CN117260757A - 一种基于巡检数据的机器人巡检系统 - Google Patents

Abstract

本发明公开了一种基于巡检数据的机器人巡检系统，涉及智能机器人领域，解决了现有人工巡检需要投入大量的人力资源且巡检效率低下，同时，人工巡检容易受到主观因素的影响而导致错误的发生的问题，所述机器人巡检系统包括数据获取模块、数据分析模块、巡检工作模块和回收判断模块，数据获取模块获取巡检数据，数据分析模块制定巡检机器人避障策略和工作路径，巡检工作模块开展巡检并进行异常处理，回收判断模块对巡检机器人进行回收判断并进行回收，本发明通过利用机器人代替人工进行巡检，在节约人力资源，提升巡检效率的同时，提高了巡检结果的准确性。

Description

一种基于巡检数据的机器人巡检系统

技术领域

本发明属于智能机器人领域，涉及人工智能技术，具体是一种基于巡检数据的机器人巡检系统。

背景技术

智能机器人是一种结合了人工智能技术的机器人，能够感知环境、理解任务、作出决策并执行动作，人工智能技术的发展赋予了智能机器人学习、推断和自主决策的动力，使其能够适应不同的环境和任务要求，机器人巡检是指利用机器人进行巡检任务的一种方式，机器人巡检通过搭载各种传感器和执行器，能够感知环境、收集数据、分析问题并执行相应的操作，完成巡检任务。

现有人工巡检一方面需要投入大量的人力资源且巡检效率低下，另一方面，人工巡检容易受到主观因素的影响而导致错误的发生，为此，我们提出一种基于巡检数据的机器人巡检系统。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于巡检数据的机器人巡检系统。

本发明通过获取巡检数据完成巡检机器人的避障，并得到移动路径实现巡检机器人的初步工作，根据传感器设备获取的多种数据实现巡检机器人对巡检点火灾的判断，利用图像数据和卷积神经网络算法实现巡检机器人对打架斗殴场景的判断，得到异常巡检点，并针对异常巡检点进行异常处理，通过计算巡检机器人回收系数和巡检机器人回收系数阈值数据对巡检机器人进行回收判断，得到回收判断数据，并根据回收判断数据进行回收处理。

为了实现上述目的，本发明采用了如下技术方案进行实现，一种基于巡检数据的机器人巡检系统各模块具体工作过程如下：

数据获取模块：获取巡检数据；

数据分析模块：制定巡检机器人避障策略和工作路径；

巡检工作模块：巡检机器人开展巡检并进行异常处理；

回收判断模块：对巡检机器人进行回收判断并进行回收；

服务器分别与数据获取模块、数据分析模块、巡检工作模块和回收判断模块相连。

进一步地，数据获取模块进行障碍物判断并获取巡检数据，具体如下：

数据获取模块包括障碍数据获取单元、路径数据获取单元和巡检任务获取单元；

障碍数据获取单元获取物体最低高度数值和巡检机器人的工作高度数值，将物体最低高度数值与巡检机器人的工作高度数值进行数值对比，当物体最低高度数值低于巡检机器人的工作高度数值时，判断此物体为障碍物；

障碍数据获取单元获取避障数据，路径数据获取单元获取路径数据，巡检任务获取单元获取巡检任务；

数据获取模块将避障数据、路径数据和巡检任务设置为巡检数据。

进一步地，对避障数据、路径数据和巡检任务进行获取，具体如下：

障碍数据获取单元分别获取障碍物与巡检机器人的距离数据、障碍物和巡检机器人的移动速度数值和移动加速度数值、障碍物和巡检机器人的位置数据和移动方向数据，得到避障数据；

路径数据获取单元获取环境中物体与巡检机器人的距离数据和方向信息作为第二激光雷达数据，获取巡检机器人所在环境的图像数据作为视觉数据，获取巡检机器人的运动加速度和角速度作为IMU数据，获取巡检机器人的经纬度位置数据，将激光雷达数据、视觉数据、IMU数据和经纬度位置数据设置为路径数据；

巡检任务获取单元接收服务器输送的巡检任务。

进一步地，数据分析模块根据巡检数据制定避障策略和工作路径，具体如下：

数据分析模块包括数据分析单元和路径分析单元；

数据分析单元根据障碍物的移动速度数值和移动加速度数值，获取障碍物的运动状态，具体如下：

当障碍物的移动速度数值和移动加速度数值为0时，判断此时的障碍物为静止障碍物，将静止障碍物的位置数据输送至路径分析单元；

当障碍物的移动速度数值和移动加速度数值不为0时，判断此时的障碍物为运动障碍物；

针对静止障碍物，获取障碍物位置数据和巡检机器人的移动方向数据，若障碍物的位置数据处于巡检机器人的移动方向上，巡检机器人通过改变移动方向绕过障碍物；

针对运动障碍物，数据分析单元根据运动障碍物和巡检机器人是否发生碰撞制定避障策略，具体如下：

当障碍物和巡检机器人发生碰撞，巡检机器人改变移动路径；

障碍物和巡检机器人不发生碰撞，巡检机器人无需改变移动路径；

路径分析单元根据路径数据并结合静止障碍物的位置数据和巡检任务的优先级得到巡检机器人的移动路径。

进一步地，数据分析单元对巡检机器人与运动障碍物是否发生碰撞进行判断，具体如下：

获取障碍物和巡检机器人的位置数据和移动方向数据，根据Kalman滤波器算法获取障碍物和巡检机器人的移动路径将其离散为两组坐标点，判断两组坐标点的重叠情况，具体如下：

若两组坐标点存在重叠，则障碍物和机器人存在发生碰撞的概率，设置此移动路径上的障碍物和机器人为碰撞预警组，根据障碍物与巡检机器人的距离数据获取障碍物和机器人距离重叠坐标点的距离数值；

若两组坐标点不存在重叠，则障碍物和机器人不发生碰撞，设置此移动路径上的障碍物和机器人为安全路径组；

针对碰撞预警组，获取障碍物的移动速度数值和移动加速度数值、获取巡检机器人的移动速度数字和加速度数值；

根据障碍物距离重叠坐标点的距离数值、障碍物的移动速度数值和障碍物的移动加速度数值，计算得到障碍物移动至重叠坐标点的时间数值t1；

根据巡检机器人距离重叠坐标点的距离数值、巡检机器人的移动速度数值和巡检机器人的移动加速度数值计算得到巡检机器人移动至重叠坐标点的时间数值t2；

当t1=t2时，障碍物和巡检机器人同时经过重叠坐标点，障碍物和巡检机器人发生碰撞；

当t1≠t2，障碍物和巡检机器人不同时经过重叠坐标点，障碍物和巡检机器人不发生碰撞。

进一步地，路径分析单元获取巡检机器人移动路径，具体如下：

获取第二激光雷达数据、视觉数据、IMU数据和经纬度位置数据，使用SLAM算法建立巡检区域地图；

获取巡检任务和静止障碍物的位置数据，将巡检点的位置数据以坐标点的方式在巡检区域地图上进行标注，得到巡检点坐标，将静止障碍物的位置数据以坐标点的方式在巡检区域地图上进行标注，得到障碍物坐标，将巡检点坐标和障碍物坐标设置为坐标点数据；

根据巡检任务的优先级，将巡检点坐标通过巡检点优先级由高到低进行排序，针对优先级相同的巡检点，按照巡检点与巡检机器人的距离数值由近到远进行排序，得到巡检顺序数据；

根据坐标点数据和巡检顺序数据，使用Dijkstra算法得到巡检机器人的移动路径，移动路径连接巡检点坐标，绕过障碍物坐标；

将移动路径划分为多个路径点，巡检机器人通过运动加速度和角速度的改变实现在路径点之间移动。

进一步地，巡检工作模块进行机器人巡检和异常处理，具体如下：

巡检工作模块包括火灾信息存储单元、机器人巡检单元和异常处理单元；

火灾信息存储单元通过互联网获取n个真实火灾事故现场的温度数值、烟雾浓度数值和一氧化碳浓度数值作为火灾案例数据存储至服务器；

巡检工作单元对巡检点进行火灾判断，将发生火灾的巡检点设置为火灾巡检点，将未发生火灾的巡检点设置为正常巡检点；

巡检工作单元对打架斗殴进行判断，将打架斗殴场景的巡检点为设置为第一等级巡检点，将不存在打架斗殴场景的巡检点为设置为第二等级巡检点；

将火灾巡检点和第一等级巡检点设置为异常巡检点，异常处理单元针对异常巡检点进行异常处理，具体如下：

当巡检机器人移动至火灾巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打119报警；

当巡检机器人移动至第一等级巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打110报警。

进一步地，巡检工作单元进行火灾判断，具体如下：

巡检机器人通过红外温度传感器获取巡检点的温度数值，巡检机器人通过烟雾传感器获取巡检点的烟雾浓度数值，巡检机器人通过红外一氧化碳传感器获取巡检点的一氧化碳浓度数值；

根据巡检点的温度数值、巡检点的烟雾浓度数值和巡检点的一氧化碳浓度数值，计算得到火灾判断系数HZXS；

获取n个真实火灾事故现场的温度数值，计算得到火灾平均温度数值；

获取n个真实火灾事故现场的烟雾浓度数值，计算得到火灾平均烟雾浓度数值；

获取n个真实火灾事故现场的一氧化碳浓度数值，计算得到火灾平均一氧化碳浓度数值；

根据火灾平均温度数值、火灾平均烟雾浓度数值和火灾平均一氧化碳浓度数值，计算得到火灾判断系数阈值数据HZXSi；

当HZXS≥HZXSi，判断为发生火灾，设置此巡检点为火灾巡检点；

当HZXS＜HZXSi，判断为未发生火灾，设置此巡检点为正常巡检点。

进一步地，巡检工作单元对打架斗殴进行判断，具体如下：

巡检机器人通过第二摄像头获取巡检点的图像数据作为测试集，通过互联网获取大量包含打架斗殴场景的图片作为数据集；

对数据集中涉及打架斗殴的场景利用人工进行数据标注，得到训练集，使用训练集对CNN模型进行训练，在训练过程中，利用反向传播算法对模型参数进行调整，提高CNN模型对打架斗殴场景的判断精度；

将训练后的CNN模型对测试集进行判断，将CNN模型识别到打架斗殴场景的巡检点为设置为第一等级巡检点，将CNN模型没有识别到打架斗殴场景的巡检点为设置为第二等级巡检点。

进一步地，回收判断模块对巡检机器人进行回收判断并进行回收，具体如下：

回收判断模块包括回收判断单元和回收处理单元；

回收判断单元通过CPU温度传感器获取巡检机器人的CPU工作温度数值，通过工作计时器获取巡检机器人的工作时长数值，通过电池电量检测仪获取巡检机器人剩余电量数值；

根据CPU工作温度数值、巡检机器人的工作时长数值和巡检机器人剩余电量数值，计算得到巡检机器人回收系数HSXS；

根据巡检机器人使用说明书获取巡检机器人的CPU工作温度标准数值WC1，巡检机器人标准工作时长数值SC1和巡检机器人回收剩余电量数值DL1；

根据CPU工作温度标准数值、巡检机器人标准工作时长数值和巡检机器人回收剩余电量数值计算得到巡检机器人回收系数阈值HSXS1；

当HSXS＜HSXS1，判断为第一回收区间，正常工作巡检机器人；

当HSXS≥HSXS1，判断为第二回收区间，对应待回收巡检机器人；

回收处理单元针对待回收巡检机器人进行回收处理，具体如下：

（1）回收巡检机器人并进行功能测试，测试包括但不限于巡检机器人的移动检测、传感器检测、通信检测，确保巡检机器人的各项功能是否正常运作；

（2）对巡检机器人进行清洁和维护，包括清除灰尘、清洗机器人外壳、检查电池状态等，确保机器人在使用过程中能够保持良好的工作状态。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明通过对静止障碍物和运动障碍物进行区分，并采取不同的避让策略，极大程度上提高了巡检机器人的使用安全性；

2、本发明通过获取多种不同数据对火灾进行判断，较人工巡检大大提高了火灾判断的准确性，并规避了人工巡检可能造成人员伤亡的风险；

3、本发明通过对巡检机器人进行回收判断，提高了巡检机器人的使用寿命，为巡检任务的高效完成提供了保障。。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的整体系统框图；

图2为本发明的实施步骤图；

图3为本发明的巡检机器人及物体高度示意图；

图4为本发明的坐标点示意图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1和图2，本发明提供一种技术方案：一种基于巡检数据的机器人巡检系统，包括数据采集模块、数据分析模块、巡检工作模块和回收判断模块，其中，数据获取模块、数据分析模块、巡检工作模块和回收判断模块分别与服务器相连。

数据获取模块获取巡检数据；

数据获取模块包括障碍数据获取单元、路径数据获取单元和巡检任务获取单元，其中，障碍数据获取单元包括第一激光雷达、位置传感器、速度传感器，路径数据获取单元包括第二激光雷达，第一摄像头、陀螺仪和GPS传感器；

障碍物获取单元对巡检机器人周围物体进行判断并获取避障数据，具体如下：

请参阅图3，通过第一激光雷达获取巡检机器人周围物体距地面最低点与地面的垂直距离数值，将其设置为物体最低高度数值，测量得到巡检机器人的工作高度数值，将物体最低高度数值与巡检机器人的工作高度数值进行数值对比，当物体最低高度数值低于巡检机器人的工作高度数值时，判断此物体为障碍物，障碍物包括但不限于树木、电线杆、移动中的行人和汽车；

通过第一激光雷达获取障碍物与巡检机器人的距离数据，通过速度传感器获取障碍物和巡检机器人的移动速度数值和移动加速度数值，通过位置传感器获取障碍物和巡检机器人的位置数据和移动方向数据，将障碍物与巡检机器人的距离数据、障碍物和巡检机器人的移动速度数值和移动加速度数值、障碍物和巡检机器人的位置数据和移动方向数据作为避障数据；

路径数据获取单元对路径数据进行获取，具体如下：

通过第二激光雷达获取环境中物体与巡检机器人的距离数据和方向信息作为第二激光雷达数据，通过第一摄像头获取巡检机器人所在环境的图像数据作为视觉数据，利用陀螺仪获取巡检机器人的运动加速度和角速度作为IMU数据，通过GPS传感器获取巡检机器人的经纬度位置数据，将激光雷达数据、视觉数据、IMU数据和经纬度位置数据设置为路径数据；

巡检任务获取单元接收服务器输送的巡检任务，在本实施例中，巡检任务包括巡检点的位置数据和巡检点的优先级，巡检点优先级分为高优先级、中优先级和低优先级，其中高优先级巡检时间须早于中优先级，中优先级巡检时间早于低优先级；

数据获取模块将避障数据、路径数据和巡检任务设置为巡检数据并输送至数据分析模块；

数据分析模块根据巡检数据制定避障策略和工作路径；

数据分析模块包括数据分析单元和路径分析单元，数据分析单元包括Kalman滤波器算法，路径分析单元包括SLAM算法；

数据分析单元根据避障数据制定避障策略，具体如下：

根据障碍物的移动速度数值和移动加速度数值，获取障碍物的运动状态，具体的：

当障碍物的移动速度数值和移动加速度数值为0时，判断此时的障碍物为静止障碍物，将静止障碍物的位置数据输送至路径分析单元；

当障碍物的移动速度数值和移动加速度数值不为0时，判断此时的障碍物为运动障碍物；

针对静止障碍物，获取障碍物位置数据和巡检机器人的移动方向数据，若障碍物的位置数据处于巡检机器人的移动方向上，巡检机器人通过改变移动方向绕过障碍物；

针对运动障碍物，根据避障数据制定避障策略具体如下：

获取障碍物和巡检机器人的位置数据和移动方向数据，根据Kalman滤波器算法获取障碍物和巡检机器人的移动路径将其离散为两组坐标点，判断两组坐标点的重叠情况，具体如下：

请参阅图3，若两组坐标点存在重叠，则障碍物和机器人存在发生碰撞的概率，设置此移动路径上的障碍物和机器人为碰撞预警组，根据障碍物与巡检机器人的距离数据获取障碍物和机器人距离重叠坐标点的距离数值分别为d1和d2；

若两组坐标点不存在重叠，则障碍物和机器人不可能发生碰撞，设置此移动路径上的障碍物和机器人为安全路径组；

针对碰撞预警组，获取障碍物的移动速度数值va和移动加速度数值aa、获取巡检机器人的移动速度数字vj和加速度数值aj；

根据方程，计算得到障碍物移动至重叠坐标点的时间数值t1，其中d1为障碍物距离重叠坐标点的距离数值，va为障碍物的移动速度数值，aa为障碍物的移动加速度数值；

根据方程，计算得到巡检机器人移动至重叠坐标点的时间数值t2，其中d2为巡检机器人距离重叠坐标点的距离数值，vj为巡检机器人的移动速度数值，aj为巡检机器人的移动加速度数值

当t1=t2时，障碍物和巡检机器人同时经过重叠坐标点，障碍物和巡检机器人发生碰撞，巡检机器人改变移动路径，避免发生碰撞；

当t1≠t2，障碍物和巡检机器人不同时经过重叠坐标点，障碍物和巡检机器人不发生碰撞，巡检机器人无需改变移动路径；

需要说明的是：Kalman滤波器算法是一种递归滤波算法，通过将观测数据和系统模型进行融合，预测未来的路径。它适用于线性动系统，并且能够估计目标的位置和速度。

路径分析单元根据路径数据获取巡检机器人移动路径，具体如下：

获取第二激光雷达数据、视觉数据、IMU数据和经纬度位置数据，使用SLAM算法建立巡检区域地图；

获取巡检任务和静止障碍物的位置数据，将巡检点的位置数据以坐标点的方式在巡检区域地图上进行标注，得到巡检点坐标，将静止障碍物的位置数据以坐标点的方式在巡检区域地图上进行标注，得到障碍物坐标，将巡检点坐标和障碍物坐标设置为坐标点数据；

根据巡检任务的优先级，将巡检点坐标通过巡检点优先级由高到低进行排序，针对优先级相同的巡检点，按照巡检点与巡检机器人的距离数值由近到远进行排序，得到巡检顺序数据；

根据坐标点数据和巡检顺序数据，使用Dijkstra算法得到巡检机器人的移动路径，移动路径连接巡检点坐标，绕过障碍物坐标；

将移动路径划分为多个路径点，巡检机器人通过运动加速度和角速度的改变实现在路径点之间移动；

需要说明的是：

SLAM算法（Simultaneous Localization and Mapping），同时定位与地图构建）是一种用于机器人或无人驾驶车辆等自主移动系统的算法。它的目标是在未知环境中同时实现定位自身位置和构建环境地图；

Dijkstra算法是一种单源最短路径算法，用于计算有权重的有向图中从单个起始节点到所有其他节点的最短路径。它以图中的某个节点为起始点，通过逐步推进来不断扩展最短路径集合，直到找到起始节点到所有其他节点的最短路径。

巡检工作模块进行机器人巡检和异常处理；

巡检工作模块包括机器人巡检单元、异常处理单元和火灾信息存储单元，机器人巡检单元包括红外温度传感器、烟雾传感器、红外一氧化碳传感器、第二摄像头和卷积神经网络算法，异常处理单元包括警报器和通讯设备，火灾信息存储单元与互联网相连；

火灾信息存储单元通过互联网获取n个真实火灾事故现场的温度数值、烟雾浓度数值和一氧化碳浓度数值作为火灾案例数据存储至服务器并输送至巡检工作模块；

巡检工作单元进行火灾判断，具体如下：

巡检机器人通过红外温度传感器获取巡检点的温度数值，巡检机器人通过烟雾传感器获取巡检点的烟雾浓度数值，巡检机器人通过红外一氧化碳传感器获取巡检点的一氧化碳浓度数值；

根据公式，计算得到火灾判断系数HZXS，可理解的是：HZXS为火灾判断系数、WD为巡检点的温度数值、YW为巡检点的烟雾浓度数值、CO为巡检点的一氧化碳浓度数值，a1为设定的温度数值比例系数且a1大于0；

根据火灾案例数据获取n个真实火灾事故现场的温度数值WD1、WD2、WD3……WDn，烟雾浓度数值YW1、YW2、YW3……YWn，一氧化碳浓度数值CO1、CO2、CO3……XOn；

根据公式，计算得到火灾平均温度数值WDi；

根据公式，计算得到火灾平均烟雾浓度数值YWi；

根据公式，计算得到火灾平均一氧化碳浓度数值COi；

根据公式，计算得到火灾判断系数阈值数据HZXSi；

当HZXS≥HZXSi，判断为发生火灾，设置此巡检点为火灾巡检点；

当HZXS＜HZXSi，判断为未发生火灾，设置此巡检点为正常巡检点；

巡检工作单元对打架斗殴进行判断，具体如下：

巡检机器人通过第二摄像头获取巡检点的图像数据作为测试集，通过互联网获取大量包含打架斗殴场景的图片作为数据集；

对数据集中涉及打架斗殴的场景利用人工进行数据标注，得到训练集，使用训练集对CNN模型进行训练，在训练过程中，利用反向传播算法对模型参数进行调整，提高CNN模型对打架斗殴场景的判断精度；

将训练后的CNN模型对测试集进行判断，将CNN模型识别到打架斗殴场景的巡检点为设置为第一等级巡检点，将CNN模型没有识别到打架斗殴场景的巡检点为设置为第二等级巡检点；

需要说明的是：

卷积神经网络算法（Convolutional Neural Network, CNN）是一种深度学习模型，在图像识别、目标检测和图像生成等领域取得了很大的成功，是当前计算机视觉任务中的主要模型之一；

反向传播算法是一种用于训练神经网络的优化算法，通过反向传播误差信号来更新网络中的权重和偏置，它的目标是最小化神经网络输出与实际输出之间的误差。

巡检工作单元将火灾巡检点和第一等级巡检点设置为异常巡检点输送至异常处理单元；

异常处理单元针对异常巡检点进行异常处理，具体如下：

当巡检机器人移动至火灾巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打119报警；

当巡检机器人移动至第一等级巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打110报警；

回收判断模块对巡检机器人进行回收判断并进行回收；

回收判断模块包括回收判断单元和回收处理单元，回收判断单元包括CPU温度传感器、工作计时器和电池电量检测仪；

回收判断单元进行回收判断，具体如下：

回收判断单元通过CPU温度传感器获取巡检机器人的CPU工作温度数值，通过工作计时器获取巡检机器人的工作时长数值，通过电池电量检测仪获取巡检机器人剩余电量数值；

根据公式，计算得到巡检机器人回收系数，可理解的是：HSXS为巡检机器人回收系数，WC为巡检机器人的CPU工作温度数值，SC为巡检机器人工作时长数值，DL为巡检机器人剩余电量数值，b1为设定的巡检机器人的CPU工作温度数值比例系数，b2为设定的巡检机器人剩余电量数值比例系数，且b1、b2均大于0；

根据巡检机器人使用说明书获取巡检机器人的CPU工作温度标准数值WC1，巡检机器人标准工作时长数值SC1和巡检机器人回收剩余电量数值DL1；

根据公式计算得到巡检机器人回收系数阈值HSXS1；

当HSXS＜HSXS1，判断为第一回收区间，正常工作巡检机器人；

当HSXS≥HSXS1，判断为第二回收区间，对应待回收巡检机器人；

将上述判断结果作为回收判断数据输送至回收处理单元；

回收处理单元针对待回收巡检机器人进行回收处理，具体如下：

（1）回收巡检机器人并进行功能测试，测试包括但不限于巡检机器人的移动检测、传感器检测、通信检测，确保巡检机器人的各项功能是否正常运作；

（2）对巡检机器人进行清洁和维护，包括清除灰尘、清洗机器人外壳、检查电池状态等，确保机器人在使用过程中能够保持良好的工作状态。

在本申请中，若出现相应的计算公式，则上述计算公式均是去量纲取其数值计算，公式中存在的权重系数、比例系数等系数，其设置的大小是为了将各个参数进行量化得到的一个结果值，关于权重系数和比例系数的大小，只要不影响参数与结果值的比例关系即可。

实施例二

基于同一发明的又一构思，现提出一种基于巡检数据的机器人巡检方法，包括如下步骤：

步骤S1：获取巡检数据；

步骤S11：对巡检机器人周围物体进行判断并获取避障数据，具体步骤如下：

步骤S111：通过第一激光雷达获取巡检机器人周围物体距地面最低点与地面的垂直距离数值，将其设置为物体最低高度数值，测量得到巡检机器人的工作高度数值，将物体最低高度数值与巡检机器人的工作高度数值进行数值对比，当物体最低高度数值低于巡检机器人的工作高度数值时，判断此物体为障碍物，障碍物包括但不限于树木、电线杆、移动中的行人和汽车；

步骤S112：通过第一激光雷达获取障碍物与巡检机器人的距离数据，通过速度传感器获取障碍物和巡检机器人的移动速度数值和移动加速度数值，通过位置传感器获取障碍物和巡检机器人的位置数据和移动方向数据，将障碍物与巡检机器人的距离数据、巡检机器人的移动速度数值和移动加速度数值和障碍物的位置数据和巡检机器人的移动方向数据作为避障数据；

步骤S12：对路径数据进行获取，具体步骤如下：

步骤S121：通过第二激光雷达获取环境中物体与巡检机器人的距离数据和方向信息作为第二激光雷达数据，通过第一摄像头获取巡检机器人所在环境的图像数据作为视觉数据，利用陀螺仪获取巡检机器人的运动加速度和角速度作为IMU数据，通过GPS传感器获取巡检机器人的经纬度位置数据，将激光雷达数据、视觉数据、IMU数据和经纬度位置数据设置为路径数据；

步骤S13：巡检任务获取单元接收服务器输送的巡检任务，在本实施例中，巡检任务包括巡检点的位置数据和巡检点的优先级，巡检点优先级分为高优先级、中优先级和低优先级，其中高优先级巡检时间须早于中优先级，中优先级巡检时间早于低优先级；

步骤S2：制定巡检机器人避障策略和工作路径；

步骤S21：根据避障数据制定避障策略，具体步骤如下：

步骤S211：根据障碍物的移动速度数值和移动加速度数值，获取障碍物的状态，具体的：

步骤S2111：当障碍物的移动速度数值和移动加速度数值为0时，判断此时的障碍物为静止障碍物，将静止障碍物的位置数据输送至路径分析单元；

步骤S2112：当障碍物的移动速度数值和移动加速度数值不为0时，判断此时的障碍物为运动障碍物；

步骤S212：针对静止障碍物，获取障碍物位置数据和巡检机器人的移动方向数据，若障碍物的位置数据处于巡检机器人的移动方向上，巡检机器人通过改变移动方向绕过障碍物；

步骤S213：针对运动障碍物，根据避障数据制定避障策略，具体步骤如下：

步骤S2131：获取障碍物和巡检机器人的位置数据和移动方向数据，根据Kalman滤波器算法获取障碍物和巡检机器人的移动路径将其离散为两组坐标点，判断两组坐标点的重叠情况，具体步骤如下：

步骤S2132：若两组坐标点存在重叠，则障碍物和机器人存在发生碰撞的概率，设置此移动路径上的障碍物和机器人为碰撞预警组，根据障碍物与巡检机器人的距离数据获取障碍物和机器人距离重叠坐标点的距离数值分别为d1和d2；

步骤S2133：若两组坐标点不存在重叠，则障碍物和机器人不可能发生碰撞，设置此移动路径上的障碍物和机器人为安全路径组；

步骤S2134：针对碰撞预警组，获取障碍物的移动速度数值va和移动加速度数值aa、获取巡检机器人的移动速度数字vj和加速度数值aj；

步骤S2135：根据方程，计算得到障碍物移动至重叠坐标点的时间数值t1，其中d1为障碍物距离重叠坐标点的距离数值，va为障碍物的移动速度数值，aa为障碍物的移动加速度数值；

步骤S2136：根据方程，计算得到巡检机器人移动至重叠坐标点的时间数值t2，其中d2为巡检机器人距离重叠坐标点的距离数值，vj为巡检机器人的移动速度数值，aj为障碍物的移动加速度数值；

当t1=t2时，障碍物和巡检机器人同时经过重叠坐标点，障碍物和巡检机器人发生碰撞，巡检机器人改变移动路径，避免发生碰撞；

当t1≠t2，障碍物和巡检机器人不同时经过重叠坐标点，障碍物和巡检机器人不发生碰撞，巡检机器人无需改变移动路径；

步骤S22：根据路径数据获取巡检机器人移动路径，具体步骤如下：

步骤S221：获取第二激光雷达数据、视觉数据、IMU数据和经纬度位置数据，使用SLAM算法建立巡检区域地图；

步骤S222：获取巡检任务和静止障碍物的位置数据，将巡检点的位置数据以坐标点的方式在巡检区域地图上进行标注，得到巡检点坐标，将静止障碍物的位置数据以坐标点的方式在巡检区域地图上进行标注，得到障碍物坐标，将巡检点坐标和障碍物坐标设置为坐标点数据；

步骤S223：根据巡检任务的优先级，将巡检点坐标通过巡检点优先级由高到低进行排序，针对优先级相同的巡检点，按照巡检点与巡检机器人的距离数值由近到远进行排序，得到巡检顺序数据；

步骤S224：根据坐标点数据和巡检顺序数据，使用Dijkstra算法得到巡检机器人的移动路径，移动路径连接巡检点坐标，绕过障碍物坐标；

步骤S225：将移动路径划分为多个路径点，巡检机器人通过运动加速度和角速度的改变实现在路径点之间移动；

步骤S3：巡检机器人开展巡检并进行异常处理；

步骤S31：通过互联网获取n个真实火灾事故现场的温度数值、烟雾浓度数值和一氧化碳浓度数值作为火灾案例数据存储至服务器；

步骤S32：巡检机器人进行火灾判断，具体步骤如下：

步骤S321：巡检机器人通过红外温度传感器获取巡检点的温度数值，巡检机器人通过烟雾传感器获取巡检点的烟雾浓度数值，巡检机器人通过红外一氧化碳传感器获取巡检点的一氧化碳浓度数值；

步骤S322：根据公式，计算得到火灾判断系数HZXS，可理解的是：HZXS为火灾判断系数、WD为巡检点的温度数值、YW为巡检点的烟雾浓度数值、CO为巡检点的一氧化碳浓度数值，a1为设定的温度数值比例系数且a1大于0；

步骤S323：通过火灾案例数据得到n个真实火灾事故现场的温度数值WD1、WD2、WD3……WDn，烟雾浓度数值YW1、YW2、YW3……YWn，一氧化碳浓度数值CO1、CO2、CO3……XOn，分别计算得到火灾平均温度数值WDi、火灾平均烟雾浓度数值YWi、火灾平均一氧化碳浓度数值COi；

步骤S324：根据公式，计算得到火灾判断系数阈值数据HZXSi；

当HZXS≥HZXSi，判断为发生火灾，设置此巡检点为火灾巡检点；

当HZXS＜HZXSi，判断为未发生火灾，设置此巡检点位正常巡检点；

步骤S33：巡检工作单元对打架斗殴进行判断，具体如下：

步骤S331：巡检机器人通过第二摄像头获取巡检点的图像数据作为测试集，通过互联网获取大量包含打架斗殴场景的图片作为数据集；

步骤S332：对数据集中涉及打架斗殴的场景利用人工进行数据标注，得到训练集，使用训练集对CNN模型进行训练，在训练过程中，利用反向传播算法对模型参数进行调整，提高CNN模型对打架斗殴场景的判断精度；

步骤S333：将训练后的CNN模型对测试集进行判断，将CNN模型识别到打架斗殴场景的巡检点为设置为第一等级巡检点，将CNN模型没有识别到打架斗殴场景的巡检点为设置为第二等级巡检点；

步骤S34：异常处理单元针对异常巡检点进行异常处理，具体步骤如下：

步骤S341：当巡检机器人移动至火灾巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打119报警；

步骤S342：当巡检机器人移动至第一等级巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打110报警；

步骤S4：对巡检机器人进行回收判断并进行回收；

步骤S41：对巡检机器人进行回收判断，具体步骤如下：

步骤S411：通过CPU温度传感器获取巡检机器人的CPU工作温度数值，通过工作计时器获取巡检机器人的工作时长数值，通过电池电量检测仪获取巡检机器人剩余电量数值；

步骤S412：根据公式，计算得到巡检机器人回收系数，可理解的是：HSXS为巡检机器人回收系数，WC为巡检机器人的CPU工作温度数值，SC为巡检机器人工作时长数值，DL为巡检机器人剩余电量数值，b1为设定的巡检机器人的CPU工作温度数值比例系数，b2为设定的巡检机器人剩余电量数值比例系数，且b1、b2均大于0；

步骤S413：根据巡检机器人使用说明书获取巡检机器人的CPU工作温度标准数值WC1，巡检机器人标准工作时长数值SC1和巡检机器人回收剩余电量数值DL1；

步骤S414：根据公式计算得到巡检机器人回收系数阈值HSXS1；

当HSXS＜HSXS1，判断为第一回收区间，正常工作巡检机器人；

当HSXS≥HSXS1，判断为第二回收区间，对应待回收巡检机器人；

步骤S42：针对待回收巡检机器人进行回收处理，具体如下：

步骤S421：回收巡检机器人并进行功能测试，测试包括但不限于巡检机器人的移动检测、传感器检测、通信检测，确保巡检机器人的各项功能是否正常运作；

步骤S422：对巡检机器人进行清洁和维护，包括清除灰尘、清洗机器人外壳、检查电池状态等，确保机器人在使用过程中能够保持良好的工作状态。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于巡检数据的机器人巡检系统，其特征在于，包括：

数据获取模块：获取物体最低高度数值与巡检机器人的工作高度数值进行对比，对障碍物进行判断，获取障碍物与巡检机器人的距离数据、障碍物和巡检机器人的移动速度数值和移动加速度数值作为避障数据，分别获取第二激光雷达数据、视觉数据、IMU数据和巡检机器人的经纬度位置数据作为路径数据，将避障数据和路径数据设置为巡检数据；

数据分析模块：根据障碍物的移动速度数值和移动加速度数值，获取障碍物的运动状态来设置不同的避障策略，根据路径数据并结合静止障碍物的位置数据和巡检任务的优先级得到巡检机器人的移动路径；

巡检工作模块：通过计算巡检点的火灾判断系数和火灾判断系数阈值数据对巡检点是否发生火灾进行判断，通过巡检点的图像数据和卷积神经网络对巡检点是否异常进行判断，若为异常巡检点并进行异常处理，若不是则不进行处理；

还包括服务器，所述服务器分别与数据获取模块、数据分析模块以及巡检工作模块相连。

2.根据权利要求1所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述数据获取模块进行障碍物判断并获取巡检数据，具体如下：

数据获取模块包括障碍数据获取单元、路径数据获取单元和巡检任务获取单元；

障碍数据获取单元获取物体最低高度数值和巡检机器人的工作高度数值，将物体最低高度数值与巡检机器人的工作高度数值进行数值对比，当物体最低高度数值低于巡检机器人的工作高度数值时，判断此物体为障碍物；

障碍数据获取单元获取避障数据，路径数据获取单元获取路径数据，巡检任务获取单元获取巡检任务；

数据获取模块将避障数据、路径数据和巡检任务设置为巡检数据。

3.根据权利要求2所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述避障数据、路径数据和巡检任务的获取过程，具体如下：

障碍数据获取单元分别获取障碍物与巡检机器人的距离数据、障碍物和巡检机器人的移动速度数值和移动加速度数值、障碍物和巡检机器人的位置数据和移动方向数据，得到避障数据；

路径数据获取单元获取环境中物体与巡检机器人的距离数据和方向信息作为第二激光雷达数据，获取巡检机器人所在环境的图像数据作为视觉数据，获取巡检机器人的运动加速度和角速度作为IMU数据，获取巡检机器人的经纬度位置数据，将激光雷达数据、视觉数据、IMU数据和经纬度位置数据设置为路径数据；

巡检任务获取单元接收服务器输送的巡检任务。

4.根据权利要求1所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述数据分析模块根据巡检数据制定避障策略和工作路径，具体如下：

数据分析模块包括数据分析单元和路径分析单元；

数据分析单元根据障碍物的移动速度数值和移动加速度数值，获取障碍物的运动状态，具体如下：

当障碍物的移动速度数值和移动加速度数值为0时，判断此时的障碍物为静止障碍物，将静止障碍物的位置数据输送至路径分析单元；

当障碍物的移动速度数值和移动加速度数值不为0时，判断此时的障碍物为运动障碍物；

针对静止障碍物，获取障碍物位置数据和巡检机器人的移动方向数据，若障碍物的位置数据处于巡检机器人的移动方向上，巡检机器人通过改变移动方向绕过障碍物；

针对运动障碍物，数据分析单元根据运动障碍物和巡检机器人是否发生碰撞制定避障策略，具体如下：

当障碍物和巡检机器人发生碰撞，巡检机器人改变移动路径；

障碍物和巡检机器人不发生碰撞，巡检机器人无需改变移动路径；

路径分析单元根据路径数据并结合静止障碍物的位置数据和巡检任务的优先级得到巡检机器人的移动路径。

5.根据权利要求4所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述数据分析单元对巡检机器人与运动障碍物是否发生碰撞进行判断，具体如下：

获取障碍物和巡检机器人的位置数据和移动方向数据，根据Kalman滤波器算法获取障碍物和巡检机器人的移动路径将其离散为两组坐标点，判断两组坐标点的重叠情况，具体如下：

若两组坐标点存在重叠，则障碍物和机器人存在发生碰撞的概率，设置此移动路径上的障碍物和机器人为碰撞预警组，根据障碍物与巡检机器人的距离数据获取障碍物和机器人距离重叠坐标点的距离数值；

若两组坐标点不存在重叠，则障碍物和机器人不发生碰撞，设置此移动路径上的障碍物和机器人为安全路径组；

针对碰撞预警组，获取障碍物的移动速度数值和移动加速度数值、获取巡检机器人的移动速度数字和加速度数值；

根据障碍物距离重叠坐标点的距离数值、障碍物的移动速度数值和障碍物的移动加速度数值，计算得到障碍物移动至重叠坐标点的时间数值t1；

根据巡检机器人距离重叠坐标点的距离数值、巡检机器人的移动速度数值和巡检机器人的移动加速度数值计算得到巡检机器人移动至重叠坐标点的时间数值t2；

当t1=t2时，障碍物和巡检机器人同时经过重叠坐标点，障碍物和巡检机器人发生碰撞；

当t1≠t2，障碍物和巡检机器人不同时经过重叠坐标点，障碍物和巡检机器人不发生碰撞。

6.根据权利要求4所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述路径分析单元获取巡检机器人移动路径，具体如下：

获取第二激光雷达数据、视觉数据、IMU数据和经纬度位置数据，使用SLAM算法建立巡检区域地图；

获取巡检任务和静止障碍物的位置数据，将巡检点的位置数据以坐标点的方式在巡检区域地图上进行标注，得到巡检点坐标，将静止障碍物的位置数据以坐标点的方式在巡检区域地图上进行标注，得到障碍物坐标，将巡检点坐标和障碍物坐标设置为坐标点数据；

根据巡检任务的优先级，将巡检点坐标通过巡检点优先级由高到低进行排序，针对优先级相同的巡检点，按照巡检点与巡检机器人的距离数值由近到远进行排序，得到巡检顺序数据；

根据坐标点数据和巡检顺序数据，使用Dijkstra算法得到巡检机器人的移动路径，移动路径连接巡检点坐标，绕过障碍物坐标；

将移动路径划分为多个路径点，巡检机器人通过运动加速度和角速度的改变实现在路径点之间移动。

7.根据权利要求1所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述巡检工作模块进行机器人巡检和异常处理，具体如下：

巡检工作模块包括火灾信息存储单元、机器人巡检单元和异常处理单元；

火灾信息存储单元通过互联网获取n个真实火灾事故现场的温度数值、烟雾浓度数值和一氧化碳浓度数值作为火灾案例数据存储至服务器；

巡检工作单元对巡检点进行火灾判断，将发生火灾的巡检点设置为火灾巡检点，将未发生火灾的巡检点设置为正常巡检点；

巡检工作单元对打架斗殴进行判断，将打架斗殴场景的巡检点为设置为第一等级巡检点，将不存在打架斗殴场景的巡检点为设置为第二等级巡检点；

将火灾巡检点和第一等级巡检点设置为异常巡检点，异常处理单元针对异常巡检点进行异常处理，具体如下：

当巡检机器人移动至火灾巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打119报警；

当巡检机器人移动至第一等级巡检点，巡检机器人通过警报器发出警报，并利用通讯设备拨打110报警。

8.根据权利要求7所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述巡检工作单元进行火灾判断，具体如下：

巡检机器人通过红外温度传感器获取巡检点的温度数值，巡检机器人通过烟雾传感器获取巡检点的烟雾浓度数值，巡检机器人通过红外一氧化碳传感器获取巡检点的一氧化碳浓度数值；

根据巡检点的温度数值、巡检点的烟雾浓度数值和巡检点的一氧化碳浓度数值，计算得到火灾判断系数HZXS；

获取n个真实火灾事故现场的温度数值，计算得到火灾平均温度数值；

获取n个真实火灾事故现场的烟雾浓度数值，计算得到火灾平均烟雾浓度数值；

获取n个真实火灾事故现场的一氧化碳浓度数值，计算得到火灾平均一氧化碳浓度数值；

根据火灾平均温度数值、火灾平均烟雾浓度数值和火灾平均一氧化碳浓度数值，计算得到火灾判断系数阈值数据HZXSi；

当HZXS≥HZXSi，判断为发生火灾，设置此巡检点为火灾巡检点；

当HZXS＜HZXSi，判断为未发生火灾，设置此巡检点为正常巡检点。

9.根据权利要求7所述的一种基于巡检数据的机器人巡检系统，其特征在于，所述巡检工作单元对打架斗殴进行判断，具体如下：

巡检机器人通过第二摄像头获取巡检点的图像数据作为测试集，通过互联网获取大量包含打架斗殴场景的图片作为数据集；

对数据集中涉及打架斗殴的场景利用人工进行数据标注，得到训练集，使用训练集对CNN模型进行训练，在训练过程中，利用反向传播算法对模型参数进行调整，提高CNN模型对打架斗殴场景的判断精度；

将训练后的CNN模型对测试集进行判断，将CNN模型识别到打架斗殴场景的巡检点为设置为第一等级巡检点，将CNN模型没有识别到打架斗殴场景的巡检点为设置为第二等级巡检点。

10.根据权利要求1所述的一种基于巡检数据的机器人巡检系统，其特征在于，还包括回收判断模块，所述回收判断模块对巡检机器人进行回收判断并进行回收，具体如下：

回收判断模块包括回收判断单元和回收处理单元；

回收判断单元通过CPU温度传感器获取巡检机器人的CPU工作温度数值，通过工作计时器获取巡检机器人的工作时长数值，通过电池电量检测仪获取巡检机器人剩余电量数值；

根据CPU工作温度数值、巡检机器人的工作时长数值和巡检机器人剩余电量数值，计算得到巡检机器人回收系数HSXS；

根据巡检机器人使用说明书获取巡检机器人的CPU工作温度标准数值WC1，巡检机器人标准工作时长数值SC1和巡检机器人回收剩余电量数值DL1；

根据CPU工作温度标准数值、巡检机器人标准工作时长数值和巡检机器人回收剩余电量数值计算得到巡检机器人回收系数阈值HSXS1；

当HSXS＜HSXS1，判断为第一回收区间，正常工作巡检机器人；

当HSXS≥HSXS1，判断为第二回收区间，对应待回收巡检机器人；

回收处理单元针对待回收巡检机器人进行回收处理，具体如下：

（1）回收巡检机器人并进行功能测试，测试包括但不限于巡检机器人的移动检测、传感器检测、通信检测，确保巡检机器人的各项功能是否正常运作；

（2）对巡检机器人进行清洁和维护，包括清除灰尘、清洗机器人外壳、检查电池状态等，确保机器人在使用过程中能够保持良好的工作状态。