In der heutigen industriellen Produktionsumgebung sind Automatisierung und Intelligenz zu einem unvermeidlichen Trend geworden. Als wichtige Grundlage für die Energieerzeugung beeinflussen Effizienz und Sicherheit des Betriebs von Kraftwerken die Stabilität und Entwicklung der gesamten Gesellschaft. Wegen der Komplexität und potenziellen Gefahr von Kraftwerken haben manuelle Inspektionen viele Einschränkungen und Risiken. Die Nutzung von Robotern für Patrouilleninspektionen von Kraftwerken kann daher nicht nur die Effizienz verbessern, sondern auch verhindern, dass Personal potenziell gefährlichen Umgebungen ausgesetzt wird. Diese Forschung kombiniert das neuronale Netzwerk und den Schwarmalgorithmus in der Bildverarbeitungstechnologie, um die Hinderniserkennung und Hindernisvermeidung von Patrouillenrobotern zu erforschen.
Die Forschung verwendet ein verbessertes Faltungs-Rekurrentes Neuronales Netzwerk (CRNN), um Hindernisse für Patrouillenroboter zu erkennen. Der CRNN-Modelldatensatz zeigt Convolution-Schichten, Rekursive-Schichten und Transkriptionsschichten. Die Verwendung einer bidirektionalen Long Short-Term Memory (Bi-LSTM) in der Rekursionsschicht hilft bei der Analyse von Merkmalen und Vorhersagen in Sequenzergebnissen. Die Verwendung des Connectionist Temporal Classification (CTC)-Algorithmus verbessert die Genauigkeit der Modellerkennung, insbesondere bei variabler Hindernislänge.
Die Verwendung von Bi-LSTM in CRNN bietet Vorteile wie verbesserte Zeitmodellierung, verbesserte Pfadplanung, Robustheit gegenüber Variationen und reduzierte Rechenkomplexität. Insgesamt erhöht die Verwendung von Bi-LSTM die Genauigkeit und Robustheit der Hinderniserkennung und trägt zu sichereren und effizienteren Inspektionsoperationen bei. Der Einsatz von verschiedenen Convolutional-Filtern und Aktivierungsfunktionen in der Feature-Extraktionsschicht des CRNN-Modells verbessert die Repräsentation der Hinderniseigenschaften und ermöglicht eine präzisere Klassifizierung.
Zur Hindernisvermeidung von Patrouillenrobotern in Kraftwerken wird ein verbessertes Partikelschwarmoptimierung (PSO) mit dem künstlichen Potentialfeldverfahren (APFM) kombiniert. Das APFM betrachtet Ziele und Hindernisse in der Umgebung des Roboters als Objekte, die ein Potenzialfeld erzeugen, während der Roboter als sich bewegende Partikel in diesem Potenzialfeld betrachtet wird. Durch die Kombination von PSO und APFM können Robotermodule effektiver Hindernisse umgehen oder lokale Minima vermeiden. Die verbesserte Methode ermöglicht dem Roboter, Hindernisse effektiver zu umgehen, was die Inspektionsoperationen sicherer und effizienter macht.