自动化巡检机器人训练辅助系统研究.pdf

信息记录材料 2023 年 7 月 第 24 卷第 7 期自动化巡检机器人训练辅助系统研究刘红卫(唐山市滦河下游灌溉事务中心 河北 唐山 063000)【摘摘要要】随着巡检机器人的应用越来越普遍,更多工程及复杂环境要求对其巡检行为进行训练及辅助校正,通过观察探头位置与速度变化幅度大小来判断巡检行为是否熟练,根据计算得出的位置与速度的变化阈值来构建预警级别,从而得到巡检行为是否熟练的标准,再对其合理性进行分析、验证。得出沿巡检轨迹的变化和探头到金属管材的距离是区分熟练和非熟练行为的最佳标准,有助于巡检机器人报警和控制系统的后续开发。【关关键键词词】巡巡检检机机器器人人;辅辅助助训训练练;巡巡检检行行为为;数数据据采采集集【中中图图分分类类号号】TP242 【文文献献标标识识码码】A 【文文章章编编号号】1009-5624(2023)07-0102-040 引言机器人在现代社会的应用范围越来越广,也解决了很多实际问题。如水利工程应用的全自动巡检机器人能完成人工巡检无法实现的巡检目标,其适应特殊工程环境的能力非常强,无论是经济成本还是技术专业度,全自动巡检机器人都不输于具备熟练操作经验的专业巡检人员1。可以通过探头不受控制的振动和不适当的运动行为来区分熟练和非熟练巡检行为之间的差异,再依据差异控制巡检机器人进行管道探测。当机器人检测到非熟练巡检行为时,会有触觉、音频或灯光报警,提醒巡检行为错误,并尽量避免错误。从辅助巡检的角度讲,机器人会抑制巡检行为的不自主抖动以避免探头不适当运动。本文首先对管道巡检过程中巡检探头位置和速度等信息进行收集和分析,再比较熟练和非熟练巡检探头位置和速度等参数的区别,确定阈值来判定巡检行为的熟练程度,然后对阈值进行优化和讨论,提出区别熟练和非熟练巡检行为的标准2。1 系统设置和数据收集本文研究所需实验装置由红外相机和标记系统 2 部分组成。标记系统主要标记的是巡检探头和巡检人员身体,再由红外相机系统对工作人员的身体手臂动作进行实时监测。综合分析 2 部分系统采集上来的数据,对非熟练巡检行为和熟练巡检行为完成基础划分。1.1 标记设置通过发射红外线光完成检测标记的反射就是红外相机的工作原理。本实验设置 8 个标记点在巡检人员身上,设置 3 个标记点在探头上。来自巡检人员身体运动和手臂运动的标记数据,可以明显区别出巡检动作的熟练与否,本文将研究重点放在 3 个从探头标记点收集的数据。1.2 相机设置准备 6 台像素为 12801024、频率为 250 Hz 的相机用于记录研究数据。对计算机系统进行自动校准,获得相机的相对位置、参考坐标系的框架和相机取向。在三维坐标中,计算机通过各个相机图像中的标记物完成坐标位置的确定工作。因此,选择了一款对红外光十分敏感的相机,需要注意的是,实验过程中相机的摄像范围要尽量错开巡检探头的位置,可以用矩形框隔离巡检探头和相机。1.3 数据收集本文研究的是水利工程智能巡检机器人的具体应用。实验采用的巡检测试管材是 2 根金属管道。需保证 2 根金属管道纵向间既无填充物又无缝隙地焊接在一起,焊件的边缘应对齐系统坐标系的轴线,如图 1 所示。实验的样本数据有 2 类,即非熟练巡检人员数据 14 组、熟练巡检人员 4 组。将具备专业巡检资格和工作经验的人员归为熟练巡检人员数据组;一些普通工作人员和实习学生组成非熟练巡检人员组,这部分人员没有正规的巡检工作经验,只接受过相关课程的培训。从人员数量上对比,非熟练组要远远多于熟练组,因此实验中会为熟练组安排更为频繁的巡检次数。最终选择 14 个非熟练巡检行为和 15 个熟练巡检行为作为数据分析的研究样本。选择 Matlab 数学软件,它能接收计算机三维运动系统中捕捉到的实验数据,再利用对应的工具箱进行分析。图 1 金属水利管道轴坐标测量框架2 数据处理预处理三维运动捕捉系统提供的原始数据并展开分析,得出遮挡全部标记、巡检探头发出红外光、遮挡部分标记、噪点多共 4 个影响数据的因素,见图 2。全部标记被遮挡是指标记信息不能被足够的相机采集数据而导致其位置无法被确定的情况,通常是其在标记一侧受到了矩形箱的遮挡同时另外一侧又被人体遮挡3-4;巡检探头会发射红外光,虽然矩形箱可以进行适当遮挡,但偶尔泄露出的高密度红外光依然会对检测标记201信息记录材料 2023 年 7 月 第 24 卷第 7 期图 2 遮挡和噪点对样本数据的影响产生影响;遮挡部分标记会影响相机对位置信息的采集,数据不足导致后期处理结果出现较大偏差。如果出现前面 2 个因素,会导致采集到的位置数据失去研究意义。图2 中数据采集的轻微峰值5-7一般是受到测量噪点影响而产生的。3 数据分析为区别非熟练巡检活动和熟练巡检活动进行的数据采集和分析,是本研究的关键点。仔细观察和对比图 3,可以明显发现不熟练巡检行为的轨迹厚度不均匀且异常曲折,而熟练巡检行为的轨迹十分均匀且厚重。这显而易见的差异就是研究的核心内容。在进行探头的三维位置构建时,主要使用标记的位置数据,分别用 x、y、z 表示 3个维度的距离,用 vx、vy、vz 表示探头速度是位置数据的导数。两种巡检三维模型中的 x、y、z、vx、vy、vz 轨迹在图 3中有清晰的展示。通过比较发现,非熟练巡检行为与熟练巡检行为的差异性主要发生在 y 方向和 z 方向。对比轨迹 vy 和 y 得出,非熟练巡检行为在 Wichita 探头稳定方面远远不如熟练巡检行为,熟练巡检可以几乎无偏差地按照焊接轨迹进行巡检。非熟练巡检的探头在垂直方向多次往返于焊接轨迹,导致 y 方向变化较大,而熟练巡检可以很好地规避这一问题。水利工程中要求探头与管材之间的距离尽量保持恒定,非熟练巡检忽高忽低不好控制,巡检质量低,不具有可信度,而熟练巡检可以较好地控制探头与管材之间的距离。对比 x 和 vx 轨迹发现,在 x 方向两组巡检探头的差异性并不明显。图 4 将 vx 速度图进行了放大,能够清晰看出非熟练巡检行为出现了更大的偏差,推测因为对所检查的管材质量产生了质疑才会进行重复多次巡检。运动频率分析能细微到对巡检人员的呼吸行为进行捕捉,可以用来揭示不同频率分量的大小。图 5 是对 x 方向非熟练巡检轨迹和熟练巡检轨迹频率的展示。对信号进行快速傅里叶变换得到频谱,巡检人员呼吸频率对应0.30.4 Hz 的波段。因为水利管理焊缝巡检工作的特殊性,所以对巡检人员控制呼吸的能力有十分高的要求。不过从频率分析结果不难看出,完美控制呼吸并不是判定熟练与否的标准。图 3 熟练和非熟练巡检行为样本数据图 4 vx 放大图只有在对典型的非熟练和熟练巡检行为进行分析时,才可以使用时域分析。通过 F 测试检测这些样本,然后301信息记录材料 2023 年 7 月 第 24 卷第 7 期用高通滤波消除检测后信号中的部分平滑区域,得到熟练和非熟练巡检的参数方差比的 CI 置信区间。式(1)代表的是滤波后的方差值 2与置信区间的关系:CIlow2unskilled2skilled CIhigh(1)图 5 熟练和非熟练巡检行为样本的 x(t)单边振幅谱 同时给出了样本计算所需比率,因此可用式(2)计算参数的伪方差比:伪方差比=CIlow+CIhigh2()12-1 100%(2)非熟练与熟练巡检行为间的差异与仿方差比是正相关关系。经过比较分析得出:三维模型中 3 个方向的运动速度和位置差异显得尤为重要,其中 y 方向的位置信号的方差最大。4 确定区分熟练和不熟练行为的阈值相较于非熟练巡检,熟练巡检的优势可以总结为 3 点:垂直于巡检轨迹方向上的探头控制相对稳定,运动偏差不大;探头到管材之间的距离高度变化更小;控制探头的速度和方向变化偏差更少。机器人辅助巡检可以运用这些研究结果,但需要避免 x、y、z 3 个方向发生过度反应。从模型研究得出,通过限制非熟练巡检可以收获更多工作经验,而熟练巡检行为受到影响最小就是最佳结果。4.1 高通滤波使用自动化巡检机器人的前提是其对巡检路径不会产生任何影响,并且可以抑制非熟练巡检行为或是发现非熟练巡检行为并做出相应反应。辅助机器人有很强的适应性,对巡检路径和行为有很强的接受度,没有过多的限制。基于对动作频率的分析,本文将机器人的巡检行为进行区分。图 6 展示对慢动作和低频振动进行滤波,得出熟练巡检行为的变化远远小于非熟练巡检行为。将图中黑色实线视为一组分割线,信号由此为界变成 2 组,我们将其视为阈值线。线内为熟练巡检信号,线外为非熟练巡检信号。对所有速度信号和位置信号进行过滤得到滤波结果,阈值线可通过连接 6 个信号而得到。4.2 用遗传算法确定阈值线通过上述分析可知,阈值线可以作为一种判断标准,用来区分熟练巡检行为和非熟练巡检行为。完全依靠人为观察很难得到阈值的最佳值,所以从通用性角度考虑,必须对测试性能和样本采取双重验证。因此,在对非熟练和熟练巡检各随机抽取 7 个样本后,剩下的 7 个非熟练和图 6 x 方向变化数据高通滤波后的结果8 个熟练样本用于验证。之后计算报警值和 6 个信号的阈值。信号首先通过滤波器,用 10 Hz 的低通滤波消除噪声,0.1 Hz 的高通滤波消除巡检人员控制的慢速运动,确定信号通过滤波之后的阈值,得到绝对值,最后与模拟时间相除,结果即为平均警报水平。非熟练巡检的平均警报值最大,熟练巡检的最小。样本的阈值借助遗传学算法得到,结果范围应该控制在-0.738 50.830 4 之间,人为检测的阈值范围是 0.52.5 和-2.5-0.5,偏差较大。5 结论综上所述,论文研究如何区分熟练和非熟练水利工程巡检机器人巡检行为,并利用差异来控制巡检机器人对巡检工作进行训练和辅助校正。本文使用红外相机的动作捕捉系统对巡检机器人运动数据进行集中采集,分析得出:判断巡检行为是否熟练可以通过观察其探头位置与速度变化幅度大小来实现。基于此,将经过处理的探头位置和速度变化得到的阈值构建一个预警级别,可以表示巡检行为的熟练程度。-10 代表的是不熟练,01 代表的是熟练。该程序根据 3 个位置数据和 3 个速度数据得到 6个判定标准。通过对样本进行分析和验证,实验样本100%成功,验证样本约 80%成功,表明 6 个标准是合理的,而在 x 方向(沿巡检轨迹)的变化和 z 方向(探头到金属管材的距离)的尺寸是区分熟练和非熟练训练行为的最佳标准。本文的研究结果对水利工程巡检机器人报警和控制系统的开发具有重要意义。【参考文献】1 于景,周国平.变电所轨道式巡检机器人控制系统设计与实现 J.制造业自动化,2022,44(11):123-127.2 蒲小虎,杜青,王小东.水下管道巡检机器人控制系统设计J.无线互联科技,2022,19(21):76-78.3 GYAN N,ZHANG P.Active compliance control system forintelligent inspection robot in power room J.J Control SciEng,2022:1-7.(下转第 107 页)401信息记录材料 2023 年 7 月 第 24 卷第 7 期MPA=1Ki(TPi+FPi+FNi)(2)式中,K 表示类别数,TPi、FPi、FNi分别表示第 i 个类别的真正例、假正例和假负例。平均交并比用来衡量模型预测区域和真实区域之间的重叠程度,计算公式如式(3)。MIU=1KiTPiTPi+FPi+FNi(3)式中,K 表示类别数,TPi、FPi、FNi分别表示第 i 个类别的真正例、假正例和假负例。该指标的值在 01 之间,值越大代表模型预测结果越好。实验结果表明,U-Net 算法能很好地提取河道图像,其 3 个指标均有较好的表现,该方法具有较高的实用性和可靠性,详见表 1。表 1 U-Net 算法的实验结果评价模型PAMPAMIUU-Net0.9260.8940.8872.3 水面污染图像分类测试实验采用了河流水面污染分类算法的数据集,其中数据图片是由标签图像和原图像组合生成的。标签图像是通过图像分割后得到的,而原图像则被加工处理。如图 6所示,加工方法是将除了河道部分以外的像素都用空白填充,生成新的数据集用于实验。图 6 数据图像加工过程将数据集中的河流水面图像分为 3 个不同的污染等级:等级 I 表示水面无肉眼可见污染;等级表示河流水面有少量垃圾;等级表示河流水面有较多垃圾。为了验证 GCDA 模块的有效性,本次使用宏平均 F1 值和 Top1 作为评价指标进行实验。实验结果如表 2 所示,可以发现添加了 GCDA 模块的 ResNet 模型在这 2 个评价指标上都有 明显的提高,平均准确率可达 92%。因此,该模型能够成功完成河流污染等级分类任务,并有效地完成污染识别系统的监测任务。表 2 图像分类结果模型Macro F1Top1GCDA0.9170.9223 结语综上所述,为了提高图像分类算法的准确性,提出了1 种将语义分割和图像分类相结合的架构,并使用河道水面污染图片进行了测试。首先通过构建 U-Net 网络来提取目标区域再准备分类,然后使用 LabelMe 软件对公开数据集中的河道图像进行了河道标注,生成了 1 个河流水面图片数据集,以便进行语义分割实验。实验结果表明,基于 U-Net 的河道语义分割算法能很好地提取河道,另外,提出的图像分类算法在河流水面图像污染等级的分类方面也有很好的表现。实验结果表明,所提出的算法能够为河流水面污染识别提供强有力的理论支持和核心算法支持。【参考文献】1 徐彩云.图像识别技术研究综述 J.电脑知识与技术(学术版),2013(4):2446-2447.2 郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述 J.计算机工程与应用,2019,55(12):20-36.3 马小雪,龚畅,郭加汛,等.长江下游快速城市化地区水污染特征及源解析:以秦淮河流域为例 J.环境科学,2021,42(7):3291-3303.4 SIDDIQUE N,PAHEDING S,ELKIN C P,et al.U-net and itsvariants for medical image segmentation:a review of theory andapplications J.IEEE Access,2021(9):82031-82057.5 李林.基于分组和深度可分离卷积的轻量级卷积神经网络D.成都:电子科技大学,2021.作者简介:薛亮(1977),男,江苏淮安,本科,副教授,研究方向:图像识别算法。(上接第 104 页)4 邵海峰.井下作业面智能巡检控制系统的研究 J.机械管理开发,2022,37(9):290-291.5 郭燕,张宇,张亚菊.一种输电线缆多功能巡检机器人J.机电工程技术,2022,51(7):119-124.6 CHENG K,LI Y,YANG W Y,et al.Application research ofinspection system based on intelligent wearable device incommunication power inspectionJ/OL.Journal of Physics:Conference Series,2022,2401(1):012081.https:/doi.org/10.1088/1742-6596/2401/1/012081.7 毛浩.井下生产、辅助系统多功能巡检机器人研究与应用J.智能矿山,2022,3(8):70-74.作者简介:刘红卫(1970),男,河北顺平,本科,工程师,研究方向:水利信息化。701