增強現實(AR)技術在電力設備智能巡檢中的應用

作者/ 齊文平 姚京松 劉曉芳 吳軍 國家電網湖北省電力公司檢修公司(湖北 武漢 430077)

摘要：針對電力設備巡檢環境復雜、效率低、巡檢數據統計不完善等問題，本文提出了一種將AR智能眼鏡技術應用于電力設備巡檢的方法。該方法利用AR技術，將標準操作規范圖像或視頻與巡檢對象進行無縫貼合，使巡檢人員在復雜精密設備中迅速找到指定對象，以有效完成智能巡檢。

引言

　　電力設備巡檢工作是有效保證輸電、變電、配電線路及其設備安全的一項基礎工作。通過巡視檢查來掌握線路和電力設備運行狀況及周圍環境的變化，發現設備缺陷和危及線路及設備安全的隱患，提出具體的檢修內容，以便及時消除缺陷^[2]。

　　針對我國眾多電力相關企業在設備巡檢中勞動力耗費大、工作效率低、巡檢不到位、偽造巡檢數據、巡檢數據統計不完善，導致不能及時有效發現問題，使企業蒙受重大損失的問題^[3]，本文特別提出了一種利用AR智能眼鏡的智能巡檢方法，該方法根據AR 技術的特點，結合電力設備巡檢業務實際，將AR技術應用于電力設備智能巡檢中，提高設備巡檢質量，及時記錄和分析設備缺陷和隱患，以避免巡檢不到位或不及時等現象，實用效果比較理想。

1 AR智能眼鏡巡檢概述

　　本文涉及到的AR智能眼鏡巡檢的系統框架如圖1所示。

1.1 操作建模

　　根據設備巡檢管理的需要，進行兩種相關的模型建立，包括巡檢流程和判定模型，以及設備和儀表等計算機識別圖形模型。

　　巡檢流程和判定模型包括巡檢路線的設定、巡檢時間的設定、巡檢類型的設定、異常判斷的設定，以及巡檢人員信息的設定等。

　　設備和儀表等計算機圖形識別模型包括巡檢中用到的所有設備和儀器儀表，以及與設備和儀器儀表相關的所有的物理特性所覆蓋的圖形的模型。

　　巡檢流程和判定模型是巡檢的流程依據，指導巡檢人員按照操作規程進行巡檢，確保人生安全和設備的安全。設備和儀表等計算機圖形識別模型是便于AR智能眼鏡巡檢過程的計算機自動識別，包括設備對象的設備和物理參數的識別。

1.2 巡檢指令

　　巡檢指令是依據巡檢操作規程，通過管理系統向巡檢人員派發的巡檢操作令。

　　由數據服務器中的管理功能模塊箱發送包括巡檢流程和判定依據，以及所有的物理參數。

　　巡檢人員在巡檢過程中，通過智能眼鏡和AR技術識別需要巡檢的設備對象，這里所指的對象包括設備本身的屬性和設備所反應的各種與供電相關的電力物理參數，通過增強現實SDK和計算機視覺SDK，將包括文字、圖片或視頻的模型數據與AR眼鏡現場識別的電力設備巡檢對象進行無縫貼合。AR智能眼鏡識別到指定的對象，同時識別到與該設備相對應的各種物理參數，AR智能眼鏡將所采集的所有物理參數根據判定模型進行判定，確定巡檢設備的工況，按照超過規程分別進行處理，然后將所有的判定結論和采集的所有數據存儲在AR智能眼鏡中。

1.3 巡檢數據上傳

　　當巡檢任務按照操作規程完成后，AR智能眼鏡會自動將1.2中存儲的數據上傳至服務器。

1.4 數據分析系統

　　數據分析子系統將采集到的數據及結果進行檢查、過濾、分析和綜合，得到巡檢人員在某個模塊的表現與預期的差距或者巡檢業務中某個巡檢點存在的嚴重缺陷，最終實現“以人為中心”和“以設備為中心”融合的企業大數據采集、過濾、儲存、挖掘、推送，幫助企業做出更明智的決策。

2 AR智能眼鏡巡檢實現

　　本文介紹的基于AR智能眼鏡的智能巡檢方法在建模階段，將現有的巡檢資料，如文字、圖片、視頻、3D動畫，通過系統的轉換，變為標準的可視化巡檢流程數據，傳輸到AR智能眼鏡，利用增強現實技術，實時指引巡檢人員標準規范化地完成巡檢工作，整個實現過程包含若干關鍵技術。

2.1 特征信息提取與場景匹配

　　在1.1中介紹了增強現實智能巡檢的建模階段，除巡檢流程和判定模型這個與巡檢的任務和規程相關的建模外，還有一個關鍵的模型，即設備和儀表等計算機識別圖形模型。

　　對各個巡檢點所在場景，包括環境、設備、儀器儀表等進行計算機識別圖形建模，形成N個標準的訓練圖像(N表示操作建模的訓練圖像數量)。在巡檢過程中，巡檢人員根據AR智能眼鏡里的自動導航提示到達相應的位置，采集其所處位置的場景圖像，也就是待巡檢場景的圖像，將此場景的實際圖像與N個訓練圖像進行匹配，得到與當前查詢圖像場景吻合的訓練圖像。

　　場景匹配我們將其定義為一種參數估計的方法，這些參數定義了場景模型的位置和姿態。我們將場景模型定義為一個離散函數T_x,y，該函數在一個窗口內取值，也就是說點(x，y)∈w的坐標。假設圖像都收到加性高斯噪聲的干擾，該噪聲的平均值為零，其未知的標準差為δ，那么，放在坐標(i，j)處的模型中的一個點與位于(x,y)∈w處的相應像素匹配的概率是由正態分布給出的：

(1)

　　因為影響每個像素的噪聲獨立，模型位于坐標(x,y)的概率是該模型所覆蓋的每個像素的聯合概率，即：

(2)

　　其中，n為模型中的像素個數，這個函數稱為似然函數。在最大似然估計中，需要選擇參數，以使似然函數最大化。在實際算法設計中，場景匹配使用了存儲模型相對于采集圖像不同位置的匹配存儲空間。

2.2 區域定位

　　在建模的時候，根據現場的實際情況，事先在訓練圖像上對特定的設備和儀器儀表等需要識別的對象做區域定位。在對當前查詢圖像進行區域定位時，利用查詢圖像與匹配到的訓練圖像之間的透視變換關系，將訓練圖片上的區域定位框拉伸到查詢圖像視角下，以便確定查詢圖像上待識別目標所處區域。

2.3 目標識別與跟蹤

　　在2.2定位到的區域內，通過2.1的算法(已經作為0glass計算機視覺SDK面向社會開放)實現基于圖像的目標識別，從而識別出根據模型建立和操作規程要求的巡檢點。

　　識別出特定的巡檢點后，增強現實SDK會將事先建立好與之對應的可視化巡檢流程數據和判定模型數據傳輸給AR智能眼鏡，通過AR的SDK技術，實時指引巡檢人員實現標準規范化的巡檢工作，最終達到如圖2所示效果。

　　AR智能眼鏡在使用過程中，需要全方位地移動，在眼鏡中內置了頭部姿態傳感器，用以捕獲人的頭部運動姿態，從而實現物體的跟蹤，確保頭部運動不影響識別的對象和虛擬信息的融合。

3 結論

　　基于AR智能眼鏡以及AR技術結合電力企業實際需要，可以很好地改進目前電力設備巡檢狀況。本文提到的方法提高了巡檢的效率，確保了電力系統更加穩定運行，并且進一步推進了巡檢工作的標準化、管理的科學智能化，以及監督的自動化，具有推廣價值。

參考文獻：

　　[1]付躍安.移動增強現實(AR)技術在圖書館中應用前景分析.中國圖書館學報,2013,5:034-039.

　　[2]朱月香.電力設備缺陷管理模式的探討[J].浙江電力, 2000(2):48-49.

　　[3]劉重陽.基于物聯網的工業設備智能巡檢系統研發.[D].燕山大學,2015.

　　[4]G Kipper, J Rampolla.增強現實技術導論[M].鄭毅,譯.北京:國防工業出版社,2014,8.

　　[5]王涌天,陳靖,程德文.增強現實技術導論[M].北京:科學出版社,2015,6.

　　本文來源于《電子產品世界》2017年第5期第58頁，歡迎您寫論文時引用，并注明出處。