CN104134233B - 飞行机器人输电设备观测位姿选择方法 - Google Patents

Abstract

本发明公开了属于输电设备巡检技术领域的一种飞行机器人输电设备观测位姿选择方法。该观测位姿选择方法包括以下步骤：1)建立输电设备的三维重建模型；2)针对输电设备上的每一个巡检目标，根据步骤1)中建立的三维重建模型，建立相应的候选观测位姿区域；3)制定最佳观测位姿评价函数，采用优化算法在候选观测位姿区域中选择出最佳观测位姿。本发明方法能够根据巡检目标的信息，选择最佳观测位姿进行图像采集，在最佳观测位姿采集的图像有助于判定设备的缺陷及故障隐患；同时克服了原有巡检方式中图像采集的盲目性，减少巡检时间，提高巡检效率，提高飞行机器人巡检的自动化水平。

Description

飞行机器人输电设备观测位姿选择方法

技术领域

本发明属于输电设备巡检的技术领域，特别涉及一种飞行机器人输电设备观测位姿选择方法。

背景技术

输电设备故障是造成电网大面积停电事故的重要原因之一，为保证电力系统安全可靠运行，日常的电力设备巡检工作具有重要意义。

但是传统的人工巡检工作量大而且条件艰苦，巡检周期长，效率低，受地域影响严重，经常会出现漏检，难以保证巡检质量，出现事故的几率大，利用飞行机器人代替人对输电设备进行巡检具有高效、快捷、可靠、成本低、不受地域影响等优点。在利用无人飞行机器人对输电设备进行自动巡检的过程中，会在飞行机器人上安装许多图像采集设备，利用这些设备能够采集到有关输电设备的可见光图像、红外图像、紫外图像等，这些图像携带了丰富的设备状态信息，通过对它们进行分析和处理便可得到输电设备的运行状况，从而尽早发现设备存在的缺陷及故障隐患。

但是，目前一般是利用飞行机器人围绕目标飞行一周同时进行拍摄，采集到的目标图像或视频众多，后期需要花费大量的时间和精力来观看并处理这些图像或视频，进而判定输电设备的运行状况；且由于飞行机器人采用固定电源供电，其飞行时间受到限制，这样的巡检方式有很大的盲目性。直观来讲，对同一设备进行拍摄的过程中，不同的观测位姿能够拍摄到不同的目标图像，必定存在一些观测位姿采集的图像比另外一些观测位姿所采集的图像所包含目标的信息量大且质量高，这些观测位姿较其它观测位姿而言更有利于判定设备的故障状态。因此，在对目标设备巡检过程中，若飞行机器人能够模拟巡检人员选择一个或多个最佳的观测位姿进行图像采集，则能提高图像采集质量，同时还能减少图像采集数量，进而减少图像处理的工作量，而且还能减少飞行机器人的飞行时间，这样不仅能够克服人工巡检方式的各种缺陷，还能提高工作效率、检测精度及提高输电设备巡检的自动化水平。

发明内容

针对上述现有技术存在的问题，本发明提出一种飞行机器人输电设备观测位姿选择方法，其特征在于，该最佳观测位姿选择方法包括以下步骤：

飞行机器人输电设备观测位姿选择方法，其特征在于，该观测位姿选择方法包括以下步骤：

1)建立输电设备的三维重建模型；

2)针对输电设备上的每一个巡检目标，根据步骤1)中建立的三维重建模型，建立相应的候选观测位姿区域；

3)制定最佳观测位姿评价函数，采用优化算法在候选观测位姿区域中选择出最佳观测位姿。

所述步骤3)中最佳观测位姿评价函数为:

f_{view_score}＝λ_EV_E+λ_REV_RE+λ_AV_A；

其中，f_{view_score}表示候选观测位姿的评价值；

V_E表示候选观测位姿的观测位姿熵OPE，其计算公式为：

$V_E=-\underset{i=0}{\overset{N_f}{\Σ}}\frac{A_i}{A_t}log\frac{A_i}{A_t};$

其中，N_f表示巡检目标的三维重建模型中基本面片的数量；

A_i表示巡检目标的三维重建模型中第i个基本面片的立体角；

A_t表示巡检目标的三维重建模型中所有基本面片的立体角之和；

V_RE表示候选观测位姿的观测位姿相对熵OPRE，其计算公式为：

$V_{RE}=\underset{j=1}{\overset{k}{\Σ}}\frac{A_j}{A_n}log\frac{\frac{A_j}{A_n}}{\frac{S_j}{S_n}};$

其中，k表示候选观测位姿可见的巡检目标的三维重建模型中基本面片数量；

A_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的立体角；

A_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的立体角之和；

S_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的面积；

S_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的面积之和；

V_A表示候选观测位姿的可见局部目标面积量OPA，其计算公式为：

V_A＝k/N_f；

λ_E表示候选观测位姿的观测位姿熵OPE的权值；

λ_RE表示候选观测位姿的观测位姿相对熵OPRE的权值；

λ_A表示观测位姿可见局部目标面积量OPA的权值；

λ_E、λ_RE和λ_A具有以下关系：

λ_E+λ_RE+λ_A＝1。

所述步骤3)中最佳观测位姿为最佳观测位姿评价函数最大值的点。

本发明的有益效果：本发明方法能够根据巡检设备目标的信息，选择最佳观测位姿进行图像采集，在最佳观测位姿采集的图像有助于判定设备的缺陷及故障隐患；同时克服了原有巡检方式中图像采集的盲目性，减少巡检时间，提高巡检效率，提高飞行机器人巡检的自动化水平。

附图说明

图1为本发明所提出的方法的具体流程图；

图2为依据某绝缘子模型信息所产生的圆柱面的候选观测位姿区域；

图3为存在掉落情况的绝缘子的模型；

图4为存在掉落情况的绝缘子周围产生的候选观测位姿区域图；

图5(a)为从候选观测位姿a处观察到的绝缘子的投影图；

图5(b)为从候选观测位姿b处观察到的绝缘子的投影图；

图5(c)为从候选观测位姿c处观察到的绝缘子的投影图；

图5(d)为从候选观测位姿d处观察到的绝缘子的投影图。

具体实施方式

下面结合附图对本发明所提出的方法作进一步的说明。

如图1所示为本发明所提出的方法的具体流程图；具体步骤如下：

1)建立巡检输电设备的三维重建模型。

主要是根据输电设备的基本资料建立输电设备的三维重建模型，本发明以架空输电杆塔模型为例进行分析；本发明采用基于三维图形的面图形学表示的模型，例如：三角形面片模型等。

2)针对输电设备上的每一个巡检目标，根据步骤1)中建立的三维重建模型，建立相应的候选观测位姿区域；

由于输电设备巡视技术导则限定了飞行机器人与巡检目标之间必须存在一定的安全距离，且严禁飞行机器人在输电设备正上方飞行，同时，考虑了飞行机器人图像采集设备的可到达性，所以候选观测位姿区域是结合输电设备巡视技术导则来建立的。另外，由于可选择的三维重建模型表示方式不同，所以生成的候选观测位姿区域也不同，候选观测位姿区域可以是任意的一种满足上述条件的面，例如圆柱面、立方体面等。如图2所示为依据某绝缘子模型信息所产生的圆柱面的候选观测位姿区域。

3)制定最佳观测位姿评价函数，采用优化算法在候选观测位姿区域中找出最佳观测位姿。

最佳观测位姿判定标准考虑了以下因素：拍摄的图像应该：(1)有利于后续图像处理及判定输电设备设备故障状态的图像；(2)当飞行机器人对输电设备进行巡检时，巡检目标位于图像的中心时最有利于促进目标的定位及跟踪，进而有利于对飞行机器人进行导航控制；(3)尽量多地包含所需观看的局部目标区域；(4)使观看巡检目标的质量尽量好。

针对巡检目标位于图像的中心的要求，候选观测位姿的方向均设为指向目标的中心，目标中心可根据巡检目标的三维重建模型计算，这样做便确定了候选观测位姿3个自由度的方向参数Ω＝(α,β,γ)和3个自由度的位置参数X＝(x,y,z)，这是在产生候选观测位姿的时候已经确定了的。然后将巡检目标的三维重建模型结合OpenGL设置上述6个参数，得到在该候选观测位姿处的巡检目标投影图像。

本发明提出的观测位姿评价函数是由候选观测位姿的观测位姿熵(ObservationPose Entropy，OPE)、观测位姿相对熵(Observation Pose RelativeEntropy，OPRE)和可见局部目标面积量(Observation Pose Area，OPA)三部分组成，其中，观测位姿熵OPE和可见局部目标面积量OPA表征候选观测位姿包含的巡检目标信息量；观测位姿相对熵OPRE表征观看巡检目标的质量。

在介绍观测位姿熵OPE和观测位姿相对熵OPRE的计算之前，首先引入信息熵和相对熵的概念如下：

信息熵描述了一个系统事件的信息量，设一个随机变量X＝{x₁,x₂,...,x_n}，则X的信息熵值定义为(1)：

$H\left(X\right)=-\underset{i^{\′}=1}{\overset{n}{\Σ}}{p}_{i^{\′}}\log p_{i^{\′}}---\left(1\right)$

其中，n为随机变量X的个数，p_i′为变量x_i′在信息中出现的概率，p_i′＝Pr[X＝x_i′]fori′∈{1,...,n}信息熵越大则该系统的信息量越大。

将信息熵的概念引入观测位姿熵OPE，具体的计算公式如(2)：

$V_E=-\underset{i=0}{\overset{N_f}{\Σ}}\frac{A_i}{A_t}log\frac{A_i}{A_t}---\left(2\right)$

其中，N_f为巡检目标的三维重建模型中基本面片的数量(若三维重建模型选择为三角形面片模型，则N_f为三角形面片模型中的基本面片的数量)；

A_i表示巡检目标的三维重建模型中第i个基本面片的立体角(一个锥面所围成的空间部分称为“立体角”)，从不同的候选观测位姿来看，同一个基本面片的立体角不同；

A_t表示巡检目标的三维重建模型中所有基本面片元素的立体角之和。

相对熵衡量的是相同事件空间里的两个概率分布的差异情况，设一个随机变量X＝{x₁,x₂,...,x_n}，Y＝{y₁,y₂,...,y_n}则X与Y之间的相对熵如式(3)：

$D\left(p\right|\left|q\right)=\underset{i^{\′}=1}{\overset{n}{\Σ}}{p}_{i^{\′}}log\frac{p_{i^{\′}}}{q_{i^{\′}}}---\left(3\right)$

其中，n为随机变量X的个数，p_i′为变量x_i′在信息中出现的概率，q_i′为变量y_i′在信息中出现的概率，p_i′＝Pr[X＝x_i′]fori′∈{1,...,n}，q_i′＝Pr[Y＝y_i′]fori′∈{1,...,n}，

将相对熵的概念引入观测位姿相对熵OPRE，具体的计算公式如(4)：

$V_{RE}=\underset{j=1}{\overset{k}{\Σ}}\frac{A_j}{A_n}log\frac{\frac{A_j}{A_n}}{\frac{S_j}{S_n}}---\left(4\right)$

其中，k表示候选观测位姿可见的巡检目标的三维重建模型中基本面片数量；

A_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的立体角；

A_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的立体角之和；

S_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的面积；

S_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的面积之和。

可见局部目标面积量OPA的计算如式(5)：

V_A＝k/N_f (5)

最后综合三个因子：

f_{view_score}＝λ_EV_E+λ_REV_RE+λ_AV_A (6)

其中，λ_E表示候选观测位姿的观测位姿熵OPE的权值；

λ_RE表示候选观测位姿的观测位姿相对熵OPRE的权值；

λ_A表示观测位姿可见局部目标面积量OPA的权值；

λ_E、λ_RE和λ_A具有以下关系：

λ_E+λ_RE+λ_A＝1 (7)

针对有利于后续图像处理及判定输电设备故障状态的图像的要求，采用优化算法对上述三个因素取合适的权重以达到不同的要求，求得最佳观测位姿评价函数最大值的点即为最佳观测位姿。

实施例1

如图3所示为存在掉落情况的绝缘子的模型，此时模型故障为绝缘子有掉落，在其周围产生的候选观测位姿区域如图4所示。在判断绝缘子掉落时，需要能尽量总体看到绝缘子的整体情况，即需要的观测位姿提供的图片包含尽量多的信息量，可见面积尽量大,此时，将权值λ_E，λ_A设置得尽量大，λ_RE设置得相对小些。该实施例中将3个权值分别设置为：λ_E＝0.35，λ_RE＝0.15，λ_A＝0.5。然后分别从四个不同的候选观测位姿来观察绝缘子，得到四个候选观测位姿的评价值及相应的绝缘子的投影图，如表1和图5(a)～5(d)所示。

表1四个候选观测位姿的评价值

	a	b	c	d
					fview_score	0.3612	0.7916	0.8440	0.9044

从表1中可以看出，候选观测位姿d处的评价值f_{view_score}最大，从图5(d)中能够清楚的看出有两个掉落的绝缘子；候选观测位姿a处的评价值f_{view_score}最小，从图5(a)不能看出有绝缘子掉落；候选观测位姿c处的评价值f_{view_score}较候选观测位姿b处的评价值f_{view_score}大，图5(c)较图5(b)能容易看出有绝缘子掉落，但都没有候选观测位姿(d)处清楚，说明候选观测位姿d处为最佳观测位姿。因此，证明本方法可行。

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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (2)

1.飞行机器人输电设备观测位姿选择方法，其特征在于，该观测位姿选择方法包括以下步骤：

1)建立输电设备的三维重建模型；

2)针对输电设备上的每一个巡检目标，根据步骤1)中建立的三维重建模型，建立相应的候选观测位姿区域；

3)制定最佳观测位姿评价函数，采用优化算法在候选观测位姿区域中选择出最佳观测位姿；

所述步骤3)中最佳观测位姿评价函数为:

f_{view_score}＝λ_EV_E+λ_REV_RE+λ_AV_A；

其中，f_{view_score}表示候选观测位姿的评价值；

V_E表示候选观测位姿的观测位姿熵OPE，其计算公式为：

$V_E=-\underset{i=0}{\overset{N_f}{\Σ}}\frac{A_i}{A_t}log\frac{A_i}{A_t};$

其中，N_f表示巡检目标的三维重建模型中基本面片的数量；

A_i表示巡检目标的三维重建模型中第i个基本面片的立体角；

A_t表示巡检目标的三维重建模型中所有基本面片的立体角之和；

V_RE表示候选观测位姿的观测位姿相对熵OPRE，其计算公式为：

$V_{RE}=\underset{j=1}{\overset{k}{\Σ}}\frac{A_j}{A_n}log\frac{\frac{A_j}{A_n}}{\frac{S_j}{S_n}};$

其中，k表示候选观测位姿可见的巡检目标的三维重建模型中基本面片数量；

A_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的立体角；

A_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的立体角之和；

S_j表示候选观测位姿可见的巡检目标的三维重建模型中第j个基本面片的面积；

S_n表示候选观测位姿可见的巡检目标的三维重建模型中所有基本面片的面积之和；

V_A表示候选观测位姿的可见局部目标面积量OPA，其计算公式为：

V_A＝k/N_f；

λ_E表示候选观测位姿的观测位姿熵OPE的权值；

λ_RE表示候选观测位姿的观测位姿相对熵OPRE的权值；

λ_A表示观测位姿可见局部目标面积量OPA的权值；

λ_E、λ_RE和λ_A具有以下关系：

λ_E+λ_RE+λ_A＝1。

2.根据权利要求1所述的方法，其特征在于，所述步骤3)中最佳观测位姿为最佳观测位姿评价函数最大值的点。