一种应用于高铁机房的巡检方法及巡检机器人系统转让专利
申请号 : CN201810022438.8
文献号 : CN108189043B
文献日 : 2021-03-30
发明人 : 宗孝鹏
申请人 : 北京飞鸿云际科技有限公司
摘要 :
权利要求 :
1.一种应用于高铁机房的巡检方法,其特征在于包括如下步骤:(1)巡检机器人启动,开机状态自检及设备初始化;
(2)读取巡检任务文件,获取需检测的目标机柜号,从机柜位置数据库中导出与所述目标机柜号对应的目标机柜的位置信息;
(3)巡检机器人根据激光雷达采集的环境特征进行实时定位,进行全局路径规划与局部路径规划,依次到达目标机柜位置;当巡检机器人到达目标机柜位置时进行环境检测,并对目标机柜的状态进行检测;其中,进一步包括如下子步骤:(31)判断目标机柜是否走完,若结果为否,则执行步骤(32);若结果为是,执行步骤(34);(32)开始到达下一个目标机柜位置,通过激光雷达进行实时定位,判断巡检机器人是否成功到达,当成功到达时,采集声音数据和温湿度数据,并依次采集低位置、中位置及高位置的目标机柜状态数据,然后进入步骤(33);当没有成功到达时,记录失败的目标机柜号,然后进入步骤(33);(33)读取巡检机器人的电量值,判断是否需要充电;若是,则巡检机器人回到充电桩位置,进行自主充电;
若否,则返回步骤(31);(34)判断是否有失败的目标机柜位置,若结果为否,则直接进入步骤(4);若结果为是,执行步骤(35):重新组合失败的目标机柜位置,依次到达失败的目标机柜,当成功到达目标机柜时,采集声音数据和温湿度数据,并依次采集低位置、中位置及高位置的目标机柜状态数据,如果有未成功到达的目标机柜,则再次记录失败的目标机柜号,然后进入步骤(4);
(4)回到充电桩位置,进行自主充电,结束巡检。
2.如权利要求1所述的巡检方法,其特征在于:在步骤(3)中,加载高铁机房的地图,通过激光雷达感知的环境特征,提取激光雷达测量得到的激光数据中的局部特征信息,并利用SLAM技术将局部特征信息融合成一个统一的全局特征地图,进而实现对巡检机器人的实时定位,并更新到地图中;然后根据已获取的地图,导航模块根据自身当前位置、目的地位置及可通行性的分析,并结合巡检任务的需求,对全局路径和局部路径进行规划,选择快捷的路径进行巡检。
3.如权利要求1所述的巡检方法,其特征在于:在步骤(3)中,使用预先生成的包含深度学习神经网络模型的状态灯识别算法对机柜状态灯进行检测;并且,包含不同深度学习神经网络模型的状态灯识别算法分别与相应目标机柜号及高、中、低位置关联存储。
4.如权利要求3所述的巡检方法,其特征在于:在步骤(3)中所使用的深度学习神经网络模型的训练过程如下:S1:采集每个机柜的视频,按照机柜类别进行视频分类及编号;对采集的视频进行切片,分割成图片的格式;
S2:建立训练的数据集,将所有的机柜状态灯分为六大类:绿灯、红灯、黄灯、白灯、灭灯、灯组;
S3:根据对机柜状态灯的分类,对切片后的图片进行标注;
S4:将数据集分为两大类,分别是训练数据集和测试数据集;
S5:对于训练数据集,定义深度学习神经网络模型,设计合适的神经网络结构;并定义损失函数,用来描述神经网络的训练效果;
S6:将训练数据集数据传入深度学习神经网络模型,进行模型参数训练,得到深度学习神经网络模型的连接权值和偏置参数;判断损失函数是否收敛,若是,输出深度学习神经网络模型,否则,继续训练;
S7:将测试数据集传入训练后的深度学习神经网络模型,判断准确率是否大于设定阈值,若是,获得最终的深度学习神经网络模型,结束训练流程;否则,返回S6重新训练。
5.如权利要求1所述的巡检方法,其特征在于:在步骤(32)和(35)中,所采集的目标机柜状态数据包括状态灯检测数据;在对目标机柜的状态灯进行检测时,包括下述步骤:根据目标机柜号及摄像头位置选择与之对应的状态灯识别算法,不同的状态灯识别算法中包括不同的深度学习神经网络模型;状态灯识别算法分为两大类,分别对应于单灯识别算法和灯组识别算法;
对于单灯识别算法,首先进行分类,判断状态灯是绿灯、红灯、黄灯、白灯、灭灯中的哪一种;然后进行定位,得到每个灯的像素位置;统计同一个目标机柜中不同位置的不同种类的灯的数量;
对于灯组识别算法,首先判断灯组的像素位置,然后寻找灯组中每个灯的轮廓,根据轮廓信息统计灯组中灯的数量;
最后,统计得到单灯或者灯组的数量之后,与对应的阈值进行比较判断,输出检测结果并保存。
6.一种用于实现权利要求1至5中任意一项所述巡检方法的巡检机器人系统,其特征在于包括存储模块、导航模块、感知模块、控制模块、执行模块和通信模块;
其中,所述存储模块用于存储高铁机房地图及机柜位置数据库;
所述导航模块用于根据激光雷达感知的环境特征在地图中实现巡检机器人的实时定位,并用于对待检测的目标机柜进行全局路径规划与局部路径规划,生成路径规划信息;
所述感知模块用于采集环境参数及目标机柜状态数据;所述感知模块包括图像采集单元,所述图像采集单元用于采集目标机柜低位置、中位置及高位置的视频图像;所述感知模块还用于根据包括深度学习神经网络模型的图像识别算法对状态灯进行检测;
所述控制模块用于接收所述导航模块发送的路径规划信息和所述感知模块采集的环境参数及目标机柜状态数据,做出相对应的决策,并输出控制指令到所述执行模块;
所述执行模块包括底盘电机和升降电机;所述底盘电机用于驱动巡检机器人移动;所述升降电机用于驱动升降平台进行升降,使所述图像采集单元升降到不同高度;
所述通信模块用于发送巡检机器人的巡检结果,并接收巡检任务文件。
7.如权利要求6所述的巡检机器人系统,其特征在于:所述控制模块同时运行两个线程,分别进行巡检机器人导航控制及目标机柜状态检测。
8.如权利要求6所述的巡检机器人系统,其特征在于:所述感知模块还包括声音传感器和温湿度传感器。
9.如权利要求6所述的巡检机器人系统,其特征在于还包括用于给所述控制模块、所述感知模块、所述导航模块、所述执行模块和所述通信模块进行供电的电源模块。
说明书 :
一种应用于高铁机房的巡检方法及巡检机器人系统
技术领域
背景技术
力的浪费,人工巡视的及时性受到各种条件制约,人工巡视效果也会受巡检人员的业务能
力、工作经验、精神状态等诸多因素的制约,漏检、误检的情况时有发生,稍有不慎就会造成
重大经济损失,甚至影响铁路运输安全。并且目前大多铁路信号机房均采用传统的固定式、
离散式在线检测系统,不能实现对机房内情况完全覆盖,当发生紧急情况时,无法第一时间
采集现场情况并将现场情况传递到监控中心,从而无法在必要时对机房或机柜的特定部位
采取有效处理措施。
发明内容
测,并对机柜的状态进行检测。
合成一个统一的全局特征地图,进而实现对巡检机器人的实时定位,并更新到地图中;然后
根据已获取的地图,导航模块根据自身当前位置、目的地位置及可通行性的分析,并结合巡
检任务的需求,对全局路径和局部路径进行规划,选择快捷的路径进行巡检。
分别与相应机柜号及高中低位置关联存储。
经网络模型,否则,继续训练;
位置的机柜状态数据,然后进入步骤(33);当没有成功到达时,记录失败点机柜号,然后进
入步骤(33);
到达失败的目标点,当成功到达目标机柜时,采集声音数据和温湿度数据,并依次采集低位
置、中位置及高位置的机柜状态数据,如果有未成功到达的失败点,则再次记录失败点机柜
号,然后进入步骤(4)。
别算法和灯组识别算法;
的灯的数量;
用于根据包括深度学习神经网络模型的图像识别算法对状态灯进行检测;
发明同时提供了相应的巡检机器人系统,可以用于对高铁机房设备进行自动定时巡检,并
可在紧急情况发生时接受远程控制完成紧急巡检任务。
附图说明
具体实施方式
等各种数据,实现对机房往复不间断的巡检。该巡检方法,可以用于对高铁机房内所有机柜
的自动定时巡检,也可用于对高铁机房中某些机柜进行紧急巡检。
据库中导出待检测机柜的位置信息;(3)巡检机器人根据激光雷达感知的环境特征进行实
时定位,进行全局路径规划与局部路径规划,依次到达目标机柜位置;当巡检机器人到达目
标机柜位置时,采集环境参数,并对机柜状态进行检测;(4)回到充电桩位置,进行自主充
电,结束巡检。
备初始化,包括感知模块中的设备(例如工业相机、温湿度传感器和声音传感器)和执行模
块中的设备(例如底盘电机及升降电机等)的初始化。
位置信息,并存储有与每个机柜的低位置、中位置和高位置对应的识别算法。在从机柜位置
数据库中导出待检测机柜的位置信息时,可以同时导出与待检测机柜对应的识别算法,其
中,包含深度学习神经网络模型的状态灯识别算法。
机柜进行环境检测,并对机柜状态进行检测。上述过程循环进行,直至对所有目标机柜完成
一次巡检。在一次巡检的过程中,如果某些目标机柜未能成功到达,则记录机柜号,然后到
达下一目标机柜进行检测。
首先,导航模块加载预巡检的高铁机房的地图,通过激光雷达感知的环境特征,提取激光雷
达测量得到的激光数据中的局部特征信息,并利用SLAM技术(地图构建与定位算法)将局部
特征信息融合成一个统一的全局特征地图,进而实现对巡检机器人的实时定位,并更新到
地图中。然后根据已获取的地图,导航模块自主分析可通行性,并对可通行性进行量化;根
据自身当前位置、目的地位置及可通行性的分析,并结合巡检任务的需求,对路径进行规
划,选择快捷的路径进行巡检;控制模块生成巡检机器人前进的驱动指令,机器人开始巡
检。在巡检机器人沿规划路径巡检前进的过程中,激光雷达实时感知环境,导航模块通过与
地图的匹配,发现障碍物,激光雷达对障碍物轮廓信息进行描述,根据当前定位信息确定障
碍物在环境地图中的位置分布情况,将路径信息反馈给控制模块,控制模块控制巡检机器
人规避障碍。最后到达巡检目标机柜位置时,导航模块停止导航。
并根据深度学习模型及图像识别算法对机柜状态进行检测,具体包括对指针仪表、数字仪
表及状态灯的状态检测。
完成二次巡检。如果在二次巡检的过程中,仍有目标机柜未成功巡检,则通过保存并提交巡
检结果,留待人工巡检进行排查。
降平台依次上升到低位置、中位置及高位置,采集低位置、中位置及高位置的机柜状态数
据,进行机柜状态检测,然后进入步骤(33);当没有成功到达时,记录失败点机柜号,然后进
入步骤(33)。
若否,则返回步骤(31);
机柜状态数据,在此过程中,如果有未成功到达的失败点,则再次记录失败点机柜号。
报警信号;然后工业相机依次采集低位置、中位置和高位置的视频信息,感知模块根据机柜
号和工业相机的视频采集位置,选择对应的识别算法对机柜中的指针仪表、数字仪表及状
态灯进行识别。
对图像进行预处理,提取源图像中的亮度和颜色特征信息,分别设定亮度阈值和颜色阈值,
将源图像二值化得到数字区域图像;然后,通过模板匹配的方法和骨架特征匹配方法进行
数字识别处理。对于指针仪表。包括采集图像,对图像信息进行预处理得到二值化图像,提
取刻度轮廓,刻度圆拟合与展开,得到特殊点位置;通过快速Hough变换识别仪表的指针,获
得指针轮廓;最后根据起始和终止刻度角度,对指针角度刻度进行读取。
经网络模型的状态灯识别算法进行识别。机柜的状态灯识别区别于其它设备的识别,其特
点是体积小、密度大、状态多。由于深度学习(Deep learning)具有可实现自动提取特征的
功能,省去传统算法的手动提取图像特征的过程,因此在本发明所提供的巡检方法中,将深
度学习应用在机柜状态灯的识别中。
经网络模型的状态灯识别算法分别与相应机柜号及高中低位置关联存储于机柜位置数据
库中。通过将适用于每个机柜使用的状态灯识别算法与机柜号关联存储在存储模块的数据
库中,在对每个机柜的状态灯进行识别时,可以直接调用与之关联的状态灯识别算法对状
态灯进行识别判断。
图片的格式;S2:建立训练的数据集,将所有的机柜状态灯分为六大类:绿灯、红灯、黄灯、白
灯、灭灯、灯组;其中,在上述分类的过程中,主要根据机柜中状态灯的密度及明灭状态进行
标记。绿灯、红灯、黄灯、白灯和灭灯分别对应于单个不同颜色的灯的明灭状态,灯组适用于
对以单灯识别难度较大的多个密集排列的状态灯的状态进行判断,其中,采用计数的方式
对具有不同颜色的状态灯的个数进行计数。
个较好效果,输出深度学习神经网络模型,否则,继续训练;
重新训练。
柜号及摄像头位置关联存储于机柜位置数据库中;
的灯的数量;
到达目标点后,通过采集目标机柜的环境参数及机柜状态视频对不同目标点的机柜状态进
行自动巡检。并且,在上述巡检过程中,还可以根据机器人的电量状态进行自主充电,满足
了巡检机器人连续的巡检需求。
控制模块控制其他模块的运行。
据生成的,存储于机柜位置数据库中的状态灯识别算法也是根据提前的深度学习过程获得
的,在巡检过程中可以直接调用。
器人在机房中的位置;导航模块还用于进行全局路径规划与局部路径规划,生成路径规划
信息,并实时定位,到达目标点。
度传感器及声音传感器可以固定在支架上的固定位置;温湿度传感器及声音传感器用来检
测机房中的温湿度及声音,可判断是否有设备温度过高或者发出报警声。图像采集单元可
随支架进行升降到达低位置、中位置和高位置。图像采集单元可以使用工业相机,工业相机
用于采集低位置、中位置和高位置的视频图像。感知模块通过对视频图像进行数据处理,识
别数字仪表和指针仪表的读数,并使用深度学习神经模型识别机柜上的状态灯的状态,来
检测机柜是否存在异常。此外,感知模块还用于获取机器人本体状态参数,例如实时采集机
器人的电量、姿态、位移及方位角。
制器,同时运行两个线程,分别进行机器人导航控制及机柜状态检测,保证系统实时性。
及转弯功能,并可实现以不同的速度行驶;升降电机用于驱动设置在机器人支架上的升降
平台进行升降,使图像采集单元可以升降到不同高度,检测不同高度位置(低位置、中位置
和高位置)的机柜状态。
现巡检任务变更、巡检状态监察等功能。远程服务器还具有轨迹跟踪、作业督导和资料归档
的功能。
行数据存储,对设备的缺陷及故障进行智能分析。远程服务器可以进行巡检任务的下发,对
机器人的巡检过程进行轨迹监控、作业督导、资料归档等,实现巡检过程的闭环处理,节省
人力物力成本,起到更加及时有效的防灾减灾效果。
状态检测时,通过将深度学习获得的神经网络模型和图像处理技术相结合,实现了对指针
仪表、数字仪表、状态灯的识别。上述应用于高铁机房的巡检机器人系统,可以用于对高铁
机房设备进行自动定时巡检,并可在紧急情况发生时接收远程控制指令完成紧急巡检任
务。该巡检机器人系统可实现不间断连续巡检,具有性能好、集成度高、功耗低的优点,省去
轨道架设施工成本及人力巡检成本,具有很好的灵活性、方便性及经济性。
任何显而易见的改动,都将构成对本发明专利权的侵犯,将承担相应的法律责任。