CN116627126A - 一种基于大数据的智能巡检方法和系统 - Google Patents
一种基于大数据的智能巡检方法和系统 Download PDFInfo
- Publication number
- CN116627126A CN116627126A CN202310488795.4A CN202310488795A CN116627126A CN 116627126 A CN116627126 A CN 116627126A CN 202310488795 A CN202310488795 A CN 202310488795A CN 116627126 A CN116627126 A CN 116627126A
- Authority
- CN
- China
- Prior art keywords
- inspection
- suspicious
- preset
- determining
- level
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 461
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 description 28
- 239000013598 vector Substances 0.000 description 26
- 230000008569 process Effects 0.000 description 21
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012876 topography Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Classifications
-
- 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
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- 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
- G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
- G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本说明书实施例提供一种基于大数据的智能巡检方法和系统。该方法基于大数据的智能巡检系统的控制系统实现，包括：构建地下作业的地形结构模型；基于大数据、地形结构模型以及作业信息，确定多个预设巡检点；控制第一巡检机器人前往多个预设巡检点进行巡检，获取第一巡检信息；基于第一巡检信息，从多个预设巡检点中确定至少一个可疑位置及其可疑等级；基于至少一个可疑位置和/或至少一个可疑位置的可疑等级，确定第二巡检机器人的巡检路线；控制所述第二巡检机器人前往包含该巡检路线进行巡检，获取第二巡检信息；基于第二巡检信息，从至少一个可疑位置中确定至少一个目标位置及其严重等级；如果严重等级满足预设条件，发出预警。
Description
技术领域
本说明书涉及智能机器人技术领域，特别涉及一种基于大数据的智能巡检方法和系统。
背景技术
智能巡检能够在保障设备始终处于有效的工作状态下，降低运维人员的工作强度和压力，其在电网环境、化工安全、社会安防以及煤矿安全等领域均有积极的作用。智能巡检主要靠巡检机器人实现安全检查巡检、故障排查巡检、无间断巡检、危险恶劣环境巡检等方面的工作。
CN111243120A提出了一种基于大数据的环境巡检系统，该系统主要采用智能巡检机器人基于规划的行走路径对数据机房进行定时巡检，实现数据机房的无人化和智能化管理。但由于智能巡检是基于巡检机器人在预设巡检路线上进行周期性地巡检，容易出现巡检机器人在没有发生故障或不存在安全隐患的地方进行频繁巡检以及巡检误判的情况。
因此，希望可以提供一种基于大数据的智能巡检系统和方法，通过多个巡检机器人之间的配合巡检，避免在没有发生故障或不存在安全隐患的地方进行频繁巡检，提高巡检机器人的巡检准确率和巡检效果。
发明内容
本说明书一个或多个实施例提供一种基于大数据的智能巡检系统，所述系统包括：机器人和控制系统；机器人包括第一巡检机器人和第二巡检机器人；第一巡检机器人用于获取第一巡检信息；第二巡检机器人用于基于第一巡检信息进一步巡检；控制系统用于：构建地下作业的地形结构模型；基于大数据、地形结构模型以及作业信息，确定多个预设巡检点；控制第一巡检机器人前往多个预设巡检点进行巡检，获取第一巡检信息；基于第一巡检信息，确定至少一个可疑位置及其可疑等级；基于至少一个可疑位置和/或至少一个可疑位置的可疑等级，确定第二巡检机器人的巡检路线；控制第二巡检机器人前往巡检路线进行巡检，获取第二巡检信息；基于第二巡检信息确定至少一个目标位置及其严重等级；响应于严重等级满足预设条件，发出预警。
本说明书一个或多个实施例提供一种基于大数据的智能巡检方法，所述方法由基于大数据的智能巡检系统的控制系统实现，包括：构建地下作业的地形结构模型；基于大数据、地形结构模型以及作业信息，确定多个预设巡检点；控制第一巡检机器人前往多个预设巡检点进行巡检，获取第一巡检信息；基于第一巡检信息，确定至少一个可疑位置及其可疑等级；基于至少一个可疑位置和/或至少一个可疑位置的可疑等级，确定第二巡检机器人的巡检路线；控制第二巡检机器人前往巡检路线进行巡检，获取第二巡检信息；基于第二巡检信息确定至少一个目标位置及其严重等级；响应于严重等级满足预设条件，发出预警。
本说明书一个或多个实施例提供一种基于大数据的智能巡检装置，所述装置包括至少一个处理器以及至少一个存储器；至少一个存储器用于存储计算机指令；至少一个处理器用于执行计算机指令中的至少部分指令以实现如上所述的基于大数据的智能巡检方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上所述的基于大数据的智能巡检方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于大数据的智能巡检系统的应用场景示意图；
图2是根据本说明书一些实施例所示的基于大数据的智能巡检方法的示例性流程图；
图3是根据本说明书一些实施例所示的可疑模型的处理过程的示例性示意图；
图4是根据本说明书一些实施例所示的确定第二巡检机器人的巡检路线的示例性流程图；
图5是根据本说明书一些实施例所示的确定至少一个目标位置及其严重等级的示例性流程图；
图6是根据本说明书一些实施例所示的基于大数据的智能巡检系统的结构示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
智能巡检能够在保障设备始终处于有效的工作状态下，降低运维人员的工作强度和压力。CN111243120A要采用智能移动机器人基于规划的行走路径对数据机房进行定时巡检，容易出现在没有发生故障或没有安全隐患的地方进行频繁巡检以及巡检误判的情况。
因此，本说明书的一些实施例中，通过第一巡检机器人和第二巡检机器人的配合巡检，具体地，第一巡检机器人对多个预设巡检点进行快速巡检确定可疑位置，然后再通过精度高于第一巡检机器人的第二巡检机器人对可疑位置进行二次巡检，以在可疑位置中进一步判断存在异常或安全隐患的目标位置并进行预警，避免在没有发生故障或隐患的地方进行频繁巡检，降低异常巡检误判的情况，提高巡检机器人的巡检准确率和巡检效果。
图1是根据本说明书一些实施例所示的基于大数据的智能巡检系统的应用场景示意图。在一些实施例中，所述基于大数据的智能巡检系统的应用场景可以包括但不限于电网环境、化工安全、社会安防、煤矿安全和涉及工业园区等环境的自动智能巡检。巡检的工作可以包括但不限于安全检查、故障排查、无间断巡查、危险恶劣环境巡检等。例如，涉及工业园区场景下的自动智能巡检工作可以包括检测停车情况、垃圾或障碍物、绿化情况等。
如图1所示，基于大数据的智能巡检系统的应用场景100可以包括巡检机器人110、网络120、处理设备130、安全提示设备140。在一些实施例中，巡检机器人110、处理设备130和/或安全提示设备140可以经由网络120(例如无线连接、有线连接或其组合)，以实现彼此连接和/或通信。
巡检机器人110是指可以自主完成巡检工作的智能机器设备。巡检机器人110可以用于获取巡检信息(如，环境数据、设备运行信息和安全设施信息)以完成巡检工作。例如，巡检机器人110在巡检工作中获取多个预设巡检点的图像和/或音频。在一些实施例中，巡检机器人110可以包括第一巡检机器人110-1、第二巡检机器人110-2等。
第一巡检机器人110-1可以是用于初步巡检的巡检机器人。第一巡检机器人110-1适用于大范围的巡检过程，其巡检速度快、获取的数据精度较低。
第二巡检机器人110-2可以是用于进一步巡检的巡检机器人。在一些实施例中，第二巡检机器人可以为巡检速度慢、巡检精度高且巡检灵活的巡检机器人。在一些实施例中，第二巡检机器人可以用于对第一巡检机器人获取的第一巡检信息进一步重点巡检。第二巡检机器人110-2可以在第一巡检机器人110-1巡检的基础上，进一步进行巡检，获取更精准、更丰富的巡检数据。
巡检机器人110可以将采集的数据和/或信息通过网络120发送给应用场景100中的其他设备，例如，处理设备130等。在一些实施例中，多个巡检机器人之间也可以通过网络120交换数据和/或信息。
网络120是指能够促进应用场景100的信息和/或数据交换的任何合适的网络。网络120可以连接应用场景100的各组成部分和/或连接应用场景100与外部资源。网络120使得各组成部分(例如，巡检机器人110、处理设备130和安全提示设备140)之间，以及与外部环境之间可以进行通讯，促进数据和/或信息的交换。例如，处理设备130可以通过网络120控制巡检机器人110(例如，第一巡检机器人110-1或第二巡检机器人110-2)根据预先确定的巡检路线完成工作。
在一些实施例中，网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，例如，基站和/或网络交换点。通过这些接入点，应用场景100中的各组成部分可连接到网络120上以交换数据和/或信息。
处理设备130是指用于处理与应用场景100有关的信息和/或数据的设备。在一些实施例中，处理设备130可以基于巡检机器人110(例如，第一巡检机器人110-1)采集到的数据，确定多个预设巡检点中可能存在的可疑位置及其可疑等级。在一些实施例中，处理设备130可以基于巡检机器人110(例如，第二巡检机器人110-2)采集到的数据，从可疑位置中确定目标位置及其严重等级。处理设备130还可以处理从其他设备或系统组成部分中获得的数据、信息和/或处理结果，并基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或以上功能。
安全提示设备140是指向工作人员发出预警信息的设备。安全提示设备140可以根据目标位置的严重等级，向相关工作人员发出警告，例如，发出语音警报，或语音提示目标位置的相关信息及严重等级等。在一些实施例中，安全提示设备140可以包括警报铃、广播播放系统等。
应当注意应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的基于大数据的智能巡检方法的示例性流程图。在一些实施例中，流程200可以由基于大数据的智能巡检系统的控制系统执行。如图2所示，流程200包括下述步骤。
步骤210，构建地下作业的地形结构模型。
地形结构模型是指根据地下作业环境的地形结构构建的模型。地下作业可以包括矿山地下作业、地下管道建设、电网环境巡检作业、化工作业、煤矿安全作业等。例如，当地下作业为矿山地下作业，则地形结构模型为矿山地下作业的地形结构模型。在一些实施例中，地形结构模型可以为三维模型。示例性的三维模型可以包括但不限三维体元模型、三维矢量模型、混合数据模型和集成数据模型等。
在一些实施中，控制系统可以基于地下作业环境的测绘数据，通过三维建模的方式，构建地形结构模型。其中，测绘数据可以包括地下作业环境的地形结构数据、空间位置等。测绘数据可以通过摄像头采集、人工采集或者从其他已知数据库等中获取。示例性的三维建模方式可以包括通过三维建模软件(如，3ds Max、Blender和Maya等)直接建模、点云建模等。
通过地形结构模型可以展现地下作业环境的地形结构。以矿山地下作业环境为例，其地形结构可以包括由矿道、安全通道等组成空间结构的形态特征。形态特征可以包括预设巡检点的空间位置、预设巡检点间的通路分布及各通路的长度等。
在一些实施例中，通过相关方式确定预设巡检点后，可以将预设巡检点、各预设巡检点间的通路分布和各通路的长度等标记在地形结构模型中。关于预设巡检点的更多内容可以参见步骤220及其相关描述。
步骤220，基于大数据、地形结构模型以及作业信息，确定多个预设巡检点。
大数据是指所有与地下作业有关的数据的集合。例如，大数据中可以包括各类型的历史地下作业环境的地型结构模型、历史作业信息、异常信息(例如，异常信息可以包括各类型历史地下作业的作业环境中事故发生概率较高的作业点位、作业类型等)。
作业信息是指与地下作业的既定任务相关的任务信息。在一些实施例中，作业信息可以包括作业点位、各作业点位的施工人数、各作业点位的材料储量等中的一种或多种。作业信息可以为本领域技术人员根据经验预设。
预设巡检点是指预先设定的待巡查的作业点位。在一些设施例中，预设巡检点可以是历史故障率高于概率阈值的作业点位。
在一些实施中，控制系统可以基于大数据分析，确定与当前的地形结构模型相似的历史地下作业环境，将该历史地下作业环境中事故发生概率较高(例如，高于概率阈值)的作业点位作为预设巡检点。
步骤230，控制第一巡检机器人前往多个预设巡检点进行巡检，获取第一巡检信息。
第一巡检机器人是指对多个预设巡检点进行巡检的机器人。关于第一巡检机器人的更多内容可以参见图1及其相关描述。
第一巡检信息是指第一巡检机器人在多个预设巡检点所获取的巡检信息。
在一些实施例中，第一巡检信息可以包括由第一巡检机器人在多个预设巡检点采集的环境数据和设备运行信息。
环境数据是指与作业环境相关的数据。例如，环境数据可以包括各个预设巡检点的温度、空气湿度、气体成分及浓度等。环境数据可以通过一个或多个传感器采集获得。
设备运行信息可以包括地下作业设备的运行情况。例如，设备运行信息可以包括开关柜、变压器、控制柜、辅助设备的运行情况。
在一些实施例中，第一巡检信息还可以包括多个预设巡检点图像和多个预设巡检点音频。
预设巡检点图像是指第一巡检机器人在预设巡检点获取的图像数据。如，开关柜运行界面图像、变压器运行界面图像等。
预设巡检点音频是指第一巡检机器人在预设巡检点获取的音频数据。如，开关柜运行音频、变压器运行界音频等。
在一些实施例中，控制系统可以控制第一巡检机器人前往多个预设巡检点进行巡检，通过第一巡检机器人上的图像采集装置采集预设巡检点图像，通过第一巡检机器人上的音频采集装置采集预设巡检点音频。示例性的音频采集装置可以包括拾音器、录音机等。图像采集装置可以包括摄像头、红外热成像仪等。
在一些实施例中，控制系统可以通过对多个预设巡检点图像和/或多个预设巡检点音频进行分析处理，获得预设巡检点的设备运行信息。例如，控制系统可以通过对预设巡检点的开关柜运行界面图像和/或开关柜运行音频进行分析处理，获取开关柜的设备运行信息。
步骤240，基于第一巡检信息，确定至少一个可疑位置及其可疑等级。
可疑位置是指可能发生故障或存在较高安全隐患的预设巡检点。可疑位置的可疑等级是指可能发生的故障的第一严重程度或第一安全隐患等级。第一严重程度或第一安全隐患等级可以由1～10级的等级表示，数值越大表示第一严重程度或第一安全隐患越大。
在一些实施例中，控制系统可以根据预设第一对照表基于第一巡检信息，确定至少一个可疑位置及其可疑等级。在一些实施例中，预设第一对照表中包括多个不同的参考巡检信息与参考可疑位置及其参考可疑等级的对应关系。在一些实施例中，可以根据先验知识或历史数据构建多个不同的参考巡检信息与参考可疑位置及其参考可疑等级的对应关系来得到预设第一对照表。
在一些实施例中，控制系统可以通过可疑模型处理多个预设巡检点图像、多个预设巡检点音频以及第一地形结构图，确定至少一个预设巡检点的可疑概率和可疑等级，以及基于至少一个预设巡检点的可疑概率和可疑等级，确定至少一个可疑位置及其可疑等级。其中，可疑模型为机器学习模型。关于该部分更详细的内容可以参见图3及其相关描述。
步骤250，基于至少一个可疑位置和/或至少一个可疑位置的可疑等级，确定第二巡检机器人的巡检路线。
第二巡检机器人是指对可疑位置进行二次巡检的机器人。关于第二巡检机器人的更多内容可以参见图1及其相关描述。
第二巡检机器人的巡检路线是指在一次巡检过程中第二巡检机器人依次经过的可疑位置的集合。
在一些实施例中，控制系统可以基于至少一个可疑位置的可疑等级，按照可疑等级从高到低的顺序，确定第二巡检机器人的巡检路线。例如，巡检路线可以是优先经过可疑等级高的可疑位置。
在一些实施例中，控制系统还可以基于至少一个可疑位置确定确定至少一条第一候选巡检路线；确定至少一条第一候选巡检路线中每条第一候选巡检路线的巡检路线冗余度；基于巡检路线冗余度和/或至少一个可疑位置的可疑等级，按照第一预设方法确定第二巡检机器人的巡检路线。关于该部分更详细的描述，请参见下文图4。
步骤260，控制第二巡检机器人前往巡检路线进行巡检，获取第二巡检信息。
第二巡检信息是指第二巡检机器人对多个可疑位置进行巡检所获取的巡检信息。
在一些实施例中，第二巡检信息可以包括由第二巡检机器人在多个可疑位置采集的环境数据、设备运行信息和安全设施信息。安全设施信息是指与为保障安全生产所采取的措施相关的信息。例如，矿山地下作业中，安全通道有没有被仪器堵住。
在一些实施例中，第二巡检信息还可以包括多个可疑位置图像和多个可疑位置音频。
可疑位置图像是指第二巡检机器人在可疑位置获取的图像数据。例如，可疑位置的开关柜运行界面图像、变压器运行界面图像等。
可疑位置音频是指第二巡检机器人在可疑位置获取的音频数据。例如，可疑位置的开关柜运行音频、变压器运行界音频等。
在一些实施例中，控制系统可以控制第二巡检机器人前往巡检路线对多个可疑位置进行二次巡检，通过第二巡检机器人采集第二巡检信息。由于第二巡检机器人的巡检精度和巡检信息的丰富程度均高于第一巡检机器人，第二巡检信息的精度高于第一巡检信息。
步骤270，基于第二巡检信息确定至少一个目标位置及其严重等级。
目标位置是指确实发生了故障或安全隐患超过预设等级的可疑位置。预设等级可以为本领域技术人员根据经验预设。例如，预设等级可以为5级等。
目标位置的严重等级是指实际发生故障的第二严重程度或第二安全隐患等级。第二严重程度或第二安全隐患等级可以由1～10级的等级表示，数值越大表示第二严重程度或第二安全隐患等级越高。需要说明的是，由于目标位置是确实发生了故障或安全隐患超过预设等级的可疑位置，其实际发生故障的第二严重程度或第二安全隐患等级的准确性高于第一严重程度或第一安全隐患等级。
在一些实施例中，控制系统可以根据预设第二对照表基于第二巡检信息，确定至少一个目标位置及其严重等级。在一些实施例中，预设第二对照表中包括多个不同的参考巡检信息与参考目标位置及其参考严重等级的对应关系。在一些实施例中，可以根据先验知识或历史数据构建多个不同的参考巡检信息与参考目标位置及其参考严重等级的对应关系来得到预设第二对照表。
在一些实施例中，控制系统可以基于第二巡检信息，通过第二预设方法从至少一个可疑位置中确定至少一个目标位置，以及基于第三预设方法确定至少一个目标位置中的每个目标位置的严重等级。关于该部分更详细的描述，请参见下文图5。
步骤280，响应于严重等级满足预设条件，发出预警。
预设条件是指预设的需要满足的条件。例如，严重等级大于7级或者8级等。预警是指发出的警示信息。例如，预警可以包括文字预警、语音预警以及视频预警等。
在一些实施例中，控制系统可以响应于目标位置的严重等级满足预设条件，则发出预警。例如，若目标位置的严重等级大于7级，则对该目标位置发出文字预警“存在安全隐患”。
在本说明书的一些实施例中，通过第一巡检机器人对多个预设巡检点进行快速巡检，确定可疑位置，然后再通过精度高于第一巡检机器人的第二巡检机器人对可疑位置进行二次巡检，以在可疑位置中进一步判断存在安全隐患的目标位置并进行预警，从而避免在没有发生故障或隐患的地方进行频繁巡检，降低巡检异常误判的情况，提高巡检机器人的巡检准确率和巡检效果。
图3是根据本说明书一些实施例所示的可疑模型的处理过程的示例性示意图。
在一些实施例中，控制系统可以通过可疑模型330处理多个预设巡检点图像320、多个预设巡检点音频310以及第一地形结构图360，确定至少一个预设巡检点的可疑概率和可疑等级370。
在一些实施例中，可疑模型可以为机器学习模型。例如，可疑模型可以包括，但不限于深度神经网络(Deep Neural Networks,DNN)、卷积神经网络(Convolutional NeuralNetworks,CNN)等各种可行的模型中的任意一种或组合。
在一些实施例中，可疑模型的输入可以包括多个预设巡检点音频、多个预设巡检点图像和第一地形结构图，输出可以包括至少一个预设巡检点的可疑概率和可疑等级。
第一地形结构图可以指根据地下作业环境的地形结构构建的图。在一些实施例中，控制系统可以基于作业环境的地形结构模型以及作业环境的其他相关信息构建第一地形结构图。图是由节点和边组成的数据结构，边连接节点，节点和边可以具有属性。
在一些实施例中，第一地形结构图的节点可以为作业环境内的各个预设巡检点。节点属性可以反映对应预设巡检点的相关特征。例如，节点属性包括：图像特征、音频特征、环境数据等。关于环境数据的更多内容可以参见图2及其相关描述。关于图像特征、音频特征的更多内容参见后文相关描述。
在一些实施例中，第一地形结构图的边可以与作业环境内的预设巡检点之间存在的通路对应。边属性可以反应对应通路的相关特征。例如，边属性包括：节点之间的距离、空间位置等。
节点之间的距离是指地下作业内的任意两个预设巡检点之间的直线距离。
空间位置是指边在第一地形结构图中所处的位置。
节点属性可以基于可疑模型的图像特征提取层和音频特征提取层确定。更多内容可以参见后文相关描述。
边属性可以基于地形结构模型中的空间数据用各种方法确定。空间数据的来源可以是其他实施例中说明的方法，也可以是其他方法。空间数据可以包括当前获得的数据(例如，控制系统当前构建的地下作业的地形结构模型中的空间数据)，也可以包括历史节点距离数据、历史空间位置数据等。
关于预设巡检点音频和预设巡检点图像的更多内容参见上文图2中相关描述。
可疑概率可以指预设巡检点可能发生故障的概率或存在较高安全隐患的概率。可疑概率可以用百分数表示。可疑概率的数值越大，表示对应的预设巡检点发生故障的可能性较高，或存在越大的安全隐患。关于可疑等级的更多内容可以参见步骤240及其相关描述。
在一些实施例中，可疑模型330可以包括音频特征提取层330-1、图像特征提取层330-2和可疑位置确定层330-3。
在一些实施例中，音频特征提取层330-1可以为用于音频识别的机器学习模型。例如，音频特征提取层可以包括RNN模型、DNN模型、CNN模型等各种可行的模型中的任意一种或组合。在一些实施例中，音频特征提取层330-1的输入包括多个预设巡检点音频310(例如，预设巡检点1的音频，预设巡检点2的音频等)，输出包括多个预设巡检点音频的音频特征340-1。
音频特征是指能够反映预设巡检点音频特点的特征数据。在一些实施例中，音频特征可以包括过零率和频谱质心等中的一种或多种。过零率是指一个音频信号的符号变化的比率，例如，音频信号从正数变成负数或反向。频谱质心是频率成分的重心，为在一定频率范围内通过能量加权平均的频率。频谱质心可以是描述音色属性的重要物理参数之一。
在一些实施例中，图像特征提取层330-2可以为用于图像识别的机器学习模型。例如，图像特征提取层可以包括RNN模型、DNN模型、CNN模型等各种可行的模型中的任意一种或组合。在一些实施例中，图像特征提取层330-2的输入包括多个预设巡检点图像320(例如，预设巡检点1的图像，预设巡检点2的图像等)，输出包括多个预设巡检点图像的图像特征340-2。
图像特征是指能够反映预设巡检点图像特点的特征。在一些实施例中，图像特征可以包括颜色特征、纹理特征和形状特征等中的一种或多种。
在一些实施例中，可疑位置确定层330-3可以为机器学习模型。例如，可疑位置确定层可以包括图神经网络模型(GNN)。在一些实施例中，可疑位置确定层330-3的输入包括第一地形结构图360，输出包括至少一个预设巡检点的可疑概率和可疑等级370(例如，预设巡检点1的可疑概率和可疑等级、预设巡检点2的可疑概率和可疑等级等)。其中，GNN中的节点输出对应预设巡检点的可疑概率和可疑等级。
在一些实施例中，可疑模型可以基于多个带有第一标签的第一训练样本，由图像特征提取层、音频特征提取层和可疑位置确定层进行联合训练获取。
在一些实施例中，每组第一训练样本可以包括一个历史巡检路线上的多个历史预设巡检点的历史预设巡检点音频和历史预设巡检点图像，历史巡检路线对应作业环境的历史地形结构模型。第一标签可以是多个历史预设巡检点的可疑概率和可疑等级。在一些实施例中，第一标签可以由人工预先标注。例如，人工基于经验值给各个节点标注可疑概率。在一些实施例中，第一标签可以根据历史数据确定。例如，可以将确实发生了故障或安全隐患超过预设等级的可疑位置的可疑概率标注为1，将未发生故障或安全隐患未超过预设等级的可疑位置的可疑概率标注为0。
示例性的训练过程包括：将第一训练样本中的历史预设巡检点音频输入初始音频特征提取层，得到初始音频特征输出的音频特征；将第一训练样本中的历史预设巡检点图像输入初始图像特征提取层，得到初始图像特征提取层输出的图像特征；基于初始音频特征提取层输出的音频特征、初始图像特征提取层输出的图像特征以及历史地形结构模型，构建历史第一地形结构图；将历史第一地形结构图输入初始可疑位置确定层，通过第一标签和初始可疑位置确定层的输出结果构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始音频特征提取层、初始图像特征提取层和初始可疑位置确定层的参数，获得训练好的可疑模型。当训练的模型满足预设条件时，训练结束，获取训练好的可疑模型。在一些实施例中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
通过上述训练方式获得图像特征提取层、音频特征提取层的参数，在一些情况下有利于解决单独训练图像特征提取层、音频特征提取层时难以获得标签的问题，还可以使图像特征提取层、音频特征提取层分别能较好地得到反映预设巡检点图像的图像特征和预设巡检点音频的音频特征。
本说明书一些实施例，基于训练好的可疑模型进行数据处理，可以基于大量的、广泛的特征确定各个预设巡检点的可疑概率和可疑等级，快速确定预设巡检点的可疑概率和可疑等级。同时，在确定各个道路对应的预设巡检点的可疑概率和可疑等级时，考虑到了预设巡检点在各个路口与通路的流动，可以使确定的各个通路对应的预设巡检点的可疑概率和可疑等级更符合实际情况，提高了预测预设巡检点的可疑概率和可疑等级的准确率。
在一些实施例中，控制系统可以基于至少一个预设巡检点的可疑概率和可疑等级，确定至少一个可疑位置及其可疑等级。
在一些实施例中，控制系统可以将可疑概率超过预设阈值的预设巡检点确定为可疑位置，并将该预设巡检点的可疑等级确定为该可疑位置的可疑等级。预设阈值可以根据本领域技术人员的经验值或巡检的实际需求进行设定。
图4是根据本说明书一些实施例所示的确定第二巡检机器人的巡检路线的示例性流程图。在一些实施例中，流程400可以由基于大数据的智能巡检系统的控制系统执行。如图4所示，流程400包括下述步骤。
步骤410，基于至少一个可疑位置确定至少一条第一候选巡检路线。
第一候选巡检路线是指用于确定第二巡检机器人的巡检路线的候选路径。在一些实施例中，第一候选巡检路线可以是经过该至少一个可疑位置中每一个可疑位置的路线。
在一些实施例中，控制系统可以基于至少一个可疑位置，通过路线模拟的方式确定多个第一候选巡检路线。其中，路线模拟的方式可以是基于预设路线模拟算法，获取包含至少一个可疑位置的第一候选巡检路线。预设的路线模拟算法可以包含任何可以实现路线模拟的算法模型。
步骤420，确定至少一条第一候选巡检路线中每条第一候选巡检路线的巡检路线冗余度。
巡检路线冗余度可以反映可疑位置在巡检路线中的重复程度。例如，在一条巡检路线中，对至少一个可疑位置进行重复巡检的次数越高，则巡检路线冗余度越高。巡检路线冗余度可以用数值表示，数值越大，表示可疑位置在巡检路线中的重复程度越高。
在一些实施例中，控制系统可以基于第一候选巡检路线中重复经过(即至少两次经过)的可疑位置的个数和/或各个重复经过的可疑位置的重复经过次数，确定各个第一候选巡检路线的巡检路线冗余度。例如，可以将第一候选巡检路线中重复经过(即至少两次经过)的可疑位置的个数作为该第一候选巡检路线的巡检路线冗余度。又例如，可以将第一候选巡检路线中重复经过(即至少两次经过)的可疑位置的个数和各个重复经过的可疑位置的重复经过次数进行加权求和得到该第一候选巡检路线的巡检路线冗余度。
在一些实施例中，控制系统可以基于预设规则确定至少一条第一候选巡检路线中每条第一候选巡检路线的巡检路线冗余度。
预设规则可以指用于确定巡检路线冗余度的相关规则。在一些实施例中，预设规则可以根据巡检的实际需求设定，或由本领域技术人员根据经验设定。
在一些实施例中，预设规则可以包括：对于多条第一候选巡检路线中的每一条，确定某一第一候选巡检路线所经过的至少一个可疑位置中每个可疑位置的通路数量；基于每个可疑位置的通路数量，确定奇点位置数量；基于奇点位置数量，确定该第一候选巡检路线的巡检路线冗余度。
通路是指某一可疑位置与另一可疑位置之间连接的线路。每个可疑位置可以与一个或多个其他的可疑位置存在通路，即每个可疑位置至少存在一条通路。通路数量可以基于第一地形结构图确定。例如，当可疑位置A对应的节点与可疑位置B、可疑位置C对应的节点之间分别存在边时，确定可疑位置A的通路数量为2条。
奇点位置是指通路数量为奇数的可疑位置。奇点位置数量是指通路数量为奇数的可疑位置的数量。通过判断至少一个可疑位置中某一可疑位置的通路数量是否为奇数条，可以确定该可疑位置是否为奇点位置，进而可以确定至少一个可疑位置中的奇点位置数量。
在一些实施例中，当奇点位置数量为0或2时，可以确定巡检路线冗余度为0。
在一些实施例中，当奇点位置数量不为0或2时，将某一候选巡检路线中除起点和终点外的其他奇点位置进行两两匹配，并添加线段。根据添加的线段的情况，确定该第一候选巡检路线的巡检路线冗余度。例如，将添加的线段的总长度(根据添加的线段的数量和各自的长度确定总长度)确定为巡检路线冗余度。又例如，将添加的线段的数量确定为巡检路线冗余度。
步骤430，基于巡检路线冗余度和/或至少一个可疑位置的可疑等级，按照第一预设方法确定第二巡检机器人的巡检路线。
第一预设方法是指预先设定的确定第二巡检机器人的巡检路线的规则。
在一些实施例中，第一预设方法可以包括：基于多条第一候选巡检路线的冗余度，筛选出巡检路线冗余度最小的第一候选巡检路线作为第二巡检机器人的巡检路线。
在一些实施例中，当巡检路线冗余度最小的第一候选巡检路线包括两条或两条以上时，可以根据第一候选巡检路线的实际路径长度(即巡检路线的总长度)确定第二巡检机器人的巡检路线。例如，从两条或两条以上巡检路线冗余度最小的第一候选巡检路线中，筛选出实际路径长度最小的第一候选巡检路线作为第二巡检机器人的巡检路线。
在一些实施例中，第一预设方法还可以包括：将至少一个可疑位置的可疑等级中，可疑等级超过可疑等级阈值的至少一个可疑位置确定为候选位置，将候选位置按照可疑等级从高到低进行巡检。对于可疑等级未超过可疑等级阈值的剩余可疑位置：可以基于剩余可疑位置，确定多条第二候选巡检路线；基于预设规则确定多条第二候选巡检路线中每条第二候选巡检路线的巡检路线冗余度；按照第一预设方法，基于多条第二候选巡检路线的巡检路线冗余度，筛选出巡检路线冗余度最小的第二候选巡检路线以对剩余可疑位置进行巡检。
候选位置可以指需要进行巡查的待定位置。
可疑等级阈值可以指与可疑等级相关的临界值。在一些实施例中，可疑等级阈值可以根据本技术领域人员的经验或巡检的实际需求设定。
在一些实施例中，可疑等级阈值可以与第一巡检机器人的巡检准确率正相关。例如，第一巡检机器人的巡检准确率越高，即第一巡检机器人的巡检精度越高，可疑等级阈值也越高。
巡检准确率可以反映第一巡检机器人确定的可疑位置的可靠程度。巡检准确率可以基于历史目标位置数量和历史可疑位置数量确定。关于巡检准确率的更多说明，可以参考本说明书的其他相关部分，如图5及其相关描述。
在本说明书的一些实施例中，由于可疑等级阈值与第一巡检机器人的巡检准确率正相关，而巡检准确率基于历史目标位置数量和历史可疑位置数量确定，从而实现通过第二机器人的检测结果来校正第一机器人，提高巡检准确率。
第二候选巡检路线是指经过该剩余可疑位置的路线。确定多条第二候选巡检路线的巡检路线冗余度的方法与确定第一候选巡检路线的巡检路线冗余度类似，具体参考前文所述，在此不再赘述。
在本说明书的一些实施例中，基于多条第一候选巡检路线的巡检路线冗余度，筛选出巡检路线冗余度最小的第一候选巡检路线作为第二巡检机器人的巡检路线，避免了冗余路线的产生，提高了巡检效率。在本说明书的另一些实施例中，通过将可疑等级超过阈值部分的可疑位置按照可疑等级从高到低进行巡检，根据剩余可疑位置重新确定第二候选巡检路线及其巡检路线冗余度，并根据巡检路线冗余度确定剩余可疑位置的巡检路线，可以实现优先检测可疑等级高的可疑位置，并避免可疑位置的重复巡检，进一步提高巡检效率。
图5是根据本说明书一些实施例所示的确定至少一个目标位置及其严重等级的示例性流程图。在一些实施例中，流程500可以由基于大数据的智能巡检系统的控制系统执行。如图5所示，流程500包括下述步骤。
步骤510，基于第二巡检信息，通过第二预设方法从至少一个可疑位置中确定至少一个目标位置。
第二预设方法是指用于从至少一个可疑位置中确定至少一个目标位置的任意可行方法。
在一些实施例中，第二预设方法可以包括：直接把每个可疑位置都确定为目标位置。在一些实施例中，第二预设方法可以包括：将可疑等级高于可疑等级阈值的可疑位置确定为目标位置。
在一些实施例中，第二预设方法还可以包括：通过可疑模型中的图像特征提取层和音频特征提取层分别对可疑位置图像和可疑位置音频进行特征提取，确定目标特征向量；基于目标特征向量通过向量数据库进行匹配，确定关联特征向量；将关联特征向量对应的可疑位置确定为目标位置。
目标特征向量是指基于可疑位置图像和可疑位置音频构建的特征向量。
向量数据库包含多个参考特征向量，以及多个参考特征向量中的每个参考特征向量对应的参考可疑位置。参考特征向量是基于历史可疑位置图像和历史可疑位置音频构建的特征向量。参考特征向量的构建方式与目标特征向量的构建方式相似。在一些实施例中，可以基于多个参考特征向量及其对应的参考可疑位置构向量数据库。
在一些实施例中，控制系统可以基于目标特征向量，在向量数据库中确定符合预设条件的参考特征向量，将符合预设条件的参考特征向量确定为关联特征向量。其中，预设条件可以指用于确定关联特征向量的判断条件。在一些实施例中，预设条件可以包括向量距离小于距离阈值、向量距离最小等。
在一些实施例中，控制系统可以基于确定的关联特征向量对应的参考可疑位置确定目标位置。
关于可疑模型、图像特征提取层和音频特征提取层的更多内容可以参见图3及其相关描述。
在一些实施例中，控制系统可以基于历史目标位置数量和历史可疑位置数量确定第一巡检机器人的巡检准确率。
巡检准确率是指第一巡检机器人的巡检数据确定的可疑位置为实际发生故障位置的正确率。巡检准确率可以表示第一巡检机器人巡检结果的正确率。巡检准确率可以通过0-1的数值表示，数值越大，表示第一巡检机器人的巡检准确率越高。
一次完整的巡检过程包括第一巡检机器人的巡检过程和第二巡检机器人的巡检过程。历史目标位置数量是指在一次历史巡检过程中，基于第二巡检信息确定的目标位置的数量，历史可疑位置数量是指在该次历史巡检过程中，基于第一巡检信息确定的可疑位置的数量。
在一些实施例中，控制系统可以将历史目标位置数量与历史可疑位置数量之间的比值确定为第一巡检机器人的巡检准确率。例如，历史目标位置数量为a，历史可疑位置数量为b，则第一巡检机器人的巡检准确率为a/b，其中a≤b。
在一些实施例中，还可以引入人工干预，由人工对巡检机器人的数据进行分析，并判断巡检机器人之前的输出结果是否准确，以进一步提高机器人巡检准确度。
步骤520，基于第三预设方法确定至少一个目标位置中的每个目标位置的严重等级。
第三预设方法是指用于确定至少一个目标位置中每个目标位置的严重等级的任意可行方法。
在一些实施例中，第三预设方法可以包括：通过目标模型处理第二地形结构图，确定至少一个目标位置中的每个目标位置的严重等级。
第二地形结构图是指根据地下作业环境的地形结构构建的图。在一些实施例中，第二地形结构图可以根据地形结构模型确定。
在一些实施例中，第二地形结构图的节点可以与地下作业环境内的各个目标位置对应。节点属性可以反映对应目标位置的相关特征。例如，节点属性包括：图像特征、音频特征、环境数据、安全设施信息、可疑等级等。关于环境数据、安全设施信息和可疑等级的更多内容可以参见图2及其对应描述。关于图像特征和音频特征的更多内容可以参见图3及其对应描述。
在一些实施例中，第二地形结构图的边可以与地下作业内的目标位置之间存在的通路对应。边属性可以反应对应通路的相关特征。例如，边属性包括：节点之间的距离、空间位置等。
节点之间的距离是指地下作业内的任意两个目标位置之间的直线距离。
空间位置是指边在第二地形结构图中所处的位置。
节点属性和边属性可以基于地形结构模型中的空间数据用各种方法确定。空间数据的来源可以是其他实施例中说明的方法，也可以是其他方法。空间数据可以包括当前获得的数据(例如，控制系统当前构建的地下作业的地形结构模型中的空间数据)，也可以包括历史节点距离数据、历史空间位置数据等。
在一些实施例中，目标模型可以是机器学习模型。例如，目标模型可以是图神经网络模型(GNN)。在一些实施例中，目标模型输入可以是第二地形结构图，输出可以是至少一个目标位置中的每个目标位置的严重等级，其中，GNN中的节点输出对应目标位置的严重等级。
目标模型可以基于训练数据训练获得。训练数据包括第二训练样本以及第二标签。例如，第二训练样本可以是基于历史地形结构模型确定的历史第二地形结构图，历史第二地形结构图的节点及其属性、边及其属性与上述第二地形结构图类似，第二标签可以为历史目标位置的严重等级。在一些实施例中，第二标签可以由人为基于历史经验标注确定。
本说明书一些实施例所示的方法，在确定各个道路对应的目标位置的严重等级时，考虑到了目标位置在各个路口与通路的流动，可以使确定的各个通路对应的目标位置的严重等级更符合实际情况，提高了预测目标位置的严重等级的准确率。
应当注意的是，上述有关流程200、400和500的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程200、400和500进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图6是根据本说明书一些实施例所示的基于大数据的智能巡检系统的结构示意图。如图6所示，基于大数据的智能巡检系统包括第一巡检机器人610、第二巡检机器人620和控制系统630。
在一些实施例中，第一巡检机器人610可以用于获取第一巡检信息。
在一些实施例中，第二巡检机器人620可以用于基于第一巡检信息进一步巡检。关于第一巡检机器人和第二巡检机器人的更多内容可以参见图1及其相关描述。
在一些实施例中，控制系统630可以用于构建地下作业的地形结构模型；基于大数据、地形结构模型以及作业信息，确定多个预设巡检点；控制第一巡检机器人前往多个预设巡检点进行巡检，获取第一巡检信息；基于第一巡检信息，确定至少一个可疑位置及其可疑等级；基于至少一个可疑位置和/或至少一个可疑位置的可疑等级，确定第二巡检机器人的巡检路线；控制第二巡检机器人前往巡检路线进行巡检，获取第二巡检信息；基于第二巡检信息确定至少一个目标位置及其严重等级；响应于严重等级满足预设条件，发出预警。
在一些实施例中，控制系统630可以通过可疑模型处理多个预设巡检点图像、多个预设巡检点音频以及第一地形结构图，确定至少一个预设巡检点的可疑概率和可疑等级；以及基于至少一个预设巡检点的可疑概率和可疑等级，确定至少一个可疑位置及其可疑等级。关于确定可疑位置及其可疑等级的更多内容可以参见图3及其相关描述。
在一些实施例中，控制系统630可以基于至少一个可疑位置确定至少一条第一候选巡检路线；确定各条第一候选巡检路线的巡检路线冗余度；基于巡检路线冗余度和/或至少一个可疑位置的可疑等级，按照第一预设方法确定第二巡检机器人的巡检路线。关于确定第二巡检机器人的巡检路线的更多内容可以参见图4及其相关描述。
在一些实施例中，控制系统630可以基于第二巡检信息，通过第二预设方法从至少一个可疑位置中确定至少一个目标位置；以及基于第三预设方法确定至少一个目标位置中的每个目标位置的严重等级。关于确定目标位置及其严重等级的更多内容可以参见图5及其相关描述。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.基于大数据的智能巡检系统，其特征在于，所述系统包括：机器人和控制系统；
所述机器人包括第一巡检机器人和第二巡检机器人；
所述第一巡检机器人用于获取第一巡检信息；
所述第二巡检机器人用于基于所述第一巡检信息进一步巡检；
所述控制系统用于：
构建地下作业的地形结构模型；
基于大数据、所述地形结构模型以及作业信息，确定多个预设巡检点；
控制所述第一巡检机器人前往所述多个预设巡检点进行巡检，获取所述第一巡检信息；
基于所述第一巡检信息，确定至少一个可疑位置及其可疑等级；
基于所述至少一个可疑位置和/或所述至少一个可疑位置的可疑等级，确定所述第二巡检机器人的巡检路线；
控制所述第二巡检机器人前往所述巡检路线进行巡检，获取第二巡检信息；
基于所述第二巡检信息确定至少一个目标位置及其严重等级；
响应于所述严重等级满足预设条件，发出预警。
2.根据权利要求1所述的系统，其特征在于，所述第一巡检信息包括多个预设巡检点图像和多个预设巡检点音频，所述基于所述第一巡检信息确定至少一个可疑位置及其可疑等级包括：
通过可疑模型处理所述多个预设巡检点图像、所述多个预设巡检点音频以及第一地形结构图，确定至少一个预设巡检点的可疑概率和可疑等级，其中，所述可疑模型为机器学习模型，所述第一地形结构图根据所述地形结构模型确定；以及
基于所述至少一个预设巡检点的可疑概率和可疑等级，确定所述至少一个可疑位置及其可疑等级。
3.根据权利要求1所述的系统，其特征在于，所述基于所述至少一个可疑位置和/或所述至少一个可疑位置的可疑等级，确定所述第二巡检机器人的巡检路线包括：
基于所述至少一个可疑位置确定至少一条第一候选巡检路线；
确定所述至少一条第一候选巡检路线中每条第一候选巡检路线的巡检路线冗余度；
基于所述巡检路线冗余度和/或所述至少一个可疑位置的可疑等级，按照第一预设方法确定所述第二巡检机器人的巡检路线。
4.根据权利要求1所述的系统，其特征在于，所述基于所述第二巡检信息确定至少一个目标位置及其严重等级包括：
基于所述第二巡检信息，通过第二预设方法从所述至少一个可疑位置中确定所述至少一个目标位置；以及
基于第三预设方法确定所述至少一个目标位置中的每个目标位置的严重等级。
5.一种基于大数据的智能巡检方法，其特征在于，所述方法由基于大数据的智能巡检系统的控制系统实现；所述方法包括：
构建地下作业的地形结构模型；
基于大数据、所述地形结构模型以及作业信息，确定多个预设巡检点；
控制第一巡检机器人前往所述多个预设巡检点进行巡检，获取第一巡检信息；
基于所述第一巡检信息，确定至少一个可疑位置及其可疑等级；
基于所述至少一个可疑位置和/或所述至少一个可疑位置的可疑等级，确定所述第二巡检机器人的巡检路线；
控制所述第二巡检机器人前往所述巡检路线进行巡检，获取第二巡检信息；
基于所述第二巡检信息确定至少一个目标位置及其严重等级；
响应于所述严重等级满足预设条件，发出预警。
6.根据权利要求5所述的方法，其特征在于，所述第一巡检信息包括多个预设巡检点图像和多个预设巡检点音频，所述基于所述第一巡检信息确定至少一个可疑位置及其可疑等级包括：
通过可疑模型处理所述多个预设巡检点图像、所述多个预设巡检点音频以及第一地形结构图，确定至少一个预设巡检点的可疑概率和可疑等级，其中，所述可疑模型为机器学习模型，所述第一地形结构图根据所述地形结构模型确定；以及
基于所述至少一个预设巡检点的可疑概率和可疑等级，确定所述至少一个可疑位置及其可疑等级。
7.根据权利要求5所述的方法，其特征在于，所述基于所述至少一个可疑位置和/或所述至少一个可疑位置的可疑等级，确定所述第二巡检机器人的巡检路线包括：
基于所述至少一个可疑位置确定至少一条第一候选巡检路线；
确定所述至少一条第一候选巡检路线中每条第一候选巡检路线的巡检路线冗余度；
基于所述巡检路线冗余度和/或所述至少一个可疑位置的可疑等级，按照第一预设方法确定所述第二巡检机器人的巡检路线。
8.根据权利要求5所述的方法，其特征在于，所述基于所述第二巡检信息确定至少一个目标位置及其严重等级包括：
基于所述第二巡检信息，通过第二预设方法从所述至少一个可疑位置中确定所述至少一个目标位置；以及
基于第三预设方法确定所述至少一个目标位置中的每个目标位置的严重等级。
9.一种基于大数据的智能巡检装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求5～8中任一项所述的基于大数据的智能巡检方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求5～8任一项所述的基于大数据的智能巡检方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488795.4A CN116627126A (zh) | 2023-05-04 | 2023-05-04 | 一种基于大数据的智能巡检方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310488795.4A CN116627126A (zh) | 2023-05-04 | 2023-05-04 | 一种基于大数据的智能巡检方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116627126A true CN116627126A (zh) | 2023-08-22 |
Family
ID=87616166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310488795.4A Pending CN116627126A (zh) | 2023-05-04 | 2023-05-04 | 一种基于大数据的智能巡检方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116627126A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708382A (zh) * | 2023-10-12 | 2024-03-15 | 广州信邦智能装备股份有限公司 | 巡检数据处理方法及智慧工厂巡检系统和相关介质程序 |
-
2023
- 2023-05-04 CN CN202310488795.4A patent/CN116627126A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117708382A (zh) * | 2023-10-12 | 2024-03-15 | 广州信邦智能装备股份有限公司 | 巡检数据处理方法及智慧工厂巡检系统和相关介质程序 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marocco et al. | Integrating disruptive technologies with facilities management: A literature review and future research directions | |
| US11657373B2 (en) | System and method for identifying structural asset features and damage | |
| CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及系统 | |
| CN108304661A (zh) | 基于tdp模型的诊断预测方法 | |
| CN109086470A (zh) | 一种基于模糊偏好关系与d-s证据理论的故障诊断方法 | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| CN116503975B (zh) | 基于智慧燃气gis的安全隐患处置方法和物联网系统 | |
| US11982613B2 (en) | Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas | |
| CN116627126A (zh) | 一种基于大数据的智能巡检方法和系统 | |
| CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
| CN116027146A (zh) | 配电电缆网多状态分布式无源感知监测方法、装置和设备 | |
| CN111384776A (zh) | 一种基于vr的变电站三维全景状态监测方法及系统 | |
| CN116055521A (zh) | 一种电力巡检机器人巡检系统及图像识别方法 | |
| CN115240101A (zh) | 一种基于场景分析的医疗样本转送监督系统 | |
| CN104935874A (zh) | 基于时空不变特征抽取与电力系统运行状态的巡检机器人 | |
| US12007075B2 (en) | Methods and internet of things (IoT) systems for managing smart gas safety hazard items based on geographic information systems | |
| US20230417372A1 (en) | Methods and internet of things (iot) systems for managing smart gas safety hazard items based on geographic information systems | |
| Fan et al. | Navigation of Substation Inspection Robot Based on Machine Vision | |
| CN117809191B (zh) | 用于输电线路三维立体测距的智能监测预警方法及系统 | |
| CN117910266A (zh) | 基于ai的水电设备运维决策方法及系统 | |
| Chemerys et al. | Network of Autonomous Units for the Complex Technological Objects Reliable Monitoring | |
| Wang et al. | Artificial Intelligence for Driverless Travel Cranes for Power Supply Warehouses Technology | |
| CN117829476A (zh) | 地下管廊巡检机器人的信息录入管理系统及方法 | |
| CN118051062A (zh) | 基于bim和无人机的施工现场塔吊智能巡检方法及系统 | |
| Ramasamy et al. | Cloud-Enabled Isolation Forest for Anomaly Detection in UAV-Based Power Line Inspection |
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 |