增强现实(AR)技术在电力设备智能巡检中的应用

作者/ 齐文平 姚京松 刘晓芳 吴军 国家电网湖北省电力公司检修公司(湖北 武汉 430077)

摘要：针对电力设备巡检环境复杂、效率低、巡检数据统计不完善等问题，本文提出了一种将AR智能眼镜技术应用于电力设备巡检的方法。该方法利用AR技术，将标准操作规范图像或视频与巡检对象进行无缝贴合，使巡检人员在复杂精密设备中迅速找到指定对象，以有效完成智能巡检。

引言

　　电力设备巡检工作是有效保证输电、变电、配电线路及其设备安全的一项基础工作。通过巡视检查来掌握线路和电力设备运行状况及周围环境的变化，发现设备缺陷和危及线路及设备安全的隐患，提出具体的检修内容，以便及时消除缺陷^[2]。

　　针对我国众多电力相关企业在设备巡检中劳动力耗费大、工作效率低、巡检不到位、伪造巡检数据、巡检数据统计不完善，导致不能及时有效发现问题，使企业蒙受重大损失的问题^[3]，本文特别提出了一种利用AR智能眼镜的智能巡检方法，该方法根据AR 技术的特点，结合电力设备巡检业务实际，将AR技术应用于电力设备智能巡检中，提高设备巡检质量，及时记录和分析设备缺陷和隐患，以避免巡检不到位或不及时等现象，实用效果比较理想。

1 AR智能眼镜巡检概述

　　本文涉及到的AR智能眼镜巡检的系统框架如图1所示。

1.1 操作建模

　　根据设备巡检管理的需要，进行两种相关的模型建立，包括巡检流程和判定模型，以及设备和仪表等计算机识别图形模型。

　　巡检流程和判定模型包括巡检路线的设定、巡检时间的设定、巡检类型的设定、异常判断的设定，以及巡检人员信息的设定等。

　　设备和仪表等计算机图形识别模型包括巡检中用到的所有设备和仪器仪表，以及与设备和仪器仪表相关的所有的物理特性所覆盖的图形的模型。

　　巡检流程和判定模型是巡检的流程依据，指导巡检人员按照操作规程进行巡检，确保人生安全和设备的安全。设备和仪表等计算机图形识别模型是便于AR智能眼镜巡检过程的计算机自动识别，包括设备对象的设备和物理参数的识别。

1.2 巡检指令

　　巡检指令是依据巡检操作规程，通过管理系统向巡检人员派发的巡检操作令。

　　由数据服务器中的管理功能模块箱发送包括巡检流程和判定依据，以及所有的物理参数。

　　巡检人员在巡检过程中，通过智能眼镜和AR技术识别需要巡检的设备对象，这里所指的对象包括设备本身的属性和设备所反应的各种与供电相关的电力物理参数，通过增强现实SDK和计算机视觉SDK，将包括文字、图片或视频的模型数据与AR眼镜现场识别的电力设备巡检对象进行无缝贴合。AR智能眼镜识别到指定的对象，同时识别到与该设备相对应的各种物理参数，AR智能眼镜将所采集的所有物理参数根据判定模型进行判定，确定巡检设备的工况，按照超过规程分别进行处理，然后将所有的判定结论和采集的所有数据存储在AR智能眼镜中。

1.3 巡检数据上传

　　当巡检任务按照操作规程完成后，AR智能眼镜会自动将1.2中存储的数据上传至服务器。

1.4 数据分析系统

　　数据分析子系统将采集到的数据及结果进行检查、过滤、分析和综合，得到巡检人员在某个模块的表现与预期的差距或者巡检业务中某个巡检点存在的严重缺陷，最终实现“以人为中心”和“以设备为中心”融合的企业大数据采集、过滤、储存、挖掘、推送，帮助企业做出更明智的决策。

2 AR智能眼镜巡检实现

　　本文介绍的基于AR智能眼镜的智能巡检方法在建模阶段，将现有的巡检资料，如文字、图片、视频、3D动画，通过系统的转换，变为标准的可视化巡检流程数据，传输到AR智能眼镜，利用增强现实技术，实时指引巡检人员标准规范化地完成巡检工作，整个实现过程包含若干关键技术。

2.1 特征信息提取与场景匹配

　　在1.1中介绍了增强现实智能巡检的建模阶段，除巡检流程和判定模型这个与巡检的任务和规程相关的建模外，还有一个关键的模型，即设备和仪表等计算机识别图形模型。

　　对各个巡检点所在场景，包括环境、设备、仪器仪表等进行计算机识别图形建模，形成N个标准的训练图像(N表示操作建模的训练图像数量)。在巡检过程中，巡检人员根据AR智能眼镜里的自动导航提示到达相应的位置，采集其所处位置的场景图像，也就是待巡检场景的图像，将此场景的实际图像与N个训练图像进行匹配，得到与当前查询图像场景吻合的训练图像。

　　场景匹配我们将其定义为一种参数估计的方法，这些参数定义了场景模型的位置和姿态。我们将场景模型定义为一个离散函数T_x,y，该函数在一个窗口内取值，也就是说点(x，y)∈w的坐标。假设图像都收到加性高斯噪声的干扰，该噪声的平均值为零，其未知的标准差为δ，那么，放在坐标(i，j)处的模型中的一个点与位于(x,y)∈w处的相应像素匹配的概率是由正态分布给出的：

(1)

　　因为影响每个像素的噪声独立，模型位于坐标(x,y)的概率是该模型所覆盖的每个像素的联合概率，即：

(2)

　　其中，n为模型中的像素个数，这个函数称为似然函数。在最大似然估计中，需要选择参数，以使似然函数最大化。在实际算法设计中，场景匹配使用了存储模型相对于采集图像不同位置的匹配存储空间。

2.2 区域定位

　　在建模的时候，根据现场的实际情况，事先在训练图像上对特定的设备和仪器仪表等需要识别的对象做区域定位。在对当前查询图像进行区域定位时，利用查询图像与匹配到的训练图像之间的透视变换关系，将训练图片上的区域定位框拉伸到查询图像视角下，以便确定查询图像上待识别目标所处区域。

2.3 目标识别与跟踪

　　在2.2定位到的区域内，通过2.1的算法(已经作为0glass计算机视觉SDK面向社会开放)实现基于图像的目标识别，从而识别出根据模型建立和操作规程要求的巡检点。

　　识别出特定的巡检点后，增强现实SDK会将事先建立好与之对应的可视化巡检流程数据和判定模型数据传输给AR智能眼镜，通过AR的SDK技术，实时指引巡检人员实现标准规范化的巡检工作，最终达到如图2所示效果。

　　AR智能眼镜在使用过程中，需要全方位地移动，在眼镜中内置了头部姿态传感器，用以捕获人的头部运动姿态，从而实现物体的跟踪，确保头部运动不影响识别的对象和虚拟信息的融合。

3 结论

　　基于AR智能眼镜以及AR技术结合电力企业实际需要，可以很好地改进目前电力设备巡检状况。本文提到的方法提高了巡检的效率，确保了电力系统更加稳定运行，并且进一步推进了巡检工作的标准化、管理的科学智能化，以及监督的自动化，具有推广价值。

参考文献：

　　[1]付跃安.移动增强现实(AR)技术在图书馆中应用前景分析.中国图书馆学报,2013,5:034-039.

　　[2]朱月香.电力设备缺陷管理模式的探讨[J].浙江电力, 2000(2):48-49.

　　[3]刘重阳.基于物联网的工业设备智能巡检系统研发.[D].燕山大学,2015.

　　[4]G Kipper, J Rampolla.增强现实技术导论[M].郑毅,译.北京:国防工业出版社,2014,8.

　　[5]王涌天,陈靖,程德文.增强现实技术导论[M].北京:科学出版社,2015,6.

　　本文来源于《电子产品世界》2017年第5期第58页，欢迎您写论文时引用，并注明出处。