方泽海 邹庆年 张振嵘 黎永昌
（广东电网有限责任公司广州供电局 广州 510620）
变电站是我国电力系统的重要组成部分，变电站作业安全对保障电力生产供应具有重要意义［1～3］。在变电站设备检修、抢修、更换、改造等日常现场作业中，存在部分设备人工搬运难，需要使用吊车等低高空作业设备进行辅助工作。在现场吊装作业过程中，因工作程序繁琐、环境复杂，以及观测主观性和观测死角，操作人员容易忽视身边的危险，存在极大的安全隐患［4～6］。此外，作业区域位于一个三维空间内，吊车吊臂、吊装货物与作业人员、周边设备均存在误触、误碰的危险。目前变电站吊车作业安全监测定位主要存在以下问题：1）日常作业安全防护主要是在作业前布置地面临时围栏，隔离安全保障性不高；
2）现场作业过程中吊车吊臂和吊装货物的移动位置监测通过专职监护人和操作司机来进行，对观测人员要求极高；
3）缺乏基于智能监控技术的综合安全防护措施，特别是缺乏涵盖安全距离的三维立体空间安全防护［7～8］。
在变电站吊车作业监测与定位分析系统中，往往只进行防碰撞监测和视频监控，或只进行人员定位分析，作为吊车操作手难以判断周围存在的风险。目前主流采用超声波、激光、GPS等手段，对吊体空间位置进行综合定位，但是吊体在立体空间的跟踪和实时监控能力不足，存在目标易丢失的问题。文献［9］设计了一种基于超声波传感器的防碰撞系统，但是单一的超声波测距监控往往只能进行初步的防碰撞分析。文献［10］在变电站检修作业3D 越界预警系统的研究中，综合利用视频智能分析中的运动目标检测与跟踪技术和激光测距仪扫描技术，有效地解决了检修作业区域内3D 越界的问题，但是系统没有实现实时定位追踪，难以确定下一时刻吊体会出现在何处，难以预测可能存在的风险。文献［11］提出了基于颜色直方图的粒子滤波动态目标跟踪方法，进行准确定位目标。文献［12］采用改进的DSST 跟踪算法，融合检测算法和图像缩放算法，通过APCE 置信度指标，在背景、尺度变化及遮挡等方面表现出较强的鲁棒性。但是这两种方法适用在单维度定位跟踪，尚未解决空间定位的难题。文献［13］采用了基于卡尔曼滤波器改进的CamShift 算法，结合FAST 角点检测算法构建了双目视觉目标跟踪算法，对运动目标进行跟踪。该方法缩小了角点检测的范围，有效解决了目标跟踪丢失问题。但是该方法需要建立稳定的背景模型，无法适用在吊车作业中吊臂末端吊体多自由度的场景。针对多自由度带来的系统不确定性，可以看作典型的非线性系统，多采用神经网络、粒子群等智能算法来解决。文献［14］采用双流卷积神经网络算法提取视频的特征序列，生成了质量较高的动作提名，有效提升了目前定位识别精度［15］。文献［16］提出基于分块奇异值分解的小波神经网络图像识别算法，在光照、背景、姿态、遮挡等综合因素影响下，能够取得较高的识别率，具有较好的鲁棒性和实用性。结合已有研究成果可以知道，改进的神经网络凭借良好的非线性特性，可广泛应用在目标识别和定位跟踪系统［17～25］。
针对变电站吊车作业目标定位跟踪的实际需求，以及当前最新研究成果，在分析吊车作业定位跟踪系统原理和模型的基础上，采用改进的小波神经网络算法控制双摄像机跟踪角度，满足目标的精确定位跟踪要求，进一步降低吊车作业风险。
为了考虑变电站吊车作业的安全性，在作业过程中，理论上当检测距离小于《国家电网公司安全工作规程》规定的安全距离时，进行告警提示。考虑当前变电站多使用吊车作业，且自动化和无人化操作水平还不高，吊体在空间位置精确判断，尤其是吊体空中摇摆时的位置判断，还停留在依靠工作经验阶段。在没有定量和直观的监控系统条件下，仅仅依靠吊车操作人员的视觉，在较小空间下难以准确把握，存在极大的判断误差。一方面，导致了吊车作业工作效率低；
另一方面，带来了较大的安全风险。在立体空间中，难以从一个视角精确判断出吊体在空间的具体位置，常见的吊车工作环境3D示意图如图1所示。
图1 吊车工作环境3D示意图
2.1 摄像机标定
针对单个摄像机视角单一、缓解盲区等问题，为提高对吊体位置的精确判断，采用两个摄像机对吊体进行目标定位。首先，将吊体目标点与其像素点进行空间的位置匹配，其次建立左右两个摄像机之间的相互关系，最后通过两个摄像机拍摄的画面进行整合优化，得到吊体在立体空间的位置，并进行数据预处理，为后续摄像机的精确控制提供基础支撑。结合摄像机针孔成像原理，建立数学模型如图2所示。
图2 摄像机成像原理图
为保证左右两个摄像机光轴前向平行，需要对右摄像机进行旋转与平移，对应旋转矩阵R与平移矩阵T的标定结果如下：
此外，为了求解物点在左右成像平面内投影坐标的对应关系，还需要标定出本征矩阵E和基础矩阵F，对应的标定结果如下：
利用标定求得的结果参数对左右摄像机进行校正，校正前后图像如图3、4 所示。经对比，可以发现经过标定校正后的摄像机畸变得到了消除，并且左右摄像机行像素得到了对齐，为后续左右摄像机对空间同一物点统一定位提供了支撑。
图3 校正前左右摄像机图像
图4 校正后左右摄像机图像
2.2 立体空间位置坐标
考虑到立体空间存在深度（距离）信息和方位信息，首先，经过标定-校正后的左右两个摄像机在立体空间坐标下进行位置匹配，匹配成功后得到一个吊体特征点的坐标，然后，经测算得到特征点的视差，最后结合视差求取特征点的深度位置，对应的左右两个摄像机吊体位置匹配模型如图5所示。
图5 双摄像机吊体位置匹配模型
根据物点P在左右成像平面的投影点pl、pr的对应关系，便可以得出深度z与视差d的几何关系，表达式为
式中，z是物点坐标；
b是基线距离；
xl、xr和yl、yr分别为左右成像平面内投影点横坐标和纵坐标。对于匹配成功后的特征点，可以反推得到在摄像机坐标系中的坐标，再对该点在摄像机坐标系中的坐标点进行重投影，最终得到该点在世界坐标系中的坐标。以左相机投影中心为原点，对应的投影关系表示如下：
3.1 经典小波神经网络
经典小波神经网络（Wavelet Neural Network，WNN）利用了小波变换的时频局部特性和聚焦特性，在工程实践中应用广泛［24］。典型的WNN 架构主要包括输入层，隐含层和输出层，如图6 所示。对应的激励函数选取和主要计算步骤如下所述。
图6 小波神经网络结构图
1）输入层：在本算法中，输入层有θ1和θ2两个变量。先将输入变量θ1和θ2归一化到［0，1］的区间内，再将其传送至隐含层。
2）隐含层：在本算法中，隐含层的激励函数的选取主要依据经验选取，公式如下：
式中，a是小波神经网络的伸缩因子，b是小波神经网络的平移因子。同时，母小波函数采用“Mexican hat”函数，其数学公式如下［23］：
上式中，‖θ‖ =θTθ。该隐含层的第j个神经元的激活函数可通过式（14）和（15）得到：
其中，m是该隐含层中神经元总数目。
3）输出层：小波神经网络的输出值定义如下：
上式中，wj,i代表了第j个隐含神经元和第i个输出层节点之间的连接权值。
3.2 变结构小波神经网络算法
由于摄像机控制具有实时动态、角度耦合等非线性特点，传统的神经网络训练针对不够强，难以实现快速跟踪定位。同时，考虑传统神经网络存在收敛速度慢等问题，通过实时调整小波神经网络网络拓扑结构，尽可能满足摄像机控制系统信息处理特点和要求，提高变结构小波神经网络（Variable Structure WNN，VSWNN）的控制特性。此处，采用输入层变量θ和隐含层参数a和b构建了Mahalanobis 距离，在保证神经网络的拟合性能的情况下尽量提高算法运算效率，其数学公式如下：
根据仿真结果，以式（8）的最小值Mmin作为原则来调整隐含层神经元个数，即当Mmin大于预设的非负阈值M0时，将会在隐含层中添加一个神经元。根据仿真结果，M0在本算法中预设定为0.475。
经过上述过程后，新的隐含层神经元参数可通过下式表示：
式中，θ0和分别是设定的常量。结合式（16）和（18），可知m(j+1)=m(j)+1 是隐含层神经元的总数目。考虑到隐含层神经元的无限制地增加将带来严重的计算效率问题，本文通过评估神经元重要性的指数，在有必要时对隐含层神经元的数量进行裁减。隐含层神经元的重要性指数公式如下：
3.3 参数自学习
粒子群优化（Particular Swarm Optimization，PSO）作为常用的自适应算法，在工程应用中表现出优越的性能［25］。该算法通过自适应调整粒子的学习率等参数，实现群体中粒子相互竞争合作，最终得到全局寻优参数，基本公式如下：式中，t是迭代周期数；
xi(t)和vi(t)分别是粒子在搜索空间中的位置和速度；
c1和c2分别为粒子的社会认知学习率和个体认知学习率；
r1和r2是随机数，均匀分布在［0，1］；
ϖ表示惯性权重；
L是粒子总数目；
粒子i可以记录自己在迭代过程中个体最优位置为hi，以及全体粒子群的最优位置为hg。
为了提高粒子群算法的搜索效率，本文提出了改进的权重系数，在不同的搜索阶段动态调整惯性权重，公式如下：
式中，ϖmax为权重系数最大值，ϖmin为最小值；
Iter是当前进化代数，Itermax是最大进化代数，设为200；
ζ是搜索步长变化系数，设为12。为了降低算法陷入局部最优的风险，本文提出自适应粒子群算法（Adaptive PSO，APSO）利用适应度函数来评估粒子群算法，调整权重系数与学习率，使系统全局优化，其计算步骤如下。
1）计算粒子i和其余粒子的欧氏距离：
2）适应度函数的定义如下：
式中，disg为全局优化粒子。利用适应度函数对粒子群算法进行评估，学习率取值区间为[0.6,2.7]。
如果c1+c2的值大于4，通过如下的规则进行自整定。
4.1 试验环境
结合吊车作业特点和吊体定位跟踪需求，首先需要对双目跟踪系统进行标定。然后，将两个摄像机分别放在不同位置同一时间拍摄同一场景，再通过计算机对两个摄像机拍摄的图像进行处理与分析，提取物点的图像特征，并进行立体坐标匹配。最后，根据立体坐标匹配的特征点反推得到空间的同一点分别再双摄像机图像上的位置，并通过对应点的视差和摄像机模型计算得到立体空间的物点坐标。
图7 双目定位跟踪系统信息处理流程
结合双目定位跟踪系统工作原理和信息处理流程，设计的仿真试验系统主要包括两个摄像机（配置：CS5260BDP，分辨率为768*576 像素，焦距为8mm，扫描面积为4.9mm*3.7mm）、4个直流无刷电 机（配 置：Robomasters 6623，DC 24V，Ke 为0.274Vs/rad，Kv 为35RPM/V，Kt 为0.268Nm/A，耐流值不小于8A）、1 台计算机（3.4GHz 主频CPU，4GB内存，Win7 系统，Open CV 和C++），其中每个摄像机的高低和方向分别用一个电机控制，以便能够准确、快速地跟踪物点位置。结合小波神经网络智能控制优势，利用改进的小波神经网络算法对摄像机角度进行控制。考虑左右两个摄像机的高低、方向角度由不同电机控制，且电机的机械特性不同，所以将该算法用在四个不同的电机控制中。以其中一个电机为例，自适应小波神经网络设计为两输入两输出系统，即输入为该摄像机的当前角度位置和最终角度位置，输出为物点的当前空间位置和预期空间位置之间提供的设定值。
4.2 收敛性分析
收敛性是小波神经网络算法自适应调节性能的重要指标。本文利用样本数据对PSO-WNN、PSO-VSWNN 和APSO-VSWNN 这三种算法分别进行了训练，并对比了各方法的收敛性，如图8 所示。设置目标与模型输出位置的RMSM 小于0.01时，系统进入收敛状态。从训练数据可以看出，APSO-VSWNN 算法较其他两种算法在收敛速度上优势明显，PSO-WNN 算法的训练能力相比而言较差。
图8 三种算法收敛性比较图
4.3 阶跃响应分析
阶跃响应作为小波神经网络算法快速性和稳定性的重要指标，分别将定值参考信号，以及增加外部扰动的参考信号作为控制系统的目标值，试验结果如图9 所示。从图中可以看出，将阶跃信号的目标值设置为8 时，基于APSO-VSWNN 的控制器进入稳定状态的时间较基于PSO-VSWNN 的控制器要早40ms。第180ms 引入一个8ms 的1.5Nm 的扰动，可见APSO-VSWNN 控制性能更好。在收敛分析试验基础上，验证了自适应粒子群算法的适用性，能够有效提高小波神经网络算法的抗干扰能力。
图9 两种算法阶跃响应比较图
4.4 定位跟踪分析
在初始参数和试验过程一致条件下，分别采用PSO-VSWNN 和APSO-VSWNN 算法进行定位和跟踪，试验结果如图10 和11 所示，图（a）为目标无遮挡情况下的定位跟踪情况，图（b）～（d）为目标被部分遮挡情况下的定位跟踪情况。从试验结果可知，在目标无遮挡时，两种算法均能够实现目标定位跟踪；
在目标被部分遮挡时，PSO-VSWNN 最终会丢失目标跟踪。但本文提出的APSO-VSWNN算法即使在目标被部分遮挡情况下依然能实时跟踪，表明该算法效率高、鲁棒性强。对应两种算法运行时间见表1。由于变电站吊车作业过程，目标移动速度较慢，本系统测试误差在实际应用允许的误差范围内，可满足实际应用要求。
表1 两种算法跟踪时间比较
图10 PSO-VSWNN算法的跟踪结果
图11 APSO-VSWNN算法的跟踪结果
针对变电站吊车作业带来的安全风险，本文设计了基于自适应粒子群小波神经网络算法的双摄像机定位跟踪系统，能够有效地支撑作业人员进行吊车作业安全实时监控与定位分析。通过收敛性、快速响应和定位跟踪仿真试验，结果表明，提出的APSO-VSWNN 算法能够满足吊车作业目标定位跟踪精度要求，并具有一定的抗干扰能力，满足变电站吊车作业现场的实际应用需求。
猜你喜欢 吊车摄像机粒子 用迷你摄像机代替眼球奇闻怪事(2018年9期)2018-09-28虚拟校园漫游中粒子特效的技术实现电子技术与软件工程(2018年12期)2018-02-25一种用于抗体快速分离的嗜硫纳米粒子的制备及表征分析化学(2018年12期)2018-01-22骄傲的大吊车学苑创造·A版(2016年9期)2016-10-10惯性权重动态调整的混沌粒子群算法软件(2016年3期)2016-05-16问：超对称是什么？飞碟探索(2015年8期)2015-10-15吊车梁形式与设计中小企业管理与科技·上旬刊(2009年7期)2009-09-19高清新阵营数码(2009年3期)2009-03-16看透佳能心ＦＳ１１摄像机构造揭秘数码影像时代(2009年1期)2009-02-12