摘要
随着传统电网向数字化、网络化与智能化方向的发展，架空输电线路的智能检测引起了人们的广泛关注。然而，架空输电线路广泛分布在户外，目前主要通过人工翻阅无人机巡检记录的方式进行检测，效率低下。对此，本文基于架空机器人硬件平台，对视频监控系统设计、架空输电线路缺陷检测与机器人自定位技术展开研究。 针对架空机器人在高空作业时地面人员无法实时监控的问题，本文设计了一套视频监控系统，实现了机器人作业过程实时监控与远程遥控等功能。以架空机器人机载TX2板卡作为服务器端，实时采集多路单目相机视频，在压缩编码后，无线传输至地面终端。设计视频监控系统客户端，包含视频解码、实时显示以及远程遥控等功能。将该系统应用于架空机器人巡检，实现了五路相机实时监控与人工远程遥控等功能。 针对架空输电线路缺陷识别效率低、漏检率高的问题，提出了一种基于YOLOv4结构的架空输电线路缺陷检测模型。该模型以YOLOv4为基础框架，应用K-means++聚类与遗传算法重新聚类锚框，优化模型；提出一种半自动构建技术，实现数据集的扩充；应用迁移学习技术，加快模型训练。对本文提出的半自动构建方法与优化模型进行实验，实验结果证明了半自动构建技术可以有效扩建数据集。同时，本文改进的模型相较于YOLOv4框架，在架空线路缺陷特征上具备更好的检测效果，满足架空输电线路缺陷智能检测的需求。 针对架空输电线路背景单一、特征点少导致传统视觉定位方法失效的问题，本文基于单目视觉提出了CNN-VO与CNN-LSTM-VO两种深度学习模型来实现相机相对位姿估计。CNN-VO方法学习两帧图像之间的相对位姿关系；CNN-LSTM-VO方法在卷积神经网络的基础上，引入循环神经网络，处理连续多帧图像之间的时序问题。设计了架空输电线路环境下的自定位实验，验证了深度学习方法应用于架空机器人自定位的可行性。
NETL