CN111522346A - 一种基于深度学习的智能避障方法 - Google Patents

一种基于深度学习的智能避障方法 Download PDF

Info

Publication number
CN111522346A
CN111522346A CN202010377690.8A CN202010377690A CN111522346A CN 111522346 A CN111522346 A CN 111522346A CN 202010377690 A CN202010377690 A CN 202010377690A CN 111522346 A CN111522346 A CN 111522346A
Authority
CN
China
Prior art keywords
obstacles
inspection
deep learning
obstacle avoidance
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010377690.8A
Other languages
English (en)
Inventor
刘益岑
范松海
龚奕宇
刘小江
马小敏
罗磊
吴天宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202010377690.8A priority Critical patent/CN111522346A/zh
Publication of CN111522346A publication Critical patent/CN111522346A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Electromagnetism (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于深度学习的智能避障方法，包括步骤一：训练针对变电站特有障碍物检测的神经网络模型，并对障碍物的风险评级；步骤二：将经过训练的巡检机器人放入变电站环境中，基于神经网络模型进行巡检；步骤三：当障碍物引发巡检机器人报警时，调用神经网络模型进行检测，检测不同的障碍物，对巡检机器人进行不同方式的控制。本发明针提供了一种基于深度学习的智能避障方法，从而用巡检机器人代替人工巡检，避免漏检，减少人工成本，且本发明是一种基于神经网络模型来训练变电站巡检机器人的方法改变了传统巡检机器人的避障方式，极大的提高了巡检机器人避障的智能性，扩大了巡检机器人的巡检范围。

Description

一种基于深度学习的智能避障方法
技术领域
本发明属于机器技术领域，尤其涉及一种基于深度学习的智能避障方法。
背景技术
伴随着整个社会的高速发展，人们的生活越来越离不开电，并且对电的需求越来越大，因此变电站的数量急剧上升。变电站是电供应的重要一环，变电站长久、稳定的运行是保障电能顺利供应的先决条件。
变电站稳定的运行离不开对其日常巡检，传统采用人工巡检方式存在下列问题：第一，变电站需要一年四季长期巡检，部分恶劣天气极易威胁工作人员生命安全。第二，巡检任务需要工作人员具有极高的工作经验，因为经验不足造成的漏检将留下严重的安全隐患。第三，目前多数大型变电站都分布于交通、生活不便的郊区，都进一步增加了人工成本。因此，采用巡检机器人代替人工巡检已经成为变电站巡检的主流。
传统巡检机器人是通过激光雷达或超声波雷达等传感器探测前方障碍物距离信息，指导巡检机器人避障，在变电站环境中，杂草会引发大量的激光雷达报警，但杂草并不会威胁到巡检机器人安全，此外传统避障方式没有检测障碍物类别模块，在杂草过于茂盛的环境中，巡检机器人将无路可走。
传统巡检机器人在复杂的室外环境需要进行自主导航移动，但是目前还没有一种针对杂草过多的变电站环境的有效避障方法。
发明内容
本发明针对背景技术中的缺点和问题加以改进和创新提供了一种基于深度学习的智能避障方法，从而用巡检机器人代替人工巡检，减少部分恶劣天气对工作人员生命威胁，避免漏检，减少人工成本，且本发明是一种基于神经网络模型来训练变电站巡检机器人的方法改变了传统巡检机器人的避障方式，极大的提高了巡检机器人避障的智能性和自主导航能力，扩大了巡检机器人的巡检范围。
本发明的技术方案是构造一种基于深度学习的智能避障方法，所述步骤如下：
步骤一：训练针对变电站特有障碍物检测的神经网络模型，并对障碍物的风险评级；
步骤二：将经过训练的巡检机器人放入变电站环境中，基于神经网络模型进行巡检；
步骤三：当障碍物引发巡检机器人报警时，调用神经网络模型进行检测，检测不同的障碍物，对巡检机器人进行不同方式的控制。
优选地，步骤一中所述的神经网络模型需要由大量变电站的图片数据样本训练得到，以便于该模型应对变电站各类路况。
优选地，步骤二中所述的变电站环境指一段包含杂草、碎石等障碍物的道路。
优选地，所述不同障碍物分为无危险障碍物和有危险障碍物，所述无危险障碍为杂草，所述有危险障碍物为碎石。
本发明有益效果：
与人工巡检机器人相比，使用本发明的巡检机器人可以代替人工巡检，减少部分恶劣天气对工作人员生命威胁，避免漏检，减少人工成本；
与传统巡检机器人相比，传统巡检机器人是通过激光雷达或超声波雷达等传感器探测前方障碍物距离信息，指导巡检机器人避障，在变电站环境中，杂草会引发大量的激光雷达报警，但杂草并不会威胁到巡检机器人安全，此外传统避障方式没有检测障碍物类别模块，在杂草过于茂盛的环境中，巡检机器人将无路可走。而本发明是一种基于神经网络模型来训练变电站巡检机器人的方法改变了传统的避障方式，使用本发明的巡检机器人，极大的提高了巡检机器人避障的智能性，扩大了巡检机器人的巡检范围。
附图说明
图1为本发明方法流程图；
具体实施方式
下面结合实施例和说明书附图的图1对本发明作进一步详细的描述，但本发明的实施方式不限于此。本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
本发明提出了一种基于深度学习的智能避障方法。本领域工程技术人员可根据本发明所公开的方法编写程序，将所编写的程序下载到巡检机器人的计算机等智能设备中，实现巡检机器人智能避障，发明流程图如图1所示。
实施例1：
一种基于深度学习的智能避障方法，所述步骤如下：
步骤一：训练针对变电站特有障碍物检测的神经网络模型，并对障碍物的风险评级；
步骤二：将经过训练的巡检机器人放入变电站环境中，基于神经网络模型进行巡检；
步骤三：当障碍物引发巡检机器人报警时，调用神经网络模型进行检测，检测不同的障碍物，对巡检机器人进行不同方式的控制。
巡检机器人正常行驶时，当车头的超声波雷达探测到前方1米范围内有障碍物时，巡检机器人立即停止前进，控制相机对前方进行拍照获取图片，分割出宽度为车身宽度、长度具车头1米的关注区域的图片，并将图片送入神经网络模型进行检测，若检测到图片中只存在杂草等无危险性障碍物，则控制巡检机器人前进1米；若检测到图片中存在石块等危险障碍物，则控制巡检机器人绕行，直到通过该段区域。
实施例2：
在实施例1的基础上，步骤一中所述的神经网络模型需要由大量变电站的图片数据样本训练得到，以便于该模型应对变电站各类路况。
实施例3：
在实施例1的基础上，步骤二中所述的变电站环境指一段包含杂草、碎石等障碍物的道路。
实施例4：
在实施例1的基础上，所述不同障碍物分为无危险障碍物和有危险障碍物，所述无危险障碍为杂草，所述有危险障碍物为碎石。所述无危险障碍物为杂草等不会影响巡检机器人通行的障碍物，所述有危险障碍物物碎石、石块等会阻碍巡检机器人通行的障碍物。

Claims (4)

1.一种基于深度学习的智能避障方法，其特征在于，所述步骤如下：
步骤一：训练针对变电站特有障碍物检测的神经网络模型，并对障碍物的风险评级；
步骤二：将经过训练的巡检机器人放入变电站环境中，基于神经网络模型进行巡检；
步骤三：当障碍物引发巡检机器人报警时，调用神经网络模型进行检测，检测不同的障碍物，对巡检机器人进行不同方式的控制。
2.根据权利要求1所述的一种基于深度学习的智能避障方法，其特征在于，步骤一中所述的神经网络模型需要由大量变电站的图片数据样本训练得到，以便于该模型应对变电站各类路况。
3.根据权利要求1所述的一种基于深度学习的智能避障方法，其特征在于，步骤二中所述的变电站环境指一段包含杂草、碎石等障碍物的道路。
4.根据权利要求1所述的一种基于深度学习的智能避障方法，其特征在于，所述不同障碍物分为无危险障碍物和有危险障碍物，所述无危险障碍为杂草，所述有危险障碍物为碎石。
CN202010377690.8A 2020-05-07 2020-05-07 一种基于深度学习的智能避障方法 Pending CN111522346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010377690.8A CN111522346A (zh) 2020-05-07 2020-05-07 一种基于深度学习的智能避障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010377690.8A CN111522346A (zh) 2020-05-07 2020-05-07 一种基于深度学习的智能避障方法

Publications (1)

Publication Number Publication Date
CN111522346A true CN111522346A (zh) 2020-08-11

Family

ID=71907141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010377690.8A Pending CN111522346A (zh) 2020-05-07 2020-05-07 一种基于深度学习的智能避障方法

Country Status (1)

Country Link
CN (1) CN111522346A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1727129A (zh) * 2004-07-28 2006-02-01 中国科学院自动化研究所 高压输电线自动巡检机器人控制器
CN104267726A (zh) * 2014-09-27 2015-01-07 江苏华宏实业集团有限公司 一种高压线路检测方法
CN106217395A (zh) * 2016-10-13 2016-12-14 旗瀚科技有限公司 一种智能安防机器人
CN106324619A (zh) * 2016-10-28 2017-01-11 武汉大学 一种变电站巡检机器人自动避障方法
CN107065880A (zh) * 2017-05-16 2017-08-18 南京农业大学 基于动态引导点的遥操作农业车辆人机合作路径规划方法
CN107783119A (zh) * 2016-08-25 2018-03-09 大连楼兰科技股份有限公司 应用在避障系统中的决策融合方法
CN109446970A (zh) * 2018-10-24 2019-03-08 西南交通大学 一种基于深度学习的变电站巡检机器人道路场景识别方法
CN110069056A (zh) * 2018-01-24 2019-07-30 南京机器人研究院有限公司 一种应用于扫地机器人的行走控制方法
CN110522359A (zh) * 2019-09-03 2019-12-03 深圳飞科机器人有限公司 清洁机器人以及清洁机器人的控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1727129A (zh) * 2004-07-28 2006-02-01 中国科学院自动化研究所 高压输电线自动巡检机器人控制器
CN104267726A (zh) * 2014-09-27 2015-01-07 江苏华宏实业集团有限公司 一种高压线路检测方法
CN107783119A (zh) * 2016-08-25 2018-03-09 大连楼兰科技股份有限公司 应用在避障系统中的决策融合方法
CN106217395A (zh) * 2016-10-13 2016-12-14 旗瀚科技有限公司 一种智能安防机器人
CN106324619A (zh) * 2016-10-28 2017-01-11 武汉大学 一种变电站巡检机器人自动避障方法
CN107065880A (zh) * 2017-05-16 2017-08-18 南京农业大学 基于动态引导点的遥操作农业车辆人机合作路径规划方法
CN110069056A (zh) * 2018-01-24 2019-07-30 南京机器人研究院有限公司 一种应用于扫地机器人的行走控制方法
CN109446970A (zh) * 2018-10-24 2019-03-08 西南交通大学 一种基于深度学习的变电站巡检机器人道路场景识别方法
CN110522359A (zh) * 2019-09-03 2019-12-03 深圳飞科机器人有限公司 清洁机器人以及清洁机器人的控制方法

Similar Documents

Publication Publication Date Title
CN101872526B (zh) 基于可编程摄像技术的烟火智能识别方法
CN112633535A (zh) 一种基于无人机图像的光伏电站智能巡检方法及系统
CN108288055A (zh) 基于深度网络与分级测试的电力机车受电弓及电弧检测方法
AU2021317383A1 (en) Underwater robot device and underwater regulation and control management optimization system and method
CN101819245A (zh) 输电线路监测方法和系统
CN107563356A (zh) 一种无人机巡检管线目标分析管理方法及系统
CN112684806A (zh) 一种基于双重避障和智能识别的电力巡检无人机系统
CN112233270A (zh) 一种无人机自主智能绕塔巡检系统
Kahlert et al. Investigations of birds during construction and operation of Nysted offshore wind
CN116667533A (zh) 一种智慧狗巡检系统
CN113553985A (zh) 一种基于人工智能高空烟雾检测识别方法，存储装置及服务器
CN115291626A (zh) 一种无人机电缆巡航监控路径规划方法
CN116258980A (zh) 一种基于视觉的无人机分布式光伏电站巡检方法
Li et al. Application research of artificial intelligent technology in substation inspection tour
CN111522346A (zh) 一种基于深度学习的智能避障方法
CN109902647B (zh) 一种便携式在线鸟巢智能识别方法及系统
CN103561245A (zh) 人脑化空间信息监测装置与技术
Park et al. Automatic inspection drone with deep learning-based auto-tracking camera gimbal to detect defects in power lines
CN115752480A (zh) 一种基于物联网的采样装置管理系统及方法
CN104935874A (zh) 基于时空不变特征抽取与电力系统运行状态的巡检机器人
CN114612812B (zh) 一种基于枪球联动的海漂垃圾图像识别算法
CN112904778B (zh) 一种基于多维信息融合的野生动物智能监测方法
CN112906511B (zh) 一种联合个体图像和足迹图像的野生动物智能监测方法
CN212408293U (zh) 一种长距离流体输送管道泄漏检测与定位系统
Guo et al. Human intrusion detection for high-speed railway perimeter under all-weather condition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200811

RJ01 Rejection of invention patent application after publication