CN117270545B - 基于卷积神经网络的变电所轮式巡检机器人及方法 - Google Patents

Abstract

本发明提供基于卷积神经网络的变电所轮式巡检机器人及方法，系统包括：行进装置控制系统，用以生成并利用速度和方向闭环串级PID信号，据以闭环控制行进装置的速度、方向；机器人导航系统，用以利用角加速度信息，滤波处理得到行进装置滤波数据，利用四元数法生成航向角，修正行进装置航向，以进行导航；机器发热异常检测系统，用以在行进装置行进至检测位置时，检测获取机器出风口区域图像，据以提取得到感兴趣区图像，利用卷积神经网络处理感兴趣区图像，以得到并分析红外图像特征，据以获取机器发热异常成因信息。本发明解决了应用场景局限性较大、测量工作量大以及直观性较差的技术问题。

Description

基于卷积神经网络的变电所轮式巡检机器人及方法

技术领域

本发明涉及基于机器学习的计算机视觉控制领域，具体涉及基于卷积神经网络的变电所轮式巡检机器人及方法。

背景技术

目前变电所的巡检方式主要有：

（1）人工巡检

目前，人工巡检依然是变电所运行状态监测的主要手段。但是近年来，随着变电所规模的持续增长，工作人员的日常运维压力与日俱增，尤其是在基础设施维护方面，诸如变电所环境巡检、设备巡检等重复性工作占据了运维人员较多的时间和精力，不仅使工作负荷加重，变电所室内管理成本也随之不断上升。根据调查，变电所室内需要运维人员7*24小时无时无刻的监管维护，大量浪费了人力，而且由于长时间监管的疲劳会导致监管效力降低。

（2）机器人巡检

国内外巡检车研究现状

如图1所示，随着时代发展和技术革新，智能化巡检车的应用场景也越来越广泛，目前国外学者对智能巡检车研究较早，并提出了多种应用方案。加拿大Quebec水电站成功研制出了变电站巡检车，并在Quebec省中的多个水电站得到应用，这种巡检车具备红外成像系统和可见光图像采集系统，具有远程监控和遥控功能，可以实现用户对巡检车的远程操控。2014 年，美国KnightScope公司研制的室外巡逻车在硅谷的街道正式投入使用，这款巡逻车被广泛应用于办公楼、居民区、商场等人口密集场所。

我国在巡检车领域的研究起步较晚，但发展速度很快，智能巡检车被广泛应用于国内的各个领域。2006年，鲁守银教授研发了一款应用于变电站的智能巡检车。

如图2及图3所示，这款巡检车搭载了激光雷达和GPS定位装置，利用无线网桥和以太网通信的方式远程控制巡检车工作，运用矢量极坐标直方图和轨迹跟踪算法，实现巡检车自主规划路径的功能。

随着设备和技术的发展，出现了轮式机器人变电所巡检的方式。机器人巡检迅速快捷，单次巡检效率高。此外，相比于人工巡检，机器人巡检不存在疲劳问题，大幅度降低成本，提高了巡检效率。例如公布号为CN116481720A的现有发明专利申请文献《数据中心冷源站泄露检测方法及装置》，该方法包括：采集冷源站中管路设备的组合照片；所述组合照片包括可见光照片和红外热成像照片；确定组合照片是否出现异常点；针对出现异常点的位置，重复采集组合照片，并分析确定异常点的面积是否改变；若改变，则停止重复采集组合照片的步骤，并发出所述异常点为管路设备泄漏点的告警信息；直到确定异常点的面积改变、或重复采集组合照片的采集间隔大于预设数值；并在重复采集组合照片的时间间隔大于预设数值时，发出所述异常点为管路设备疑似泄漏点的通知信息。但是前述现有技术中的巡检机器人能完成的任务极其有限，采用局限性大的传感器，无法完成变电所巡检的全部要求。

（3）红外测温监测

如图4所示，当前很多变电所依然采用测温枪对设备进行温度的测量，例如公布号为CN111882696A的现有发明专利申请文献《一种机房巡检智能机器人及其巡检方法》，该现有方法通过在远程控制系统中设置巡检时间，实现机器人自动巡检，而通过设置摄像头与热成像摄像头可以分别采集并向远程控制系统传输机房的实时图像信息与待测目标的红外热像图，可以使得值守人员可以实时观测变电所情况与待测目标的温度信息；而通过RFID感应器读取在待测目标上预设的RFID标签内记载的与待测目标对应的目标信息，并通过处理模块统计对应的待测目标数目，同时，与数据库中预存的对应的待测目标的预置数目进行对比，当对比结果出现数目不一致时，则输出相应的异常数目信息。但是这种现有的测量方式存在只能测量设备单点缺点，所以导致以此方法测量存在较大的工作量，同时也不具有直观性。

综上，现有技术存在应用场景局限性较大、测量工作量大以及直观性较差的技术问题。

发明内容

本发明所要解决的技术问题在于：如何解决现有技术中应用场景局限性较大、测量工作量大以及直观性较差的技术问题。

本发明是采用以下技术方案解决上述技术问题的：基于卷积神经网络的变电所轮式巡检机器人包括： 机器人控制系统、加速度及角度传感器、卡尔曼滤波器以及电机组，其中，机器人控制系统，包括：行进装置控制系统、机器人导航系统以及机器发热异常检测系统：

行进装置控制系统，用以利用PID闭环控制算法，生成并利用速度和方向闭环串级PID信号，据以控制电机组，以对机器人机械结构中的行进装置的速度、方向进行闭环控制，行进装置控制系统与电机组连接；

机器人导航系统，用以利用加速度及角速度传感器返回的角加速度信息，以卡尔曼滤波器对角加速度信息进行滤波处理，得到行进装置滤波数据，利用四元数法处理行进装置滤波数据，据以生成航向角，据以修正行进装置的航向，据以对行进装置进行导航控制，机器人导航系统与加速度及角度传感器、卡尔曼滤波器连接；

机器发热异常检测系统，用以在行进装置行进至检测位置时，检测获取机器出风口区域图像，据以提取得到感兴趣区域图像，利用卷积神经网络YOLOv7处理感兴趣区域图像，以得到并分析红外图像特征，据以获取机器发热异常成因信息，机器发热异常检测系统与机器人导航系统连接。

本发明针对目前人工巡检方式工作强度大、工作时间长、工作效率低且现有的巡检系统无法解决变电所机器发热异常问题，基于卷积神经网络与激光SLAM构图技术研发基于卷积神经网络的变电所轮式巡检机器人，其具有自主导航、自动避障、变电所环境动态监测、机器发热异常诊断等多种功能，具有智能化、自动化的特点，有利于消除机器发热异常，优化了变电所运维操作。

在更具体的技术方案中，行进装置控制系统包括：

比例反应模块，用以在行进装置存在偏差时，对行进装置控制系统进行比例偏差反应；

静差消除模块，用以在系统稳态下，利用预置积分逻辑，通过偏差累计，抵消行进装置控制系统的静差；

变化趋势调节模块，用以利用预置微分逻辑，对行进装置控制系统的偏差变化趋势做出反应，根据偏差变化趋势，对行进装置控制系统进行预调节操作。

具体的，微分逻辑是行进装置控制系统中的一个模块，用于根据偏差的变化趋势对系统进行调节。具体的，微分逻辑通过计算偏差的变化速率来判断系统的动态响应，并利用这些信息来预测未来的偏差变化趋势。

具体的，在微分逻辑中，采用PID（Proportional-Integral-Derivative，比例-积分-微分）控制器。PID控制器的微分部分对偏差的变化进行计算，并根据变化率对系统进行调整，以实现更加精确的控制。

具体的，微分逻辑的公式如下：Kd * (d(e(t))/dt)

其中，e(t)表示当前时刻的偏差，d(e(t))/dt表示偏差的变化速率，Kd为微分增益。微分增益的选择会影响系统的响应速度和稳定性。较大的微分增益可以更快地对偏差变化做出反应，但过大的增益可能导致系统出现震荡或不稳定的情况。

具体的，通过微分逻辑，行进装置控制系统能够根据偏差的变化趋势进行超前调节操作，提前对系统进行调整，以减小偏差并提高系统的响应速度和稳定性。

本发明采用速度和方向闭环的串级PID。利用比例对系统的偏差进行反应。利用积分消除静差，通过偏差的累计来抵消系统静差。利用微分对偏差的变化趋势做出反应，根据偏差的变化趋势实现超前调节，提高反应速度。本发明采用PID闭环控制算法，实现对每一个车轮的速度大小的控制，从而达到速度闭环，实现速度的准确控制。

在更具体的技术方案中，速度和方向闭环串级PID信号包括：方向外环信号以及速度内环信号。

在更具体的技术方案中，机器人导航系统包括：

定位及地图构建模块，用以利用行进装置的即时定位与地图构建算法SLAM，控制行进装置的感知环境，利用激光雷达感知并解算得到小车位姿数据，据以进行地图构建操作，以得到二维栅格地图；

地图重定位模块，利用自适应蒙特卡洛定位算法AMCL进行概率估计，以得到概率估计数据，据以对行进装置进行重定位操作；

路径规划模块，利用全局路径规划算法Dijkstra，根据二维栅格地图、行进装置起点起点及行进装置终点，进行全局路径规划，以找到机器人全局最短路径，利用DWA算法进行局部路径规划，以得到机器人控制指令，据以得到行进路径，据以导航行进装置。

本发明使巡检机器人能感知自身位置，构建环境地图，基于闭环检测和图优化的建图算法使室内定位精度达到厘米级。基于移动机器人控制技术实现根据任务目的地规划出运行路径自主导航，根据设定检测目的地的顺序，定时定点地完成巡检任务，实现了精确的自主导航行进功能。

在更具体的技术方案中，定位及地图构建模块中，利用基于粒子滤波的Gmapping算法，根据二维激光扫描数据、里程数据解算得到小车位姿数据，实时构建二维栅格地图。

在更具体的技术方案中，地图重定位模块，利用自适应蒙特卡洛定位算法AMCL，根据预置行进装置运动学模型及传感数据预测粒子群位姿，据以匹配激光雷达观测数据与二维栅格地图，通过解算最大匹配概率，得到行进装置的全局地图位姿，据以通过重要性采样操作更新行进装置的位姿。

在更具体的技术方案中，地图重定位模块包括：

粒子集初始模块，用以根据行进装置的位姿，初始化粒子集；

位姿预测模块，用以利用预置行进装置运动模型，根据粒子集，预测特定时刻的粒子群位姿，按比例添加随机采样粒子至特定时刻的粒子群位姿，位姿预测模块与粒子集初始模块连接；

本发明添加随机采样粒子的比例是根据预设的程度来控制。较高的比例将引入更多的随机性，有助于在未知环境或不确定性较大的情况下拓宽粒子的分布范围，以提高对机器人位姿的覆盖能力；而较低的比例则会限制随机性，更加依赖位姿预测模型，适用于已知环境或不确定性较小的情况。通过调整比例，可以平衡粒子群位姿的多样性和准确性，以达到更好的定位效果。

权重处理模块，用以针对粒子群位姿，将当前时刻的激光雷达观测数据应用至每个粒子的位姿，匹配激光雷达观测数据与二维栅格地图，据以计算粒子权重，据以归一化处理得到适用位姿估计并获取高权重粒子、低权重粒子，据以更新行进装置的位姿，权重处理模块与位姿预测模块连接；

重采样模块，用以根据选择性重采样算法，调整粒子分布，将高权重粒子按比例复制，删除所述低权重粒子，以进行粒子靠拢处理，完成重定位操作，重采样模块与所述权重处理模块连接。

本发明的高权重粒子比例是指在重采样模块中按照粒子的权重进行筛选后，被保留下来的具有较高权重的粒子占整个粒子群的比例。具体的比例取决于实际应用场景和算法设计，可设置在例如：10%到30%之间。在实际应用中，过高或过低的比例都可能会影响定位精度。如果比例过低，会导致粒子缺乏多样性，定位结果容易受到噪声的干扰；而如果比例过高，则可能会引入较多的随机性，导致定位结果不稳定。因此，在选择高权重粒子的比例时需要根据具体应用场景和算法性能进行评估和调整。

本发明根据运动模型，预测 k 时刻粒子群位姿，并按比例添加随机采样粒子，增加位姿多样性。并通过计算粒子权重，经归一化处理得到最优位姿估计。

在更具体的技术方案中，路径规划模块包括：

全局路径模块，用以根据所述二维栅格地图、行进装置起点及行进装置终点，利用全局规划算法Dijkstra，找到机器人全局最短路径；

局部路径模块中，利用DWA算法，根据机器人的当前位置、激光雷达的感知数据，评估获取机器人的速度与加速度组合数据，据以生成候选速度指令，对候选速度指令打分，以选取最高分数速度指令，以作为机器人控制指令；

路径切换模块，用以根据机器人与目标点的距离，更新机器人全局最短路径，路径切换模块与全局路径模块连接。

在更具体的技术方案中，机器发热异常检测系统包括：

数据集收集模块，用以模拟机器的差异运行状态，以得到机器出风口区域图像；

图像校正与标准化模块，用以利用透视变换，从机器出风口区域图像中，提取得到感兴趣区域图像，标准化感兴趣区域图像为预置比例灰度图；

自动分类提取特征模块，用以利用卷积神经网络YOLOv7，对预置比例灰度图，提取并分类得到红外图像特征，自动分类提取特征模块与图像校正与标准化模块连接；

本发明针对拍摄角度以及热成像仪的功能缺陷的影响导致图像畸变的问题。利用透视变换将感兴趣区提取出来。最后将提取得到的机器出风口区域标准化为机器尺寸比例灰度图，便于后期特征提取。

本发明基于卷积神经网络YOLOv7进行红外图像特征的提取与分类，卷积神经网络YOLOv7的网络拥有更小的体积，更少的计算量以及更高的精度。卷积神经网络 YOLOv7使用了更快的卷积操作，因此在相同的计算资源下可以达到更高的检测速度。 此外，卷积神经网络YOLOv7还提供了较高的精度，能够检测更多的细粒度对象。

在更具体的技术方案中，自动分类提取特征模块包括：

热成像仪，用以采集机器出风口区域图像；

训练集扩展模块，用以根据机器出风口区域图像，利用DCGAN对抗生成网络进行扩展，得到训练数据集，训练集扩展模块与热成像仪连接；

机器发热异常分析模块，用以利用深度学习模型Alexnet，根据训练数据集进行模型训练，据以分析得到机器发热异常成因信息，机器发热异常分析模块与训练集扩展模块连接；

机器发热异常分析模块还包括：

锚框生成模块，用以基于K-means++对机器数据集的目标框进行聚类，生成适用机器发热缺陷检测锚框；

有效特征增强模块，用以将CA注意力机制模块、RepVGG模块添加到卷积神经网络YOLOv7中，以在卷积神经网络YOLOv7的通道域和空间域，增强特征提取过程中的有效特征，削弱无效特征；

模型收敛加速模块，用以利用alpha-IOU损失函数加速卷积神经网络YOLOv7收敛。

在更具体的技术方案中，锚框生成模块还包括：

最小相交比距离处理模块，用以从机器数据集中，选择一个样本作为初始的聚类中心，并在其余样本对应的样本框与当前的聚类中心之间，计算最小相交比距离A（x）：

式中，IoU表示两个矩形框之间的交点平行比，x是子目标标记样本框，c表示聚类的中心；

聚类中心选择模块，用以利用下述逻辑，计算概率O（x），选择每个绝缘子样品盒，作为下一个聚类中心，利用轮盘赌方法选择下一个聚类中心，聚类中心选择模块与最小相交比距离处理模块连接：

式中，X是目标标记帧的总样本；

类聚中心选择遍历模块，用以循环执行最小相交比距离处理以及聚类中心选择操作，直至选择完成所有的聚类中心，类聚中心选择遍历模块与最小相交比距离处理模块以及聚类中心选择模块连接；

分类及类聚中心更新模块，用以利用下述逻辑，计算机器数据集中，每个样本到聚类中心的距离，划分处理样本，以得到距离最小的聚类中心对应的分类，重新计算每个分类的聚类中心，反复更新分类、聚类中心，直至锚框大小保持不变：

式中，i=1，…，K，K是不同大小的锚框个数，分类及类聚中心更新模块与类聚中心选择遍历模块连接。

在更具体的技术方案中，有效特征增强模块包括：

全局平均池化分解模块，用以利用下述逻辑，对卷积神经网络YOLOv7中的全局平均池化，进行分解操作，以得到特定尺寸特征图：

(1.1)

(1.2)

式中，表示经过全局平均池化分解操作后得到的特定尺寸特征图的横向维度。/>是一个函数，它的输入参数是h，表示特征图的高度height。这个函数计算方式是对该特定尺寸特征图的横向像素值进行平均；

W：表示原始特征图的宽度width。在计算时，需要对特征图的横向像素值进行求和，求和的范围是从0到W-1；

：表示原始特征图在位置(h, i)处的像素值。这个参数表征了原始特征图在特定位置的像素强度；

：表示经过全局平均池化分解操作后得到的特定尺寸特征图的纵向维度、垂直维度。/>是一个函数，它的输入参数是w，表示特征图的宽度width。这个函数计算方式是对该特定尺寸特征图的纵向像素值进行平均；

H：表示原始特征图的高度height。在计算时，需要对特征图的纵向像素值进行求和，求和的范围是从0到H-1；

：表示原始特征图在位置(j, w)处的像素值。这个参数表征了原始特征图在特定位置的像素强度；

特征变换模块，用以对特定尺寸特征图进行变换，并利用下述逻辑进行concat操作，以得到变换化特征图，特征变换模块与全局平均池化分解模块连接：

(1.3)

式中，f：表示经过特征变换模块和特征降维模块后得到的最终特征图；

δ：表示激活函数（activation function），它可以对特征进行非线性变换。常见的激活函数包括但不限于：ReLU、Sigmoid以及Tanh；

F1：表示特征变换模块中的一种特征变换操作，具体细节可能需要根据具体技术方案进行进一步了解和确定；

：表示在全局平均池化分解模块中分解得到的特定尺寸特征图的横向和纵向维度。/>是一个拼接concatenation操作，将横向和纵向维度的特征图连接起来形成一个新的特征图；

：表示经过全局平均池化分解模块后得到的特定尺寸特征图的横向维度；

：表示经过全局平均池化分解模块后得到的特定尺寸特征图的纵向维度。

特征降维模块，用以对变换特征图，进行F1操作，得到降维特征图，特征降维模块与特征变换模块连接；

CA注意力机制输出模块，用以利用下述逻辑，根据降维特征图，求取CA注意力机制输出数据，CA注意力机制输出模块与特征降维模块连接：

(1.4)；

f：表示经过特征降维模块和CA注意力机制输出模块后得到的最终特征图；

F1：表示特征降维模块中的一种特征变换操作，该操作将输入的降维特征图进行一定的变换处理；

：表示在特征降维模块中得到的降维特征图的横向和纵向维度。/>是一个拼接（concatenation）操作，将横向和纵向维度的特征图连接起来形成一个新的特征图；

：表示在位置(i,j)处的CA注意力机制输出数据。这个输出数据是通过对原始特征图的像素值、横向注意力权重和纵向注意力权重进行乘积得到的；

：表示原始特征图在位置(i,j)处的像素值。这个参数表征了原始特征图在特定位置的像素强度

：表示特定尺寸特征图的横向（水平）注意力权重。/>是一个函数，它的输入参数是i，表示特征图的高度（height）位置。它的具体计算方式可能需要根据具体技术方案进行进一步了解和确定；

：表示特定尺寸特征图的纵向（垂直）注意力权重。/>是一个函数，它的输入参数是j，表示特征图的宽度（width）位置。它的具体计算方式可能需要根据具体技术方案进行进一步了解和确定；

RepVGG模块，包括：3X3卷积层，3X3卷积层还包括：平行1x1卷积分支，利用3X3卷积层，构建RepVGG模块，其中，利用下述逻辑求取3X3卷积层的卷积核 W1，卷积核W2，卷积核W3：

(1.5)。

在更具体的技术方案中，模型收敛加速模块中，利用alpha-IOU损失函数，以下述逻辑加速卷积神经网络YOLOv7收敛：

(1.10)

(1.11)

(1.12)

(1.13) 。

IoU（Intersection over Union）：表示预测框和真实框之间的交并比。IoU是预测框和真实框交集区域与它们的并集区域之间的比值。

α（alpha）：是一个超参数，用于调整损失函数中各项的相对重要性。通过调整α的值，可以平衡IoU损失和其他项损失之间的权重关系。

GIoU（Generalized Intersection over Union）：是对IoU进行了改进的指标。GIoU除了考虑交并比外，还考虑了预测框和真实框的中心距离。公式中的||表示两个框的中心点距离，|C|表示特征图尺寸。

DIoU（Distance-IoU）：是对GIoU进行了改进的指标。DIoU在计算中增加了额外的距离项，该项度量了预测框和真实框之间的距离。ρ表示预测框和真实框的中心点之间的欧氏距离，c表示将两个框的长宽差异归一化后的值。

β（beta）：是DIoU中的一个超参数，用于调整距离项的权重。通过调整β的值，可以平衡距离项和其他项损失之间的相对重要性。

CIoU（Complete Intersection over Union）：是对DIoU进行了改进的指标。CIoU在计算中增加了额外的比例因子。v表示预测框和真实框之间的长宽比例差异。

本发明中的机器人和移动终端通过WiFi建立连接。机器人端开始采集视频数据，通过无线网络直接或间接地将视频信号传输到移动终端上。监控中心通过该无线通信模块接受机器人获取的红外图像、可见光图像、机器人位姿信息以及发送机器人控制指令以达到在线机器设备发热情况监测的目的。

本发明考虑到变电所机器发热异常难消除、难发现的问题，基于热成像与深度学习技术实现了机器发热异常成因自动分析功能。其基本原理是使用热像仪采集机器出风口的图片，并使用深度学习模型Alexnet进行训练，但由于难以获取大量机器热点图片数据，所以本发明结合了DCGAN对抗生成网络来扩展数据集，从而解决了热点数据缺少的难题。最终实验得到的模型正确率可达95%，从而实现了机器发热异常成因自动分析功能。

在更具体的技术方案中，基于卷积神经网络的变电所轮式巡检方法包括：

S1、利用PID闭环控制算法，生成并利用速度和方向闭环串级PID信号，据以控制电机组，以对机器人机械结构中的行进装置的速度、方向进行闭环控制；

S2、利用加速度及角速度传感器返回的角加速度信息，以卡尔曼滤波器对角加速度信息进行滤波处理，得到行进装置滤波数据，利用四元数法处理行进装置滤波数据，据以生成航向角，据以修正行进装置的航向，据以对行进装置进行导航控制；

S3、在行进装置行进至检测位置时，检测获取机器出风口区域图像，据以提取得到感兴趣区域图像，利用卷积神经网络YOLOv7处理感兴趣区域图像，以得到并分析红外图像特征，据以获取机器发热异常成因信息。

本发明相比现有技术具有以下优点：

本发明针对目前人工巡检方式工作强度大、工作时间长、工作效率低且现有的巡检系统无法解决变电所机器发热异常问题，我们基于卷积神经网络与激光SLAM构图技术拟研发基于卷积神经网络的变电所轮式巡检机器人，本发明具有自主导航、自动避障、变电所环境动态监测、机器发热异常诊断的功能，具有智能化、自动化的特点，有利于消除机器发热异常，优化了变电所运维操作。

本发明采用速度和方向闭环的串级PID。利用比例对系统的偏差进行反应。利用积分消除静差，通过偏差的累计来抵消系统的静差。利用微分对偏差的变化趋势做出反应，根据偏差的变化趋势实现超前调节，提高反应速度。本发明采用PID闭环控制算法，实现对每一个车轮的速度大小的控制，从而达到速度闭环，实现速度的准确控制。

本发明使巡检机器人能感知自身位置，构建环境地图，基于闭环检测和图优化的建图算法使室内定位精度达到厘米级。基于移动机器人控制技术实现根据任务目的地规划出运行路径自主导航，根据设定检测目的地的顺序，定时定点地完成巡检任务，实现了精确的自主导航行进功能。

本发明根据运动模型，预测 k 时刻粒子群位姿，并按比例添加随机采样粒子，增加位姿多样性。并通过计算粒子权重，经归一化处理得到最优位姿估计。

本发明针对拍摄角度以及热成像仪的功能缺陷的影响导致图像畸变的问题。利用透视变换将感兴趣区提取出来。最后将提取得到的机器出风口区域标准化为机器尺寸比例灰度图，便于后期特征提取。

本发明基于卷积神经网络YOLOv7进行红外图像特征的提取与分类，卷积神经网络YOLOv7的网络拥有更小的体积，更少的计算量以及更高的精度。 卷积神经网络YOLOv7使用了更快的卷积操作和更小的模型，因此在相同的计算资源下可以达到更高的检测速度。 此外，卷积神经网络YOLOv7还提供了较高的精度，能够检测更多的细粒度对象。

本发明中的机器人和移动终端通过WiFi建立连接。机器人端开始采集视频数据，通过无线网络直接或间接地将视频信号传输到移动终端上。监控中心通过该无线通信模块接受机器人获取的红外图像、可见光图像、机器人位姿信息以及发送机器人控制指令以达到在线机器设备发热情况监测的目的。

本发明考虑到变电所机器发热异常难消除、难发现的问题，基于热成像与深度学习技术实现了机器发热异常成因自动分析功能。其基本原理是使用热像仪采集机器出风口的图片，并使用深度学习模型Alexnet进行训练，但由于难以获取大量机器热点图片数据，所以本发明结合了DCGAN对抗生成网络来扩展数据集，从而解决了热点数据缺少的难题。最终实验得到的模型正确率可达95%，从而实现了机器发热异常成因自动分析功能。

本发明提出的改进型YOLOv7模型在处理具有复杂背景的变电所机器异常发热检测任务时表现出了优越的性能。通过采用K-means++聚类方法生成锚框、引入CA注意力机制和RepVGG模块以及采用alpha-IOU损失函数加速收敛等技术手段，我们的模型能够在复杂背景下实现微小目标的准确检测。这对于保障变电所的安全运行具有重要意义。

本发明中的YOLOV7使用K均值算法对从COCO数据集获取的锚框进行聚类，并在训练过程中使用遗传算法调整锚框。但K均值聚类算法的收敛性在很大程度上取决于聚类中心的初始化。因此，以提高检测检测效率为目的。本发明使用了K-means++算法来缓解这一问题。

传统的K均值算法一次选择多个聚类中心，而K-Means++每次只选择一个。本发明允许选择的随机中心点不仅倾向于最优局部解，而且尽可能接近最优全局解。

本发明采用的CA注意力机制的优点在于它同时考虑了通道信息和与方位有关的位置信息，这使得它在处理图像任务时更加灵活。CA注意力机制可以轻松地插入到轻量级网络的核心模块中，而不会显著增加模型的复杂度。

本发明采用的RepVGG注意力机制在ImageNet数据集上，RepVGG是首个达到80％以上top-1精度的普通模型。在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，且具有更高的精度。与EfficientNet和RegNet等最先进的模型相比，很好地平衡了精度和速度。

传统技术中采用的DIoU未考虑到检测框的长宽比。长宽比更接近的边框应有更低的损失，因此本发明提出了CIoU (Generalized-IoU)。CIoU损失是在DIoU损失的基础上添加了衡量预测框和GT框纵横比，在一定程度上可以加快预测框的回归速度。

本发明解决了现有技术中存在的应用场景局限性较大、测量工作量大以及直观性较差的技术问题。

附图说明

图1为背景技术中的美国KnightScope室外巡逻车示意图；

图2为背景技术中的变电所巡检车示意图；

图3为背景技术中的阿里机房机器人巡检数据中心示意图；

图4为背景技术中的红外热成像技术监测数据中心温度效果图；

图5为本发明实施例1的机器人主体结构示意图；

图6a为本发明实施例1的基于卷积神经网络的变电所轮式巡检机器人基本架构示意图；

图6b为本发明实施例1的基于卷积神经网络的变电所轮式巡检机器人另一视角示意图；

图6c为本发明实施例1的行进部件结构示意图；

图7a为本发明实施例1的红外相机建模示意图；

图7b为本发明实施例1的深度相机建模示意图；

图7c为本发明实施例1的4指柔性机械爪建模示意图；

图7d为本发明实施例1的相机支架建模示意图；

图7e为本发明实施例1的机电动伸缩装置建模示意图；

图7f为本发明实施例1的机械臂建模示意图；

图8a为本发明实施例1的麦克纳姆轮的正视图；

图8b为本发明实施例1的麦克纳姆轮的立体图；

图8c为本发明实施例1的麦克纳姆轮的侧视图；

图9为本发明实施例1的机器人控制系统基本模块示意图；

图10为本发明实施例1的机器人控制系统数据流处理示意图；

图11为本发明实施例1的机器人导航系统模块组成示意图；

图12为本发明实施例1的蒙特卡洛定位算法基本步骤示意图；

图13为本发明实施例1的最优位姿估计原理示意图；

图14为本发明实施例1的机器人位姿估计基本步骤示意图；

图15为本发明实施例1的激光数据与栅格地图匹配具体步骤示意图；

图16为本发明实施例1的AMCL算法仿真示意图；

图17为本发明实施例1的ROS系统部署示意图；

图18为本发明实施例1的基于卷积神经网络的变电所轮式巡检机器人数据流处理示意图；

图19为本发明实施例1的基于卷积神经网络的变电所轮式巡检机器人的多模式控制信号流示意图；

图20为本发明实施例1的全局路径规划算法Dijkstra和局部路径规划算法DWA相结合示意图；

图21为本发明实施例1的机器发热异常检测系统采用的图像识别算法数据流处理示意图；

图22为本发明实施例1的机器发热异常检测系统基本模块示意图；

图23a为本发明实施例1的机器采集样本的机器红外效果图；

图23b为本发明实施例1的机器采集样本的机器灰度效果图；

图24为本发明实施例1的图像校正与标准化模块获取标准化尺寸比例灰度图的原理图；

图25为本发明实施例1的YOLOv7与YOLOv5的性能比较示意图；

图26为本发明实施例2采用改进型YOLOv7模型的具体步骤示意图；

图27为本发明实施例2的三种注意力方法在三种视觉工作下的性能比较示意图；

图28为本发明实施例2的Coordinate Attention算法数据流处理示意图；

图29为本发明实施例2的Coordinate Attention算法的具体步骤示意图；

图30为本发明实施例2的池化原理图；

图31为本发明实施例2的降维后特征图；

图32为本发明实施例2的RepVGG网络架构示意图；

图33为本发明实施例2的RepVGG Block重参数化结构示意图；

图34为本发明实施例2的IOU原理图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，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他实施例，都属于本发明保护的范围。

实施例1

如图5、图6a图6b以及图6c所示，本发明提供的基于卷积神经网络的变电所轮式巡检机器人，包括：

四指柔性机械爪1 、深度相机2、连接块3、 红外相机4、显示屏架5、连接卡扣6、显示屏7、电动伸缩装置8、天线9、连接平台10、挡板 11、麦克纳姆轮12、麦克纳姆轮外轮保护13、侧部保护杠14、控制器15、前部保护杠16、前部支撑17、多线程激光雷达18、六轴工业机械臂19、支架底座20、相机支架21、无线充电模块22、全金属负压避震器23、电机保护壳24、避震器连接25、避震器连接26、空心铝架27、电机 28以及避震器加强板29。

在本实施例中，车轮采用麦克纳姆轮12，在本实施例中，在麦克纳姆轮12中设置抱紧式联轴器，能够全方向移动，使机器人在运行时更具灵活性，同时麦克纳姆轮也可以让机器人在行进过程中更加的平稳。在联轴器的选择上采用了抱紧式联轴器来取缔传统的法兰盘联轴器。常规的法兰联轴器通过顶丝固定，长时间工作之后轮子易脱落，而本实施例采用的工业上使用的抱紧式可以长时间稳定使用，对延长其麦克纳姆轮12的使用寿命其到了一定的促进作用。

本实施例中，还在麦克纳姆轮12外部加装了麦克纳姆轮外轮保护13以阻隔麦克纳姆轮12受到的横向冲击。为了解决麦克纳姆轮12在面对复杂路面时的不足，在每个麦克纳姆轮12上采用了两个的全金属负压避震器23，从而吸收麦克纳姆轮12遇到复杂路面所引起的震动。

在本实施例中，通过两块避震器加强板29连接在空心铝架27上。同时为了保护电机28，还电机28外装一个电机保护壳24。通过两块避震器加强板29，固定在空心铝架27上，可以有效的保护电机28在工作时形态的稳定。

在本实施例中，夹爪可选用例如：四指柔性机械爪1，其主要由软材料加工制造，由指面与手指底板两部分组成；当输入压力发生变化时，两者之间的变形差异使得夹爪出现弯曲变形，从而实现物体的夹取；指面的刚度较低，对外界压力变化较为敏感；因此，输入正压后指面发生的变形量较大，夹爪向内侧弯曲，呈现夹紧状态；相反输入负压时，夹爪整体向外侧弯曲。能够实现物体的无损抓取。避免了刚性机械手爪在使用过程中难以控制夹持力度，真空吸盘在搬运过程中难以适应表面粗糙、开孔的异形物体的弊端。有效的提高了人机相容性。在本实施例中，为了避免在遇到复杂路面时机器人多线程激光雷达以及深度相机以及红外相机在运行过程中受到外界干扰，在4个麦克纳姆轮12的上方加装了4块挡板11。可以有效避免麦克纳姆轮12在复杂路面行进时对上方设备所造成的影响。同时为了保护机器人受到突发性损伤，在机器人前方加装了前部保护杠16，可以减缓巡检车遇到突发情况时所受到的冲击力。

在本实施例中，为防止机器人在运行中受到横向冲击，还加装了侧部保护杠14。同时侧部保护杠14可采用例如：双层设计，在人工操作时可以充当为搬运扶手，以便于对巡检车进行人工搬运。

在本实施例中，在巡检车的侧向加装了一个控制器15，在本实施例中，控制器15包括但不限于：手动开机按钮以及急停按钮，以应对遇到的突发状况，及时通过人工的干预进行控制。在本实施例中，电动伸缩装置8可采用例如防水大推力电动伸缩推杆。防水大推力电动伸缩推杆两头各设置一个行程限位开关，防水大推力电动伸缩推杆运行到底或顶后，会自动断开电。并且其是由直流电机驱动，螺杆转动。防水大推力电动伸缩推杆只能伸缩不会旋转。可以带动红外相机4进行稳定的上下移动。防水大推力电动伸缩推杆一侧的电机可采用例如内置螺丝的安装方法，提升复杂环境下工作的能力。

如图7a、7b、7c、7d、7e、7f所示，在本实施例中，机械臂升降装置连接的组件包括：红外相机4、深度相机2、四指柔性机械爪1、相机支架21、电动伸缩装置8、六轴工业机械臂19，在本实施例中，六轴工业机械臂19可选用例如步进电机进行一体闭环驱动，可采用例如工业机械臂中的谐波减速器，降低输出速度而成倍输出力矩。

移动小车的控制

如图8a、图8b以及图8c所示，在本实施例中，移动小车的车轮可采用例如：麦克纳姆轮12。在本实施例中，麦克纳姆轮12是一种可以全向移动的全向轮，由轮毂和围绕轮毂的辊子组成，麦轮辊子轴线和轮毂轴线夹角成45度。在轮毂的轮缘上斜向分布着许多小轮子，即辊子，故麦克纳姆轮12可以全向移动。这种全方位移动方式是基于一个有许多位于机轮周边的轮轴的中心轮的原理上，这些成角度的周边轮轴把一部分的机轮转向力转化到一个机轮法向力上面。

在本实施例中，麦克纳姆轮12依靠各自机轮的方向和速度，这些力的最终合成在任何要求的方向上产生一个合力矢量，保证了这个平台在最终的合力矢量的方向上能自由地移动，而不改变机轮自身的方向。

如图9所示，在本实施例中，机器人控制系统1’包括：小车控制系统11’、机器人导航系统12’以及机器发热异常检测系统13’。

在本实施例中，由于采用麦克纳姆轮，需要利用小车控制系统11’，对小车车的速度和方向进行准确控制。因此，在本实施例中，小车控制系统11’采用速度和方向闭环的串级PID。PID即Proportional（比例）、Integral（积分）、Differential（微分）的缩写。在本实施例中，比例就是用来对系统的偏差进行反应，所以只要存在偏差，比例就会起作用。在本实施例中，积分主要是用来消除静差，所谓静差就是指系统稳定后输入输出之间依然存在的差值，而积分就是通过偏差的累计来抵消系统的静差。在本实施例中，微分是对偏差的变化趋势做出反应，根据偏差的变化趋势实现超前调节，提高反应速度。

在本实施例中，为实现速度的准确控制，本实施例采用PID闭环控制算法，控制每一个麦克纳姆轮12的速度大小，实现速度闭环。

在本实施例中，为确定航向，使用陀螺仪传感器返回的角加速度信息，经过卡尔曼滤波进行数据处理后，利用四元数法形成航向角。

在本实施例中，假设β为目标航向角，α为航向角，则β-α即为车航向与目标航向的偏差角，根据此值的大小，采用PD闭环控制，将误差修正转化到四个麦克纳姆轮12的控制信号上，控制机器人修正航向，从而达到方向闭环。在本实施例中，以方向环作为外环，速度环最为内环，形成一个串级的PID控制。

如图10所示，在本实施例中，机器人导航系统12’，可采用例如安装在上位机中的ROS操作系统，利用节点发布话题，通过订阅相同话题实现节点间通信和数据交换。利用ROS中的开源逻辑进行具体的机器人导航控制操作。

如图11所示，在本实施例中，机器人导航系统12’包括：定位及地图构建模块121’、地图重定位模块122’以及路径规划模块123’。

在本实施例中，定位及地图构建模块121’通过搭载的激光雷达感知外界环境、里程计解算小车位姿来实现SLAM建图功能。同时，加入超声波装置检测三维距离，结合二维地图构建更为准确的融合导航，辅助机器人精准行进，避免碰撞到高度较低位置的障碍物。在本实施例中，定位及地图构建模块121’使用基于粒子滤波的Gmapping算法。Gmapping 算法是基于改进的 R-B 粒子滤波器的二维激光建图算法，可实时构建二维栅格地图。Gmapping算法根据二维激光扫描数据和里程数据解算小车位姿，同时构建室内栅格地图，并结合超声波滤波后的数据构建环境包，实现激光雷达和超声波的融合构图。

在本实施例中，地图重定位模块122’，利用基于粒子滤波器的自适应蒙特卡洛定位（Adaptive Monte Carlo Localization，AMCL）算法进行概率估计，以实现移动机器人的行进装置重定位。

在本实施例中，AMCL算法以粒子滤波法为基础，根据行进装置运动学模型及传感数据预测粒子群位姿，匹配激光雷达观测数据与栅格地图数据，解算最大匹配概率得到行进装置在全局地图中的位姿。结合重要性采样，重采样等方法更新行进装置位姿。在本实施例中，行进装置可采用例如：行进车。

如图12所示，在本实施例中，蒙特卡洛定位算法的基本流程包括但不限于：

S101、初始化粒子集；

在本实施例中，定义大小为 N 的粒子集，若已知行进车初始位姿，则复制粒子位姿为行进车初始位姿，若未知行进车位姿，则在栅格地图中随机生成 N 个位姿。

S102、预测；

在本实施例中，根据行进装置运动学模型，预测 k 时刻粒子群位姿，并按比例添加随机采样粒子，增加位姿多样性。

S103、粒子权重计算；

如图13所示，在本实施例中，将当前时刻激光雷达观测数据应用至每个粒子的位姿上，匹配激光数据与栅格地图数据，计算粒子权重，经归一化处理得到最优位姿估计。

在本实施例中，在激光雷达SLAM（Simultaneous Localization and Mapping）匹配激光数据与栅格地图数据，计算粒子权重，并进行归一化处理，同时定位与地图构建，以估计机器人的位姿。在本实施例中，机器人的位姿包括但不限于：位置、方向。

如图14所示，在本实施例中，机器人位姿估计的具体步骤包括但不限于：

S1031、地图数据表示；

在本实施例中，栅格地图以例如离散的形式表示，将环境划分为网格单元，每个网格单元表示状态包括但不限于：有障碍物、无障碍物。前述栅格地图可以使用例如：激光雷达进行构建。

S1032、 激光数据匹配；

在本实施例中，机器人使用激光雷达获取周围环境的信息，以激光束的形式发射，测量激光束与环境物体的交点。将前述测量值表示为极坐标形式的距离和角度。

S1033、粒子滤波；

在本实施例中，使用粒子滤波来估计机器人的位姿。在粒子滤波过程中，机器人位姿由一组粒子表示，每个粒子都有一个位姿假设。前述粒子根据机器人的行进装置运动学模型进行更新，并与激光数据进行比较以计算粒子的权重。

S1034、 计算粒子权重；

如图15所示，在本实施例中，为了计算每个粒子的权重，需要将激光数据与栅格地图进行匹配，具体匹配步骤包括但不限于：

S10341、对于每个粒子的位姿假设，将激光数据转换到全局地图坐标系中；

S10342、遍历激光数据中的每个测量点，将其与栅格地图中的对应网格单元进行比较；

S10343、根据测量点与地图的匹配程度，为每个粒子分配一个权重值。在本实施例中，匹配较好的粒子会获得更高的权重，而匹配较差的粒子会获得较低的权重。

S1035、归一化处理；

在本实施例中，为了确保权重之和等于1，需要对所有粒子的权重进行归一化处理。将每个粒子的权重除以所有粒子权重之和，以确保前述粒子构成概率分布。

S1036、最优位姿估计。

在本实施例中，在粒子的权重归一化时，使用这些权重来估计机器人的最优位姿。在本实施例中，最优位姿被认为是所有粒子位姿的加权平均，权重即为其权重。

在本实施例中，不断迭代上述过程，通过粒子滤波帮助机器人在未知环境中估计自己的位姿，并同时构建地图。这种方法允许机器人在探索新环境时实时定位自身位置，并根据已知信息更新地图。这是SLAM技术的核心原理之一，用于自主导航和环境建模。

S104、重采样；

在本实施例中，根据选择性重采样算法调整粒子分布，将高权重粒子按比例复制，删除低权重粒子，以此保持粒子数量一致，使粒子逐渐靠拢。

如图16所示，在本实施例中，使用ROS中开源功能包在RVIZ中查看AMCL算法，其中箭头方向表示根据采样结果预测的小车下一步移动方向。

如图17所示，在本实施例中，使用支持节点之间分布式通信的ROS系统，使机器人中的不同组件可以相互通信和协作；采用模块化设计，以方便地添加、删除或更换组件，并提高了系统的灵活性和可扩展性。在本实施例中，将ROS系统部署在Jetson NX嵌入式计算机模块，Jetson NX嵌入式计算机模块不仅支持多种通用AI框架，可以实现高速的神经网络算法推理和训练，还具备丰富的接口，方便进行各种应用开发和扩展。

在本实施例中的外设部分，采用的传感器模块包括但不限于：奥比中光Astra Pro双目结构光深度相机、YDLIDAR 4ROS激光雷达、格物优信热成像双光谱卡片式摄像机以及超声波模块。在本实施例中，考虑到多传感器的数据汇总杂乱，采用一块USB-HUB板进行数据打包汇总和硬件连接。在本实施例中，机器人运动行进和机械臂夹取的装置包括但不限于：四个编码器电机、六个总线舵机以及一块联合控制板。

在本实施例中的续航部分，在机器人底部搭载了两块格氏3S充电锂电池，两电池交叉使用，解决了续航短、断电数据未同步的现象。

如图18所示，在本实施例的操作与使用部分，开发了相应的微信小程序，支持小程序推送报警、信息查询和参数改变功能，以最大限度增强机器人的实用性和灵活性。利用微信小程序向管理人员推送报警信息，管理人员实时接收并查看报警指示与视频片段，及时阻止危险状态，防止事故发生；此外，通过云服务器会根据数据库存储的历史大数据进行分析，对易发生事故的重点区域加强防范。

在本实施例中的巡检方式包括但不限于：定点巡检、半自主巡检以及全自主巡检。在本实施例中的定点模式下，机器人通过已设置好的规定路线，并检测路线左右两边的设备发热情况与厂房异常。而在全自主模式下，机器人通过激光雷达SLAM建图和超声波避障，配合电机自动完成定位和避障。在本实施例中，还设计了人工控制渠道，工作人员结合微信小程序端反馈的视频、文字和图表，对机器人进行控制，而实现半自主巡检。机器发热异常在本实施例中，用户可以在小程序端接收查看机器人获取的红外梯度图像、可见光图像以及机器人的位姿信息。在本实施例中，可以发送机器人控制指令给服务器，服务器通过车载无线通信模块控制当前机器人的运动姿态，达到机器异常发热情况高效监测的目的。

如图19所示，在本实施例中，巡检车模式包括但不限于：任务布置模式、自主巡检模式；

在本实施例中，用户可以通过两种模式来发布任务。在本实施例中，任务布置模式是可以通过微信小程序发布命令，命令响应在云服务器中，云服务器通过与车载无线模块通信，而控制机器人的行为。在本实施例中，自主巡检模式是直接通过电脑端的后台操作云服务器发送指令。当指令发送后，机器人进入启动状态，首先会检测电池的电量。在本实施例中，当电池电量不低于80%时，机器人启动所有外设。当用户布置巡检任务后，机器人将按照用户要求的固定路线行进，当用户选择让机器人自主行进时，机器人将通过建图，避障等一系列方法进行自主行进。在行进过程中，机器人会将外设全部打开，如深度相机将会实时采集数据、红外热成像仪将会实时监测设备温度，与云服务器进行数据的同步、可视化和储存。当热成像仪检测到机器局部温度的异常时，车载蜂鸣器会发出警报，并移动到机器附近，同时，用户在后台或者是微信小程序均能看到异常发热的类型与实时状态，一般情况下，程序会根据设定的情况提供决策，如通过机械臂暂时关闭机器或者打开制冷按钮，用户也可以在小程序端操作机械臂进行远程按钮控制，当结束操作之后，机器人再次按照原目标行进，同时进行自主巡检，直到巡检结束。

在本实施例中，路径规划模块123’，利用全局路径规划算法Dijkstra和局部路径规划算法DWA（Dynamic Window Approach）相结合，可以提高机器人导航的效果和性能，在获取环境地图和小车位姿后，利用路径规划算法根据当前点和目标点规划路径并驱动行进装置导航。

如图20所示，在本实施例中，在本实施例中采用的Dijkstra算法，用于在给定图中找到两个节点之间的最短路径。在全局路径规划中，Dijkstra算法可以应用于离散化的地图数据上。在本实施例中，从起始点开始，不断扩展搜索范围，逐步计算出每个节点到起始点的最短距离，直到找到目标节点或搜索完所有可达节点。Dijkstra算法基于广度优先搜索的思想，通过维护一个优先级队列，选择距离最短的节点进行扩展，直到找到最短路径。

在本实施例中，采用的DWA算法，通过考虑机器人在当前速度下，能够安全避免障碍物的速度-加速度空间来生成可行的速度指令。在本实施例中，加速度空间为动态窗口。DWA算法首先根据机器人的动力学模型，在速度-加速度空间中定义一个窗口，包含了机器人合理的速度范围。对每个速度指令进行模拟，评估其产生的轨迹与障碍物的接触情况，并根据一定的评估函数对速度指令进行打分。选择得分最高的速度指令作为机器人的下一步运动指令，在本实施例中，评估函数的场景参数包括但不限于：接近目标、远离障碍物。

在本实施例中，将全局路径规划算法Dijkstra和局部路径规划算法DWA相结合的方式包括：

使用Dijkstra算法进行全局路径规划：

基于地图和起点、终点信息，使用Dijkstra算法找到机器人的全局最短路径。

在本实施例中，Dijkstra算法可以考虑地图中的障碍物和限制条件，确保生成的路径不会与障碍物碰撞或超出机器人的运动能力。

使用DWA算法进行局部路径规划：

在机器人行进过程中，周期性地执行局部路径规划。

利用当前位置和传感器数据，使用DWA算法评估机器人可能的速度-加速度组合，生成一系列候选的速度指令。

对候选速度指令进行评估，根据朝向目标、避免障碍物等指标打分，选择得分最高的速度指令作为最终的机器人控制指令。

路径切换和动态调整：

当机器人接近全局路径上的新目标点时，重新执行Dijkstra算法，计算新的全局最短路径。

在本实施例的局部路径规划中，如果发现无法找到满足安全性和效率要求的速度指令，可以回退到全局路径规划重新规划路径。

在本实施例中，通过将Dijkstra算法和DWA算法相结合，全局路径规划提供了优化的初始路径，而局部路径规划则在机器人实际运动中根据实时情况做出调整，以适应实际环境中的障碍物和动态变化。这种结合方式可以在保证路径正确性的同时，提高机器人导航的效率和鲁棒性。

在本实施例中，考虑到变电所环境的特殊性，其障碍物较少，在本实施例中采用成本较低，精度极高的YDLIDAR 4ROS多线程激光雷达，可以探测到30米外的障碍物，具有20000 次/秒的红外激光高速测距采样能力。在运动过程若检测到障碍物将根据机器人控制技术重新规划局部路径，并继续完成巡检任务。

如图21所示，在本实施例中，机器发热异常检测系统13’将深度学习技术与红外热成像技术结合，以进行图像识别，以适应变电所的特殊环境，为机器设备局部发热问题的解决提供决策性建议。

如图22所示，在本实施例中，机器发热异常检测系统13’包括：数据集收集模块131’、图像校正与标准化模块132’以及自动分类提取特征模块133’，

如图23a及图23b所示，在本实施例中，数据集收集模块131’中，将热成像仪固定在支架上，调整机器在热成像仪取景框中的位置。按照机器下述运行状态：70% 负荷、100%负荷、散热风扇因故障停止运行、机器出风口处堵塞，设计模拟实验。

如图24所示，在本实施例中，图像校正与标准化模块132’在模拟实验过程中借助金属支架固定红外热成像仪保证图像采集到稳定成像，但是由于拍摄角度以及热成像仪的功能缺陷的影响，会导致图像畸变。此外，由于采集得到的红外热图像中真正具有状态诊断价值的图像信息位于机器出风口处，因此在本实施例中，利用透视变换将感兴趣区提取出来。将提取得到的机器出风口区域标准化为机器尺寸比例灰度图，便于后期特征提取。

在本实施例中，透视变换是计算机视觉和图形处理中的一种重要技术，用于将一个二维平面上的图像转换为另一个二维平面，同时保持图像上的直线仍然是直线。透视变换通常用于校正或矫正图像的透视效果，使得图像中的对象在不同视角下仍然具有准确的几何形状和位置。在此处的作用是图像校正： 当拍摄物体时，摄像机的位置和角度可能导致图像中的物体出现透视扭曲。透视变换可用于将图像中的物体校正为平行于图像平面的状态，从而更容易进行物体检测、跟踪或测量。

如图25所示，在本实施例中，自动分类提取特征模块133’基于卷积神经网络YOLOv7进行红外图像特征的提取与分类。在本实施例中，选用卷积神经网络YOLOv7是因为在本实施例中，将将模型部署到jetson nx上，所以模型的大小受限于jetson nx的计算能力，而卷积神经网络YOLOv7拥有更小的体积，更少的计算量以及更高的精度。在计算效率和精度方面，卷积神经网络YOLOv7相对YOLOv5，计算效率及精度更高。 卷积神经网络YOLOv7使用了更快的卷积操作，因此在相同的计算资源下可以达到更高的检测速度。 此外，卷积神经网络YOLOv7还提供了较高的精度，能够检测更多的细粒度对象。

在本实施例中，根据变电所热点监测的需求，采用红外模块获取红外热成像信息，采用MOLEX通信接口进行数据传输。在本实施例中，结合SQL Server数据库技术，存储设备所记录下来的所有信息，对于变电所中的重要设备对其温度变化进行长时间的记录， 并且会将采集的数据自动生成温度变化曲线。从而实现在线变电所热点监测功能。

在本实施例中，基于热成像与深度学习技术实现了机器发热异常成因自动分析功能。其基本原理是使用热像仪采集机器出风口的图片，并使用深度学习模型Alexnet进行训练，结合了DCGAN对抗生成网络来扩展数据集，实现了机器发热异常成因自动分析功能。

在本实施例中，采用基于Movelt笛卡尔路径规划自动控制机械臂改变压板状态。

在本实施例中，机器人和移动终端通过WiFi建立连接进行无线数据传输。然后，机器人端开始采集视频数据，通过无线网络直接或间接地将视频信号传输到移动终端上。接着监控中心通过该无线通信模块接受机器人获取的红外图像、可见光图像、机器人位姿信息以及发送机器人控制指令，监测在线机器设备发热情况。

实施例2

本发明提供的基于卷积神经网络的变电所轮式巡检方法，采用经过改进的卷积神经网络YOLOv7，在本实施例中，本发明根据激光雷达SLAM地图构建技术，在建图结束后采用自适应蒙特卡洛定位算法进行定位，并使用全局路径规划算法Dijkstra和局部路径规划算法DWA，在行进过程中随时检测与障碍物之间的距离，实现避障。并在Jetson NX处理器上使用改进的卷积神经网络YOLOv7，使网络预训练的数据集和检测器学习的数据集之间的特征分布保持一致。同时结合建模地图三维图像、深度相机点云图和红外热成像图，精确识别工作中机器的状态。

在本实施例中，对卷积神经网络YOLOv7做的具体改进包括：

在本实施例中，为保证变电所的安全运行，现有的检测方法在针对具有复杂背景的变电所机器异常发热时，在识别具有轻微缺陷的发热机器方面面临巨大的挑战。为解决这一问题，本发明提出了一种改进的卷积神经网络YOLOv7来提高检测结果。

在本实施例中，基于K-means++对机器数据集的目标框进行聚类，生成更适合检测机器发热缺陷目标的锚框；将CA注意力机制（Coordinate Attention）模块和RepVGG模块添加到网络中；在通道域和空间域，网络可以增强特征提取过程的有效特征，削弱无效特征；利用alpha-IOU损失函数加速模型收敛，解决正负样本不平衡问题。实验结果表明，本发明模型的平均精度为94.8%，比Faster R-CNN模型、YOLOv7模型和YOLOv5s模型分别提高了8.6%、4.7%和5%。提出的YOLOv7模型能够有效地实现复杂背景下小目标的准确检测。

在本实施例中，对YOLOv7卷积神经网络做以下改进：

在本实施例中，对机器数据集的目标框进行了聚类，以生成更适合检测机器发热缺陷目标的锚框；在本实施例中，基于K-means++算法进行聚类，能够有效地减少误差并提高聚类效果。

在本实施例中，将CA注意力机制（Coordinate Attention）模块和RepVGG模块添加到网络中；在本实施例中，CA注意力机制（Coordinate Attention）模块和RepVGG模块有助于在通道域和空间域上增强特征提取过程的有效特征，同时削弱无效特征。以使得网络模型更好地捕捉到微小的发热缺陷目标。为了加速模型收敛并解决正负样本不平衡问题；

在本实施例中，采用alpha-IOU损失函数。在本实施例中，通过采用alpha-IOU损失函数，能够更精确地衡量预测结果与实际目标之间的相似度，从而提高模型性能。

实验结果表明，本实施例所提出的卷积神经网络YOLOv7在平均精度方面达到了94.8%，比Faster R-CNN模型、YOLOv5s模型分别提高了8.6%、4.7%和5%。本发明在复杂背景下能够更有效地实现小目标的准确检测。

如图26所示，在本实施例中，采用改进型YOLOv7卷积神经网络的具体步骤包括：

S201、随机从数据集中选择一个样本作为初始聚类中心，并在其余样本框和当前聚类中心之间，计算最小相交比距离A（x）：

其中，IoU表示两个矩形框之间的交点平行比，x是子目标标记样本框，c表示聚类的中心；

S202、计算概率O（x），选择每个绝缘子样品盒作为下一个聚类中心，并使用轮盘赌方法选择下一个聚类中心：

其中，X是目标标记帧的总样本；

S203、重复前述步骤S201和S202，直到选择所有聚类中心；

S204、计算数据集中每个样本到聚类中心的距离，将样本划分为距离最小的聚类中心对应的分类，重新计算每个类别的聚类中心，反复更新分类和聚类中心，直到锚框大小保持不变：

其中，i=1，…，K，K是不同大小的锚框个数，具体数值由检测模型的锚框个数决定。由于本发明的检测模型包含3张检测特征图，每张特征图对应3个锚框，故K=9。

CA注意力机制

在本实施例中，CA注意力机制将特征张量在通道维度上进行分解，得到两个1维向量。在本实施例中，通过计算这两个1维向量之间的相似度来聚合不同通道之间的注意力权重。

在本实施例中，获取每个通道的权重大小，将各通道与原始特征张量相乘，以更新特征张量的表示。在本实施例中，模型根据位置信息对不同通道的关注程度进行自适应调整。

在本实施例中，在第一个空间方向上，CA注意力机制利用远程依赖关系捕捉远距离的特征信息，这有助于模型学习全局上下文。而在第二个空间方向上，CA注意力机制保留精确的位置信息，使得模型能够关注输入特征图中特定位置的细节。

如图27所示，在本实施例中，通过将生成的特征图分别编码成一对方向感知和位置敏感的EntionMap，可以互补地应用到输入的特征图中。方向感知的entionmap强调了模型对输入特征图中各个位置的关注程度，而位置敏感的entionmap则保留了每个位置的具体细节。前述结合的方式增强了关注对象的表达力，使得本发明改进后的卷积神经网络YOLOv7能够更好地理解和处理输入数据。

如图28所示，在本实施例中，与通道注意力将特征张量通过2D全局池化转化为单个特征向量不同，坐标注意力将特征分解为两个一维的特征编码过程，分别在空间的两个方向对特征进行聚合。在本实施例中，通过前述特征聚合操作，远程依赖关系可以沿一个空间方向捕获，而精确的位置信息则可以沿另一个空间方向保留。将得到的特征图单独编码成一张对方向感知和位置敏感的注意力图，可以在输入特征图的过程中进行互补应用，从而提升感兴趣对象的表达能力。CoordinateAttention编码通道关系和长期依赖通过精确的位置信息，具体操作包括但不限于：Coordinate信息嵌入和CoordinateAttention生成2步。

如图29所示，在本实施例中，Coordinate Attention算法的具体步骤包括：

S301、对全局平均池化进行分解操作；

在本实施例中，为了避免空间信息全部压缩到通道中，本实施例未使用全局平均池化。为了能够捕获具有精准位置信息的远程空间交互，对全局平均池化进行的分解，具体如下：

(1.1)

(1.2)

如图30所示，在本实施例中，对尺寸为C*H*W的输入特征图Input分别按照X方向和Y方向进行池化，分别生成尺寸为C*H*1和C*1*W的特征图。

S302、将生成的C*1*W的特征图进行变换，然后进行concat操作；

在本实施例中，进行concat操作的公式如下：

(1.3)

S303、根据上式生成如下图所示的特征图，然后进行F1操作，得到特征图；

如图31所示，在本实施例中，可采用例如：1*1卷积核进行降维，可采用例如：SE注意力中操作以及激活操作，生成降维特征图。

S304、求取CA注意力机制输出数据；

在本实施例中，Coordinate Attention 的输出公式如下式所示：

(1.4)

RepVGG注意力机制

在本实施例中，RepVGG注意力机制在推理时类似于VGG，利用3×3的卷积和ReLU堆叠得到RepVGG模块，而训练时间模型具有多分支拓扑结构。

在本实施例中，通过结构重新参数化技术实现RepVGG注意力机制的训练时间和推理时间结构的解耦操作。

在本实施例中，RepVGG注意力机制具有类似VGG的拓扑结构，没有任何分支；模型的主体包括但不限于：3×3 conv和ReLU；RepVGG模块的具体架构不是通过自动搜索，手动优化，复合缩放或其他繁琐的手段生成的，在本实施例中，RepVGG模块的具体架构参数包括但不限于：深度以及宽度。

如图32所示，在本实施例中，RepVGG模块在训练时使用多分支网络，在RepVGG模块中加入了identity分支和残差分支。在推理阶段，通过op融合策略，将所有的网络层都转化为3x3卷积，因为3x3卷积就有一定的加速操作，如计算库和硬件针对3x3卷积有深度的优化，所有卷积累积起来就会有很大的一个加速提升。在本实施例中，前述计算库包括但不限于：CuDNN，Intel MKL。

在本实施例中，RepVGG的实现方式是在训练时，将平行的1x1卷积分支加入到每个3X3卷积层中，构成RepVGG模块。训练结束后，再对模型进行等价换算，就可以得出一个调配模型。根据卷积的线性，3个3X3卷积核分别为W1，W2，W3。根据下式进行计算：

(1.5)

如图33所示，在本实施例中，利用上述原理可以将一个RepVGG模块转换为一个卷积。在本实施例中，把identity转换为1x1卷积，构造出一个以单位矩阵为卷积核的1x1卷积；再把1x1卷积等价转换为3x3卷积，用0填充其余部位。

alpha-iou损失函数

在本实施例中，IOU损失函数目前主要应用于目标检测的领域，其演变的过程如下：IOU、GIOU、DIOU、CIOU、ALPHA IOU损失函数，每一种损失函数都较上一种损失函数有所提升。

（1）IOU

如图34所示，在本实施例中，IOU用来度量目标检测中预测框与真实框的重叠程度。IOU（交并比），用预测框(A)和真实框(B)的交集除上二者的并集，其原理如下图所示，IOU的值越高也说明A框与B框重合程度越高，代表模型预测越准确。反之，IOU越低模型性能越差。

在本实施例中，IoU是目标检测的一个重要评价指标，可衡量预测框和真值之间的距离。常用来计算多个检测框可能有相同大小的损失，但IoU可能差异很大，为此需引入IoU损失。其定义如下：

(1.6)

其中，B为预测框，Bgt为目标框。

（2）GIOU

在本实施例中，若两框无交集，则此时因损失为零，没有梯度回传，学习训练失败。因此提出GIoU(Generalized-IoU)，公式如下。

(1.7)

其中，C为两个框的最小闭包区域面积。GIoU，可显著提高YOLO的定位精度。

（3）DIOU

在本实施例中，当目标框完全包裹预测框时，IoU和GIoU的值相等，此时GIoU退化为IoU，即GIoU严重依赖IoU，因此在两个垂直方向，误差大，难收敛。本发明提出DIoU（(Distance-IoU)：

(1.8)

其中，b和bgt表示B和Bgt的中心点，c是覆盖这两个框的最小封闭框的对角线长度。

在本实施例中，DIoU的惩罚项直接最小化两个中心点之间的距离，对包含两个框在水平方向和垂直方向上的情况，可加速模型回归。

（4）CIOU

在本实施例中，目标框损失应考虑的集合因素包括但不限于：重叠面积、中心点距离和长宽比。CIOU的公式如下所示。

(1.9)

其中，α是一个正的度量参数，同时v用来度量宽高比的一致性。通过这种方式。

（5）ALPHA IOU

Alpha-IoU Loss是基于现有IoU Loss的统一幂化，即对所有的IoU Loss，增加α\alphaα幂，当α\alphaα等于1时，则回归到原始各个Loss中：

(1.10)

(1.11)

(1.12)

(1.13)

如下表1、表2及表3所示，在本实施例中，基于本申请采用的卷积神经网络YOLOv7主干添加Coordinate Attention的实验结果、在卷积神经网络YOLOv7主干添加RepVGG的实验结果以及在卷积神经网络YOLOv7使用alpha-iou损失函数的实验结果。可知：

本发明提出的改进型卷积神经网络YOLOv7在处理具有复杂背景的变电所机器异常发热检测任务时，通过采用K-means++聚类方法生成锚框、引入CA注意力机制和RepVGG模块以及采用alpha-IOU损失函数加速收敛等技术手段，本发明能够在复杂背景下实现微小目标的准确检测。

在本实施例中，卷积神经网络YOLOV7使用K均值算法对从COCO数据集获取的锚框进行聚类，并在训练过程中使用遗传算法调整锚框。但K均值聚类算法的收敛性在很大程度上取决于聚类中心的初始化。本发明使用了K-means++算法来缓解前述问题。

传统的K均值算法一次选择多个聚类中心，而K-Means++每次只选择一个。本发明允许选择的随机中心点不仅倾向于最优局部解，而且尽可能接近最优全局解。

在本实施例中，CA注意力机制同时考虑了通道信息和与方位有关的位置信息，这使得它在处理图像任务时更加灵活。CA注意力机制可以轻松地插入到轻量级网络的核心模块中，而不会显著增加模型的复杂度。

RepVGG注意力机制在ImageNet数据集上，RepVGG是首个达到80％以上top-1精度的普通模型。在NVIDIA 1080Ti GPU上，RepVGG模型的运行速度比ResNet-50快83％，比ResNet-101快101％，且具有更高的精度。与EfficientNet和RegNet等最先进的模型相比，很好的平衡了精度和速度。

传统技术中采用的DIoU未考虑到检测框的长宽比。长宽比更接近的边框应有更低的损失，本发明提出了CIoU (Generalized-IoU)。CIoU损失是在DIoU损失的基础上添加了衡量预测框和GT框纵横比，在一定程度上可以加快预测框的回归速度。

表1、在YOLOv7主干网络添加Coordinate Attention的实验结果

表2、在YOLOv7主干网络添加RepVGG的实验结果

表3.在YOLOv7使用alpha-iou损失函数的实验结果

综上，本发明针对目前人工巡检方式工作强度大、工作时间长、工作效率低且现有的巡检系统无法解决变电所机器发热异常问题，基于卷积神经网络与激光SLAM构图技术拟研发基于卷积神经网络的变电所轮式巡检机器人，其具有自主导航、自动避障、变电所环境动态监测、机器发热异常诊断等多种功能，具有智能化、自动化的特点，有利于消除机器发热异常，优化了变电所运维操作。

本发明采用速度和方向闭环的串级PID。利用比例对系统的偏差进行反应。利用积分消除静差，通过偏差的累计来抵消系统的静差。利用微分对偏差的变化趋势做出反应，根据偏差的变化趋势实现超前调节，提高反应速度。本发明采用PID闭环控制算法，实现对每一个车轮的速度大小的控制，从而达到速度闭环，实现速度的准确控制。

本发明使巡检机器人能感知自身位置，构建环境地图，基于闭环检测和图优化的建图算法使室内定位精度达到厘米级。基于移动机器人控制技术实现根据任务目的地规划出运行路径自主导航，根据设定检测目的地的顺序，定时定点地完成巡检任务，实现了精确的自主导航行进功能。

本发明根据运动模型，预测 k 时刻粒子群位姿，并按比例添加随机采样粒子，增加位姿多样性。并通过计算粒子权重，经归一化处理得到最优位姿估计。

本发明针对拍摄角度以及热成像仪的功能缺陷的影响导致图像畸变的问题。利用透视变换将感兴趣区提取出来。最后将提取得到的机器出风口区域标准化为机器尺寸比例灰度图，便于后期特征提取。

本发明基于卷积神经网络YOLOv7进行红外图像特征的提取与分类，卷积神经网络YOLOv7卷积神经网络的网络拥有更小的体积，更少的计算量以及更高的精度。 卷积神经网络YOLOv7卷积神经网络使用了更快的卷积操作，因此在相同的计算资源下可以达到更高的检测速度。 此外，卷积神经网络YOLOv7卷积神经网络还提供了较高的精度，能够检测更多的细粒度对象。

本发明中的机器人和移动终端通过WiFi建立连接。机器人端开始采集视频数据，通过无线网络直接或间接地将视频信号传输到移动终端上。监控中心通过该无线通信模块接受机器人获取的红外图像、可见光图像、机器人位姿信息以及发送机器人控制指令以达到在线机器设备发热情况监测的目的。

本发明考虑到变电所机器发热异常难消除、难发现的问题，基于热成像与深度学习技术实现了机器发热异常成因自动分析功能。其基本原理是使用热像仪采集机器出风口的图片，并使用深度学习模型Alexnet进行训练，但由于难以获取大量机器热点图片数据，所以本发明结合了DCGAN对抗生成网络来扩展数据集，从而解决了热点数据缺少的难题。最终实验得到的模型正确率可达95%，从而实现了机器发热异常成因自动分析功能。本发明解决了现有技术中存在的应用场景局限性较大、测量工作量大以及直观性较差的技术问题。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述巡检机器人包括：机器人控制系统、加速度及角度传感器、卡尔曼滤波器、电机组以及四指柔性机械爪、深度相机、连接块、红外相机、显示屏架、连接卡扣、显示屏、电动伸缩装置、天线、连接平台、挡板 、麦克纳姆轮、麦克纳姆轮外轮保护、侧部保护杠、控制器、前部保护杠、前部支撑、多线程激光雷达、六轴工业机械臂、支架底座、相机支架、无线充电模块、负压避震器、电机保护壳、避震器连接、避震器连接、空心铝架、电机以及避震器加强板；所述麦克纳姆轮安装所述麦克纳姆轮外轮保护，在每个麦克纳姆轮上设置所述负压避震器，所述避震器加强板连接所述空心铝架，在所述麦克纳姆轮的上方按装所述挡板，在所述巡检机器人安装所述前部保护杠、所述侧部保护杠、所述控制器，其中，在所述麦克纳姆轮中设置抱紧式联轴器；控制器包括：手动开机按钮以及急停按钮；其中，所述机器人控制系统，包括：行进装置控制系统、机器人导航系统以及机器发热异常检测系统：

所述行进装置控制系统，用以利用PID闭环控制算法，生成并利用速度和方向闭环串级PID信号，据以控制所述电机组，以对机器人机械结构中的行进装置的速度、方向进行闭环控制，所述行进装置控制系统与所述电机组连接；

所述机器人导航系统，用以利用所述加速度及角速度传感器返回的角加速度信息，以所述卡尔曼滤波器对所述角加速度信息进行滤波处理，得到行进装置滤波数据，利用四元数法处理所述行进装置滤波数据，据以生成航向角，据以修正所述行进装置的航向，据以对所述行进装置进行导航控制，所述机器人导航系统与所述加速度及角度传感器、所述卡尔曼滤波器连接；

所述机器人导航系统包括：

定位及地图构建模块，用以利用所述行进装置的即时定位与地图构建算法SLAM，控制所述行进装置的感知环境，利用激光雷达感知并解算得到小车位姿数据，据以进行地图构建操作，以得到二维栅格地图；

地图重定位模块，利用自适应蒙特卡洛定位算法AMCL进行概率估计，以得到概率估计数据，据以对所述行进装置进行重定位操作；

路径规划模块，利用全局路径规划算法Dijkstra，根据二维栅格地图、行进装置起点及行进装置终点，进行全局路径规划，以找到机器人全局最短路径，利用DWA算法进行局部路径规划，以得到机器人控制指令，据以规划得到行进路径，据以导航所述行进装置；

所述路径规划模块包括：

全局路径模块，用以根据所述二维栅格地图、所述行进装置起点及所述行进装置终点，利用所述全局路径规划算法Dijkstra，找到所述机器人全局最短路径；

局部路径模块中，利用所述DWA算法，根据所述机器人的当前位置、所述激光雷达的感知数据，评估获取所述机器人的速度与加速度组合数据，据以生成候选速度指令，对所述候选速度指令打分，以选取最高分数速度指令，以作为所述机器人控制指令；

路径切换模块，用以根据所述机器人与目标点的距离，更新所述机器人全局最短路径，所述路径切换模块与所述全局路径模块连接；

所述机器发热异常检测系统，用以在所述行进装置行进至检测位置时，检测获取机器出风口区域图像，据以提取得到感兴趣区域图像，利用卷积神经网络YOLOv7处理所述感兴趣区域图像，以得到并分析红外图像特征，据以获取机器发热异常成因信息，所述机器发热异常检测系统与所述机器人导航系统连接；

所述机器发热异常检测系统包括：

数据集收集模块，用以模拟机器的差异运行状态，以得到所述机器出风口区域图像；

图像校正与标准化模块，用以利用透视变换，从所述机器出风口区域图像中，提取得到所述感兴趣区域图像，标准化所述感兴趣区域图像为预置比例灰度图；

自动分类提取特征模块包括：

热成像仪，用以采集所述机器出风口区域图像；

训练集扩展模块，用以根据所述机器出风口区域图像，利用DCGAN对抗生成网络进行扩展，得到训练数据集，所述训练集扩展模块与所述热成像仪连接；

所述机器发热异常分析模块还包括：

锚框生成模块，用以基于K-means++对机器数据集的目标框进行聚类，生成适用机器发热异常检测锚框；

有效特征增强模块，用以将CA注意力机制模块、RepVGG模块添加到所述卷积神经网络YOLOv7中，以在所述卷积神经网络YOLOv7的通道域和空间域，增强特征提取过程中的有效特征，削弱无效特征；

模型收敛加速模块，用以利用alpha-IOU损失函数加速所述卷积神经网络YOLOv7收敛；

所述模型收敛加速模块中，利用alpha-IOU损失函数，以下述逻辑加速卷积神经网络YOLOv7收敛：

(1.10)

(1.11)

(1.12)

(1.13)

式中，IoU表示预测框和真实框之间的交并比；

α为超参数；

GIoU：是对IoU进行了改进的指标；公式中的||表示两个框的中心点距离，|C|表示特征图尺寸；

DIoU：是对GIoU进行了改进的指标；ρ表示预测框和真实框的中心点之间的欧氏距离，c表示将两个框的长宽差异归一化后的值；

β：是DIoU中的一个超参数；

CIoU：是对DIoU进行了改进的指标；v表示预测框和真实框之间的长宽比例差异。

2.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述行进装置控制系统包括：

比例反应模块，用以在所述行进装置存在偏差时，对所述行进装置控制系统进行比例偏差反应；

静差消除模块，用以在系统稳态下，利用预置积分逻辑，通过偏差累计，抵消所述行进装置控制系统的静差；

变化趋势调节模块，用以利用预置微分逻辑，对所述行进装置控制系统的偏差变化趋势做出反应，根据所述偏差变化趋势，对所述行进装置控制系统进行预调节操作。

3.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述速度和方向闭环串级PID信号包括：方向外环信号以及速度内环信号。

4.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述定位及地图构建模块中，利用基于粒子滤波的Gmapping算法，根据二维激光扫描数据、里程数据解算得到所述小车位姿数据，实时构建所述二维栅格地图。

5.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述地图重定位模块，利用所述自适应蒙特卡洛定位算法AMCL，根据预置行进装置运动学模型及传感数据预测粒子群位姿，据以匹配激光雷达观测数据与所述二维栅格地图，通过解算最大匹配概率，得到所述行进装置的全局地图位姿，据以通过重要性采样操作更新所述行进装置的位姿。

6.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述地图重定位模块包括：

粒子集初始模块，用以根据所述行进装置的位姿，初始化粒子集；

位姿预测模块，用以利用所述预置行进装置运动模型，根据所述粒子集，预测特定时刻的粒子群位姿，按预置比例添加随机采样粒子至所述特定时刻的粒子群位姿，所述位姿预测模块与所述粒子集初始模块连接；

权重处理模块，用以针对所述粒子群位姿，将当前时刻的激光雷达观测数据应用至每个粒子的所述位姿，匹配所述激光雷达观测数据与所述二维栅格地图，据以计算粒子权重，以归一化处理得到适用位姿估计，并获取高权重粒子、低权重粒子，据以更新所述行进装置的所述位姿，所述权重处理模块与所述位姿预测模块连接；

重采样模块，用以根据选择性重采样算法，调整所述粒子的分布，将所述高权重粒子按比例复制，删除所述低权重粒子，以进行粒子靠拢处理，完成所述重定位操作，所述重采样模块与所述权重处理模块连接。

7.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述锚框生成模块还包括：

最小相交比距离处理模块，用以从所述机器数据集中，选择一个样本作为初始的聚类中心，并在其余所述样本对应的样本框与当前的所述聚类中心之间，计算最小相交比距离A（x）：

式中，IoU表示两个矩形框之间的交点平行比，x是子目标标记样本框，c表示聚类的中心；

聚类中心选择模块，用以利用下述逻辑，计算概率O（x），选择每个绝缘子样品盒，作为下一个所述聚类中心，利用轮盘赌方法选择下一个聚类中心，所述聚类中心选择模块与所述最小相交比距离处理模块连接：

式中，X是目标标记帧的总样本；

类聚中心选择遍历模块，用以循环执行最小相交比距离处理以及聚类中心选择操作，直至选择完成所有的所述聚类中心，所述类聚中心选择遍历模块与所述最小相交比距离处理模块以及所述聚类中心选择模块连接；

分类及类聚中心更新模块，用以利用下述逻辑，计算所述机器数据集中，每个所述样本到所述聚类中心的距离，划分处理所述样本，以得到所述距离最小的所述聚类中心对应的分类，重新计算每个所述分类的所述聚类中心，反复更新所述分类、所述聚类中心，直至锚框大小保持不变：

式中，i=1，…，K，K是不同大小的锚框个数，所述分类及类聚中心更新模块与所述类聚中心选择遍历模块连接。

8.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，所述有效特征增强模块包括：

全局平均池化分解模块，用以利用下述逻辑，对所述卷积神经网络YOLOv7中的全局平均池化，进行分解操作，以得到特定尺寸特征图：

(1.1)

(1.2)

式中，表示经过全局平均池化分解操作后得到的特定尺寸特征图的横向维度，的输入参数是h，表示特征图的高度height；

W：表示原始特征图的宽度width；

：表示原始特征图在位置(h, i)处的像素值；

：表示经过全局平均池化分解操作后得到的特定尺寸特征图的纵向维度、垂直维度，/>的输入参数是w，表示特征图的宽度width；

H：表示原始特征图的高度height；

：表示原始特征图在位置(j, w)处的像素值；

特征变换模块，用以对所述特定尺寸特征图进行变换，并利用下述逻辑进行concat操作，以得到变换特征图，所述特征变换模块与所述全局平均池化分解模块连接：

(1.3)

式中，f：表示经过特征变换模块和特征降维模块后得到的最终特征图；

δ：表示激活函数；

F1：表示特征变换模块中的一种特征变换操作；

：表示在全局平均池化分解模块中分解得到的特定尺寸特征图的横向和纵向维度，/>是一个拼接concatenation操作，将横向维度和纵向维度的特征图连接起来形成一个新的特征图；

：表示经过全局平均池化分解模块后得到的特定尺寸特征图的横向维度；

：表示经过全局平均池化分解模块后得到的特定尺寸特征图的纵向维度；

特征降维模块，用以对所述变换特征图，进行F1操作，得到降维特征图，所述特征降维模块与所述特征变换模块连接；

CA注意力机制输出模块，用以利用下述逻辑，根据所述降维特征图，求取CA注意力机制输出数据，所述CA注意力机制输出模块与所述特征降维模块连接：

(1.4)；

式中， f：表示经过特征降维模块和CA注意力机制输出模块后得到的最终特征图；

F1：表示特征降维模块中的一种特征变换操作；

：表示在特征降维模块中得到的降维特征图的横向和纵向维度；/>是一个拼接（concatenation）操作，将横向和纵向维度的特征图连接起来形成一个新的特征图；

：表示在位置(i,j)处的CA注意力机制输出数据；

：表示原始特征图在位置(i,j)处的像素值；

：表示特定尺寸特征图的横向注意力权重；

：表示特定尺寸特征图的纵向注意力权重；

RepVGG模块，包括：3X3卷积层，所述3X3卷积层还包括：平行1x1卷积分支，利用所述3X3卷积层，构建所述RepVGG模块，其中，利用下述逻辑求取所述3X3卷积层的卷积核W1，卷积核W2以及卷积核W3：

(1.5)。

9.根据权利要求1所述的基于卷积神经网络的变电所轮式巡检机器人，其特征在于，基于卷积神经网络的变电所轮式巡检方法包括：

S1、利用PID闭环控制算法，生成并利用速度和方向闭环串级PID信号，据以控制电机组，以对机器人机械结构中的行进装置的速度、方向进行闭环控制；

S2、利用加速度及角速度传感器返回的角加速度信息，以卡尔曼滤波器对所述角加速度信息进行滤波处理，得到行进装置滤波数据，利用四元数法处理所述行进装置滤波数据，据以生成航向角，据以修正所述行进装置的航向，据以对所述行进装置进行导航控制；

其中，在定位及地图构建模块，利用所述行进装置的即时定位与地图构建算法SLAM，控制所述行进装置的感知环境，利用激光雷达感知并解算得到小车位姿数据，据以进行地图构建操作，以得到二维栅格地图；

在地图重定位模块，利用自适应蒙特卡洛定位算法AMCL进行概率估计，以得到概率估计数据，据以对所述行进装置进行重定位操作；

在路径规划模块，利用全局路径规划算法Dijkstra，根据二维栅格地图、行进装置起点及行进装置终点，进行全局路径规划，以找到机器人全局最短路径，利用DWA算法进行局部路径规划，以得到机器人控制指令，据以规划得到行进路径，据以导航所述行进装置；

在所述路径规划模块中，根据所述二维栅格地图、所述行进装置起点及所述行进装置终点，利用所述全局路径规划算法Dijkstra，找到所述机器人全局最短路径；利用所述DWA算法，根据所述机器人的当前位置、所述激光雷达的感知数据，评估获取所述机器人的速度与加速度组合数据，据以生成候选速度指令，对所述候选速度指令打分，以选取最高分数速度指令，以作为所述机器人控制指令；根据所述机器人与目标点的距离，更新所述机器人全局最短路径；

S3、在所述行进装置行进至检测位置时，检测获取机器出风口区域图像，据以提取得到感兴趣区域图像，利用卷积神经网络YOLOv7处理所述感兴趣区域图像，以得到并分析红外图像特征，据以获取机器发热异常成因信息；

其中，利用数据集收集模块模拟机器的差异运行状态，以得到所述机器出风口区域图像；利用图像校正与标准化模块，利用透视变换，从所述机器出风口区域图像中，提取得到所述感兴趣区域图像，标准化所述感兴趣区域图像为预置比例灰度图；在自动分类提取特征模块中，利用热成像仪采集所述机器出风口区域图像；根据所述机器出风口区域图像，利用DCGAN对抗生成网络进行扩展，得到训练数据集；基于K-means++对机器数据集的目标框进行聚类，生成适用机器发热异常检测锚框；将CA注意力机制模块、RepVGG模块添加到所述卷积神经网络YOLOv7中，以在所述卷积神经网络YOLOv7的通道域和空间域，增强特征提取过程中的有效特征，削弱无效特征；利用alpha-IOU损失函数加速所述卷积神经网络YOLOv7收敛；利用alpha-IOU损失函数，以下述逻辑加速卷积神经网络YOLOv7收敛：

(1.10)

(1.11)

(1.12)

(1.13)

式中，IoU表示预测框和真实框之间的交并比；

α为超参数；

GIoU：是对IoU进行了改进的指标；公式中的||表示两个框的中心点距离，|C|表示特征图尺寸；

DIoU：是对GIoU进行了改进的指标；ρ表示预测框和真实框的中心点之间的欧氏距离，c表示将两个框的长宽差异归一化后的值；

β：是DIoU中的一个超参数；

CIoU：是对DIoU进行了改进的指标；v表示预测框和真实框之间的长宽比例差异。