施例仅仅用于解释本发明、并不用于限定本发明。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下获得的所有其他的实施例，都属于本发明保护的范围。

步骤1，带电作业平台1移动到预定的工作位置，主机械臂2携带视觉模块，搭载剥线器前端执行机构3到达带作业相预备位；通过视觉算法识别与定位主线，搭载剥线器完成对主线的去绝缘操作；

步骤2，主机械臂2切换前端机构为引线紧固装置前端执行机构5，副机械臂7搭载引线夹前端执行机构6移动到抓取引线预备位置，通过视觉算法判断引线姿态，并抓取引线去绝缘部分的后端；

步骤3，主机械臂2搭载引线紧固装置5到达主线8下方，根据主线方向调整引线紧固装置5的角度，副机械臂7拖动引线4至主线8侧上方，主机械臂2完成主线8和引线4固定在引线紧固装置5的工作；

步骤3的引线紧固操作的具体步骤如下：

步骤31，副机械臂7拖动引线将引线去绝缘部分与主线去绝缘部分对齐；

步骤32，主机械臂2托着引线紧固装置5对齐去主线绝缘部分，依托引线紧固装置的漏斗结构2，使得主线的绝缘部分滑进夹爪组件11中；

步骤33，副机械臂7调整引线姿态，将引线去绝缘部分滑入夹爪组件11中，通过引线紧固装置的夹爪安装底座9夹紧线夹11，将主线引线固定；

步骤4，主机械臂2携带引线紧固装置下降，将夹爪组件11留在主线和引线上，主机械臂2收回，副机械臂7松开引线并收回；主副机械臂运动到复位状态。

其中步骤2、3所提到的视觉算法的具体实施方式如下：

将引线去绝缘部分记作(B)，主线去绝缘部分记作(A)；本发明中的视觉算法采用的技术方案为一种从单张图像判断(B)与(A)姿态的方法；所设计的方案分成三个阶段，分别是去绝缘部分识别与提取阶段、特征像素延长阶段和目标特征姿态估计阶段。

1.副机械臂携带引线紧固装置和视觉模块移动到抓取引线预备位置(即引线侧边)利用相机拍摄接引作业场景；将图像预处理至640×640并送入Darknet网络，Darknet网络将图片分割成S×S网格，每个单元格负责检测中心点落在该格子内的(B)、(A)特征；Darknet是一种轻量级的CNN架构，由多个卷积层和池化层组成，通过多次卷积池化操作，Darknet逐渐减小特征图的尺寸并增加通道数，在保留语义信息的同时，提取出更高级别图像的局部和全局特征；通过anchorboxes边界框与每个特征进行匹配，从而达到特征的检测与定位效果；每个单元格会预测边界框以及边界框的置信度，置信度包含：边界框所含目标的可能性大小Pr(OBJ)、边界框的准确度；边界框的准确度用预测框和实际框的IOU来表征；因此置信度可定义为Pr(OBJ)×IOU；边界框的预测值可以用(x,y,w,h,c)来表示，其中(x,y)表示边界框的中心坐标，w和h表示边界框的宽与高，c表示其置信度；其损失函数如下：

Loss＝a×lossobj+b×lossrect+c×lossclc

其中lossobj为置信度损失，表示边界框中含有目标可能性大小；lossrect为矩形框损失，表示边界框的准确度；lossclc为分类损失，表示不同目标检测的准确率；a、b、c分别表示lossobj、lossrect、lossclc的权重；最后输出(B)、(A)的预测框；然后利用非极大值抑制(NMS)的方法，对边界框进行排序，并逐个遍历边界框，选择置信度最高的边界框，计算剩下各边界框与置信度最高的边界框的交并比IOU，将与置信度最高的边界框有较高重叠度的边界框进行抑制；计算IOU如下：

w＝min(x

h＝min(y

overlap_area＝w×h(w＞0；h＞0)

其中(w,h)表示重叠框的宽和高，(x

对(A)、(B)进行轴向像素扩展，为机械臂抓取留出空间；将特征识别得到的目标像素进行封装提取，目标的轮廓应是一块矩形区域，通过图像细化的方法找出矩形区域的长方向上的中轴，通过像素扩展将目标沿此中轴向两个方向扩展像素；具体实施如下：将图像转变成二值图，背景为黑色＝0，目标矩形区域像素值＝255，利用腐蚀膨胀原理，将矩形掩膜沿宽边左右两个方向腐蚀，经过多次迭代，找到矩形长方向上的中轴；通过中轴线扩展目标像素面积；

利用姿态估计网络对像素进行方向预测，即对像素进行语义分割和向量场预测。对每一个像素p，该网络输出将其与特定物体联系起来的语义标签和代表从像素p到物体的二维关键点X

其中V

基于RANSAC策略生成假设的关键点：首先通过语义分割的标签获得目标的相关像素，随机选择两个像素的方向向量，将它们的交点作为关键点X

其中w

其中μ

鉴于每个目标的二维关键点位置，其六维姿态一般可以通过PnP算法来计算，PnP算法输入一组已知的2D-3D的点对，通过最小化重投影误差来求解相机的旋转平移矩阵

其中P是现实世界中的点，P'是相对应的图像上的点，K是相机内参(其中α和β是缩放焦距)，s是skew参数，(u

EPnP是对传统PnP算法的优化，它通过引入额外的约束条件和优化策略来提高计算效率和准确性，EPnP算法的核心思想是通过将3D点投影到相机坐标系中，并使用线性最小二乘法来求解相机的位姿。EPnP算法通过求解一个线性方程组来得到初始的相机位姿估计，然后使用迭代的方式进行优化，以进一步提高估计的准确性。我们利用EPnP算法对关键点进行求解，给定k＝1,…,K的平均值μ

其中X

上述实施例仅用于说明本发明，各部件的结构和连接方式都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明对其中部分技术特征进行的改进和等同变换，均不应排除在本发明的保护范围之外。