一种基于YOLOv3的仪表巡检机器人最优路线规划方法

摘要

本发明公开了一种基于YOLOv3的仪表巡检机器人最优路线规划方法，具体如下：S1、创建巡检工作环境地图和确定巡检目标位置；S2、输入初始化的信息素矩阵，确定初始点和终止点；S3、确定下一步可以到达的节点，选择出下一步的初始点；S4、更新路径和路程长度；S5、反复多次进行步骤3和步骤4，直到蚂蚁到达目标点或者是蚂蚁已经走完所有可走的路；S6、反复多次进行步骤3至步骤5，直到蚂蚁迭代计算完成；S7、更新信息素矩阵T，没有到达目标点的蚂蚁不在计算范围内；S8、重复步骤3至步骤7，直到第n代蚂蚁迭代结束，输出最优路径曲线。本发明实施简单，成本低，精确度高，有效提高巡检机器人自动化水平，减少了人工在整个路径规划过程中的参与。

权利要求

1.一种基于YOLOv3的仪表巡检机器人最优路线规划方法，包括基于YOLOv3算法框架对目标检测模型的建模和训练步骤，其特征在于，还包括基于蚁群算法的机器人最优巡检路径规划步骤，具体如下：S1、采用栅格的地图表示方法，利用巡检机器人自动创建巡检工作环境地图和确定巡检目标位置，栅格的单位大小为巡检机器人的占地面积；

S2、输入初始化的信息素矩阵T，确定初始点和终止点，确使每一个位置的信息素一定要相等；

S3、确定下一步可以到达的节点，根据某节点信息素浓度确定蚂蚁到达某节点的概率情况，利用轮盘算法选择出下一步的初始点；

S4、更新路径和路程长度；

S5、反复多次进行步骤3和步骤4，直到蚂蚁到达目标点或者是蚂蚁已经走完所有可走的路；

S6、反复多次进行步骤3至步骤5，直到蚂蚁迭代计算完成；

S7、更新信息素矩阵T，没有到达目标点的蚂蚁不在计算范围内；

S8、重复步骤3至步骤7，直到第n代蚂蚁迭代结束，选择循环中的最优路径，同时输出最优路径曲线；

所述基于YOLOv3算法框架对目标检测模型的建模和训练步骤，具体如下：P1、采集火电厂化水站所有仪表图片样本，制作图片中信息对应的标签文件；

P2、划分训练数据和测试数据, 从原始样本中随机挑选80%数据作为训练数据集，其余

20%数据作为验证数据集；

P3、基于YOLOv3算法框架对目标检测模型进行训练，直到目标检测模型的损失收敛至预置收敛值；

P4、用验证数据集验证模型是否出现过拟合，当验证数据集的准确率与训练数据集的准确率相近时，模型训练完成；

P5、将训练完成的目标检测模型嵌入巡检机器人控制系统中；

步骤S1创建巡检工作环境地图和确定巡检目标位置的方法中，巡检机器人内置测行走方向和测行走距离的装置，并且有红外避障装置，通过三次探测实现工作环境地图的绘制和巡检目标的定位，算法实现过程：步骤1：初始化地图数据，将数组内数据全部置1，认为可以任意到达一个位置；

步骤2：一次探测：机器人从初始巡检位置开始探测，假设初始位置位于地图的左上角，始终保持机器人的右侧为障碍物，由于环境的封闭性，机器人最终会回到出发点，由此建立工作环境的轮廓图；

步骤3：二次探测：对轮廓内区域进行遍历探测，采用广度优先遍历法，确定轮廓内区域所有栅格的信息，获得完整的机器人工作环境地图，遍历结束后机器人回到出发点；

步骤4：三次探测：在已知工作地图后，开始进行巡检目标定位工作，启动机器人高清摄像头和目标检测模型，对机器人拍摄的前方环境内容进行检测，当检测到拍摄内容中出现目标仪表图像时，模型会给目标绘制目标框，并显示其仪表编号；机器人追踪该目标，直到画面中绘制的目标方框面积达到总拍摄面积的50%及以上，将此时机器人位置定位为该仪表对应的巡检坐标，结束探测，回到初始位置。

说明书

一种基于YOLOv3的仪表巡检机器人最优路线规划方法

技术领域

[0001] 本发明涉及一种机器人路径规划方法，更具体的涉及一种基于YOLOv3的火电厂化水站仪表巡检机器人最优路径规划方法，属于机器人领域。

背景技术

[0002] 火力发电厂化水站，是进行化水处理的地方，化水处理可以保证热力系统各部分具有良好的水汽品质，以防止热力设备的结垢、腐蚀和积盐，对保证发电厂的安全、经济运行具有十分重要的意义。化水站内包含大量仪表，用于监测化水处理过程中工质和设备的温度、压力、电流等重要参数，仪表的正常对化水处理过程正常运行具有重要意义，所以需要定时对化水站内仪表进行检查。在传统的人工巡检耗时耗力低效的背景下，电力巡检机器人应运而生。为了提高巡检机器人巡检效率，节省能耗，需要对巡检路线进行最优规划，保证巡检机器人在完成巡检任务的前提下行走的距离最短。进行巡检机器人巡检最优路线规划需要已知工作地图和巡检目标在地图中的位置，火电厂化水站占地面积较大，内部设备复杂且繁多，人工绘制机器人工作环境地图和标定巡检目标位置工作量太大，且可能存在误差。

发明内容

[0003] 发明目的：为了克服现有技术中存在的不足，本发明提供在现有智能化技术的基础上实现巡检机器人全自动式路径规划的基于YOLOv3的仪表巡检机器人最优路线规划方法。

[0004] 技术方案：为解决上述技术问题，本发明的一种基于YOLOv3的仪表巡检机器人最优路线规划方法，包括基于YOLOv3算法框架对目标检测模型的建模和训练步骤，还包括基于蚁群算法的机器人最优巡检路径规划步骤，具体如下：

[0005] S1、采用栅格的地图表示方法，利用巡检机器人自动创建巡检工作环境地图和确定巡检目标位置，栅格的单位大小为巡检机器人的占地面积；

[0006] S2、输入初始化的信息素矩阵T，确定初始点和终止点，确使每一个位置的信息素一定要相等；

[0007] S3、确定下一步可以到达的节点，根据某节点信息素浓度确定蚂蚁到达某节点的概率情况，利用轮盘算法选择出下一步的初始点；

[0008] S4、更新路径和路程长度；

[0009] S5、反复多次进行步骤3和步骤4，直到蚂蚁到达目标点或者是蚂蚁已经走完所有可走的路；

[0010] S6、反复多次进行步骤3至步骤5，直到蚂蚁迭代计算完成；

[0011] S7、更新信息素矩阵T，没有到达目标点的蚂蚁不在计算范围内；

[0012] S8、重复步骤3至步骤7，直到第n代蚂蚁迭代结束，选择循环中的最优路径，同时输出最优路径曲线。

[0013] 本发明技术方案的进一步限定为，所述基于YOLOv3算法框架对目标检测模型的建模和训练步骤，具体如下：

[0014] P1、采集火电厂化水站所有仪表图片样本，制作图片中信息对应的标签文件；

[0015] P2、划分训练数据和测试数据,从原始样本中随机挑选80％数据作为训练数据集，其余20％数据作为验证数据集。

[0016] P3、基于YOLOv3算法框架对目标检测模型进行训练，直到目标检测模型的损失收敛至预置收敛值；

[0017] P4、用验证数据集验证模型是否出现过拟合，当验证数据集的准确率与训练数据集的准确率相近时，模型训练完成；

[0018] P5、将训练完成的目标检测模型嵌入巡检机器人控制系统中。

[0019] 进一步地，步骤S1创建巡检工作环境地图和确定巡检目标位置的方法中，巡检机器人内置测行走方向和测行走距离的装置，并且有红外避障装置，通过三次探测实现工作环境地图的绘制和巡检目标的定位，算法实现过程：

[0020] 步骤1：初始化地图数据，将数组内数据全部置1，认为可以任意到达一个位置；

[0021] 步骤2：一次探测：机器人从初始巡检位置开始探测，假设初始位置位于地图的左上角，始终保持机器人的右侧为障碍物，由于环境的封闭性，机器人最终会回到出发点，由此建立工作环境的轮廓图；

[0022] 步骤3：二次探测：对轮廓内区域进行遍历探测，采用广度优先遍历法，确定轮廓内区域所有栅格的信息，获得完整的机器人工作环境地图，遍历结束后机器人回到出发点；

[0023] 步骤4：三次探测：在已知工作地图后，开始进行巡检目标定位工作，启动机器人高清摄像头和目标检测模型，对机器人拍摄的前方环境内容进行检测，当检测到拍摄内容中出现目标仪表图像时，模型会给目标绘制目标框，并显示其仪表编号；机器人追踪该目标，直到画面中绘制的目标方框面积达到总拍摄面积的50％及以上，将此时机器人位置定位为该仪表对应的巡检坐标，结束探测，回到初始位置。

[0024] 进一步地，步骤S2中，信息素矩阵T为

[0025] 式中，n为地图中必经的位置个数。

[0026] 进一步地，步骤S3中，利用轮盘算法选择出下一步的初始点，计算式为：

[0027] 其中，

[0028] ，式中，τij(t)为t时刻位置i与位置j之间的信息素浓度；ηij为t时刻与位置i到位置j路径相关联的启发式因子，α为信息素的权重系数；β为启发式因子权重系数；Jk(i)为蚂蚁k下一步允许选择的检测目标的集合，dij为位置i到位置j的距离。

[0029] 进一步地，步骤S7中，计算没有到达目标点的蚂蚁的方法为：

[0030] τij(t+1)＝(1-ρ)*τij(t)+Δτij，其中， 式中，ρ为控制参数；Q为一正常数；Lk(t)表示蚂蚁k经过第t个时刻后经过路径的总距离。

[0031] 有益效果：本发明的提供的一种基于YOLOv3的仪表巡检机器人最优路线规划方法，将先进的YOLOv3算法应用于巡检目标确定中，在保证机器人巡检目标识别准确性的同时提高机器人智能化水平，进行机器人最优巡检路径规划有利于降低机器人长期巡检的能耗，减少电池充电次数，延长机器人电池使用寿命，提高经济性。本发明实施简单，成本低，精确度高，有效提高巡检机器人自动化水平，减少了人工在整个路径规划过程中的参与。

附图说明

[0032] 图1为本发明提供的基于YOLOv3的仪表巡检机器人最优路线规划方法的流程图。

具体实施方式

[0033] 下面结合附图对本发明作更进一步的说明。

[0034] 本发明的一种基于YOLOv3的仪表巡检机器人最优路线规划方法，YOLOv3是一种基于回归的目标识别卷积神经网络模型，该模型使用了53个3*3和1*1的卷积层，在后面进行多尺度预测时也使用了一些残差网络的结构，具有检测速度快、正确率高的优点，是目前目标检测最优秀的算法之一，可用于识别和检测巡检目标。

[0035] 本实施例提供的基于YOLOv3的仪表巡检机器人最优路线规划方法，包括基于YOLOv3算法框架对目标检测模型的建模和训练步骤和基于蚁群算法的机器人最优巡检路径规划步骤。

[0036] 一、所述基于YOLOv3算法框架对目标检测模型的建模和训练步骤，具体如下：

[0037] P1、采集火电厂化水站所有仪表图片样本，制作图片中信息对应的标签文件。

[0038] 标签文件中数据包含该图的类别编号、归一化后的中心点坐标(x，y)(x，y)(x，y)，归一化后的目标框的宽度和高度(w，h)(w，h)(w，h)。计算式如式(1)至式(4)所示。

[0039]

[0040]

[0041]

[0042]

[0043] 式中，(x1，y1)(x1，y1)为一个标注的框体的左下角坐标，(x2，y2)(x2，y2)为一个标注的框体的右上角坐标，W为图像的宽度，H为图像的高度。

[0044] P2、划分训练数据和测试数据,从原始样本中随机挑选80％数据作为训练数据集，其余20％数据作为验证数据集。

[0045] P3、更改YOLOv3模型的参数配置文件。将training的参数设置打开，testing的参数设置关闭；修改类别数classes，修改最后一层卷积层的filters大小，修改规则如式(5)所示。

[0046] filters＝N*N*[3*(4+1+dasses)]  (5)

[0047] 式中，NNN为卷积核的数量，classes为类别数。

[0048] 基于YOLOv3算法框架对目标检测模型进行训练，直到目标检测模型的损失收敛至预置收敛值；

[0049] P4、训练结束后，用验证数据集验证模型是否出现过拟合，当验证数据集的准确率与训练数据集的准确率相近时，模型训练完成。

[0050] P5、将训练完成的目标检测模型嵌入巡检机器人控制系统中。

[0051] 二、所述基于蚁群算法的机器人最优巡检路径规划步骤，具体如下：

[0052] S1、采用栅格的地图表示方法，利用巡检机器人自动创建巡检工作环境地图和确定巡检目标位置，栅格的单位大小为巡检机器人的占地面积。

[0053] 假设化水站室内空间为方形，用一个二维数组map[]表示环境空间地图，将整个区域划分为m*n个大小相同的栅格，数组大小设为[m,n]，m、n通过查询化水站设计图纸得到，数组中数据由0和1组成，0表示机器人不可通过，1表示可以通过。

[0054] 巡检机器人内置测行走方向和测行走距离的装置，并且有红外避障装置，通过三次探测实现工作环境地图的绘制和巡检目标的定位，算法实现过程：

[0055] 步骤1：初始化地图数据，将数组内数据全部置1，认为可以任意到达一个位置；

[0056] 步骤2：一次探测：机器人从初始巡检位置开始探测，假设初始位置位于地图的左上角，始终保持机器人的右侧为障碍物，由于环境的封闭性，机器人最终会回到出发点，由此建立工作环境的轮廓图。根据机器人的环境感知模块的输入数据，判断机器人的移动方向和距离，然后将反馈数据写入数组map[]中，轮廓外部均认为是不可通过位置，map[]中对应位置数据为0。

[0057] 步骤3：二次探测：对轮廓内区域进行遍历探测，采用广度优先遍历法，确定轮廓内区域所有栅格的信息，更新map[]数组数据，获得完整的机器人工作环境地图，遍历结束后机器人回到出发点。

[0058] 步骤4：三次探测：在已知工作地图后，开始进行巡检目标定位工作，定义一个字典类型数组ToBeDetected[]，数组中的key为所有仪表预先设定的编号，所有仪表具有唯一编号，key所对应的value为该仪表的检测状态，初始值均设为1，表示所有仪表均待检测。

[0059] 启动机器人高清摄像头和目标检测模型，对机器人拍摄的前方环境内容进行检测，当检测到拍摄内容中出现目标仪表图像时，模型会给目标绘制目标框，并显示其仪表编号。机器人追踪该目标，直到画面中绘制的目标方框面积达到总拍摄面积的50％及以上，将此时机器人位置定位为该仪表对应的巡检坐标，同时将该仪表编号的key所对应的value更新为0。重复上述过程，直到ToBeDetected[]中所有value均为0，结束探测，回到初始位置。

[0060] 完成工作环境地图绘制和检测目标定位后，开始进行机器人最优巡检路线规划。将机器人巡检路线规划问题视为经典的路径优化问题——旅行商问题(TSP)，采用蚁群算法求解机器人最优巡检路线规划问题。

[0061] S2、导入创建好的巡检机器人的工作环境地图，在地图中标识巡检目标节点后，输入初始化的信息素矩阵T，确定初始点和终止点，确使每一个位置的信息素一定要相等。信息素矩阵T如式(7)所示：

[0062] 式中，n为地图中必经的位置个数。

[0063] S3、确定下一步可以到达的节点，根据某节点信息素浓度确定蚂蚁到达某节点的概率情况，利用轮盘算法选择出下一步的初始点；计算式如式(8)和式(9)所示。

[0064]

[0065] 式中，τij(t)为t时刻位置i与位置j之间的信息素浓度；ηij为t时刻与位置i到位置j路径相关联的启发式因子，α为信息素的权重系数；β为启发式因子权重系数；Jk(i)为蚂蚁k下一步允许选择的检测目标的集合，dij为位置i到位置j的距离。

[0066] S4、更新路径和路程长度。

[0067] S5、反复多次进行步骤3和步骤4，直到蚂蚁到达目标点或者是蚂蚁已经走完所有可走的路。

[0068] S6、反复多次进行步骤3至步骤5，直到蚂蚁迭代计算完成。

[0069] S7、更新信息素矩阵T，没有到达目标点的蚂蚁不在计算范围内，更新的信息素矩阵计算式如式(10)和式(11)所示。

[0070] τij(t+1)＝(1-ρ)*τij(t)+Δτij  (10)，

[0071] 式中，ρ为控制参数；Q为一正常数；Lk(t)表示蚂蚁k经过第t个时刻后经过路径的总距离。

[0072] S8、重复步骤3至步骤7，直到第n代蚂蚁迭代结束，选择循环中的最优路径，同时输出最优路径曲线。

[0073] 本发明的提供的一种基于YOLOv3的仪表巡检机器人最优路线规划方法，将先进的YOLOv3算法应用于巡检目标确定中，在保证机器人巡检目标识别准确性的同时提高机器人智能化水平，进行机器人最优巡检路径规划有利于降低机器人长期巡检的能耗，减少电池充电次数，延长机器人电池使用寿命，提高经济性。本发明实施简单，成本低，精确度高，有效提高巡检机器人自动化水平，减少了人工在整个路径规划过程中的参与。

[0074] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。