CN114814877B - 一种基于巡检机器人的隧道数据采集方法、设备及介质 - Google Patents
一种基于巡检机器人的隧道数据采集方法、设备及介质 Download PDFInfo
- Publication number
- CN114814877B CN114814877B CN202210701518.2A CN202210701518A CN114814877B CN 114814877 B CN114814877 B CN 114814877B CN 202210701518 A CN202210701518 A CN 202210701518A CN 114814877 B CN114814877 B CN 114814877B
- Authority
- CN
- China
- Prior art keywords
- inspection
- inspection robot
- tunnel
- data
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 570
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000036541 health Effects 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本说明书实施例公开了一种基于巡检机器人的隧道数据采集方法、设备及介质,涉及非电变量的控制或调节技术领域。用于解决隧道内数据采集效率低的问题。方法包括:基于激光雷达,构建待采集隧道区域的点云地图;根据巡检任务类型,将巡检机器人划分为多个巡检机器人集合;根据各巡检任务类型对应的巡检任务,以及巡检机器人的位置坐标,确定最优巡检路径;控制巡检机器人根据最优巡检路径在待采集隧道区域内进行图像采集,获取初始隧道图像数据;对初始隧道图像数据基于预设方式处理,获得巡检机器人采集的第一隧道图像数据;获取采集第一隧道图像数据时的位置坐标,并将第一隧道图像数据与位置坐标相关联,获得巡检机器人采集的隧道数据。
Description
技术领域
本说明书涉及非电变量的控制或调节技术领域,尤其涉及一种基于巡检机器人的隧道数据采集方法、设备及介质。
背景技术
隧道是修建在地下或水下供车辆通行的建筑物(例如铁路隧道、公路隧道)。随着隧道工程逐渐成为交通运营的重要工程之一,对于提升隧道的养护能力以及增强隧道内车辆行驶的安全性的要求逐渐提高,并且面临着节约经济成本和功能实现等方面的挑战,因此基于隧道数据采集方法对隧道内环境进行监测,对于隧道养护以及安全管理起到了重要的作用。
现有的检测方法普遍基于人工观测或者人工借助专业检测设备对隧道内的数据进行采集,然而基于人工观测或者通过专业设备辅助采集数据的检测方式效率较低,且检测精度低,且隧道内具有影响隧道养护以及安全管理的多种类型的数据,现有检测方式对于多种类型的分析统计需要付出大量的计算资源。
因此,现需要一种可以自动高效采集隧道内数据的方法。
发明内容
本说明书一个或多个实施例提供了一种基于巡检机器人的隧道数据采集方法、设备及介质,用于解决如下技术问题:如何提供一种自动高效采集隧道内数据的方法。
本说明书一个或多个实施例采用下述技术方案:
本说明书一个或多个实施例提供一种基于巡检机器人的隧道数据采集方法,方法包括:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设于巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
可选地,本说明书一个或多个实施例中,所述基于激光雷达,构建待采集隧道区域的点云地图,具体包括:
基于激光雷达扫描所述待采集隧道区域,获取所述待采集隧道区域的原始点云数据;
过滤所述原始点云数据中的边缘点云数据,获得待转换点云数据;
获取所述激光雷达所处巡检机器人的经纬度信息与所述激光雷达所处巡检机器人的姿态信息;
对所述待转换点云数据基于时间顺序进行排列,并获取所述待转换点云数据在相邻时间内的关联转换点云数据,以基于所述关联转换点云数据与所述激光雷达所处巡检机器人的姿态信息,确定出所述激光雷达所处巡检机器人的预计姿态信息;
根据所述预计姿态信息与所述姿态信息之间的转换关系,对所述待转换点云数据进行拼接,并将拼接后的点云数据基于所述经纬度信息转换到大地坐标系,获得待采集隧道区域的点云地图。
可选地,本说明书一个或多个实施例中,根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合之前,所述方法还包括:
获取所述巡检机器人内各组件的运行数据与所述巡检机器人的状态数据;其中,所述巡检机器人的状态数据包括:所述巡检机器人的电量剩余值、所述巡检机器人的温度值;
基于所述巡检机器人的状态数据与所述巡检机器人的标准状态数据的差值,生成所述巡检机器人的第一健康权重值;
提取所述运行数据中的特征数据,以根据所述特征数据对所述巡检机器人内各组件进行故障检测,获得所述巡检机器人的故障类型与故障等级;
基于所述故障类型与所述故障等级匹配预设巡检机器人的第二健康权重表,获得所述巡检机器人的第二健康权重值;
将所述第一健康权重值与所述第二健康权重值的加权值,作为所述巡检机器人的健康权重值,以基于所述健康权重值对所述巡检机器人进行排列,选取预设数量的巡检机器人作为所述待采集隧道区域内的巡检机器人,进行巡检工作。
可选地,本说明书一个或多个实施例中,根据所述待采集隧道区域内各所述巡检任务类型所对应的巡检任务与各所述巡检机器人集合中各所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径,具体包括:
根据所述巡检任务类型所对应的巡检任务,确定各所述巡检任务的位置坐标与预计巡检时间;
基于各所述巡检任务的坐标位置分别生成巡检机器人在所述待采集隧道区域中的若干巡检路径;
根据各所述巡检任务的坐标位置、所述预计巡检时间与所述巡检机器人的位置坐标,确定出各所述巡检任务的预计执行时间;
基于各所述巡检任务的执行时间与各所述巡检任务的起始执行时间,确定所述若干巡检路径中的交叉巡检任务;其中,所述交叉巡检任务为执行时间段具有重叠的巡检任务;
将所述交叉巡检任务进行过滤,获得所述巡检机器人的当前巡检任务节点,并基于预设蚁群算法对所述当前巡检任务节点进行迭代分析,获得所述巡检机器人的最优巡检路径。
可选地,本说明书一个或多个实施例中,控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集之前,所述方法还包括:
建立所述巡检机器人上相机的相机坐标系、图像坐标系、世界坐标系、像素坐标系以及实际物理坐标系;
根据预设目标在所述相机坐标系中的位置与所述预设目标在所述世界坐标系中的位置坐标,确定所述世界坐标与所述相机坐标之间的旋转参数以及平移参数;
根据所述旋转参数、所述平移参数以及所述像素坐标和所述实际物理坐标系的关系,获得所述相机的内部参数,以基于所述旋转参数、所述平移参数以及所述内部参数实现所述相机的标定。
可选地,本说明书一个或多个实施例中,控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据,具体包括:
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行行驶,并采集所述巡检机器人获取的当前路段的行驶图像;
根据所述行驶图像,判定所述当前路段内是否存在障碍物;
若确定所述当前路段内存在障碍物,则将所述行驶图像输入预设图像识别模型,输出所述障碍物的类型;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型相对应,则将所述障碍物所在位置加入所述当前巡检任务节点,获得更新巡检任务节点,并根据预设蚁群算法对所述更新巡检任务节点进行迭代分析,获得更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型不匹配,则获取所述行驶图像在预设时间段内的连续图像;
基于所述连续图像确定所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路的剩余宽度,以根据所述巡检机器人的第二移动数据、所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路,确定所述巡检机器人的可通过概率;
根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据。
可选地,本说明书一个或多个实施例中,根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,具体包括:
若所述可通过概率小于预设阈值,则获取所述巡检机器人当前待处理的任务节点的任务起始时间;
根据所述障碍物的第一移动数据、所述当前待处理的任务节点的起始时间与所述巡检机器人的第二移动数据,判定所述巡检机器人是否超时;
若否,则所述巡检机器人根据所述最优巡检路径进行图像采集;
若是,则获取所述巡检机器人与所述最优巡检路径中各任务节点的距离,确定所述巡检机器人的临近任务节点;
将所述临近任务节点的位置坐标、所述巡检机器人的位置坐标、各所述临近任务节点的任务起始时间与所述巡检机器人的第二移动数据输入预设任务预测模型,输出所述巡检机器人的预测任务节点,以根据所述预测任务节点获得所述巡检机器人的局部路径;
根据所述局部路径替换所述当前待处理的任务节点对应的路径,获得所述巡检机器人的更新最优巡检路径。
可选地,本说明书一个或多个实施例中,对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据,具体包括:
获取与所述巡检机器人的巡检任务相对应的待巡检目标;
若所述初始隧道图像数据中不包含所述待巡检目标,则将改初始隧道图像数据进行过滤获得第一过滤隧道图像数据;
获取各所述第一过滤隧道图像数据的图像质量,并根据所述图像质量与预设图像质量阈值对所述第一过滤隧道图像数据进行过滤,获得有效图像;
根据所述有效图像所对应的采集时间进行排序,获得基于时间的有效图像序列;
对所述有效图像序列进行划分获得多个有效图像集合,并获取所述有效图像集合中各所述有效图像的相似度,若所述有效图像的相似度大于预设相似度阈值,则对所述有效图像进行删除,获得所述巡检机器人采集的第一隧道图像数据。
本说明书一个或多个实施例提供一种基于巡检机器人的隧道数据采集设备,设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
本说明书一个或多个实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过安装在巡检机器人上的激光雷达的扫描,构建出采集隧道区域的点云地图,以便与将采集的第一隧道图像数据与点云地图中的位置坐标进行关联,从而可以根据采集的隧道数据确定出采集点的位置,避免了当隧道数据现实出现事故时,无法及时确定事故地点的问题。通过根据巡检任务类型对巡检机器人进行集合的划分,使得巡检机器人可以对隧道内的多种数据类型进行同步采集,提高了数据采集的效率。控制巡检机器人基于最优巡检路径进行图像采集,提高了图像采集的效率,并且通过对采集的初始隧道图像进行处理,避免了大量无效图像数据为服务器的计算以及存储能力带来的压力。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本说明书实施例提供的一种基于巡检机器人的隧道数据采集方法的方法流程示意图;
图2为本说明书实施例提供的一种基于巡检机器人的隧道数据采集设备的内部结构示意图;
图3为本说明书实施例提供的一种非易失性存储介质的内部结构示意图。
具体实施方式
本说明书实施例提供一种基于巡检机器人的隧道数据采集方法、设备及介质。
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
如图1所示,本说明书一个或多个实施例中提供了一种巡检机器人的隧道数据采集方法的方法流程示意图。由图1可知,方法包括以下步骤:
S101:基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上。
为了便于确定巡检机器人的位置信息以及巡检机器人采集的图像所处的位置信息,本说明书一个或多个实施例中,根据预设于巡检机器人的激光雷达,对周围环境进行扫描,从而构建出待采集隧道区域的点云地图。
具体地,基于激光雷达构建待采集隧道区域的点云数据,具体包括以下步骤:首先根据巡检机器人上安装的激光雷达扫描待采集隧道区域,获取到待采集隧道区域的原始点云数据。然后为了提高点云地图的精确度,在获得原始点云数据之后再过滤掉原始点云数据中的边缘点云数据也就是离散点云数据,获得较为可靠的待转换点云数据。然后由于巡检机器人处于运动状态,为了将运动状态下巡检机器人所采集的待转换点云数据进行拼接获得待采集隧道区域的整体点云数据,需要获取激光雷达所处巡检机器人的经纬度信息,以及激光雷达所处巡检机器人的姿态信息。然后对待转换点云数据基于时间顺序进行排列,并且获取待转换点云数据在相邻时间内的关联转换点云数据,从而基于根据获取到的关联转换点云数据,以及所处巡检机器人的姿态信息,确定出激光雷达所处巡检机器人的下一时刻的预计姿态信息,实现对于巡检机器人的运动姿态的估计。根据下一时刻的预计姿态信息与当前姿态信息之间的转换关系,对待转换点云数据进行拼接,并将拼接后的点云数据根据经纬度信息转换到大地坐标系,获得待采集隧道区域的点云地图。在进行转换时,根据巡检机器人的经纬度信息和姿态信息,将三维点云数据以及机器人坐标系转换到大地坐标系。这样三维点云数据就转换为大地坐标系中的坐标数据,就可根据点云数据在大地坐标系中得到待采集隧道区域的点云地图。
S102:根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合。
由于隧道中存在与道路养护相关的数据例如:道路开裂、漏水等数据等、与交通安全相关的数据例如:车辆堵塞数据、车辆追尾数据、车辆事故数据等,即隧道中存在多种类型的数据对隧道的安全问题起着重要的作用,因此需要对多种类型的数据进行采集分析。为了加快对于数据的采集,本说明书一个或多个实施例中,根据待采集隧道区域的巡检任务类型,将待采集隧道区域内的巡检机器人划分为多个巡检机器人集合。比如:将与道路养护相关任务相对应的巡检机器人划分到一个巡检机器人集合中,将与交通安全相关任务相对应的巡检机器人划分到一个巡检机器人集合中等。
进一步地,为了避免巡检机器人自身故障或者电量不足等状态问题对数据采集造成的不良影响。在本说明书一个或多个实施例中,根据待采集隧道区域地巡检任务类型,将待采集隧道内的巡检机器人划分为多个巡检机器人集合之前,方法还包括以下步骤:
首先,获取巡检机器人内各组件的运行数据与巡检机器人的状态数据;其中,需要说明的时巡检机器人的状态数据至少包括:巡检机器人的电量剩余值、巡检机器人的温度值。根据巡检机器人的状态数据与巡检机器人的标准状态数据的差值,生成巡检机器人的第一健康权重值。比如:巡检机器人的状态数据中电量剩余值为10%而标准状态数据为40%,那么二者的差值为30%,基于历史经验数据确定出该差值30%所对应的第一健康权重。然后提取出运行数据中的特征数据,从而根据特征数据对巡检机器人内各组件进行故障检测,获得巡检机器人的故障类型与故障等级。比如:提取出运行数据中与巡检机器人常见故障相关的数据作为特征数据,根据标准特征数据的数值范围与提取出的特征数据进行比对确定出巡检机器人的故障类型,并根据二者的差值确定出故障等级。根据确定出的故障类型以及故障等级,匹配预设巡检机器人的第二健康权重表,获得巡检机器人的第二健康权重值。然后将第一健康权重值与第二健康权重值的加权值,作为巡检机器人的健康权重值,以便于根据巡检机器人的健康权重值对巡检机器人进行排列,选取预设数量的巡检机器人作为待采集隧道区域内的巡检机器人,进行巡检工作。从而实现了对于健康巡检机器人的筛选,避免了巡检机器人自身问题导致的巡检中断无法完成数据采集任务的问题,保证了隧道内数据采集的可靠性。
S103:根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径。
为了提高数据采集的速度,避免数据延迟对于隧道安全性分析带来的影响本说明书一个或多个实施例中,根据待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各巡检机器人集合中巡检机器人的位置坐标,确定出巡检机器人的最优巡检路径,少了巡检机器人在路径中所花费的时间,提高了隧道内数据采集的效率。
进一步地,本说明书一个或多个实施例中,根据待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各巡检机器人集合中巡检机器人的位置坐标,确定巡检机器人的最优巡检路径,具体包括以下步骤:
先根据巡检任务类型所对应的巡检任务,确定出各个巡检任务的位置坐标以及预计的巡检时间。然后根据巡检任务的坐标位置分别生成巡检机器人在所述待采集隧道区域中的若干巡检路径。根据各巡检任务的坐标位置、预计巡检时间与巡检机器人的位置坐标,确定出巡检机器人到达巡检任务的坐标位置的时间,以及各个巡检任务的巡检所需要的预计巡检时间的时间段,作为各巡检任务的预计执行时间。根据各个巡检任务的执行时间和各个巡检任务的起始执行时间,确定出若干巡检路径中的交叉巡检任务。其中可以理解的是,交叉巡检任务为执行时间段具有重叠的巡检任务,比如巡检任务1的执行时间段为13:00-13:10,巡检任务2的执行时间段为:13:00-13:20,那么任务1与任务2具有重叠时间段,即任务1与任务2为交叉巡检任务。为了避免交叉巡检任务可能存在的超时问题,将交叉巡检任务进行过滤,获得巡检机器人的当前巡检任务节点,并基于预设蚁群算法对当前巡检任务节点进行迭代分析,获得巡检机器人的最优巡检路径。其中需要说明的是:将交叉巡检任务进行过滤后,过滤掉的巡检任务加入执行同类型巡检任务的另一个巡检机器人的巡检路径中。
S104:控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据。
基于上述步骤S103获取到巡检机器人的最优巡检路径之后,通过控制巡检机器人根据最有路径在待采集隧道区域内进行图像采集,获取到巡检机器人采集的初始隧道图像数据。由于巡检机器人上相机在采集三维图像转换为二维图像中出现的畸变,会影响图像数据的准确性,所以本说明书一个或多个实施例中,控制巡检机器人根据最优巡检路径在待采集隧道区域内进行图像采集之前,方法还包括:
建立巡检机器人上相机的相机坐标系、图像坐标系、世界坐标系、像素坐标系以及实际物理坐标系;根据预设目标在相机坐标系中的位置与预设目标在世界坐标系中的位置坐标,确定出世界坐标与相机坐标之间的旋转参数以及平移参数。然后根据旋转参数、平移参数以及像素坐标和实际物理坐标系的关系获得出相机的内部参数。根据获得的旋转参数、平移参数以及内部参数实现对于相机的标定校正。
进一步地,本说明书一个或多个实施例中,控制巡检机器人根据最优巡检路径在待采集隧道区域内进行图像采集,获取巡检机器人采集的初始隧道数据,具体包括以下步骤:
控制巡检机器人根据最优巡检路径在所述待采集隧道区域内行驶,并采集巡检机器人获取当前路段的行驶图像。由于巡检路线中可能存在易拉罐、石头或移动物体等障碍物阻碍巡检机器人地正常行驶,因此根据巡检机器人获取的行驶图像,判定当前路段内是否存在障碍物。如果确定出当前路段内存在障碍物,那么就将行驶图像输入预设图像识别模型,输出该障碍物的类型。此时如果确定障碍物的类型与巡检机器人的巡检任务类型相对应,比如:巡检机器人的巡检任务为获取事故车辆数据,而障碍物为发生事故的车辆,那么就将障碍物所在位置加入到当前巡检任务节点,获得更新巡检任务节点。根据预设蚁群算法对更新巡检任务节点重新进行迭代分析,获得当前的更新最优巡检路径,以使巡检机器人基于更新最优巡检路径在采集隧道区域内进行图像采集,获取到巡检机器人采集的初始隧道数据。
如果将行驶图像输入预设图像识别模型,输出该障碍物的类型后,确定障碍物的类型与巡检机器人的巡检任务类型并不匹配,那么就获取行驶图像在预设时间段内的连续图像。根据连续图像确定出障碍物的第一移动数据、体积数据以及障碍物周边道路的剩余宽度,从而根据巡检机器人的第二移动数据、障碍物的第一移动数据、体积数据以及障碍物周边道路,确定出巡检机器人的可通过概率。需要说明的是移动数据至少包括:移动速度与移动方向。可以理解的是,根据障碍物的第一移动数据与巡检机器人的第二移动数据可以确定出巡检机器人到达障碍物所在位置时,障碍物的移动距离,以及道路剩余宽度能否使得该巡检机器人通过,获得巡检机器人的可通过概率。从而根据巡检机器人的可通过概率,对巡检机器人的最优巡检路径进行调整,获得巡检机器人的更新最优巡检路径,使得巡检机器人基于更新最优巡检路径在采集隧道区域内进行图像采集,实现对于最优巡检路径的不断优化增强了巡检机器人在数据采集过程中对于场景的适应性。
进一步地,在本说明书一个或多个实施例中,根据巡检机器人的可通过概率,对巡检机器人的最优巡检路径进行调整,获得巡检机器人的更新最优巡检路径,具体包括以下步骤:
如果基于上述步骤确定获得的可通过概率小于预设阈值,那么就获取巡检机器人当前待处理的任务节点的任务起始时间。然后根据障碍物的第一移动数据、当前待处理的任务节点的起始时间与巡检机器人的第二移动数据,判定巡检机器人处理当前待处理的任务节点是否会超时。如果不会超时,则巡检机器人继续根据最优巡检路径进行图像采集。比如:巡检机器人等待障碍物移动到剩余道路的宽度可以安全通过巡检机器人自身时,继续按照最优巡检路径执行图像采集工作。
而如果判定巡检机器人处理当前待处理的任务节点会超时,那么就获取巡检机器人与最优巡检路径中各个任务节点的距离,确定出位于巡检机器人周围的临近任务节点。然后将临近任务节点的位置坐标、巡检机器人的位置坐标、各临近任务节点的任务起始时间与巡检机器人的第二移动数据输入到预设的任务预测模型,经过任务预测模型的分析后,输出巡检机器人的预测任务节点。从而根据预测任务节点的位置、巡检机器人的位置以及待采集隧道区域的点云地图获取最短路径,作为巡检机器人的局部路径。然后再根据局部路径替换当前待处理的任务节点对应的路径,获得巡检机器人的更新最优巡检路径。避免了由于障碍物阻碍,所造成的数据采集超时的问题。
S105:对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据。
为了缓解巡检机器人采集的无效图像为计算和存储带来的压力,在本说明书一个或多个实施例中,对初始隧道图像数据基于预设方式进行处理,获得巡检机器人采集的第一隧道图像数据,具体包括以下步骤:首先,获取和巡检机器人的巡检任务相对应的待巡检目标。待巡检目标比如:车辆、隧道裂缝、隧道渗漏水、大型障碍物等。如果初始隧道图像数据中不包含所述待巡检目标,则将该初始隧道图像数据进行过滤获得第一过滤隧道图像数据。获取各个第一过滤隧道图像数据的图像质量,并根据图像质量与预设图像质量阈值对第一过滤隧道图像数据进行过滤,获得有效图像。比如:将图像清晰度作为图像质量的评价因子,那么获取各个第一过滤隧道图像数据的图像清晰度,根据图像清晰度和预设的阈值进行对比,将清晰度低于预设阈值的第一过滤隧道图像数据进行过滤,获得可以有效分析隧道状态的有效图像。然后为了减少重复图片导致的重复分析,在获取到有效图像之后,根据有效图像所对应的采集时间进行排序,获得基于时间的有效图像序列。对有效图像序列进行划分获得多个有效图像集合,并获取有效图像集合中各有效图像的相似度,如果有效图像的相似度大于预设相似度阈值,则对有效图像进行删除,获得巡检机器人采集的第一隧道图像数据。其中需要说明的是,有效图像中各有效图像的相似度可以基于深度学习网络模型识别获得。
S106:获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
根据上述步骤S105获得巡检机器人采集的第一隧道图像数据之后,为了方便管理人员或操作人员确定各图像数据所对应的位置,从而及时采取对应的措施对隧道进行道路养护或者交通安全的排查。本说明书一个或多个实施例中,在获取第一隧道图像数据之后,还需要获取巡检机器人采集的第一隧道图像数据时在点云地图的位置坐标。将第一隧道图像数据与位置坐标相关联,获得巡检机器人采集的隧道数据。从而方便了后续使用分析时快速锁定各图像数据所对应的位置,缩短了操作人员的维修时间。
如图2所示,本说明书一个或多个实施例中提供了一种基于巡检机器人的隧道数据采集设备,由图2可知,设备包括:
至少一个处理器201;以及,
与所述至少一个处理器201通信连接的存储器202;其中,
所述存储器202存储有可被所述至少一个处理器201执行的指令,所述指令被所述至少一个处理器201执行,以使所述至少一个处理器201能够:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
如图3所示,本说明书一个或多个实施例提供了一种非易失性存储介质的内部结构示意图。由图3可知,计算机可执行指令包括:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
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。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种基于巡检机器人的隧道数据采集方法,其特征在于,所述方法包括:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设于巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;其中,所述控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据,具体包括:
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行行驶,并采集所述巡检机器人获取的当前路段的行驶图像;
根据所述行驶图像,判定所述当前路段内是否存在障碍物;
若确定所述当前路段内存在障碍物,则将所述行驶图像输入预设图像识别模型,输出所述障碍物的类型;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型相对应,则将所述障碍物所在位置加入当前巡检任务节点,获得更新巡检任务节点,并根据预设蚁群算法对所述更新巡检任务节点进行迭代分析,获得更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型不匹配,则获取所述行驶图像在预设时间段内的连续图像;
基于所述连续图像确定所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路的剩余宽度,以根据所述巡检机器人的第二移动数据、所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路,确定所述巡检机器人的可通过概率;
根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
2.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述基于激光雷达,构建待采集隧道区域的点云地图,具体包括:
基于激光雷达扫描所述待采集隧道区域,获取所述待采集隧道区域的原始点云数据;
过滤所述原始点云数据中的边缘点云数据,获得待转换点云数据;
获取所述激光雷达所处巡检机器人的经纬度信息与所述激光雷达所处巡检机器人的姿态信息;
对所述待转换点云数据基于时间顺序进行排列,并获取所述待转换点云数据在相邻时间内的关联转换点云数据,以基于所述关联转换点云数据与所述激光雷达所处巡检机器人的姿态信息,确定出所述激光雷达所处巡检机器人的预计姿态信息;
根据所述预计姿态信息与所述姿态信息之间的转换关系,对所述待转换点云数据进行拼接,并将拼接后的点云数据基于所述经纬度信息转换到大地坐标系,获得待采集隧道区域的点云地图。
3.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合之前,所述方法还包括:
获取所述巡检机器人内各组件的运行数据与所述巡检机器人的状态数据;其中,所述巡检机器人的状态数据包括:所述巡检机器人的电量剩余值、所述巡检机器人的温度值;
基于所述巡检机器人的状态数据与所述巡检机器人的标准状态数据的差值,生成所述巡检机器人的第一健康权重值;
提取所述运行数据中的特征数据,以根据所述特征数据对所述巡检机器人内各组件进行故障检测,获得所述巡检机器人的故障类型与故障等级;
基于所述故障类型与所述故障等级匹配预设巡检机器人的第二健康权重表,获得所述巡检机器人的第二健康权重值;
将所述第一健康权重值与所述第二健康权重值的加权值,作为所述巡检机器人的健康权重值,以基于所述健康权重值对所述巡检机器人进行排列,选取预设数量的巡检机器人作为所述待采集隧道区域内的巡检机器人,进行巡检工作。
4.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述根据所述待采集隧道区域内各所述巡检任务类型所对应的巡检任务与各所述巡检机器人集合中各所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径,具体包括:
根据所述巡检任务类型所对应的巡检任务,确定各所述巡检任务的位置坐标与预计巡检时间;
基于各所述巡检任务的坐标位置分别生成巡检机器人在所述待采集隧道区域中的若干巡检路径;
根据各所述巡检任务的坐标位置、所述预计巡检时间与所述巡检机器人的位置坐标,确定出各所述巡检任务的预计执行时间;
基于各所述巡检任务的执行时间与各所述巡检任务的起始执行时间,确定所述若干巡检路径中的交叉巡检任务;其中,所述交叉巡检任务为执行时间段具有重叠的巡检任务;
将所述交叉巡检任务进行过滤,获得所述巡检机器人的当前巡检任务节点,并基于预设蚁群算法对所述当前巡检任务节点进行迭代分析,获得所述巡检机器人的最优巡检路径。
5.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集之前,所述方法还包括:
建立所述巡检机器人上相机的相机坐标系、图像坐标系、世界坐标系、像素坐标系以及实际物理坐标系;
根据预设目标在所述相机坐标系中的位置与所述预设目标在所述世界坐标系中的位置坐标,确定所述世界坐标与所述相机坐标之间的旋转参数以及平移参数;
根据所述旋转参数、所述平移参数以及所述像素坐标和所述实际物理坐标系的关系,获得所述相机的内部参数,以基于所述旋转参数、所述平移参数以及所述内部参数实现所述相机的标定。
6.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,具体包括:
若所述可通过概率小于预设阈值,则获取所述巡检机器人当前待处理的任务节点的任务起始时间;
根据所述障碍物的第一移动数据、所述当前待处理的任务节点的起始时间与所述巡检机器人的第二移动数据,判定所述巡检机器人是否超时;
若否,则所述巡检机器人根据所述最优巡检路径进行图像采集;
若是,则获取所述巡检机器人与所述最优巡检路径中各任务节点的距离,确定所述巡检机器人的临近任务节点;
将所述临近任务节点的位置坐标、所述巡检机器人的位置坐标、各所述临近任务节点的任务起始时间与所述巡检机器人的第二移动数据输入预设任务预测模型,输出所述巡检机器人的预测任务节点,以根据所述预测任务节点获得所述巡检机器人的局部路径;
根据所述局部路径替换所述当前待处理的任务节点对应的路径,获得所述巡检机器人的更新最优巡检路径。
7.根据权利要求1所述的一种基于巡检机器人的隧道数据采集方法,其特征在于,所述对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据,具体包括:
获取与所述巡检机器人的巡检任务相对应的待巡检目标;
若所述初始隧道图像数据中不包含所述待巡检目标,则将改初始隧道图像数据进行过滤获得第一过滤隧道图像数据;
获取各所述第一过滤隧道图像数据的图像质量,并根据所述图像质量与预设图像质量阈值对所述第一过滤隧道图像数据进行过滤,获得有效图像;
根据所述有效图像所对应的采集时间进行排序,获得基于时间的有效图像序列;
对所述有效图像序列进行划分获得多个有效图像集合,并获取所述有效图像集合中各所述有效图像的相似度,若所述有效图像的相似度大于预设相似度阈值,则对所述有效图像进行删除,获得所述巡检机器人采集的第一隧道图像数据。
8.一种基于巡检机器人的隧道数据采集设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;其中,所述控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据,具体包括:
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行行驶,并采集所述巡检机器人获取的当前路段的行驶图像;
根据所述行驶图像,判定所述当前路段内是否存在障碍物;
若确定所述当前路段内存在障碍物,则将所述行驶图像输入预设图像识别模型,输出所述障碍物的类型;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型相对应,则将所述障碍物所在位置加入当前巡检任务节点,获得更新巡检任务节点,并根据预设蚁群算法对所述更新巡检任务节点进行迭代分析,获得更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型不匹配,则获取所述行驶图像在预设时间段内的连续图像;
基于所述连续图像确定所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路的剩余宽度,以根据所述巡检机器人的第二移动数据、所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路,确定所述巡检机器人的可通过概率;
根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
9.一种非易失性存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令包括:
基于激光雷达,构建待采集隧道区域的点云地图;其中,所述激光雷达预设与巡检机器人上;
根据所述待采集隧道区域的巡检任务类型,将所述待采集隧道区域内的巡检机器人划分为多个巡检机器人集合;
根据所述待采集隧道区域内各巡检任务类型所对应的巡检任务,以及各所述巡检机器人集合中所述巡检机器人的位置坐标,确定所述巡检机器人的最优巡检路径;
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道图像数据;其中,所述控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据,具体包括:
控制所述巡检机器人根据所述最优巡检路径在所述待采集隧道区域内进行行驶,并采集所述巡检机器人获取的当前路段的行驶图像;
根据所述行驶图像,判定所述当前路段内是否存在障碍物;
若确定所述当前路段内存在障碍物,则将所述行驶图像输入预设图像识别模型,输出所述障碍物的类型;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型相对应,则将所述障碍物所在位置加入当前巡检任务节点,获得更新巡检任务节点,并根据预设蚁群算法对所述更新巡检任务节点进行迭代分析,获得更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
若确定所述障碍物的类型与所述巡检机器人的巡检任务类型不匹配,则获取所述行驶图像在预设时间段内的连续图像;
基于所述连续图像确定所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路的剩余宽度,以根据所述巡检机器人的第二移动数据、所述障碍物的第一移动数据、体积数据以及所述障碍物周边道路,确定所述巡检机器人的可通过概率;
根据所述巡检机器人的可通过概率,对所述巡检机器人的最优巡检路径进行调整,获得所述巡检机器人的更新最优巡检路径,以使所述巡检机器人基于所述更新最优巡检路径在所述采集隧道区域内进行图像采集,获取所述巡检机器人采集的初始隧道数据;
对初始隧道图像数据基于预设方式进行处理,获得所述巡检机器人采集的第一隧道图像数据;
获取所述巡检机器人采集所述第一隧道图像数据时在所述点云地图的位置坐标,并将所述第一隧道图像数据与所述位置坐标相关联,获得所述巡检机器人采集的隧道数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701518.2A CN114814877B (zh) | 2022-06-21 | 2022-06-21 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701518.2A CN114814877B (zh) | 2022-06-21 | 2022-06-21 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114814877A CN114814877A (zh) | 2022-07-29 |
CN114814877B true CN114814877B (zh) | 2022-09-06 |
Family
ID=82520661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701518.2A Active CN114814877B (zh) | 2022-06-21 | 2022-06-21 | 一种基于巡检机器人的隧道数据采集方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114814877B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115639842B (zh) * | 2022-12-23 | 2023-04-07 | 北京中飞艾维航空科技有限公司 | 一种利用无人机的巡检方法及其系统 |
CN115892131B (zh) * | 2023-02-15 | 2023-06-06 | 深圳大学 | 一种地铁隧道智能监测方法以及系统 |
CN116793245B (zh) * | 2023-08-24 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
CN118211741B (zh) * | 2024-05-21 | 2024-08-20 | 山东道万电气有限公司 | 一种基于多路巡检数据的巡检机器人智能调度管理方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
CN108537913A (zh) * | 2018-06-15 | 2018-09-14 | 浙江国自机器人技术有限公司 | 一种巡检系统 |
CN109254298A (zh) * | 2018-09-30 | 2019-01-22 | 中国安全生产科学研究院 | 地铁隧道内安全巡检机器人的定位系统 |
CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
CN110943991A (zh) * | 2019-11-29 | 2020-03-31 | 国网智能科技股份有限公司 | 变电站巡检与生产管理业务联动系统及方法 |
CN111476921A (zh) * | 2020-04-10 | 2020-07-31 | 宁波思高信通科技有限公司 | 一种机房智能巡检系统 |
CN111487642A (zh) * | 2020-03-10 | 2020-08-04 | 国电南瑞科技股份有限公司 | 基于三维激光和双目视觉的变电站巡检机器人定位导航系统及方法 |
CN111496810A (zh) * | 2020-04-27 | 2020-08-07 | 浙江库科自动化科技有限公司 | 铁路货运列车用巡检智能机器人的数据采集方法 |
CN111679291A (zh) * | 2020-06-17 | 2020-09-18 | 四川智动木牛智能科技有限公司 | 基于三维激光雷达的巡检机器人目标定位配置方法 |
CN112960132A (zh) * | 2021-03-26 | 2021-06-15 | 中国能源建设集团江苏省电力设计院有限公司 | 分布式共享机巢及其电力线路无人机巡检方法 |
CN113359705A (zh) * | 2021-05-17 | 2021-09-07 | 浙江华消科技有限公司 | 一种路径规划方法、编队协同作业方法及其设备 |
CN113504780A (zh) * | 2021-08-26 | 2021-10-15 | 上海同岩土木工程科技股份有限公司 | 一种隧道结构全自动智能巡检机器人及巡检方法 |
CN113500605A (zh) * | 2021-09-13 | 2021-10-15 | 中科开创(广州)智能科技发展有限公司 | 巡检任务可视化方法、装置、计算机设备和存储介质 |
CN113537584A (zh) * | 2021-07-06 | 2021-10-22 | 和美(深圳)信息技术股份有限公司 | 巡检任务冲突处理方法、装置、电子设备及存储介质 |
CN113673459A (zh) * | 2021-08-26 | 2021-11-19 | 中国科学院自动化研究所 | 基于视频的生产施工场所安全巡检方法、系统、设备 |
CN113703444A (zh) * | 2021-08-13 | 2021-11-26 | 南京付联微网络科技有限公司 | 一种智能化机器人的巡检避障方法及系统 |
CN113741490A (zh) * | 2020-05-29 | 2021-12-03 | 广州极飞科技股份有限公司 | 一种巡检方法、装置、飞行器及存储介质 |
CN113741527A (zh) * | 2021-09-13 | 2021-12-03 | 德仕能源科技集团股份有限公司 | 一种基于多无人机的油井巡检方法、设备及介质 |
CN114442664A (zh) * | 2022-01-17 | 2022-05-06 | 江苏方天电力技术有限公司 | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 |
CN114596536A (zh) * | 2022-05-07 | 2022-06-07 | 陕西欧卡电子智能科技有限公司 | 无人船沿岸巡检方法、装置、计算机设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112014857B (zh) * | 2020-08-31 | 2023-04-07 | 上海宇航系统工程研究所 | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 |
CN112697134A (zh) * | 2020-12-29 | 2021-04-23 | 南京昱晟机器人科技有限公司 | 一种室内巡检机器人的环境感知方法、系统、设备及其计算机可读存储介质 |
CN113075687A (zh) * | 2021-03-19 | 2021-07-06 | 长沙理工大学 | 一种基于多传感器融合的电缆沟智能巡检机器人定位方法 |
-
2022
- 2022-06-21 CN CN202210701518.2A patent/CN114814877B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
CN108537913A (zh) * | 2018-06-15 | 2018-09-14 | 浙江国自机器人技术有限公司 | 一种巡检系统 |
CN109254298A (zh) * | 2018-09-30 | 2019-01-22 | 中国安全生产科学研究院 | 地铁隧道内安全巡检机器人的定位系统 |
CN110610304A (zh) * | 2019-08-28 | 2019-12-24 | 广西电网有限责任公司电力科学研究院 | 基于混合遗传-蚁群算法的巡检机器人跨区域调度方法 |
CN110943991A (zh) * | 2019-11-29 | 2020-03-31 | 国网智能科技股份有限公司 | 变电站巡检与生产管理业务联动系统及方法 |
CN111487642A (zh) * | 2020-03-10 | 2020-08-04 | 国电南瑞科技股份有限公司 | 基于三维激光和双目视觉的变电站巡检机器人定位导航系统及方法 |
CN111476921A (zh) * | 2020-04-10 | 2020-07-31 | 宁波思高信通科技有限公司 | 一种机房智能巡检系统 |
CN111496810A (zh) * | 2020-04-27 | 2020-08-07 | 浙江库科自动化科技有限公司 | 铁路货运列车用巡检智能机器人的数据采集方法 |
CN113741490A (zh) * | 2020-05-29 | 2021-12-03 | 广州极飞科技股份有限公司 | 一种巡检方法、装置、飞行器及存储介质 |
CN111679291A (zh) * | 2020-06-17 | 2020-09-18 | 四川智动木牛智能科技有限公司 | 基于三维激光雷达的巡检机器人目标定位配置方法 |
CN112960132A (zh) * | 2021-03-26 | 2021-06-15 | 中国能源建设集团江苏省电力设计院有限公司 | 分布式共享机巢及其电力线路无人机巡检方法 |
CN113359705A (zh) * | 2021-05-17 | 2021-09-07 | 浙江华消科技有限公司 | 一种路径规划方法、编队协同作业方法及其设备 |
CN113537584A (zh) * | 2021-07-06 | 2021-10-22 | 和美(深圳)信息技术股份有限公司 | 巡检任务冲突处理方法、装置、电子设备及存储介质 |
CN113703444A (zh) * | 2021-08-13 | 2021-11-26 | 南京付联微网络科技有限公司 | 一种智能化机器人的巡检避障方法及系统 |
CN113673459A (zh) * | 2021-08-26 | 2021-11-19 | 中国科学院自动化研究所 | 基于视频的生产施工场所安全巡检方法、系统、设备 |
CN113504780A (zh) * | 2021-08-26 | 2021-10-15 | 上海同岩土木工程科技股份有限公司 | 一种隧道结构全自动智能巡检机器人及巡检方法 |
CN113500605A (zh) * | 2021-09-13 | 2021-10-15 | 中科开创(广州)智能科技发展有限公司 | 巡检任务可视化方法、装置、计算机设备和存储介质 |
CN113741527A (zh) * | 2021-09-13 | 2021-12-03 | 德仕能源科技集团股份有限公司 | 一种基于多无人机的油井巡检方法、设备及介质 |
CN114442664A (zh) * | 2022-01-17 | 2022-05-06 | 江苏方天电力技术有限公司 | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 |
CN114596536A (zh) * | 2022-05-07 | 2022-06-07 | 陕西欧卡电子智能科技有限公司 | 无人船沿岸巡检方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
一种适用于变电站巡检机器人的仪表识别算法;房桦等;《自动化与仪表》;20130515(第05期);全文 * |
变电站智能机器人巡检任务规划;钱金菊等;《广东电力》;20170225(第02期);全文 * |
基于激光雷达的巡检机器人导航系统研究;季宇寒等;《农业机械学报》;20171124(第02期);全文 * |
高压电力廊道自动巡检机器人系统的研制;胡伟等;《自动化与仪表》;20131215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114814877A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114814877B (zh) | 一种基于巡检机器人的隧道数据采集方法、设备及介质 | |
CN111339893B (zh) | 基于深度学习和无人机的管道检测系统及方法 | |
CN110674733A (zh) | 多目标检测识别方法和辅助驾驶方法、系统 | |
CN113811830B (zh) | 轨迹预测方法、装置、计算机设备和存储介质 | |
CN111988524A (zh) | 一种无人机与摄像头协同避障方法、服务器及存储介质 | |
CN109885060B (zh) | 路径管理系统及其管理方法 | |
CN111126802A (zh) | 基于人工智能的高速公路检查评价方法及系统 | |
CN113420810B (zh) | 一种基于红外和可见光的电缆沟智能巡检系统及巡检方法 | |
CN114003035B (zh) | 一种机器人自主导航的方法、装置、设备及介质 | |
CN115123307A (zh) | 基于障碍物意图的自动驾驶方法、装置及自动驾驶车辆 | |
CN112330915A (zh) | 无人机森林防火预警方法、系统、电子设备和存储介质 | |
CN116048124B (zh) | 无人机地铁隧道巡检方法、装置、计算机设备及存储介质 | |
CN113383283A (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN114663804A (zh) | 可行驶区域检测方法、装置、移动设备及存储介质 | |
CN116231504A (zh) | 一种升压站远程智能巡检方法、装置及系统 | |
CN116740833A (zh) | 基于无人机的线路巡线打卡方法 | |
CN109767339A (zh) | 一种事故车辆的理赔数据确定方法、装置及系统 | |
CN115951704B (zh) | 一种基于bim模型的无人机地铁巡检方法及设备 | |
CN116071399A (zh) | 轨迹预测方法及装置、模型训练方法及装置、电子设备 | |
KR102600548B1 (ko) | 구조물 건전성 경보 시스템 및 이를 이용한 경보 방법 | |
CN116700228A (zh) | 机器人路径规划方法、电子设备及可读存储介质 | |
Lewandowski et al. | UAV-Based Railroad Line Detection | |
CN117389311B (zh) | 无人机自主越障方法、装置、电子设备及存储介质 | |
KR20210001255A (ko) | 기계학습에 기반한 비감시 영역 추정 방법 및 장치 | |
CN115131892B (zh) | 基于巡逻机器人的异常停车检测方法、装置、介质及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |