基于聯動控制與AI視覺識別技術的地下管廊智能巡檢機器人研究

摘 "要：隨著智慧城市建設的推進，地下綜合管廊的運維需求不斷增加。傳統的人工巡檢不僅效率低下，還存在安全隱患。為此，該文提出一種集成聯動控制與人工智能視覺識別技術的智能巡檢機器人系統。該系統通過將YOLOv5算法與深度強化學習算法相結合，實現對火焰、煙霧、積水等目標的高效識別和自動巡檢路徑優化。聯動控制技術優化機器人在復雜環境中的運動和定位，使其能夠精準適應地下管廊的復雜條件；同時，YOLOv5的多層特征融合機制提升目標檢測的準確性和響應速度。實驗結果表明，YOLOv5在目標檢測中的準確率達到92.31%，展示該系統在提升巡檢效率和安全性方面的顯著優勢。

關鍵詞：聯動控制；AI視覺識別；YOLOv5；目標檢測；地下綜合管廊

中圖分類號：TU990.3 " " "文獻標志碼：A " " " " "文章編號：2095-2945（2025）10-0010-04

Abstract： With the advancement of smart city construction， the maintenance and operation demands of underground duct banks have become increasingly complex. Traditional manual inspection methods face issues of inefficiency and safety hazards， leading to the emergence of intelligent inspection robots. This study explores an intelligent inspection robot based on linkage control and AI visual recognition technology to enhance the automation level of underground duct bank maintenance. By combining linkage control technology with the multi-task convolutional neural network （CNN） algorithm YOLOv5， the research designs and implements an intelligent inspection system. YOLOv5 demonstrates excellent accuracy and response speed in real-time identification of targets such as flames， smoke， and water accumulation. Experimental results show that the accuracy rate of YOLOv5 in target detection reaches 92.31%， demonstrating the significant advantages of the system in improving inspection efficiency and security.

Keywords： linkage control; AI visual recognition; YOLOv5; target detection; underground duct bank

隨著智慧城市建設的不斷推進，地下管廊的運維需求愈加復雜且多樣化[1]。傳統的人工巡檢方式不僅存在人員安全隱患，還常常面臨工作效率低下的問題。在應對地下管廊中的復雜環境和突發情況時，傳統方法顯得力不從心。尤其是在面對惡劣的地下環境條件和緊急情況的響應過程中，人工巡檢難以保證高效和持續的作業。此外，對于設備狀態的實時監測，人工方式也無法滿足現代化運維的精確性和及時性要求。為此，智能巡檢機器人逐漸成為地下管廊運維的重要解決方案[2]。智能巡檢機器人不僅能夠在復雜環境中執行高頻次的巡檢任務，還能實時監測管廊狀態，并進行異常檢測和報告。這種新型技術的應用，不僅提高了巡檢效率，還大大提升了人員的安全性，減少了因人工操作引發的風險。

在智能巡檢機器人領域，基于聯動控制與AI視覺識別技術的研究顯得尤為重要。聯動控制技術可以通過智能算法和實時數據處理，實現對機器人的精確控制和協調運行。而AI視覺識別技術則通過深度學習和計算機視覺，能夠實時識別和分析管廊中的各種目標和異常情況[3]。這些技術的結合，旨在提高巡檢機器人的自動化水平、優化其運行效率，并增強其對突發事件的響應能力，從而全面提升地下管廊的安全管理和運維質量。

本文旨在開發一套基于聯動控制技術與人工智能視覺識別技術相結合的智能巡檢系統，以解決地下管廊運維中效率低下和安全風險等問題。通過聯動控制技術實現機器人多關節系統的協同運動，使其能夠靈活適應管廊內的復雜環境；同時，結合了多任務卷積神經網絡YOLOv5算法，對火焰、煙霧、積水等異常目標進行實時視覺識別與分析。在該系統中，聯動控制技術不僅優化了機器人的移動軌跡，還確保了在復雜環境下的平穩運行；AI視覺識別技術則增強了目標檢測的精度與響應速度。聯動控制技術為視覺識別系統提供了更穩定的運動平臺與實時反饋支持，而視覺識別技術則為聯動控制系統提供了精準的環境感知信息，從而形成了一種高效、可靠的智能巡檢系統。兩者的結合使得巡檢機器人在環境適應性和智能識別能力上得到了顯著提升。實驗結果表明，YOLOv5在復雜條件下的檢測準確率達到92.31%，大大提高了巡檢的自動化和智能化水平，為地下管廊的安全管理提供了強有力的支持。

1 "總體概述

1.1 "結構設計

巡檢機器人主要由移動載體、通信設備、環境監測傳感器和氣體檢測儀等組成，具備半自主或全自主控制模式。機器人通過軌道移動，并配備上下坡道防滑制動裝置，確保在復雜地形下的穩定行駛。多電機聯動控制技術用于優化機器人的運動和定位，使其能夠在動態環境中精確執行巡檢任務。環境監測傳感器用于探測周圍環境變化，傳感數據通過Wi-Fi協議實時反饋至終端系統。

1.2 "傳感器網絡布置

機器人集成了多種類型的傳感器，用于全面監測管廊的運行狀態。主要傳感器及其功能見表1。

2 "聯動控制

2.1 "多設備聯動

巡檢機器人與管廊中的防火門、滅火裝置、環境照明等設備實現聯動控制。依靠傳感器網絡提供的實時監測數據，以確保系統能夠在特定情況下自動觸發相關設備。具體的聯動流程基于傳感器收集的數據分析，系統在識別到潛在危險或異常狀況時，能夠迅速作出反應，啟動防火門、滅火裝置和環境照明等設備，確保管廊運行的安全性和持續性。

在實際應用中，防火門的啟動一般與溫度傳感器和煙霧檢測設備的監測結果直接相關。當溫度傳感器檢測到環境溫度超過設定的安全閾值（30 ℃）或煙霧傳感器檢測到煙霧濃度達到危險標準時，系統立即關閉相關區域的防火門，以防止火災或高溫區域內火勢蔓延。當氣體傳感器檢測到管廊內的可燃氣體或有毒氣體濃度超過標準限值時，系統會自動啟動滅火裝置。環境照明的聯動則主要用于低光或無光環境下的巡檢輔助。當巡檢機器人進入較為黑暗的區域或光線傳感器檢測到照度低于一定值時，環境照明設備會自動開啟，為巡檢提供必要的視覺輔助。圖1展現了一段時間內溫度和光照強度的變化趨勢，圖2則展現了對應的聯動設備的工作狀態。

2.2 "運動控制與定位

為了進一步提升巡檢機器人在復雜環境中的自主運動性能，采用了深度強化學習（DRL）算法，機器人通過與環境的持續交互，不斷學習并優化其運動策略[4]。該算法能夠根據周圍障礙物的移動、地形變化等動態信息實時調整機器人路徑規劃，從而確保巡檢作業的穩定性和精確性。具體數學模型如下。

在算法中定義機器人在環境中的每一時刻都有一個狀態st和一個動作at。狀態st可以包括機器人的位置、速度、周圍障礙物的狀態等，動作at則是機器人在此狀態下所選擇的控制指令，比如加速、減速或制動。

2.2.1 "動態規劃模型

用狀態方程表示機器人運動的狀態

st+1=f（st，at），

式中：f是機器人在當前狀態st下，根據動作at執行后的下一個狀態st+1的函數。在巡檢過程中的位移和速度方程采用經典力學公式進行表達

xt+1=xt+vt·？駐t，

vt+1=vt+at·？駐t，

式中：xt和vt分別是時間t時刻機器人的位置和速度，at是時間t時刻的加速度指令，？駐t是時間步長。

2.2.2 "獎勵反饋

在該算法中，機器人采用最大化長期獎勵來優化其運動策略。獎勵函數R的主要影響參數設置為路徑跟蹤誤差和能耗

Rt=-？琢·et-？茁·rt，

式中：et是在時間t時的定位誤差，rt是能耗，？琢和？茁是權重系數。誤差計算為實際位置xt與目標位置xt*的差值

et=|xt-xt*|。

2.2.3 "制動策略

在需要制動時，機器人采用以下控制策略來減速并停穩

at=，

式中：vtarget是期望的目標速度（通常為0），at是所需的加速度指令。制動距離db可以通過以下公式計算

db=，

式中：vt是制動開始時的速度，｜at｜是制動加速度的絕對值。

為驗證該算法的有效性，開展了機器人在不同速度下的運行速度測試與制動距離測試。具體而言，測試在預設的50 m導航軌跡上進行，機器人以不到1 m/s的速度自主行駛，并在需要時發出制動指令。通過實驗測定，機器人在1 m/s以內的速度下能夠在較短距離內準確制動，且定位誤差基本保持在±10 mm以內。圖3展現了一段時間內機器人的速度與位移變化曲線，圖4展現了該機器人的定位誤差曲線圖。

3 "視覺分析識別

3.1 "多任務卷積神經網絡算法YOLOv5

在本研究中，視覺分析與識別技術的核心是多任務卷積神經網絡（CNN）算法YOLOv5[5]。這一算法基于深度學習技術，致力于在復雜環境下實現高效且精準的圖像處理和目標識別。在具體應用中，YOLOv5主要用于以下幾類目標的識別：火焰、煙霧、積水、設備缺陷、異物入侵以及開關、指示燈和儀表儀器狀態等。算法通過訓練階段的深度學習模型，能夠自動提取圖像中的特征并進行分類，從而在實際巡檢過程中實現對環境變化的實時監測。特別是對于火焰和煙霧等緊急情況，YOLOv5能夠迅速識別并進行警報，保證巡檢機器人的安全性和響應能力。

YOLOv5采用了改進的卷積神經網絡架構，本文的改進主要在于通過多層特征融合機制，使算法能夠在不同尺度上進行目標檢測。此機制將不同層級的特征信息進行融合，顯著提升了對小目標及復雜場景的檢測能力。這種改進特別適用于地下管廊等復雜環境中的應用，有效增強了算法的適應性。具體而言，YOLOv5將圖像分割為多個網格，每個網格進行特征提取獲得每個網格的Ｆi，然后通過不同尺度的特征融合獲得融合后的特征信息Ｆfused。同時在每個小網格范圍內進行檢測，采用三權損失函數L來不斷優化檢測效果，直到置信區間達到閾值范圍。設置的損失函數表達為

式中：Ｌloc是位置損失（計算預測邊界框與真實邊界框之間的差距），Lcls是類別損失（計算預測類別與真實類別之間的差距），Lconf是置信度損失（計算預測置信度與實際目標存在與否的差距）。？琢、？茁、？酌是權重系數，用于平衡不同損失項的影響。

3.2 "算法識別效果

為了驗證YOLOv5算法在巡檢環境下的識別效果，本研究設計并執行了一系列實驗，評估其在不同環境條件下的目標識別性能。通過實驗結果，我們評估了YOLOv5在識別火焰、煙霧、積水和設備缺陷等目標時的準確率和響應速度。在實驗中，本文使用了多組火焰數據集，對YOLOv5模型進行了平均目標檢測的準確率、召回率、F1得分等指標的檢測。所得結果如下

準確率（Precision）為92.31%，

召回率（Recall）為88.89%，

F1得分（F1 Score）為0.91。

實驗結果顯示，YOLOv5在復雜環境下表現出色，能夠高效、準確地識別各類目標。在緊急情況下，如火焰和煙霧的識別中，YOLOv5展現出較高的準確率和快速的響應速度。具體而言，在測試數據集中，YOLOv5的準確率達到了92.31%，召回率為88.89%，F1得分為0.91。這些結果證明了YOLOv5在巡檢機器人中的應用能夠提供可靠的安全性和實時預警功能。

4 "結束語

本文提出的智能巡檢機器人系統，通過聯動控制技術與人工智能視覺識別技術的深度融合，針對地下管廊的復雜環境提出了有效的解決方案。聯動控制技術通過優化機器人運動和定位，確保其在動態環境中的穩定性和精確性；YOLOv5算法則通過多層特征融合機制提高了對小目標和復雜場景的識別能力。兩者的結合顯著提升了巡檢機器人的智能化水平和作業效率。實驗結果驗證了該系統在實際應用中的有效性，為地下管廊的自動化運維提供了堅實的技術支持。未來的研究將繼續探討如何進一步優化該系統，以應對更多復雜和多變的巡檢需求。

參考文獻：

[1] 張宇棟，呂淑然.從“城市安全”到“安全城市”[J].學習與實踐，2018（6）：74-82.

[2] 何濤，王傳禮，高博，等.廢棄礦井抽水蓄能電站基礎建設裝備關鍵問題及對策[J].科技導報，2021，39（13）：59-65.

[3] 吳剛，侯士通，張建，等.城市生命線工程安全多層次監測體系與預警技術研究[J].土木工程學報，2023，56（11）：1-15.

[4] 孫輝輝，胡春鶴，張軍國.移動機器人運動規劃中的深度強化學習方法[J].控制與決策，2021，36（6）：1281-1292.

[5] 盧嫚，朱世博.基于OpenCV和YOLOv5的車道線檢測與識別[J].國外電子測量技術，2024，43（6）：134-142.