隧道巡检机器人自主定位及巡检策略研究

Research on autonomous positioning and inspection strategy of tunnel inspection robot

摘要

在隧道电缆巡检领域，巡检机器人的运用逐渐增多。针对隧道内信号质量差、巡检机器人自主定位能力弱的问题，提出了一种基于深度相机的机器人巡检自主定位算法。鉴于电缆出现故障时，会产生温度异常这一特点，通过红外热像仪采集温度信息图像，对图像进行预处理，使用深度学习网络对标注好的图像数据集进行训练，生成检测模型。将模型检测图像中温度异常区域作为特征提取异常点，自主定位算法使用这些特征异常点进行定位，实现对隧道内电缆温度异常点精准定位。

Abstract

In the field of tunnel cable inspections, the use of inspection robots is becoming more prevalent. To address issues such as poor signal quality and weak autonomous positioning capabilities within tunnels, inspection robot's autonomous positioning algorithm based on depth cameras is proposed.Given the characteristic of temperature anomalies occurring when cable faults occur, infrared thermal imagers are employed to capture temperature information images. After preprocessing the images, a deep learning network is trained on a labeled data set of images to generate a detection model. The model identifies temperature anomaly regions in the inspected images as feature points, utilizing these points for autonomous positioning. The autonomous positioning algorithm uses these feature points to precisely locate temperature anomalies in the tunnel cables, thereby achieving accurate localization.

Graphical abstract

关键词

隧道巡检 / 定位 / ORB-SLAM2 / YOLOv5s / 红外热成像

Key words

tunnel inspection / positioning / ORB-SLAM2 / YOLOv5s / infrared thermography

在现代社会，电力已成为生活中不可或缺的重要资源，而电缆作为电力传输的关键纽带，承担着连接城市、家庭和工业的重要任务^[1]。电力生产与消费系统涵盖发电、输电、变电、配电、用电等多个环节，既是国民经济发展中重要的能源产业，也是关系国计民生的基础产业，配电网的稳定运行无疑是电力系统保持稳定状态的前提和基础。然而，随着电力系统规模不断扩大和电缆使用时间增长，电缆故障的风险也在逐渐增加。因此，保障电力系统的安全稳定运行，防范电缆故障，显得尤为关键^[2]。电缆巡检作为一项关键性工作，旨在及早发现电缆的潜在问题。运行中的电缆由于长期过载运行、外力冲击、绝缘受潮、接触不良、环境腐蚀等，都可能会出现绝缘受损或老化，在使用过程中可能出现短路、断线、接地等故障，及时进行巡检和维护，有助于提高电缆的可靠性和寿命，减少系统故障次数，降低维修成本，进而确保电力供应的连续性和稳定性。因此，国家每年都要在电缆巡检上投入大量人力资源。传统的人工巡检存在多方面不足，首先，劳动强度大，工作效率低，而且检测质量分散，容易出现疏漏；此外，手段单一，无法应对复杂多变的巡检任务。人工检测数据无法准确、及时地接入管理系统，造成信息流通不畅。随着无人值守模式的普及，巡视工作量增加，但巡检到位率和及时性却无法保证，影响了安全生产。针对这些问题，自主检测方法的研究具有重要现实意义。近年来，电缆巡检机器人在架空输电线路上的应用逐渐成为电力系统运维的主要趋势。这些机器人可以通过与地面基站的连接，借助无线遥感技术与地面基站通信，实现距离地面30~40 m的高空巡检任务^[3]。然而，隧道环境的特殊性给电缆巡检机器人的巡检工作带来了一定的挑战。隧道内的光线较暗，机器人的传感器分辨率受到影响，导致其难以准确感知周围障碍物，进而影响自主避障控制^[4]。2012年，浙江大学与杭州供电公司合作开发了一种电缆隧道巡检机器人，其能够对未知环境进行自主处理，同时进行远程监控。该机器人具有长达4 h的续航时间，配备了高清可见光和红外摄像机，以及能够识别有害气体的装置。2020年，我国首次将5G与虚拟现实(VR)技术应用到隧道巡检工作。杭州供电公司与中国联通5G创新中心合作研制了一款智能电力隧道巡检机器人，该机器人搭载了4K超高清摄像机、红外摄像机、温湿度探测器、危险气体探测器等多种设备，利用5G大带宽和低延迟的特点，工作人员可以通过部署在几十公里外的控制中心的巡检平台，实时全面地对现场情况进行巡查。尽管国内隧道巡检机器人已经取得显著成就，但在未来的发展中，仍需持续关注先进技术的引入，以不断提升机器人的智能水平，实现更为精准、高效的隧道巡检工作。

本研究通过ORB_SLAM2实现对机器人的定位，结合红外热像仪模块及激光雷达，实现机器人的自主避障及目标故障检测功能。同步定位与地图构建(simultaneous localization and mapping，SLAM)是一种先进的技术，它让主体搭载特定传感器，在没有事先了解环境的情况下，实时地在运动过程中建立环境模型，并估计自身的运动状态^[5]。SLAM的发展经历了三个阶段，目前的研究更加注重高层次的理解能力和鲁棒性^[6]。SLAM技术的应用范围非常广泛，可以有效地解决导航中的定位和建图问题，在自动驾驶汽车^[7]、室内机器人、增强现实等领域都有大量的应用。

1 研究框架与理论基础

1.1 基于深度相机的ORB_SLAM2

ORB_SLAM (oriented FAST and BRIEF-simul-taneous localization and mapping)是一种经典的视觉SLAM算法，用于同时进行定位和地图构建。ORB_ SLAM使用了Oriented FAST角点检测算法来提取图像中的关键特征点，结合Rotated BRIEF (Binary robust independent elementary features)^[8]描述符来描述这些特征点，这种方法能够在保持高精度的同时，在实时环境中处理大规模的地图和快速运动^[9]。ORB_SLAM2通过结合深度相机和ORB特征点的优势，实现了高精度的定位和地图构建。利用深度信息，能够恢复场景的尺度，提供准确的定位结果。同时，ORB_SLAM2利用ORB特征点的描述符来进行特征匹配，具备出色的鲁棒性，可以应对光照变化和视角变化等复杂环境^[10]。ORB_SLAM2在实时性能方面表现出色，通过采用高效的特征提取和描述符匹配技术，以及优化算法的运用，ORB_SLAM2能够在实时环境中快速实现定位和地图构建。它能够处理大规模地图和快速运动，满足实时应用的需求^[11]。另外，ORB_SLAM2具有广泛的跨平台支持，可以适用于多种深度相机类型，包括RGB-D相机和双目相机^[12]，这种跨平台兼容性使得ORB_SLAM2能够适应不同硬件平台和系统，并具备更佳的灵活性和可扩展性^[13]。此外，ORB_SLAM2是一个开源项目，拥有活跃的开源社区支持，为用户提供了持续的更新、改进和技术支持。用户可以从社区中获取最新的文档、示例代码和经验分享，以满足其特定需求，并应用于不同的领域^[14-17]。系统算法框架如图1所示。

1.2 红外热成像模块

基于普朗克和玻尔兹曼辐射定律的原理，红外测温模块通过吸收被测物体发出的红外辐射来测定其温度。所有温度高于零度的物体都会自表面向外发出电磁辐射^[18]，并且该辐射与物体的固有温度成比例。红外辐射中包含了用于实现测温的信息。通过专用镜头聚焦，探测器可以将经大气传输的红外辐射收集起来。随后，探测器会产生与辐射强度成正比例的电信号，并对其进行放大。这个信号经过连续的数字信号处理后，转化为与物体温度成正比例的输出信号，最终在显示器上显示出温度测量值，或以信号形式输出。

1.3 基于YOLOv5s的目标检测

YOLO (You only look once)是一种流行的实时目标检测算法，由胡冠真等^[19]在2015年提出。它在目标检测领域取得了显著的突破，并在计算机视觉领域得到广泛应用。传统的目标检测算法通常分为两个阶段：首先在图像上生成候选框，然后对这些候选框进行分类和定位。虽然这样的方法在准确性上表现较好，但由于需要两个阶段的处理，因此速度相对较慢，尤其在实时应用中表现不佳。这种两阶段处理方式意味着需要额外的计算来生成候选框，并且可能会导致一些冗余计算。此外，在复杂场景中，候选框生成的准确性可能受到限制，从而影响最终的检测结果。因此，对于要求实时性能的应用，传统的目标检测方法可能不太适合。相比之下，YOLO是一种单阶段的目标检测算法，YOLO可以在一次前向传递中直接预测图像中所有目标的边界框和类别，而无须分为两个阶段。这意味着它能够在实时性要求较高的应用中获得较好的性能。由于YOLO只需一次计算即可完成检测，具有更快的推理速度，对于需要快速且准确检测的目标检测场景，YOLO通常是一个较为理想的选择。

YOLOv5在YOLOv3的基础上进行了网络结构方面的改善，相对于YOLOv4来说，是一个更加轻量级的模型，采用了更加简化的网络结构，将CSPDarknet53替换为一系列更简单的卷积块，以降低计算复杂性和内存消耗，在保持相似准确性的情况下，具有更快的推理速度。同时，YOLOv5提供了一组用于目标检测的预训练权重，这些权重可以在特定的目标检测任务上进行微调，加速训练过程。通过对比精确度(P)与召回函数(R)及平均精度曲线面积(mAP)、时长，各项指标显著高于其他模型，如表1所示。

YOLOv5共有四种模型，分别为YOLOv5s、YOLOv5l、YOLOv5m和YOLOv5x，其中YOLOv5s的网络深度和特征图宽度均为最小，后三种模型在YOLOv5s的基础上进行加深和加宽，但处理速度越来越慢。通过文献[20]可得到四种模型的速度和精度关系，将以上四种模型和分类网络EfficientDet进行对比，其结果如图2所示。综合考虑各项数据，YOLOv5s对本文研究的环境十分适用。

在使用YOLOv5s进行目标检测任务之前，需要构建一个全面而高质量的数据集。数据集的制作过程包括收集图像数据、标记目标、生成标签文件以及划分训练集和测试集，确保数据集中包含各种场景下的多种样本，以覆盖不同角度、尺度和背景的目标。在本研究中，借助OpenCV这一功能强大的计算机视觉库，能够高效地处理红外图像数据，并为目标检测任务生成适用于YOLOv5的数据集。

本次模型的训练采集了电缆异常的红外图像，使用labelimg进行标注，对原始图像进行预处理，使之成为标准大小。图3为电缆异常现场图，该场景下由于电缆接头三相出线接头接触不良，引起导流过热故障。图4为红外传感器的检测效果图，显现出了温度异常点与温度正常点。

2 实验验证

实验采用基于机器人操作系统(ROS)开发的麦轮全向移动机器人，搭载Jetson TX2-NX开发板，装有OpenCV、ORB_SLAM2及避障雷达等，使用ROS和OpenCV、ORB_SLAM作为实验平台，可以轻松进行各种机器人视觉与导航实验。通过更改摄像头参数、调整ORB_SLAM的配置以及添加其他传感器数据，对SLAM系统进行定制和优化。

本文进行三组实验，第1组实验为YOLOv5s的效果实验；第2组实验展示通过使用ORB_SLAM2建图来检验定位的准确性；第3组实验结合红外热像仪，进行隧道巡检机器人自主定位及巡检实验。

2.1 YOLOv5s效果实验

YOLOv5s对采集到的红外数据进行处理，对温度异常点进行识别，如图5所示。

在混淆矩阵中，对角线数值表明模型检测到了所有真实的正样本，并且没有误检为负样本。图6依次显示了YOLOv5s训练数据后精确率与置信度、召回率与置信度、F1与置信度的关系曲线，以及结果函数图。

F1分数是分类的一个衡量标准，是精确率和召回率的调和平均函数，介于0和1之间，越大越好，结合精确率与置信度之间的关系，可以看出置信度均在0.7以上。对于可视化的训练结果（图6(d)），其中box_loss表示定位损失，即预测框与标定框之间的误差，误差越小表明数据越准，而val/box_loss表示验证集的定位损失；obj_loss表示计算网络的置信度，为目标检测损失的均值，数值越小表明目标检测越准，val/obj_loss表示验证集目标检测loss均值；cls_loss是指分类损失，计算边框与对应的标定分类是否正确，分类loss均值越小，对分类就越准确，val/cls_loss表示验证集分类loss均值。

2.2 SLAM建图实验

在实验中开启机器人自动驾驶功能，启动相机ORB_SLAM2测试进行建图。如图7所示，蓝色框是关键帧，绿色框是相机朝向，红色的点是当前看到的点，其运动轨迹是一条绿色的曲线。

2.3 巡检建图实验

本实验旨在将红外热像仪检测到的异常点与SLAM建图相结合，红外热像仪实时采集环境的温度数据，将采集到的温度异常点标注在图中。随着机器人移动，SLAM算法将持续构建环境地图，定位机器人的位置和姿态。

在SLAM的原有算法基础上进行更改，识别温度异常点，将其标注在SLAM建立的地图上，红色框代表检查到的温度异常点，见图8。

3 结论

通过搭建ROS实验平台，结合SLAM与OpenCV，使用YOLOv5s训练红外数据集，对隧道内电缆异常位置进行识别，将电缆温度异常点标注在图中。使机器人能够在未知环境中实时定位自身位置，并同时构建地图，成功实现了隧道巡检机器人的自主定位，验证了机器人的自主定位和巡检策略的有效性。本文所实现的创新点有：

1) 结合了SLAM、OpenCV和YOLOv5s等先进技术，实现了机器人在复杂隧道环境中的自主定位和巡检。

2) 将电缆的温度异常点结合到SLAM地图中，为机器人提供了更全面的环境感知和认知，提高了巡检的精度和效率。

3) 通过融合技术，实现了机器人的自主巡检，验证了其在特定和其他隧道环境中的普适性和通用性，展现了技术的创新和应用潜力。

参考文献

[1] 左坤, 张晓兰, 李良书, 等. 变电站机器人智能巡检与联动控制算法的应用研究[J]. 自动化技术与应用, 2024, 43(1): 18-21.

[2] WU J. Design and research of tunnel cable inspection robot[D]. Nanjing: Nanjing University of Science and Technology, 2021.

[3] 李刚, 王童语, 包仁人, 等. 吊轨式管廊巡检机器人结构设计及实验[J]. 制造业自动化, 2023, 45(6): 189-194.

[4] 吉泽勇. 井下移动机器人目标识别与自主避障研究[D]. 徐州: 中国矿业大学, 2022.

[5] 杜晓英, 袁庆霓, 齐建友, 等. 动态场景下基于视觉传感器的SLAM研究[J]. 组合机床与自动化加工技术, 2023(12): 67-70.

[6] YIN B Q, XING T, XING Y Q, et al. Research on visual SLAM algorithm for positioning single tree under forest[J/OL]. Geomatics and Information Science of Wuhan University (Information Science): 1-14. [2023-12-19].

[7] MILLER R, ABBASI F, MOHAMMADPOUR J. Power line robotic device for overhead line inspection and maintenance[J]. Industrial Robot, 2017, 44(1): 75-84.

[8] 杨璞. ROS在学前教育机器人室内视觉自动定位中的应用研究[J]. 自动化与仪器仪表, 2023(11): 163-167.

[9] CADENA C, CARLONE L, CARRILLO H, et al. Past, present, and future of simultaneous localization and mapping: toward the robust-perception age[J]. IEEE Transactions on Robotics, 2016, 32(6): 1309-1332.

[10] BRESSON G, ALSAYED Z, YU L, et al. Simultaneous localization and mapping: a survey of current trends in autonomous driving[J]. IEEE Transactions on Intelligent Vehicles, 2017, 2(3): 194-220.

[11] 吴明月. 激光雷达和IMU紧耦合SLAM算法[J]. 汽车实用技术, 2023, 48(21): 21-24.

[12] MUR-ARTAL R, TARDÓS J D. ORB-SLAM2: an open-source SLAM system for monocular, stereo, and RGB-D cameras[J]. IEEE Transactions on Robotics, 2017, 33(5): 1255-1262.

[13] MUR-ARTAL R, MONTIEL J M M, TARDÓS J D. ORB-SLAM: a versatile and accurate monocular SLAM system[J]. IEEE Transactions on Robotics, 2015, 31(5): 1147-1163.

[14] 陆冠臣. 双目视觉SLAM中的特征提取与匹配算法及其应用研究[D]. 成都: 电子科技大学, 2023.

[15] 于仁杰. 基于激光雷达的SLAM算法研究[D]. 吉林: 吉林大学, 2023.

[16] ENDRES F, HESS J, STURM J, et al. 3-D mapping with an RGB-D camera[J]. IEEE Transactions on Robotics, 2014, 30(1): 177-187.

[17] 齐立哲, 何东东, 陈骞, 等. 基于拓扑地图的移动机器人室内环境高效自主探索算法[J]. 机器人, 2023, 45(3): 313-320, 332.

[18] USAMENTIAGA R, VENEGAS P, GUEREDIAGA J, et al. Infrared thermography for temperature measurement and non-destructive testing[J]. Sensors, 2014, 14(7): 12305-12348.

[19] 胡冠真, 李宏滨, 吴彦昕, 等. 基于改进YOLOv5的目标检测算法研究[J]. 信息技术与信息化, 2023(11): 103-107.

[20] JIA W, XU S Q, LIANG Z, et al. Real-time automatic helmet detection of motorcyclists in urban traffic using improved YOLOv5 detector[J]. IET Image Processing, 2021, 15(14): 3623-3637.

基金资助

国家自然科学基金项目(61763036)

内蒙古自治区自然科学基金项目(2021MS05005)

内蒙古自治区高等学校创新团队发展计划支持(NMGIRT2213)