CN116841301B - 巡检机器人巡检模型训练方法、装置、设备及介质 - Google Patents
巡检机器人巡检模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116841301B CN116841301B CN202311117761.0A CN202311117761A CN116841301B CN 116841301 B CN116841301 B CN 116841301B CN 202311117761 A CN202311117761 A CN 202311117761A CN 116841301 B CN116841301 B CN 116841301B
- Authority
- CN
- China
- Prior art keywords
- inspection
- target
- machine position
- data
- model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000007689 inspection Methods 0.000 title claims description 396
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 description 23
- 230000007613 environmental effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 238000007654 immersion Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000000779 smoke Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
Abstract
本申请提供一种巡检机器人巡检模型训练方法、装置、电子设备及存储介质,通过确定目标巡检机位,可确定出目标巡检路径,在目标巡检路径上获得各目标巡检机位对应的目标巡检数据和机位状态,可获得各目标巡检机位上多态化的巡检数据,提升了一次巡检过程获得的数据量和数据的丰富程度,由此训练获得巡检模型,提升了巡检模型数据集的采集效率,进而提升了巡检模型的准确性。
Description
技术领域
本申请涉及工业机器人技术,尤其涉及一种巡检机器人巡检模型训练方法、装置、设备及介质。
背景技术
巡检机器人可用于在数据中心机房和智能工厂中确定机房的温度、湿度和异常状态等,并通过网络上报到管理系统中。为确保上报数据准确,需要对检测点对应状态的信息进行预先学习,以便能够准确区分出故障和非故障状态。例如,对于图像信息,当前主流的做法是从现场或开源的图片库中预先采集大量图像作为数据集,从而可通过巡检机器人进行自主学习或在第三方终端上预训练后植入巡检机器人进行应用。
但是,此类方法在固定场景中能够有一定的效果,但在有些场景下的相同的状态检测点(如多个水浸检测点)呈现出多态的形式,如水浸状态因传感器的安装位置和角度不同,可呈现出不同的视觉效果,统一的训练模型较难适配海量多态场景。当检测点规模较大时,这类方法采集数据集的效率不好,从而导致模型学习的准确率和效率不佳。因此,需要一种巡检机器人巡检模型训练方法,以提升巡检模型训练的准确性和效率。
发明内容
本申请提供一种巡检机器人巡检模型训练方法、装置、电子设备及存储介质,用以解决当目标区域中检测点数据规模较大时,根据预先采集的数据集建立巡检模型带来的模型训练效率不高及模型应用效果不好的问题。
第一方面,本申请提供一种巡检机器人巡检模型训练方法,包括:
确定目标区域中的目标巡检机位,以及各目标巡检机位对应的目标巡检数据;
根据各目标巡检机位,确定巡检机器人的目标巡检路径;
根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态;
根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型。
作为一种可选的实施方式,目标区域包括数据中心机房或智能工厂区域,目标巡检数据包括环境状态参数及动力状态参数,方法还包括:
根据环境状态参数及动力状态参数,确定对应于各目标巡检机位的机位状态数据;
根据机位状态数据,建立对应于各目标巡检机位的集成数据点。
作为一种可选的实施方式,目标巡检数据包括图像数据及数据点状态数据,根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态,包括:
根据目标巡检路径,获取各目标巡检机位对应的图像数据,以及,获取集成数据点的数据点状态数据;
根据图像数据和/或数据点状态数据,确定对应于各目标巡检机位的机位状态。
作为一种可选的实施方式,根据目标巡检路径,获取各目标巡检机位对应的图像数据,包括:
确定各目标巡检机位的至少一个图像采集机位参数;
其中,图像采集机位参数用于指示巡检机器人在对应目标巡检机位下的传感器内部参数以及位姿参数;
根据目标巡检路径,获取各目标巡检机位上对应于各图像采集机位参数的图像数据。
作为一种可选的实施方式,方法还包括:
根据巡检模型的目标精度,确定目标巡检次数;
根据巡检模型的目标时效,确定目标巡检周期;
根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型之后,方法还包括:
在目标巡检周期中,判断当前训练获得的巡检模型是否符合有效性条件,若判断出巡检模型符合有效性条件,则确定对巡检模型训练完成;
其中,有效性条件包括:当前的巡检次数达到目标巡检次数,或者确定出当前训练出的巡检模型收敛。
第二方面,本申请提供一种巡检机器人巡检模型训练装置,装置包括:
数据确定模块,用于确定目标区域中的目标巡检机位,以及各目标巡检机位对应的目标巡检数据;
路径确定模块,用于根据各目标巡检机位,确定巡检机器人的目标巡检路径;
数据获取模块,用于根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态;
模型训练模块,用于根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型。
作为一种可选的实施方式,目标区域包括数据中心机房或智能工厂区域,目标巡检数据包括环境状态参数及动力状态参数,装置还包括数据点建立模块,用于:
根据环境状态参数及动力状态参数,确定对应于各目标巡检机位的机位状态数据;
根据机位状态数据,建立对应于各目标巡检机位的集成数据点。
作为一种可选的实施方式,目标巡检数据包括图像数据及数据点状态数据,数据获取模块根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态的具体方式,包括:
根据目标巡检路径,获取各目标巡检机位对应的图像数据,以及,获取集成数据点的数据点状态数据;
根据图像数据和/或数据点状态数据,确定对应于各目标巡检机位的机位状态。
作为一种可选的实施方式,数据获取模块根据目标巡检路径,获取各目标巡检机位对应的图像数据的具体方式,包括:
确定各目标巡检机位的至少一个图像采集机位参数;
其中,图像采集机位参数用于指示巡检机器人在对应目标巡检机位下的传感器内部参数以及位姿参数;
根据目标巡检路径,获取各目标巡检机位上对应于各图像采集机位参数的图像数据。
作为一种可选的实施方式,装置还包括验证模块,用于:
根据巡检模型的目标精度,确定目标巡检次数;
根据巡检模型的目标时效,确定目标巡检周期;
以及,验证模块还用于在模型训练模块根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型之后,
在目标巡检周期中,判断当前训练获得的巡检模型是否符合有效性条件,若判断出巡检模型符合有效性条件,则确定对巡检模型训练完成;
其中,有效性条件包括:当前的巡检次数达到目标巡检次数,或者确定出当前训练出的巡检模型收敛。
第三方面,本申请还提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面的方法。
第四方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面的方法。
本申请提供的巡检机器人巡检模型训练方法、装置、设备及介质,通过确定目标巡检机位,可确定出目标巡检路径,在目标巡检路径上获得各目标巡检机位对应的目标巡检数据和机位状态,可获得各目标巡检机位上多态化的巡检数据,提升了一次巡检过程获得的数据量和数据的丰富程度,由此训练获得巡检模型,提升了巡检模型数据集的采集效率和准确性,进而提升了巡检模型的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本发明实施例公开的一种巡检机器人巡检模型训练方法的流程示意图;
图2是本发明实施例公开的一种巡检机器人巡检模型训练方法的应用场景示意图;
图3是本发明实施例公开的另一种巡检机器人巡检模型训练方法的应用场景示意图;
图4是本发明实施例公开的又一种巡检机器人巡检模型训练方法的应用场景示意图;
图5是本发明实施例公开的另一种巡检机器人巡检模型训练方法的流程示意图;
图6是本发明实施例公开的一种巡检机器人巡检模型训练装置的结构示意图;
图7是本发明实施例公开的另一种巡检机器人巡检模型训练装置的结构示意图;
图8是本发明实施例公开的一种巡检机器人巡检模型训练电子设备的结构示意图;
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
巡检机器人可用于在工业机房中确定机房的温度、湿度和异常状态等,并通过网络上报到管理系统中。例如,巡检机器人对温度和湿度的巡检一般通过温湿度传感器来实现,而异常状态则通过图片方式识别,包括水浸告警、烟雾告警等。巡检机器人上带有摄像机,定期对机房内的状态监测点,如水浸检测,烟感检测等,进行拍照检测,如发现异常状态,则需要进行报告。为确保上报数据准确,需要对检测点对应状态的信息进行预先学习,以便能够准确区分出故障和非故障状态。例如,对于图像信息,当前主流的做法是从现场或开源的图片库中预先采集大量图像作为数据集,从而可通过巡检机器人进行自主学习或在第三方终端上预训练后植入巡检机器人进行应用。
但是,此类方法在固定场景中能够有一定的效果,但某些特殊场景中,相同的状态检测点(如多个水浸检测点)呈现出多态的形式,如水浸状态因传感器的安装位置和角度不同,可呈现出不同的视觉效果。因此,当检测点规模较大时,相应的数据规模将变大,导致这类现有方法采集数据集的效率不高,从而导致模型学习的准确率和效率不佳。因此,需要一种巡检机器人巡检模型训练方法,以提升模型训练的准确性和效率。
本申请的技术构思在于,通过巡检机器人动态获取各目标巡检机位的数据,以实时更新训练集,以此进行实时的模型训练,同时丰富巡检机器人在各目标巡检机位的数据获取方式,提升单次巡检流程可以获得的数据量,由此训练获得巡检模型,提升了巡检模型数据集的采集效率,进而提升了巡检模型的准确性。
实施例一
请参阅图1,图1是本发明实施例公开的一种巡检机器人巡检模型训练方法的流程示意图。如图1所示,方法包括:
S101、确定目标区域中的目标巡检机位,以及各目标巡检机位对应的目标巡检数据;
目标巡检机位可用于获取目标区域中具体设备的工作状态及实时参数,即目标巡检数据,而目标巡检数据的形式则根据巡检机器人上的硬件设施及具体的巡检需求确定,例如,可以获取图像参数、温度参数、湿度参数、烟雾参数及化学成分参数等不同的目标巡检数据,只要巡检机器人上装载有对应传感器即可。
S102、根据各目标巡检机位,确定巡检机器人的目标巡检路径;
目标巡检路径可以根据各目标巡检机位的位置进行静态的设置或动态设计,对于目标巡检机位多、目标巡检数据类型复杂的情况,可基于目标区域的实际环境,通过预设的路径设计模型进行动态设计。
S103、根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态;
机位状态可以通过所采集的目标巡检数据,在巡检机器人端分析获得,也可以通过云平台或是目标处理设备、目标中控设备所给出的机位状态结果,直接供巡检机器人应用。
S104、根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型。
对于训练获得巡检模型的周期,可以是完成一个目标巡检机位的数据采集工作后即进行一次训练,也可以在完成一轮目标巡检路径上各目标巡检机位的数据采集工作后再进行一次集中的训练。
作为一种可选的实施方式,目标区域包括数据中心机房或智能工厂区域,目标巡检数据包括环境状态参数及动力状态参数,方法还包括:
根据环境状态参数及动力状态参数,确定对应于各目标巡检机位的机位状态数据;
根据机位状态数据,建立对应于各目标巡检机位的集成数据点。
需要说明的是,目标区域应视作一个整体,例如,上述的数据中心机房或智能工厂区域的任意机房的可构成动力环境监控系统,即动环系统,巡检机器人在动环系统中可根据确定出的目标巡检机位确定目标巡检路径,并根据目标巡检路径进行前述的获取各目标巡检机位对应的目标巡检数据以及机位状态的巡检工作。
其中,各目标巡检机位应当位于目标区域中,而过程中的路径则不需严格位于物理意义上的目标区域中。一种示例,数据中心机房中的两个机房作为一个目标区域,例如,对于数据中心的两个不同的房间,巡检机器人可以对任何一个部分进行前述的巡检流程,也可以对该两个部分均进行前述的巡检流程,此时,两个房间之间的部分则可能在目标区域之外,即目标巡检路径的一部分可能落在目标区域之外,在这种情形下,对于具体目标巡检路径的设计则可以采用任何寻路方法,取决于具体的应用场景,本申请对此不作限制。
可通过动力环境监控系统等数据处理设备对环境状态参数及动力状态参数进行分析,获得对应的机位状态数据,进而以集成数据点的形式来表示机位状态数据,集成数据点可以是基于物联网的数据卡的形式,或是二维码等可以实现与巡检机器人进行通信的任意形式。
请参阅图2,图2是本发明实施例公开的一种巡检机器人巡检模型训练方法的应用场景示意图。如图2所示,当该方法应用于机房中的数据中心机房或智能工厂区域时,相应的机房中安装有动力环境监控系统,即动环系统。动环系统通过传感网络检测机房内的环境状态和动力状态,环境状态包括温度、湿度、水浸、烟雾等,动力状态包括电源供应、空调等。动环系统采集到环境状态和动力状态数据后,转换为唯一标识的数据点,通过数字化接口上报到集中管理中心。
请参阅图3,图3是本发明实施例公开的另一种巡检机器人巡检模型训练方法的应用场景示意图。如图3所示,机房中安装有巡检机器人时,巡检机器人和动环系统建立连接,通过本地方式通信,巡检机器人可从动环系统中获取各类机房的环境状态和动力状态的数据点。需要说明的是,巡检机器人在预设的目标巡检路径上的巡检过程,可以将其视作巡检模型训练过程中的数据采集工作,同时也可以是根据当前动态训练获得的巡检模型,进行对于具体目标巡检机位的状态检测,即巡检模型在巡检过程中,若已经搭载了至少一个有效的巡检模型,则同时完成了模型训练对应的数据采集工作和目标巡检机位状态检测的应用工作。
综上,通过动环系统的目标区域及对应的目标巡检数据,可确定出各目标巡检机位的机位状态数据,并将机位状态数据集成设置于各目标巡检机位对应的集成数据点上,由此可有助于提升巡检模型的训练集数据采集的效率,进而提升了巡检模型的准确性。
作为一种可选的实施方式,目标巡检数据包括图像数据及数据点状态数据,根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态,包括:
根据目标巡检路径,获取各目标巡检机位对应的图像数据,以及,获取集成数据点的数据点状态数据;
根据图像数据和/或数据点状态数据,确定对应于各目标巡检机位的机位状态。
一种示例,请参阅图4,图4是本发明实施例公开的又一种巡检机器人巡检模型训练方法的应用场景示意图。如图4所示,在前述的应用场景下,本申请提供的模型学习过程可以是:
步骤1:按照机房状态检测需求,设定巡检机器人的巡检机位,设计好巡检机器人的巡检路径,设定好自学习次数和巡检学习周期;
步骤2:将巡检机位和动环系统中能够反映检测点状态的数据点进行绑定,即可通过该数据点状态获取该检测点的状态,如水浸是否处于告警状态,烟感是否处于告警状态;此步骤中,巡检机器人在巡检机位A所获取到检测点AX的图片状态,与动环系统中的能够反应检测点AX的数字化状态进行绑定,即当机器人在机位A时对检测点AX状态进行学习时,其学习的数据源包括了动环监控系统中检测点AX的状态。
步骤3:巡检机器人周期性的按照目标巡检路径到达目标巡检机位,启动摄像机对状态检测点进行照片拍摄,同时获取与之绑定的数据点的最新状态数据,以明确该检测点是否存在异常状态。
步骤4:根据数据点状态数据和已拍摄的图片,完成本次巡检点位的状态学习,进入到下一个巡检机位,重复步骤3,直到所有巡检机位的检测点位状态全部学习完毕;
以及,状态学习的过程可以以一轮目标巡检路径为周期,也可以以单个的目标巡检机位为周期,其他实施例中已有相关描述可供参考,故不再赘述。
步骤5:定期重复步骤3和步骤4,直到到达设定的自学习次数。前述的定期重复流程还可参考实施例二的相应描述。
在巡检机器人与动环系统的协同下,能够学习到监测点正常状态和异常状态下的数据,形成与该机房检测点的完全适配的训练数据,即减少了提前训练的工作量,又减少了巡检机器人统一训练带来的训练库匹配度低、识别精度差的问题。
通过目标巡检路径上各目标巡检机位的图像数据和所建立的集成数据点对应的状态数据,可确定出各目标巡检机位对应的机位状态,由此通过不同形式的数据,提升了机位状态数据的准确性和全面性,进而提升了巡检模型的准确性。
作为一种可选的实施方式,根据目标巡检路径,获取各目标巡检机位对应的图像数据,包括:
确定各目标巡检机位的至少一个图像采集机位参数;
其中,图像采集机位参数用于指示巡检机器人在对应目标巡检机位下的传感器内部参数以及位姿参数;
根据目标巡检路径,获取各目标巡检机位上对应于各图像采集机位参数的图像数据。
对于单个目标巡检机位,可能涉及对应不同相机内参及位姿参数的图像采集需求,例如,某目标巡检机位的数据采集目标在于,获取预设设备在多个物理角度下的图像,以及集成于数据点中的数据点状态数据,其中,多个物理角度下的图像可通过图像采集机位参数表示,因此需要获取该目标巡检机位上对应于各图像采集机位参数的图像数据。
通过确定各目标巡检机位对应的至少一个图像采集机位参数,由此获得不同传感器内部参数及位姿参数对应的图像数据,即在同一个目标巡检机位上可获得多个状态不同、参数不同的图像数据,由此可有助于提升巡检模型的训练集数据采集的效率,进而提升了巡检模型的准确性。
本实施例通过确定目标巡检机位,可确定出目标巡检路径,在目标巡检路径上获得各目标巡检机位对应的目标巡检数据和机位状态,可获得各目标巡检机位上多态化的巡检数据,提升了一次巡检过程获得的数据量和数据的丰富程度,由此训练获得巡检模型,提升了巡检模型数据集的采集效率,进而提升了巡检模型的准确性。
实施例二
请参阅图5,图5是本发明实施例公开的另一种巡检机器人巡检模型训练方法的流程示意图。如图5所示,方法包括:
S201、确定目标区域中的目标巡检机位,以及各目标巡检机位对应的目标巡检数据;
S202、根据各目标巡检机位,确定巡检机器人的目标巡检路径;
S203、根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态;
S204、根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型;
需要说明的是,关于S201-S204的具体描述,可参见实施例一对S101-S104的相关描述,此处不再赘述。
S205、根据巡检模型的目标精度,确定目标巡检次数;
S206、根据巡检模型的目标时效,确定目标巡检周期;
巡检次数用于指示训练模型所需采集的数据量,对目标巡检路径进行预设次数的循环,采集多轮次的数据以丰富数据库。巡检周期用于指示巡检机器人采集数据或训练模型的时效性,例如,巡检机器人以一个月为周期,则动态采集最近一个月的数据并进行训练,训练获得的模型即可用于指示设备或系统最近的工作状态,只要确保数据量足够,对巡检周期进行限制有利于提升模型反映机房中设备或系统状态的准确性。
S207、在目标巡检周期中,判断当前训练获得的巡检模型是否符合有效性条件,若判断出巡检模型符合有效性条件,则确定对巡检模型训练完成;
其中,有效性条件包括:当前的巡检次数达到目标巡检次数,或者确定出当前训练出的巡检模型收敛。
为确保可以训练获得可用的模型,应当对模型的迭代过程进行限制,即所属的有效性条件,在目标巡检周期中,巡检次数达到目标巡检次数用于指示数据量达到预设标准。模型的训练方式可以是在每个目标巡检机位的数据采集完成之后则更新一次数据集并训练,也可以是在目标巡检路径上的各机位数据均采集完成之后更新一次数据集并训练,因此,巡检次数还可以用于指示最大的训练迭代次数,由此可将巡检次数与模型训练的有效性建立联系。此外,若在目标巡检周期中可以确定出巡检模型已经收敛,则可以直接判定训练完成,训练获得的模型可以投入实际应用。同时,可以通过多个条件的共同限制确定出具体的有效性条件,例如,在模型收敛的基础上,还需满足用于训练获得巡检模型的数据集中的数据量超过预设阈值,或是当前的巡检次数超过预设数量等条件时,才可判断出对巡检模型训练完成。
此外,当实时确定出当前对巡检模型训练完成之后,方可对模型进行更新,根据最新训练获得的巡检模型和/或过去训练过程中标记有效的历史模型,完成最新的数据采集任务及巡检应用任务,该过程是动态、实时的,装载的模型也将根据实际的训练过程而更新,因此,可以保证巡检模型数据集的采集效率,进而提升了巡检模型的准确性。
本实施例通过限制目标巡检次数,在目标巡检周期中若训练次数达到目标巡检次数或模型已收敛时确定出巡检模型训练完成,由此提升了模型训练的效率及模型的有效性,同时确保了模型训练过程不会陷入死循环。
实施例三
本发明实施例还提供一种巡检机器人巡检模型训练装置以实现前述方法,请参阅图6,图6是本发明实施例公开的一种巡检机器人巡检模型训练装置的结构示意图。如图6所示,在其他任一实施例的基础上,装置包括:
数据确定模块31,用于确定目标区域中的目标巡检机位,以及各目标巡检机位对应的目标巡检数据;
路径确定模块32,用于根据各目标巡检机位,确定巡检机器人的目标巡检路径;
数据获取模块33,用于根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态;
模型训练模块34,用于根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型。
通过确定目标巡检机位,可确定出目标巡检路径,在目标巡检路径上获得各目标巡检机位对应的目标巡检数据和机位状态,可获得各目标巡检机位上多态化的巡检数据,提升了一次巡检过程获得的数据量和数据的丰富程度,由此训练获得巡检模型,提升了巡检模型数据集的采集效率,进而提升了巡检模型的准确性。
作为一种可选的实施方式,目标区域包括数据中心机房或智能工厂区域,目标巡检数据包括环境状态参数及动力状态参数,请参阅图7,图7是本发明实施例公开的另一种巡检机器人巡检模型训练装置的结构示意图。如图7所示,装置还包括数据点建立模块35,用于:
根据环境状态参数及动力状态参数,确定对应于各目标巡检机位的机位状态数据;
根据机位状态数据,建立对应于各目标巡检机位的集成数据点。
通过动环系统的目标区域及对应的目标巡检数据,可确定出各目标巡检机位的机位状态数据,并将机位状态数据集成设置于各目标巡检机位对应的集成数据点上,由此可有助于提升巡检模型的训练集数据采集的效率,进而提升了巡检模型的准确性。
作为一种可选的实施方式,目标巡检数据包括图像数据及数据点状态数据,数据获取模块33根据目标巡检路径,获取各目标巡检机位对应的目标巡检数据以及机位状态的具体方式,包括:
根据目标巡检路径,获取各目标巡检机位对应的图像数据,以及,获取集成数据点的数据点状态数据;
根据图像数据和/或数据点状态数据,确定对应于各目标巡检机位的机位状态。
通过目标巡检路径上各目标巡检机位的图像数据和所建立的集成数据点对应的状态数据,可确定出各目标巡检机位对应的机位状态,由此通过不同形式的数据,提升了机位状态数据的准确性和全面性,进而提升了巡检模型的准确性。
作为一种可选的实施方式,数据获取模块33根据目标巡检路径,获取各目标巡检机位对应的图像数据的具体方式,包括:
确定各目标巡检机位的至少一个图像采集机位参数;
其中,图像采集机位参数用于指示巡检机器人在对应目标巡检机位下的传感器内部参数以及位姿参数;
根据目标巡检路径,获取各目标巡检机位上对应于各图像采集机位参数的图像数据。
通过确定各目标巡检机位对应的至少一个图像采集机位参数,由此获得不同传感器内部参数及位姿参数对应的图像数据,即在同一个目标巡检机位上可获得多个状态不同、参数不同的图像数据,由此可有助于提升巡检模型的训练集数据采集的效率,进而提升了巡检模型的准确性。
作为一种可选的实施方式,如图7所示,装置还包括验证模块36,用于:
根据巡检模型的目标精度,确定目标巡检次数;
根据巡检模型的目标时效,确定目标巡检周期;
以及,验证模块还用于在模型训练模块根据各目标巡检机位对应的目标巡检数据以及机位状态,训练获得巡检模型之后,
在目标巡检周期中,判断当前训练获得的巡检模型是否符合有效性条件,若判断出巡检模型符合有效性条件,则确定对巡检模型训练完成;
其中,有效性条件包括:当前的巡检次数达到目标巡检次数,或者确定出当前训练出的巡检模型收敛。
通过限制目标巡检次数,在目标巡检周期中若训练次数达到目标巡检次数或模型已收敛时确定出巡检模型训练完成,由此提升了模型训练的效率及模型的有效性,同时确保了模型训练过程不会陷入死循环。
实施例四
本申请提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如任一实施方式的方法。
本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如任一实施方式的方法。
具体的,请参阅图8,图8是本发明实施例公开的一种电子设备的结构示意图。如图8所示,该电子设备可以包括:
处理器(Processor)291,装置还包括了存储有可执行程序代码的存储器(Memory)292;还可以包括通信接口(Communication Interface)293和总线294。其中,处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291与存储器292耦合,处理器291可以调用存储器292中的逻辑指令(可执行程序代码),以执行上述任一实施例的文本处理模型训练方法。
此外,上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器292可以包括高速随机存取存储器,还可以包括非易失性存储器。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被调用时用于实现任一实施例中的方法。
本发明实施例还公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行任一实施例中所描述的文本处理模型训练方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种巡检机器人巡检模型训练方法,其特征在于,所述方法包括:
确定目标区域中的目标巡检机位;
根据各所述目标巡检机位,确定所述巡检机器人的目标巡检路径;
所述目标区域中的动力环境监控系统根据环境状态参数及动力状态参数,确定对应于各所述目标巡检机位的机位状态数据;
根据所述机位状态数据,建立对应于各所述目标巡检机位的集成数据点;
所述巡检机器人获取所述集成数据点的数据点状态数据,所述数据点状态数据用于表示所述集成数据点对应的所述目标巡检机位是否存在异常状态;
根据所述数据点状态数据,确定对应于各所述目标巡检机位的机位状态;
所述巡检机器人根据所述目标巡检路径,获取各所述目标巡检机位对应的图像数据以及机位状态;
根据各所述目标巡检机位对应的图像数据以及机位状态,确定训练数据,根据所述训练数据训练获得所述巡检模型,所述巡检模型用于根据巡检机位的图像确定所述巡检机位是否存在所述异常状态。
2.根据权利要求1所述的方法,其特征在于,所述目标区域包括数据中心机房或智能工厂区域。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标巡检路径,获取各所述目标巡检机位对应的图像数据,包括:
确定各所述目标巡检机位的至少一个图像采集机位参数;
其中,所述图像采集机位参数用于指示所述巡检机器人在对应目标巡检机位下的传感器内部参数以及位姿参数;
根据所述目标巡检路径,获取各所述目标巡检机位上对应于各所述图像采集机位参数的图像数据。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
根据所述巡检模型的目标精度,确定目标巡检次数;
根据所述巡检模型的目标时效,确定目标巡检周期;
所述根据各所述目标巡检机位对应的目标巡检数据以及机位状态,训练获得所述巡检模型之后,所述方法还包括:
在所述目标巡检周期中,判断当前训练获得的所述巡检模型是否符合有效性条件,若判断出所述巡检模型符合所述有效性条件,则确定对所述巡检模型训练完成;
其中,所述有效性条件包括:当前的巡检次数达到所述目标巡检次数,或者确定出当前训练出的所述巡检模型收敛。
5.一种巡检机器人巡检模型训练装置,其特征在于,所述装置包括:
数据确定模块,用于确定目标区域中的目标巡检机位;
路径确定模块,用于根据各所述目标巡检机位,确定所述巡检机器人的目标巡检路径;
数据获取模块,用于所述目标区域中的动力环境监控系统根据环境状态参数及动力状态参数,确定对应于各所述目标巡检机位的机位状态数据;根据所述机位状态数据,建立对应于各所述目标巡检机位的集成数据点;所述巡检机器人获取所述集成数据点的数据点状态数据,所述数据点状态数据用于表示所述集成数据点对应的所述目标巡检机位是否存在异常状态;根据所述数据点状态数据,确定对应于各所述目标巡检机位的机位状态;所述巡检机器人根据所述目标巡检路径,获取各所述目标巡检机位对应的图像数据以及机位状态;
模型训练模块,用于根据各所述目标巡检机位对应的图像数据以及机位状态,确定训练数据,根据所述训练数据训练获得所述巡检模型,所述巡检模型用于根据巡检机位的图像确定所述巡检机位是否存在所述异常状态。
6.根据权利要求5所述的装置,其特征在于,所述目标区域包括数据中心机房或智能工厂区域。
7.根据权利要求5或6所述的装置,其特征在于,所述装置还包括验证模块,用于:
根据所述巡检模型的目标精度,确定目标巡检次数;
根据所述巡检模型的目标时效,确定目标巡检周期;
以及,所述验证模块还用于在所述模型训练模块所述根据各所述目标巡检机位对应的目标巡检数据以及机位状态,训练获得所述巡检模型之后,
在所述目标巡检周期中,判断当前训练获得的所述巡检模型是否符合有效性条件,若判断出所述巡检模型符合所述有效性条件,则确定对所述巡检模型训练完成;
其中,所述有效性条件包括:当前的巡检次数达到所述目标巡检次数,或者确定出当前训练出的所述巡检模型收敛。
8.一种电子设备,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执行如权利要求1-4中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117761.0A CN116841301B (zh) | 2023-09-01 | 2023-09-01 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311117761.0A CN116841301B (zh) | 2023-09-01 | 2023-09-01 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116841301A CN116841301A (zh) | 2023-10-03 |
CN116841301B true CN116841301B (zh) | 2024-01-09 |
Family
ID=88160218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311117761.0A Active CN116841301B (zh) | 2023-09-01 | 2023-09-01 | 巡检机器人巡检模型训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116841301B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833117A (zh) * | 2012-09-10 | 2012-12-19 | 山东省计算中心 | 基于物联网技术的数据中心动力环境监测系统及方法 |
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人系统 |
CN111352799A (zh) * | 2020-02-20 | 2020-06-30 | 中国银联股份有限公司 | 一种巡检方法及装置 |
CN112287915A (zh) * | 2020-12-28 | 2021-01-29 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的设备故障告警方法和系统 |
CN112687022A (zh) * | 2020-12-18 | 2021-04-20 | 山东盛帆蓝海电气有限公司 | 一种基于视频的智能楼宇巡检方法及系统 |
CN112863001A (zh) * | 2021-01-19 | 2021-05-28 | 中国工商银行股份有限公司 | 配电机房巡检方法、装置及系统 |
CN114895609A (zh) * | 2022-06-27 | 2022-08-12 | 中国电信股份有限公司 | 机房监控方法、装置、设备及介质 |
CN115729162A (zh) * | 2022-11-18 | 2023-03-03 | 中国电信股份有限公司 | 巡检系统、温度告警方法、装置、电子设备及可读介质 |
CN115752462A (zh) * | 2022-10-28 | 2023-03-07 | 上海有个机器人有限公司 | 楼宇内重点巡检目标巡检方法、系统、电子设备和介质 |
CN116342538A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市朗驰欣创科技股份有限公司 | 一种跑冒滴漏检测方法、装置、智能设备和存储介质 |
-
2023
- 2023-09-01 CN CN202311117761.0A patent/CN116841301B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102833117A (zh) * | 2012-09-10 | 2012-12-19 | 山东省计算中心 | 基于物联网技术的数据中心动力环境监测系统及方法 |
CN108189043A (zh) * | 2018-01-10 | 2018-06-22 | 北京飞鸿云际科技有限公司 | 一种应用于高铁机房的巡检方法及巡检机器人系统 |
CN111352799A (zh) * | 2020-02-20 | 2020-06-30 | 中国银联股份有限公司 | 一种巡检方法及装置 |
WO2021164404A1 (zh) * | 2020-02-20 | 2021-08-26 | 中国银联股份有限公司 | 一种巡检方法及装置 |
CN112687022A (zh) * | 2020-12-18 | 2021-04-20 | 山东盛帆蓝海电气有限公司 | 一种基于视频的智能楼宇巡检方法及系统 |
CN112287915A (zh) * | 2020-12-28 | 2021-01-29 | 北京蒙帕信创科技有限公司 | 一种基于深度学习的设备故障告警方法和系统 |
CN112863001A (zh) * | 2021-01-19 | 2021-05-28 | 中国工商银行股份有限公司 | 配电机房巡检方法、装置及系统 |
CN114895609A (zh) * | 2022-06-27 | 2022-08-12 | 中国电信股份有限公司 | 机房监控方法、装置、设备及介质 |
CN115752462A (zh) * | 2022-10-28 | 2023-03-07 | 上海有个机器人有限公司 | 楼宇内重点巡检目标巡检方法、系统、电子设备和介质 |
CN115729162A (zh) * | 2022-11-18 | 2023-03-03 | 中国电信股份有限公司 | 巡检系统、温度告警方法、装置、电子设备及可读介质 |
CN116342538A (zh) * | 2023-03-22 | 2023-06-27 | 深圳市朗驰欣创科技股份有限公司 | 一种跑冒滴漏检测方法、装置、智能设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
数据中心机房智能巡检机器人的设计探究;张正培;陈庆;陆君杰;金斌;;中国金融电脑(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116841301A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275213B (zh) | 一种基于大数据的机械设备故障监控系统 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN116972855B (zh) | 基于bim的选煤厂设备三维漫游巡检方法及系统 | |
CN111444075B (zh) | 一种自动发现关键影响力指标的方法 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
CN113485433A (zh) | 输电线路的巡检方法与装置 | |
CN115169602A (zh) | 电力设备的维护方法、装置、存储介质及计算机设备 | |
CN116841301B (zh) | 巡检机器人巡检模型训练方法、装置、设备及介质 | |
CN116485066B (zh) | 基于gis的智慧燃气安全巡线管理方法和物联网系统 | |
CN112016856B (zh) | 综合倍率异常识别方法、装置、计量系统和存储介质 | |
CN109245910B (zh) | 识别故障类型的方法及装置 | |
CN117041311A (zh) | 一种基于数字孪生的智能巡检方法及装置 | |
CN117236559A (zh) | 一种基于物联网的智能充电桩数据分析方法和装置 | |
CN111428858A (zh) | 样本数量的确定方法、装置、电子设备及存储介质 | |
CN116563841A (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN107733082B (zh) | 一种继电保护设备装置异常信息收集方法及系统 | |
CN115938009A (zh) | 一种智能电子巡检定位方法及系统 | |
CN114192583A (zh) | 一种基于Scada平台的带钢轧制过程质量监控方法和系统 | |
CN111150402A (zh) | 确定家畜形体参数的方法、装置、存储介质及电子装置 | |
CN112792466A (zh) | 一种提高焊机的plc动态参量精确度的方法 | |
CN115014443A (zh) | 一种采用智能巡检机器人采集发射机组数据的方法 | |
CN115373329B (zh) | 一种铁路配电所无人化系统 | |
CN110688997B (zh) | 一种图像处理方法及装置 | |
CN116319501B (zh) | 一种获取设备运行参数的网络系统 |
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 |