基于YOLOv3算法的檢測機器人最優路徑規劃

摘"要：機器人檢測的最優路徑規劃是一個非常重要的研究課題，尤其是復雜場景下的路徑優化。介紹了一種基于YOLOv3的火電廠化水站巡檢機器人優化路徑規劃方法。將先進的YOLOv3算法應用于檢測目標的確定，通過繪制工作環境圖和檢測目標位置，該算法成功地找到了機器人的最佳檢測路線。該方法的優點是檢測速度快、準確率高、成本低，可以有效地提高巡邏機器人的自動化水平。

關鍵詞：路徑規劃；檢測機器人；算法；YOLOv3

YOLOv3"Based"Algorithm"Optimal"Path"Planning"for"Inspection"Robot

Chen"Jianhua"Wang"Meizhan"Zhang"Fei"Gui"Duan"Cheng"Kun

Shaanxi"Shangluo"Power"Generation"Co.，Ltd."ShaanxiShangluo"726000

Abstract：Optimal"path"planning"for"robot"inspection"is"a"very"important"research"topic，especially"the"path"optimization"in"complex"scenes.This"paper"introduced"an"optimal"path"planning"based"on"YOLOv3"for"inspection"robot"working"at"chemical"water"station"in"thermal"power"plant.The"advanced"YOLOv3"algorithm"was"applied"to"the"determination"of"the"inspection"target.By"mapping"the"working"environment"and"detecting"the"location"of"the"target，the"algorithm"was"succeeded"in"finding"the"optimal"inspection"route"of"the"Robot.The"advantages"of"this"approach"are"fast"detection"speed"and"high"accuracy"rate"with"low"cost，which"can"effectively"improve"the"automation"level"of"patrol"Robot.

Keywords：Route"planning；Inspection"Robot；Algorithm；YOLOv3

火力發電廠輸煤系統作為燃料供應的基礎保障，包含了皮帶輸送機、堆取料機、碎煤機、滾軸篩、電子皮帶秤、機械采樣裝置、除鐵器、犁煤器等多種燃煤輸送作業設備，棧橋內還集成了水噴淋系統、除塵系統、水清洗系統等配套設施，作業環境差，安全風險高，是設備運維的重點區域。

輸煤棧橋輸送線路長，運行設備種類多，棧橋內環境質量差，巡檢點多，在運行前、運行中都要定時、定點巡檢，導致人工巡檢作業勞動強度高、積極性差、安全性低。棧橋內現有工業電視監控范圍局限，棧橋內現場狀態監測要素少，難以實現輸煤棧橋全線路的狀態實時、量化監測與管理，存在環境起火難預測、設備運行故障難監測、惡劣環境下的人員安全難保障的問題。運用智能化（機器人）巡檢的新技術與新方法，能實現輸煤棧橋全線路、全方位、全自主的智能化巡檢管理，能實現無人化巡檢、可視化管理，提高輸煤系統運行的安全性，避免因人工巡檢不全面、不量化、人員素質依賴性強引起的各種安全事故與損失。

由于檢測工作的高要求，檢測機器人以其省時、高效的優點，取代了傳統的人工檢測而受到歡迎。在其應用過程中，有必要在完成檢測任務的前提下，對檢測路線進行優化規劃，以提高機器人的檢測效率，節省能源消耗。為此，需要了解工作地圖和地圖上巡邏目標的詳細信息。然而，由于機器人的巡檢路線長，且相關設備復雜、數量多，難以繪制機器人的工作環境圖和手動校準檢測目標的位置，不可避免地會出現誤差。

為了克服現有技術中的上述不足，本研究提供了一種基于YOLOv3的巡邏機器人最優路徑規劃方法，實現了巡邏機器人的自動路徑規劃。

圖1"輸煤棧橋巡檢機器人實時信息展現

1"路線規劃方法

本文討論了基于YOLOv3的路徑規劃，主要包括目標檢測方法的建模和訓練步驟，以及基于蟻群算法的機器人最優路徑規劃步驟。方法如下：

（1）采用光柵地圖表示方法，自動創建檢測工作環境的地圖，并由檢測機器人確定檢測目標的位置。光柵的單位尺寸是檢查機器人的占用面積［1］。

（2）輸入初始化的信息素矩陣T，確定起始點和終止點，確保每個位置的信息素必須相等。

（3）確定下一個可到達節點，根據節點的信息素濃度確定螞蟻到達節點的概率，并使用輪盤算法選擇下一步的起始點。

（4）更新行程的路徑和長度。

（5）重復步驟（3）和（4）幾次，直到螞蟻到達目標點或螞蟻穿過所有可用路徑。

（6）多次重復步驟（3）至（5），直到螞蟻的迭代計算完成。

（7）更新信息素矩陣T，未達到目標點的螞蟻不包括在計算范圍內。

（8）重復步驟（3）至（7），直到NTH代螞蟻的迭代結束。在循環中選擇最佳路徑，同時輸出最佳路徑曲線［2］。

圖2"基于YOLOv3的最優路徑規劃流程圖

下面結合附圖對基于YOLOv3的儀器檢測機器人的最優路徑規劃方法做進一步的說明：

本文的方法進一步定義為基于YOLOv3算法框架的目標檢測模型的建模和訓練步驟，如下所示：

（1）收集輸煤棧橋各種設備的所有儀表圖片樣本，并根據圖片中的信息制作標簽文件。

（2）將訓練數據和測試數據進行劃分，從原始樣本中隨機抽取80%的數據作為訓練數據集，剩余20%的數據作為驗證數據集。

（3）基于YOLOv3算法框架對目標檢測模型進行訓練，直到目標檢測模型的損失收斂到預設的收斂值。

（4）驗證模型是否與驗證數據集過度擬合。當驗證數據集的精度接近訓練數據集的準確性時，模型訓練就完成了。

（5）將訓練后的目標檢測模型嵌入檢測機器人的控制系統中。

此外，在步驟（1）中創建用于檢查的工作環境的地圖并確定檢查目標的位置的方法中，檢查機器人具有用于測量行走方向和距離的內置裝置以及紅外避障裝置。工作環境的映射和檢查目標的定位可以通過三次檢測來實現。算法實現過程如下：

第一步，初始化地圖數據，將數組中的所有數據設置為1，并認為它可以到達任何位置。

第二步，第一次檢測：機器人從初始巡邏位置開始檢測。假設初始位置位于地圖的左上角，機器人的右側始終保持為障礙物。由于環境封閉，機器人最終會回到起點，從而建立起工作環境的輪廓圖。

第三步，第二次檢測：對輪廓內的區域進行遍歷檢測。采用廣度優先遍歷方法確定輪廓內區域內所有網格的信息，得到機器人工作環境的完整地圖。穿越完成后，機器人返回起點。

第四步，第三次探測：在工作地圖已知后，開始啟動巡邏目標定位。啟動機器人的高清攝像頭和目標檢測模型，對機器人捕捉到的前方環境進行檢測。當捕捉到的內容中檢測到目標儀器圖像時，模型會為目標繪制目標框并顯示其儀器編號。機器人會跟蹤目標，直到屏幕中繪制的目標框面積達到總拍攝面積的50%或更多。此時，機器人位置被定位為與儀器相對應的檢查坐標。檢測結束，機器人返回到初始位置。

2"結果與分析

2.1"基于YOLOv3算法框架的目標檢測模型建模與訓練步驟

在本文中YOLOv3是一種基于回歸卷積神經網絡的目標識別模型，該模型采用53層3×3和1×1的卷積。之后，一些殘差網絡結構也被用于多尺度預測，具有檢測速度快、精度高的優點。它是目前最優秀的目標檢測算法之一，可用于巡邏目標的識別和檢測?；赮OLOv3算法框架的目標檢測模型的建模和訓練步驟如下：

（1）收集輸煤棧橋各種設備的所有儀表圖片樣本，并根據圖片中的信息制作標簽文件。標簽文件中的數據包含圖形的類別號、中心點的標準化坐標（XXY）以及目標框的標準化寬度和高度（w，h）。計算公式如等式（1）至（4）所示。

x=X1+X22W（1）

y=y1+y22H（2）

w=x2-x1W（3）

h=y2-y1H（4）

其中（x1，y1）是注釋框體的左下角的坐標；（x2，y2）是注釋框體的右上角的坐標；W是圖像的寬度；H是圖像的高度。

（2）將訓練數據和測試數據進行劃分，從原始樣本中隨機選擇80%的數據作為訓練數據集，其余20%的數據作為驗證數據集。

（3）更改YOLOv3模型的參數配置文件。打開“訓練”的參數設置，關閉“測試”的參數設定。將類別的數量修改為Classes，以及最后一個卷積層中過濾器的大小。修改規則，如等式（5）所示。

Filter=N×N×3×（4+1+classes）（5）

其中N是卷積核的數量，類是類的數量。

基于YOLOv3算法框架，對目標檢測模型進行訓練，直到損失收斂到預設的收斂值。

（4）訓練后，使用驗證數據集來驗證模型是否已擬合。當驗證數據集的準確率接近訓練數據集的正確率時，模型訓練就完成了。

（5）然后將訓練后的目標檢測模型嵌入檢測機器人的控制系統中［3］。

2.2"基于蟻群算法的機器人最優檢測路徑規劃步驟

基于蟻群算法的機器人最優檢測路徑規劃步驟如下：

采用光柵地圖表示方法，自動創建檢測工作環境的地圖，并由檢測機器人確定檢測目標的位置。光柵的單位尺寸是檢測機器人的占用面積［4］。

假設化水站內部空間為正方形，有二維陣列環境空間圖。使用二維陣列圖［］來表示環境空間圖，并將整個區域劃分為m×n個相同大小的網格。數組的大小設置為M和n，是通過查詢供水站的設計圖紙獲得的，數據由0和1組成，0表示機器人不能通過，1可以通過。

巡邏機器人內置測量行走方向和距離的裝置，以及紅外避障裝置。通過三次探測，可以繪制工作環境地圖，定位巡邏目標，算法實現過程如下：

（1）初始化地圖數據，將數組中的所有數據設置為1，并認為它可以到達任何位置。

（2）第一次檢測：機器人從初始檢測位置開始檢測。假設初始位置位于地圖的左上角，機器人的右側始終保持為障礙物。由于環境封閉，機器人最終會回到起點，從而建立起工作環境的輪廓圖。根據機器人環境感知模塊的輸入數據，判斷機器人的移動方向和距離。然后，將反饋數據寫入陣列映射［］中，輪廓外的位置被認為是不可通行的，地圖［］中相應的位置數據為0。

（3）第二次檢測：對輪廓內的區域進行遍歷檢測。采用廣度優先遍歷方法來確定輪廓區域內所有網格的信息。更新了map［］陣列數據，以獲得機器人工作環境的完整地圖。

（4）第三次探測：在工作地圖已知后，開始巡邏探測目標定位。定義了字典型數組ToBeDetected［］，數組中的鍵是所有儀器的預設編號，所有儀器都有一個唯一的編號，鍵對應的值是儀器的檢測狀態，初始值設置為1，表示所有儀器都是ToBeDetective。

同時，在完成工作環境映射和檢測目標定位后，對機器人的最優檢測路線規劃進行了評估。機器人檢測路徑規劃問題可以看作是經典的路徑優化問題（TSP），并采用蟻群算法求解機器人檢測路徑的優化規劃問題。

（1）啟動機器人的高清攝像頭和目標檢測模型，檢測機器人捕捉到的前方環境。當在捕獲的內容中檢測到目標儀器圖像時，模型將為目標繪制一個目標框，并顯示其儀器編號。機器人跟蹤目標，直到屏幕中繪制的目標框的面積達到總拍攝面積的50%或更多。此時，機器人位置被定位為與儀器相對應的檢查坐標，并且與儀器編號的鍵相對應的值被更新為0。重復上述過程，直到ToBeDetected［］中的所有值都為0，檢測結束并返回到原始位置。

在完成工作環境映射和檢測目標定位后，開始機器人的最優檢測路線規劃。機器人檢測路徑規劃問題被認為是經典的路徑優化問題，即旅行商問題。利用蟻群算法求解機器人最優檢測路徑規劃問題［5］。

（2）導入創建的檢測機器人的工作環境圖。在地圖中識別出檢查目標節點后，輸入初始化的信息素矩陣T，以確定起始點和終止點，并確保每個位置的信息素必須相等。信息素矩陣T如等式（6）所示：

T=0τ12

τ210…τ1n

τ2n

τn1τn2…τnn（6）

其中n是地圖中必須經過的位置數。

（3）確定下一個可達節點，根據節點的信息素濃度確定螞蟻到達節點的概率，并使用輪盤算法選擇下一步的起始點；計算公式如等式（7）和（8）所示：

pkij=τij（t）α·ηij（t）β∑s∈Jk（i）τij（t）（t）α·ηij（t）β

0，j∈Jk（i）（7）

ηij=1dij（8）

其中，τij（t）代表時間t時位置i和位置j之間的信息素濃度。ηij是與時間t時從位置i到位置j的路徑相關的啟發式因子，α是信息素的權重系數，β是啟發式因子權重系數。Jk（i）是螞蟻k在下一步中允許選擇的一組檢測目標，是從位置i到位置j的距離。

（4）更新行程的路徑和長度。

（5）重復步驟（3）和（4）幾次，直到螞蟻到達目標點或已經行進了所有可用的路線。

（6）多次重復步驟（3）至（5），直到螞蟻的迭代計算完成。

（7）更新信息素矩陣T，未到達目標點的螞蟻不包括在計算范圍內。更新的信息素矩陣的計算公式如方程（9）和（10）所示。

τij（t+1）=（1-ρ）×τij（t）+△τij（9）

△τij=QLk（t）

0螞蟻k經過i，j

螞蟻k不經過i，j（10）

式中的ρ為控制參數；Q是一個正態數；Lk（t）表示螞蟻k經過t時間后的路徑的總距離。

（8）重復步驟（3）至（7），直到螞蟻的NTH生成的迭代結束，在循環中選擇最佳路徑，同時輸出最佳路徑曲線。

3"結論

本文提出了一種基于YOLOv3的儀器檢測機器人最優路徑規劃方法。機器人的最優檢測路徑規劃具有保證機器人檢測目標識別準確性、提高機器人智能化水平等優點，有利于降低機器人長期檢測的能耗、電池充電次數、延長機器人電池的使用壽命和成本，顯示出巨大的應用價值。

參考文獻：

［1］Jan"GE，Chang"K"Y，Parberry"I.Optimal"Path"Planning"for"Mobile"Robot"Navigation［J］.IEEE/ASME"Transactions"on"Mechatronics，2008，13（4）：451460.

［2］LiX，Yu"D.Study"on"an"Optimal"Path"Planning"for"a"Robot"Based"on"an"Improved"ANT"Colony"Algorithm［J］.Automatic"Control"and"Computer"Sciences，2019，53（3）：236243.

［3］ZhangX，Liu"S，Xiang"Z.Optimal"Inspection"Path"planning"of"substation"Robot"in"the"complex"substation"environment［C］//2019"Chinese"Automation"Congress（CAC）.IEEE，2019.

［4］PanZ，Wang"D，Deng"H，et"al.A"Virtual"Spring"Method"for"the"MultiRobot"Path"Planning"and"Formation"Control［J］.International"Journal"of"Control，Automation"and"Systems，2019，17（5）：111.

［5］LuoX，Li"S，Liu"S，et"al.An"optimal"trajectory"planning"method"for"path"tracking"of"industrial"Robots［J］.Robotica，2019，37（3）：502520.

作者簡介：陳劍華（1971—"），男，漢族，上海人，學士，中級職稱，研究方向：火力發電廠智能運維。