CN112633097A - 一种基于人工智能的清洁机器人卡死风险评估方法及系统 - Google Patents
一种基于人工智能的清洁机器人卡死风险评估方法及系统 Download PDFInfo
- Publication number
- CN112633097A CN112633097A CN202011468397.9A CN202011468397A CN112633097A CN 112633097 A CN112633097 A CN 112633097A CN 202011468397 A CN202011468397 A CN 202011468397A CN 112633097 A CN112633097 A CN 112633097A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic cell
- aerial vehicle
- unmanned aerial
- cell panel
- cleaning robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000004140 cleaning Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012502 risk assessment Methods 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 230000001960 triggered effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 16
- 230000000903 blocking effect Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/46—Indirect determination of position data
- G01S17/48—Active triangulation systems, i.e. using the transmission and reflection of electromagnetic waves other than radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Electromagnetism (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Astronomy & Astrophysics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的清洁机器人卡死风险评估方法及系统。该方法包括:无人机通过关键点检测网络获取光伏电池板的中心点坐标,当光伏电池板的中心点位于无人机视野中心点时采集图像;无人机采集图像时触发红外测距传感器测量无人机到地面的距离,并获取无人机的高度;将无人机的高度输入纵坐标计算模型中得到光伏电池板的中心点在世界坐标系中的纵坐标计算相邻两个光伏电池板的中心点在世界坐标系中的纵坐标差值,根据纵坐标差值评估清洁机器人的卡死风险。该方法解决了相邻光伏电池板之间的上下落差导致清洁机器人卡死,且清洁机器人难以恢复进一步导致光伏电池板出现热斑及光电转换效率下降的问题。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的清洁机器人卡死风险评估方法及系统。
背景技术
光伏发电具有显著的能源、环保和经济效益,是最优质的绿色能源之一。保持光伏电池板表面清洁是确保光电转换效率的重要方法之一。目前对于光伏电池板的清洁,利用光伏清洗机器人进行智能化清洗已成为一个趋势。通过清洁机器人清洁光伏电池板解决了人力浪费、人工清洗速度慢以及效率低的问题。
太阳能电池板一般都是横向整齐排列,但是由于时间或者电池板自身重力等原因,光伏电池板会出现上移和下落现象,相邻光伏电池板之间就会产生上下差。光伏清洁机器人在清洁过程中,如果相邻光伏电池板之间存在上下差,将会导致轨道式清洁机器人难以前进,出现卡顿卡死等故障,并且机器人难以自行恢复,进一步会导致光伏电池板出现热斑及光电转换效率降低等问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的清洁机器人卡死风险评估方法及系统,所采用的技术方案如下:
第一方面,本发明实施例提供了一种基于人工智能的清洁机器人卡死风险评估方法,该方法包括以下步骤:
无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取所述光伏电池板的中心点坐标,当所述光伏电池板的中心点位于无人机视野中心点时采集图像;
所述无人机采集图像时触发红外测距传感器测量所述无人机到地面的距离,并获取所述无人机的高度;
将所述无人机的高度输入纵坐标计算模型中得到所述光伏电池板的中心点在世界坐标系中的纵坐标;所述无人机的高度与所述纵坐标呈正相关关系;
计算相邻两个光伏电池板的中心点在所述世界坐标系中的纵坐标差值,根据所述纵坐标差值评估所述清洁机器人的卡死风险。
进一步地,所述关键点检测网络采用编码器-解码器的网络结构,并采用均方差损失函数优化网络参数,具体训练过程如下:
对样本图像训练集中所述光伏电池板的四个角点坐标进行标注得到关键点散点图,将所述关键点散点图与高斯核卷积得到标签图像;
所述样本图像训练集为无人机采集的光伏电池板图像的集合;
将所述光伏电池板图像和对应的标签图像输入所述关键点检测网络中进行端到端的训练。
进一步地,所述红外测距传感器发射红外线的方向与所述无人机所在的水平面的夹角为预设测量角度。
进一步地,所述纵坐标计算模型的构建方法如下:
将所述光伏电池板的中心点坐标通过透视变换从图像坐标系转换到世界坐标系下;
建立无人机的高度与光伏电池板的中心点在世界坐标系下的纵坐标之间的关系。
进一步地,所述纵坐标差值与所述清洁机器人的卡死风险呈正相关关系。
第二方面,本发明实施例提供了一种基于人工智能的清洁机器人卡死风险评估系统,包括:
图像采集模块,用于无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取所述光伏电池板的中心点坐标,当所述光伏电池板的中心点位于无人机视野中心点时采集图像;
无人机高度获取模块,用于在所述无人机采集图像时触发红外测距传感器测量所述无人机到地面的距离,并获取所述无人机的高度;
中心点纵坐标获取模块,用于将所述无人机的高度输入纵坐标计算模型中得到所述光伏电池板的中心点在世界坐标系中的纵坐标;所述无人机的高度与所述纵坐标呈正相关关系;
卡死风险评估模块,用于计算相邻两个光伏电池板的中心点在所述世界坐标系中的纵坐标差值,根据所述纵坐标差值评估所述清洁机器人的卡死风险。
进一步地,所述图像采集模块包括关键点检测网络,所述关键点检测网络包括:
标注子单元,用于对样本图像训练集中所述光伏电池板的四个角点坐标进行标注得到关键点散点图,将所述关键点散点图与高斯核卷积得到标签图像;
所述样本图像训练集为无人机采集的光伏电池板图像的集合;
训练子单元,用于将所述光伏电池板图像和对应的标签图像输入所述关键点检测网络中进行端到端的训练。
进一步地,所述红外测距传感器发射红外线的方向与所述无人机所在的水平面的夹角为预设测量角度。
进一步地,所述中心点纵坐标获取模块包括纵坐标计算模型,所述纵坐标计算模型包括:
坐标系转换子单元,用于将所述光伏电池板的中心点坐标通过透视变换从图像坐标系转换到世界坐标系下;
关系建立子单元,用于建立无人机的高度与光伏电池板的中心点在世界坐标系下的纵坐标之间的关系。
进一步地,所述纵坐标差值与所述清洁机器人的卡死风险呈正相关关系。
本发明实施例至少具有如下有益效果:
1.本发明实施例通过无人机的高度直接得到光伏电池板的中心点在世界坐标系中的纵坐标,进而得到相邻光伏电池板之间的纵坐标差值,根据纵坐标差值评估清洁机器人的卡死风险,解决了相邻光伏电池板之间的上下落差导致清洁机器人卡死,且清洁机器人难以恢复进一步导致光伏电池板出现热斑及光电转换效率下降的问题。
2.本发明实施例通过无人机的高度不在高度阈值范围内判断光伏电池板有掉落的风险,提示管理人员及时对光伏电池板进行调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图;
图1为本发明一个实施例所提供的一种基于人工智能的清洁机器人卡死风险评估方法流程图;
图2为本发明一个实施例所提供的一种基于人工智能的清洁机器人卡死风险评估系统示意图;
图3为本发明一个实施例所提供的纵坐标计算模型对应的函数图像;
图4为本发明一个实施例所提供的基于人工智能的清洁机器人卡死风险评估系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的清洁机器人卡死风险评估方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的清洁机器人卡死风险评估方法及系统的具体方案。
请参阅图1和图2,图1示出了本发明一个实施例提供的一种基于人工智能的清洁机器人卡死风险评估方法流程图,图2示出了本发明一个实施例所提供的一种基于人工智能的清洁机器人卡死风险评估系统示意图,该方法包括如下步骤:
步骤S101:无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取光伏电池板的中心点坐标,当光伏电池板的中心点位于无人机视野中心点时采集图像。
步骤S102:无人机采集图像时触发红外测距传感器测量无人机到地面的距离,并获取无人机的高度。
步骤S103:将无人机的高度输入纵坐标计算模型中得到光伏电池板的中心点在世界坐标系中的纵坐标;无人机的高度与纵坐标呈正相关关系。
步骤S104:计算相邻两个光伏电池板的中心点在世界坐标系中的纵坐标差值,根据所述纵坐标差值评估清洁机器人的卡死风险。
优选的,本实施例的步骤S101的中的关键点检测网络采用编码器-解码器(encoder-decoder)的网络结构,并采用均方差损失函数优化网络参数。
上述关键点检测网络的训练过程如下:
对样本图像训练集中光伏电池板的四个角点坐标进行标注得到关键点散点图,将关键点散点图与高斯核卷积得到标签图像。
样本图像训练集为采集的光伏电池板图像的集合。
将光伏电池板图像和对应的标签图像输入关键点检测网络中进行端到端的训练。具体训练过程为:将光伏电池板图像输入编码器中进行特征提取得到特征图,解码器对特征图进行上采样,输出关键点热力图。
优选的,本实施例中步骤S102的具体步骤如下:
为了保证红外测距传感器发射的红外线在无人机飞行的过程中直射到地面,因此在本实施例中无人机携带的红外测距传感器发射红外线的方向与无人机所在的水平面的预设测量角度为30°,实施者可根据实际情况自行设定。
红外测距传感器测量的无人机到地面的距离为L,则无人机的高度h为:
优选的,本实施例步骤S103中的纵坐标计算模型的构建过程如下:
第一步,将光伏电池板中心点坐标通过透视变换从图像坐标系转换到世界坐标系下。
中心点透视变换的过程为:
其中,(x,y)为图像坐标系下光伏电池板的中心点坐标,(x′,y′,z′)为世界坐标系下光伏电池板的中心点坐标,w为缩放因子,取值为1,K为相机内标定矩阵,R为相机旋转矩阵,t为相机的平移矩阵。
第二步,根据无人机的高度和光伏电池板的中心点在世界坐标系下的纵坐标构建纵坐标计算模型。
纵坐标计算模型为:
其中,y′为光伏电池板的中心点在世界坐标系下的纵坐标,a,k为可调参数。
具体到本实施例中a=2,k=1,实施者可根据实际情况自行调节。
纵坐标计算模型对应的函数图像如图3所示,该坐标系以无人机的高度h为横坐标、以光伏电池板的中心点在世界坐标系下的纵坐标y′为纵坐标。H为光伏电池板没有出现上下移动时无人机采集图像的高度,Y为光伏电池板没有出现上下移动时光伏电池板的中心点在世界坐标系下的纵坐标,[ha,hb]为无人机的高度的阈值范围,[ya,yb]为光伏电池板的中心点在世界坐标系下的纵坐标的取值范围。
当h1<h<h2时,光伏电池板的中心点纵坐标的范围为y1<y<y2,表示光伏电池板上移或者下落现象不太明显;当h<h1或者h>h2时,光伏电池板的中心点纵坐标的范围为y<y1,y>y2,表示光伏电池板出现大幅度上移或者下落;当无人机的高度不在阈值范围内,说明光伏电池板中心点纵坐标过高或者过低,光伏电池板有掉落的风险,无人机不再进行相应的上移或者下落,并提示管理人员及时对光伏电池板进行调整,防止光伏电池板掉落。
优选的,本实施例步骤S104的具体步骤如下:
第一步,计算相邻两个光伏电池板的中心点在世界坐标系下的纵坐标差值Δy′。
第二步,将纵坐标差值Δy′输入卡死风险评估模型中得到清洁机器人卡死风险程度。
卡死风险评估模型为:
ε=logc(|Δy|+1)
其中,ε为清洁机器人卡死风险程度,c为可调参数。
具体到本实施例中c=5,实施者可根据实际情况自行调节。
第三步,设置卡死阈值τ,根据卡死风险程度评估清洁机器人的卡死风险。
当ε<τ时,清洁机器人的卡死风险较小,清洁机器人可根据自身的避障脱困模式正常工作,不会出现卡死现象;当ε>τ时,清洁机器人的卡死风险较高,需要管理人员控制清洁机器人返程,防止因相邻光伏电池板之间的上下差,造成清洁机器人的卡死卡顿等故障,进一步避免因清洁机器人长时间卡死造成的光伏电池板出现热斑及光电转换效率降低等问题。
综上所述,本发明实施例通过无人机的高度直接得到光伏电池板的中心点在世界坐标系中的纵坐标,进而得到相邻光伏电池板之间的纵坐标差值,根据纵坐标差值评估清洁机器人的卡死风险,解决了相邻光伏电池板之间的上下落差导致清洁机器人卡死,且清洁机器人难以恢复进一步导致光伏电池板出现热斑及光电转换效率下降的问题。
基于与上述方法相同的发明构思,本发明实施例中还提供一种基于人工智能的清洁机器人卡死风险评估系统。
请参阅图4,具体的,本发明实施例中提供了一种基于人工智能的清洁机器人卡死风险评估系统100,包括图像采集模块10、无人机高度获取模块20、中心点纵坐标获取模块30和卡死风险评估模块40。
具体的,图像采集模块10,用于无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取光伏电池板的中心点坐标,当光伏电池板的中心点位于无人机视野中心点时采集图像;
无人机高度获取模块20,用于在无人机采集图像时触发红外测距传感器测量无人机到地面的距离,并获取无人机的高度;
中心点纵坐标获取模块30,用于将无人机的高度输入纵坐标计算模型中得到光伏电池板的中心点在世界坐标系中的纵坐标;无人机的高度与纵坐标呈正相关关系;
卡死风险评估模块40,用于计算相邻两个光伏电池板的中心点在世界坐标系中的纵坐标差值,根据纵坐标差值评估清洁机器人的卡死风险。
进一步地,图像采集模块10包括关键点检测网络,关键点检测网络包括:
标注子单元,用于对样本图像训练集中光伏电池板的四个角点坐标进行标注得到关键点散点图,将关键点散点图与高斯核卷积得到标签图像;
样本图像训练集为无人机采集的光伏电池板图像的集合;
训练子单元,用于将光伏电池板图像和对应的标签图像输入关键点检测网络中进行端到端的训练。
进一步地,红外测距传感器发射红外线的方向与无人机所在的水平面的夹角为预设测量角度。
进一步地,中心点纵坐标获取模块30包括纵坐标计算模型,纵坐标计算模型包括:
坐标系转换子单元,用于将光伏电池板的中心点坐标通过透视变换从图像坐标系转换到世界坐标系下;
关系建立子单元,用于建立无人机的高度与光伏电池板的中心点在世界坐标系下的纵坐标之间的关系。
进一步地,纵坐标差值与清洁机器人的卡死风险呈正相关关系。
综上所述,本实施例通过图像采集模块10确定无人机采集图像的时刻;通过无人机高度获取模块20获取无人机采集图像的高度;中心点纵坐标获取模块30根据无人机的高度获取光伏电池板的中心点在世界坐标系下的纵坐标;卡死风险评估模块40根据相邻两个光伏电池板的中心点在世界坐标系中的纵坐标差值评估清洁机器人的卡死风险。该系统解决了相邻光伏电池板之间的上下落差导致清洁机器人卡死,且清洁机器人难以恢复进一步导致光伏电池板出现热斑及光电转换效率下降的问题。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的清洁机器人卡死风险评估方法,其特征在于,该方法包括以下步骤:
所述无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取所述光伏电池板的中心点坐标,当所述光伏电池板的中心点位于无人机视野中心点时采集图像;
所述无人机采集图像时触发红外测距传感器测量所述无人机到地面的距离,并获取所述无人机的高度;
将所述无人机的高度输入纵坐标计算模型中得到所述光伏电池板的中心点在世界坐标系中的纵坐标;所述无人机的高度与所述纵坐标呈正相关关系。
计算相邻两个光伏电池板的中心点在所述世界坐标系中的纵坐标差值,根据所述纵坐标差值评估所述清洁机器人的卡死风险。
2.根据权利要求1所述的一种基于人工智能的清洁机器人卡死风险评估方法,其特征在于,所述关键点检测网络采用编码器-解码器的网络结构,并采用均方差损失函数优化网络参数,具体训练过程如下:
对样本图像训练集中所述光伏电池板的四个角点坐标进行标注得到关键点散点图,将所述关键点散点图与高斯核卷积得到标签图像;
所述样本图像训练集为无人机采集的光伏电池板图像的集合;
将所述光伏电池板图像和对应的标签图像输入所述关键点检测网络中进行端到端的训练。
3.根据权利要求1所述的一种基于人工智能的清洁机器人卡死风险评估方法,其特征在于,所述红外测距传感器发射红外线的方向与所述无人机所在的水平面的夹角为预设测量角度。
4.根据权利要求1所述的一种基于人工智能的清洁机器人卡死风险评估方法,其特征在于,所述纵坐标计算模型的构建方法如下:
将所述光伏电池板的中心点坐标通过透视变换从图像坐标系转换到世界坐标系下;
建立无人机的高度与光伏电池板的中心点在世界坐标系下的纵坐标之间的关系。
5.根据权利要求1所述的一种基于人工智能的清洁机器人卡死风险评估方法,其特征在于,所述纵坐标差值与所述清洁机器人的卡死风险呈正相关关系。
6.一种基于人工智能的清洁机器人卡死风险评估系统,其特征在于,包括:
图像采集模块,用于无人机通过关键点检测网络实时检测光伏电池板的四个角点坐标,并获取所述光伏电池板的中心点坐标,当所述光伏电池板的中心点位于无人机视野中心点时采集图像;
无人机高度获取模块,用于在所述无人机采集图像时触发红外测距传感器测量所述无人机到地面的距离,并获取所述无人机的高度;
中心点纵坐标获取模块,用于将所述无人机的高度输入纵坐标计算模型中得到所述光伏电池板的中心点在世界坐标系中的纵坐标;所述无人机的高度与所述纵坐标呈正相关关系;
卡死风险评估模块,用于计算相邻两个光伏电池板的中心点在所述世界坐标系中的纵坐标差值,根据所述纵坐标差值评估所述清洁机器人的卡死风险。
7.根据权利要求6所述的一种基于人工智能的清洁机器人卡死风险评估系统,其特征在于,所述图像采集模块包括关键点检测网络,所述关键点检测网络包括:
标注子单元,用于对样本图像训练集中所述光伏电池板的四个角点坐标进行标注得到关键点散点图,将所述关键点散点图与高斯核卷积得到标签图像;
所述样本图像训练集为无人机采集的光伏电池板图像的集合;
训练子单元,用于将所述光伏电池板图像和对应的标签图像输入所述关键点检测网络中进行端到端的训练。
8.根据权利要求6所述的一种基于人工智能的清洁机器人卡死风险评估系统,其特征在于,所述红外测距传感器发射红外线的方向与所述无人机所在的水平面的夹角为预设测量角度。
9.根据权利要求6所述的一种基于人工智能的清洁机器人卡死风险评估系统,其特征在于,所述中心点纵坐标获取模块包括纵坐标计算模型,所述纵坐标计算模型包括:
坐标系转换子单元,用于将所述光伏电池板的中心点坐标通过透视变换从图像坐标系转换到世界坐标系下;
关系建立子单元,用于建立无人机的高度与光伏电池板的中心点在世界坐标系下的纵坐标之间的关系。
10.根据权利要求6所述的一种基于人工智能的清洁机器人卡死风险评估系统,其特征在于,所述纵坐标差值与所述清洁机器人的卡死风险呈正相关关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468397.9A CN112633097A (zh) | 2020-12-14 | 2020-12-14 | 一种基于人工智能的清洁机器人卡死风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011468397.9A CN112633097A (zh) | 2020-12-14 | 2020-12-14 | 一种基于人工智能的清洁机器人卡死风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633097A true CN112633097A (zh) | 2021-04-09 |
Family
ID=75312892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011468397.9A Withdrawn CN112633097A (zh) | 2020-12-14 | 2020-12-14 | 一种基于人工智能的清洁机器人卡死风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633097A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035282A (zh) * | 2022-08-12 | 2022-09-09 | 南通华豪巨电子科技有限公司 | 基于轨道相机高质量光伏电池板正射图像采集方法及系统 |
-
2020
- 2020-12-14 CN CN202011468397.9A patent/CN112633097A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035282A (zh) * | 2022-08-12 | 2022-09-09 | 南通华豪巨电子科技有限公司 | 基于轨道相机高质量光伏电池板正射图像采集方法及系统 |
CN115035282B (zh) * | 2022-08-12 | 2022-11-22 | 南通华豪巨电子科技有限公司 | 基于轨道相机高质量光伏电池板正射图像采集方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766274B (zh) | 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统 | |
CN103487058B (zh) | 一种提高aps星敏感器动态性能的方法 | |
CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
CN111255636A (zh) | 确定风力发电机组的塔架净空的方法和装置 | |
CN106774346B (zh) | 用于太阳能面板清扫机器人的定位装置及其定位方法 | |
US11715293B2 (en) | Methods for identifying charging device, mobile robots and systems for identifying charging device | |
CN103578088A (zh) | 一种星空图像处理方法 | |
CN111860404A (zh) | 一种光伏板热斑定位方法及系统 | |
CN109711348A (zh) | 基于长期驻空平台的实时违章建筑的智能监测方法及系统 | |
CN105718964B (zh) | 一种输电线防振锤的视觉检测方法 | |
CN105516684A (zh) | 电网输电线巡视方法 | |
CN107481237A (zh) | 一种基于多帧温度特性的红外阵列图像热斑检测方法 | |
CN101650571A (zh) | 一种对日逆光目标捕获跟踪装置及方法 | |
CN105610087A (zh) | 电网输电线巡视系统 | |
CN108871409A (zh) | 一种故障检测方法和系统 | |
CN109949308A (zh) | 一种抗星光干扰的空间相对导航目标快速提取方法 | |
CN112633097A (zh) | 一种基于人工智能的清洁机器人卡死风险评估方法及系统 | |
CN112801184A (zh) | 一种云跟踪方法、系统及装置 | |
CN112528979A (zh) | 变电站巡检机器人障碍物判别方法及系统 | |
CN114549440A (zh) | 接触网动态几何参数检测方法、装置及电子设备 | |
CN109254271A (zh) | 一种用于地面监视雷达系统的静止目标抑制方法 | |
CN108898139B (zh) | 一种下雨环境下的激光雷达数据抗干扰处理方法及其实验装置 | |
KR101500267B1 (ko) | 시공간 영상의 화소 강도의 시간적 변화 특성 분석 결과를 이용한 하천 수표면 검출 방법 | |
CN117237597A (zh) | 一种基于北斗卫星数据与ai图形融合的数据处理终端 | |
CN116734082A (zh) | 管道机器人及多传感器融合管道内径缺陷和淤泥检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210409 |
|
WW01 | Invention patent application withdrawn after publication |