上电首期科创营第3组
——智慧台区边缘异物巡检系统：让每一公里边缘线路都被看见
在上海电力大学创新训练营中，我们项目团队围绕配电台区边缘巡检的需求，完成了智慧台区边缘异物巡检系统项目。
团队将 OpenMV 机器视觉摄像头、二维 PWM 云台和 YOLO11 视觉识别模型结合起来，打通摄像头采集、模型识别、串口指令、云台转动和结果留存的流程，实现云台自动锁定画面中的异物并完成边缘本地识别。项目以可演示、可复盘的整机闭环，验证了边缘 AI 视觉辅助配电台区异物巡检的可行性，也为后续扩充缺陷识别类目和复杂场景应用积累了工程经验。
训练营期间，团队没有让识别模型停留在电脑屏幕上，而是把它接到真实的云台和摄像头上反复验证。从一张图片上的异物识别，到云台转动、锁定目标、自动追踪和结果保存，每一次功能接通都伴随着新的问题，也推动项目一步步形成可展示、可复盘的巡检闭环。
图1 智慧台区边缘异物巡检系统产品外观
从行业需求出发让台区巡检更安全更智能
电力设备巡检关系到配网系统安全稳定运行。台区是电力系统离用户最近的一段，台区里的绝缘子、导线等设备一旦挂上异物或出现缺陷，轻则爆裂，重则引发断电事故。中国电力科学研究院的统计显示，配网设备本体缺陷类故障占比不小，其中绝缘子相关约占 30%。传统巡检高度依赖人工，山区的输电走廊、偏远地区的抢修现场，人上去慢、也有风险，遇到应急救援更难及时到场。
国家层面持续推动配网智能化建设。十五五能源强国战略和30·60双碳目标都强调能源电力领域的数字化、智能化升级，配电网作为电力系统的末端，正是智能化改造的重点方向。团队据此将项目目标确定为：让边缘设备替代人员完成部分重复性巡检任务，并把图像采集、识别结果和现场反馈汇集到同一套流程中。
图2 项目调研引用的配网智能化战略与行业痛点资料
项目采用 OpenMV 摄像头作为视觉前端，用二维 PWM 云台承载摄像头的转向，在设备本地调用 YOLO11 模型完成异物识别。识别结果在边缘端直接产出，不依赖云端计算；云台根据画面反馈调整视角，让摄像头始终对准目标区域。整套系统无需到场探测、无需上传云端、无需冗余程序，适配台区数量大、分布散、环境复杂的现实条件。
从单张识别走向云台联动
项目早期，团队首先验证模型能否在图片中识别绝缘子和异物。模型使用不同类别标签区分绝缘子与破损区域。随着测试深入，团队发现仅按最高置信度直接播报容易出现误判：背景物体可能被误识别，同一画面中也可能同时出现绝缘子与异物标签。于是，判断逻辑逐步加入目标存在条件、类别优先、延时检测和阶段状态约束，把模型结果转化为可以支撑展示的判断。
图3 绝缘子与异物区域的检测结果
最终展示程序形成完整流程：摄像头采集画面后，模型在边缘端完成推理，识别出目标后，程序通过串口向云台发送舵机指令，让云台转动锁定目标。这套流程把拍照、推理、规则判断和云台控制连接起来，使模型不再孤立运行，而是成为巡检任务中的一个决策环节。
让云台稳稳转起来
让模型看得见之后，团队面对的下一个问题是：怎样让云台准确转到该看的地方？云台由 PWM 舵机驱动，舵机依靠脉冲宽度控制转角，而不是靠电压高低。团队通过串口指令 #000P1500T1000! 这类文本格式控制舵机——编号、目标位置和转动时间都写进指令里。转动快了会抖，慢了又跟不上目标，团队于是反复调整转动速度和过渡时间，把云台从一格一格跳调成速度连续控制，转动明显更平滑。
图4 OpenMV 摄像头与 PWM 舵机
在串口调试和现场问题中不断迭代
项目不是一次写完的程序，而是在持续发现问题、定位原因和修改方案的过程中逐步成形。进入工程实现后，问题变得更加具体：串口发指令板子不回、回的是乱码、舵机供电不足不动、两条线（DC 供电与 USB 通信）插了哪条没插哪条、烧录后板子没反应。团队逐项核对供电、波特率、串口占用和固件状态，把原本停留在电脑端的控制逻辑一步步迁移到真实的 STM32 板卡上。
图5 openCF1 云台控制链路
这些看似琐碎的故障构成了项目成长的主线。每一次串口无回显、指令乱码和舵机不动，都促使团队建立更清晰的排查顺序。团队学会了用$DRS! 这条探针指令先判断板子是固件没跑还是波特率不对，再把问题一层层拆开定位。工程效果由算法、硬件、固件、串口和现场供电共同决定，这一认识比任何单项技术都来得重要。
用真实画面重新训练模型
现场使用的摄像头画面会受到距离、角度和光照影响。团队发现，主要依赖网络高清图片训练的模型，在模糊摄像头画面上容易把正常绝缘子判断为异物，也可能漏检真实缺陷。为缩小训练数据与展示场景之间的差异，团队从板端摄像头采集图片，用 Anylabeling 完成标注，并 3D 打印绝缘子模型补充样本，重新划分训练集与验证集，在本地完成模型训练。
图6 模型训练过程中的损失和精度变化
经过训练，模型在本地测试中置信度达到约 0.89。训练曲线帮助团队观察损失下降和检测指标变化，但模型训练完成并不意味着可直接部署到边缘端，还需要经过与运行环境匹配的编译和部署流程。针对展示稳定性，团队同时保留规则层面的保护：只有检测到有效目标后才进入判断，并利用阶段状态控制播报与云台动作，使系统在有限数据和低清晰度画面条件下仍能完成演示任务。
一次联调怎样跑通完整巡检
把云台和视觉程序接到一起时，团队很快发现，模型识别到了和云台转到位了并不总在同一时刻发生。训练营现场，成员们围在设备旁：有人盯着摄像头画面，有人查看串口回显，有人核对检测框和云台转角。起初，云台已经转过了，程序可能还在等待；有时画面刚稳定，指令却没有按预期送达。大家便一轮轮调整转动时序和检测等待时间，为每个点位留出稳定的拍摄窗口。
图7 团队围绕云台与摄像头开展板端与控制联调
经过多轮联调，一次完整巡检终于顺利跑通：摄像头采集画面，模型识别出目标，云台按指令转动锁定，自动追踪功能让云台跟随目标持续调整视角。团队还实现了串口自动识别，摄像头和云台板即插即用，不再需要手动指定串口号。这段流程串起了采集、推理、指令和转动，也让团队第一次能够沿着一次任务的全过程检查每个环节是否准确衔接。
阶段成果与团队收获
目前，项目已经形成一套可提交、可继续迭代的阶段成果。软件方面，团队完成了云台控制、摄像头采集、串口自动识别和色块自动追踪程序；算法方面，整理了绝缘子数据集、标注、训练结果和模型文件；工程资料方面，保留了烧录固件、调试记录、检测结果图、项目汇报 PPT 和说明文档。这些材料共同记录了项目从需求提出、方案形成到整机演示的全过程。
图8 团队在科创营现场开展方案讨论与任务分工
回望项目推进过程，团队最大的收获，是认识到有价值的创新既需要新的技术想法，也需要把想法放到真实环境中反复验证。最初大家更关注模型能否识别一张图片，后来逐渐意识到，摄像头分辨率、云台供电、串口波特率、固件烧录和现场流程都会影响最终结果。正是在一次次排查和修正中，项目才从单一算法演示发展为完整的边缘巡检系统。
科创营为团队提供了跨越算法、硬件、固件和展示表达的实践机会。成员在分工协作中学习模型训练、边缘部署、嵌入式开发与现场联调，也学会用需求分析和工程验证检验创意。一次次测试积累下来的数据、日志和协作经验，也成为团队继续完善系统的起点。
师者同行科创营中的悉心指导
从项目选题、需求分析到整机联调和成果汇报，孙玉芹院长和张执南、沈靖、王磊等老师始终关注团队的推进情况。
面对学生第一次把机器视觉、云台控制和边缘板卡组合到同一任务中的挑战，老师们既帮助团队把握项目方向，也在现场一次次陪伴调试。许多关键进展的背后，都凝聚着老师们耐心讨论、反复检查和及时鼓励的付出。
训练营期间，姜恩宇老师专门做了一场分享。姜恩宇老师结合行业研究与学生项目实践，围绕电力线路异物隐患在雾天、雪天、晴天等不同场景下的智能检测，以及绝缘子易受鸟粪污秽而引发线路故障的现实痛点，介绍了一种部署于边缘端的轻量化智能检测系统思路，系统讲解了数据获取、边缘设备选型、算法优化与本地AI识别等关键环节，阐释了边缘智能在摆脱网络依赖、提升巡检效率、实现高效实时响应与自主可控等方面的重要价值，并展示了基于巡电智SCM901板卡的电力边缘AI巡检系统等学生创新实践案例。
老师们的建议促使团队把注意力从模型能否识别一张图片扩展到系统如何形成闭环、成果如何清楚表达，也让项目展示更加完整、重点更加明确。
老师们的辛勤付出不仅帮助项目按计划完成，更让团队学习到一种严谨务实的工程态度。遇到问题时先观察现象、再分析原因、随后设计验证方法；形成成果后既要说明已经完成的功能，也要如实区分仍在规划中的方向。这些方法和习惯与最终作品同样珍贵，也将继续影响大家今后的专业学习和科创实践。
面向真实电力场景的下一步规划
目前形成的仍是面向训练营展示的阶段性原型。下一阶段，团队将首先围绕识别可靠性继续补充真实场景数据，覆盖不同光照、距离、角度和背景条件，并建立更规范的测试集与评价方法，让模型效果能够被持续比较和复核。
在缺陷识别方面，团队计划扩充缺陷识别类目与传感器类型，从单一异物识别拓展到更多配网设备的缺陷检测。在工程化方面，团队将继续优化摄像头和云台的安装，完善部署脚本、运行日志与故障恢复流程，并按巡检点位保存原图、带框结果图、置信度和判定记录。未来还可加入巡检轨迹和缺陷记录自动生成，使系统从可演示的原型逐步走向更稳定、可维护、可复核的工程样机。
感想体会
成员一姓名：陈涤非
参加本次创新训练营，让我第一次较为完整地经历了一个工程项目从需求分析到现场展示的全过程。项目开始时，我们只有让边缘设备替代人工完成台区异物巡检的初步想法。随着调研深入，我们逐步明确巡检对象、云台路线、检测点位和结果反馈方式，再把大目标拆成摄像头采集、模型识别、串口控制和云台转动等可以分别验证的任务。这个过程让我认识到，项目统筹不是简单分配工作，而是需要持续确认每个环节能否在同一套流程中衔接。
对时间紧、任务交叉和现场问题频发的情况，团队成员需要及时沟通进度，遇到技术困难时也要共同判断问题属于算法、硬件还是操作流程。一次次讨论和调整让我学会在复杂任务中抓住关键目标，并根据现场条件做出取舍。今后参与科创项目时，我会更加重视需求定义、阶段验证和资料沉淀，让团队协作建立在清晰的信息和可检查的成果之上。
成员二姓名：杨一
视觉识别部分给我最深的感受，是模型在电脑上能够识别，并不代表它到了真实设备上仍然稳定。网络图片通常清晰且主体突出，而摄像头拍到的画面会受到像素、距离、角度和光照影响。正常绝缘子被误判为异物、真实缺陷没有被持续检测到等问题，使我们不断检查标签、阈值和训练数据，并把现场摄像头拍摄的图片补充到数据集中，用 Anylabeling 重新标注，重新完成训练和验证。
调试过程中，我逐渐理解了数据质量、模型能力和判断规则之间的关系。单纯提高训练轮数不能自动解决场景差异，置信度也不能脱离目标位置和任务阶段单独使用。通过加入目标存在条件、阶段状态和播报控制，模型结果才真正转化为可以支撑展示的判断。今后我希望继续补充不同光照和距离下的数据，并通过更规范的测试评价模型，让识别结果更加稳定、可解释。
成员三姓名：李昊承
硬件调试让我认识到，嵌入式落地涉及远不止一段代码。我们需要确认舵机供电、串口连接、固件烧录和板卡状态，同时处理供电不稳、串口乱码、烧录后无反应等问题。曾经看似简单的一条舵机指令，背后其实包含供电、波特率、固件和硬件环境之间的配合。
次次查看串口回显、比对烧录结果和检查供电状态，使我逐渐形成了更有顺序的排查习惯：先确认供电和连接，再确认固件和波特率，然后检查指令和业务逻辑。这个过程虽然反复，却让我真正理解了烧录与运行的差别，也提升了我面对陌生硬件环境时独立定位问题的能力。未来我希望进一步完善部署脚本和运行日志，让设备配置、版本替换和故障恢复更加高效。
成员四姓名：凌晨
整机联调阶段让我体会到，巡检系统里的每个模块都会影响最终展示。摄像头采集的时序、云台转动的速度、程序启动等待时间和串口指令的送达必须相互匹配。我们一边观察摄像头画面，一边查看串口回显和检测图片，通过调整检测时序和流程状态，让云台能够先锁定目标，再完成识别和播报。
从最初只能分别运行各程序，到最终完成一次连续的巡检流程，我感受到团队协作和现场验证的重要性。工程中的成功不是某一个模块表现突出，而是所有环节在规定时间内可靠配合。科创营也让我学会在压力下保持耐心，记录问题、快速沟通并反复测试。下一阶段，我希望参与缺陷识别类目扩充和多传感器融合的实现，使系统在场景变化时也能稳定完成巡检。
奖状：
