CN117823741B - 一种结合智能机器人的管网非开挖修复方法及系统 - Google Patents
一种结合智能机器人的管网非开挖修复方法及系统 Download PDFInfo
- Publication number
- CN117823741B CN117823741B CN202410252438.2A CN202410252438A CN117823741B CN 117823741 B CN117823741 B CN 117823741B CN 202410252438 A CN202410252438 A CN 202410252438A CN 117823741 B CN117823741 B CN 117823741B
- Authority
- CN
- China
- Prior art keywords
- map
- intelligent robot
- data
- pipeline
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000009412 basement excavation Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000008439 repair process Effects 0.000 claims abstract description 17
- 238000011897 real-time detection Methods 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
- F16L55/16—Devices for covering leaks in pipes or hoses, e.g. hose-menders
- F16L55/162—Devices for covering leaks in pipes or hoses, e.g. hose-menders from inside the pipe
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L55/00—Devices or appurtenances for use in, or in connection with, pipes or pipe systems
- F16L55/26—Pigs or moles, i.e. devices movable in a pipe or conduit with or without self-contained propulsion means
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16L—PIPES; JOINTS OR FITTINGS FOR PIPES; SUPPORTS FOR PIPES, CABLES OR PROTECTIVE TUBING; MEANS FOR THERMAL INSULATION IN GENERAL
- F16L2101/00—Uses or applications of pigs or moles
- F16L2101/10—Treating the inside of pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种结合智能机器人的管网非开挖修复方法及系统,包括以下步骤:步骤S1:智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;步骤S2:基于激光雷达数据和LIO‑SAM算法,实现智能机器人在未知环境中的自主移动和执行任务;步骤S3:获取管道内部实时图像;步骤S4:对实时图像进行预处理,将预处理后的图像数据转换为时序图像数据;步骤S5:将预处理后的时序图像数据输入管道破损检测模型进行实时检测;步骤S6:获取破损点定位;步骤S7:当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图。本发明实现对管道内部的检测,为管道的修复工作提供准确的信息和数据支持。
Description
技术领域
本发明涉及管网检测领域,尤其涉及一种结合智能机器人的管网非开挖修复方法及系统。
背景技术
管道缺陷检测与修复工作是城市建设的重要环节,成为当前计算机视觉的热点研究问题。但是获取到高质量的管道视频数据是十分困难的。目前管道探测主要依靠管道机器人搭载高清摄像头来获取管道内部数据,通过人工控制机器人进行检测,但是由于很多管网由于建设时间较早,建设的管网地图缺失,容易导致管网检测不完全,而且效率很低,严重影响修复进度。
发明内容
为了解决上述问题,本发明的目的在于提供一种结合智能机器人的管网非开挖修复方法及系统,实现对管道内部的快速、精准检测,为管道的修复工作提供准确的信息和数据支持。
为实现上述目的,本发明采用以下技术方案:
一种结合智能机器人的管网非开挖修复方法,包括以下步骤:
步骤S1:智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;
步骤S2:基于激光雷达数据构建的初始三维地图,使用LIO-SAM算法来同时进行定位和地图构建,并基于实时建立的三维地图和智能机器人的定位信息,利用路径规划算法进行导航,实现智能机器人在未知环境中的自主移动和执行任务;
步骤S3:通过智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;
步骤S4:使用直方图均衡化来增强图像的对比度,使用高斯滤波来降低图像中的噪声并对图像进行亮度和色彩的调整,适应低光照条件下的图像采集;将预处理后的图像数据转换为时序图像数据;
步骤S5:将预处理后的时序图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像的时序数据;
步骤S6:基于该图像时序数据及智能机器人运动数据,获取破损点定位;
步骤S7:当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图。
进一步的,所述步骤S1具体为:
步骤S11:智能机器人基于激光雷达扫描管道内部的环境,获取激光雷达扫描数据,表示为一系列的点云数据,用来描述管道内部的结构和环境;
步骤S12:对激光雷达扫描得到的点云数据进行预处理;
步骤S13:基于ICP算法对不同位置获取的点云数据进行配准,将它们融合成一个全局的三维地图,并基于配准后的点云数据,利用体素网格方法将点云数据转换为三维地图,得到初始三维地图。
进一步的,所述预处理具体如下:
对于给定点,计算其周围邻居点与该点的距离;
基于下式计算给定距离u下的权重值:
;
其中,是高斯函数的标准差;
根据计算得到的距离和权重值,计算每个邻居点的权重;
对于每个点,根据其周围邻居点的加权平均值,进行滤波处理;
去除那些经过滤波后的点,根据预设阈值行判断,将权重小于阈值的点视为噪声点并将其去除。
进一步的,所述步骤S13具体为:
选择一个初始变换矩阵,将参考点云待配准点云进行初步对齐,采用欧氏距离衡量点云之间的差异,并通过最小二乘法来调整变换矩阵以减小这些差异,优化变换矩阵直至达到收敛条件,得到最终的变换矩阵;
将配准后的点云数据划分为规则的体素网格,对每个体素内的点云数据进行处理,取体素内点云数据的平均值作为代表,从而获得三维地图的表示。
进一步的,所述步骤S2具体为:
设智能机器人的状态变量X=(x 1 ,x 2 ,...,x i ,...,x N ),其中x i 表示智能机器人在时间步i的位姿,地图特征变量M=(m 1 ,m 2 ,...,m k ,...,m K ),其中m k 表示地图中的点;
LIO-SAM算法的目标是最大化后验概率,其中Z表示激光雷达观测数据,U表示IMU测量数据;
LIO-SAM算法的优化问题表示为以下公式:
;
根据贝叶斯公式,将上式转换为:
;
其中,表示观测数据在给定机器人位姿和地图的条件下的概率分布;/>表示机器人位姿和地图的先验概率分布;
通过最大化后验概率,联合优化机器人的轨迹和地图,实现同时定位与地图构建,并利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图。
进一步的,所述利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图,具体如下:
设智能机器人的位姿表示为,其中/>为表示机器人在三维空间中的位置坐标,/>分别表示滚转角、俯仰角和偏航角;地图中的特征点表示为m k =(x k ,y k ,z k ),/> 表示地图中的特征点的位置坐标;
构建因子图,其中节点包括机器人的位姿和地图中的特征点,边表示观测约束或运动约束;
对于每个观测约束,定义一个误差函数,表示激光雷达观测值与预测值之间的差异,设观测约束,表示机器人在位姿x i 处观测到地图中特征点 m j ,定义误差函数为,其中/>是观测模型,将机器人位姿和地图中的特征点映射到观测空间;同时,定义运动约束的误差函数,表示两个连续时刻的位姿之间的差异;
对于每个观测约束根据误差函数计算信息矩阵/>和信息向量/>,设观测数据的协方差矩阵为 />,则信息矩阵和信息向量表示为:
;
其中是误差函数e ij 相对于优化变量的雅可比矩阵,/>为/>的转置;类似地,对于运动约束,计算对应的信息矩阵和信息向量;
在每次迭代中,利用因子图优化算法,通过迭代的方式调整节点的值,以最小化误差函数,更新节点值的公式表示为:
;
其中,为节点值的更新量,H是正规因子图的信息矩阵,b是整个因子图的信息向量。
进一步的,所述步骤S5具体为:
将预处理后的时序图像数据输入到管道破损检测模型中,管道破损检测模型对每帧图像进行分析,检测管道内部的异常情况;
如果模型发现异常图像数据,即表示检测到了异常情况,当检测到异常图像数据时,将异常图像的时序数据,即异常发生时的时间戳记录下来。
进一步的,所述管道破损检测模型基于YOLOv3算法构建,具体如下:
收集管道内部的图像数据,并标注其中的破损或异常区域,得到管道破损检测数据集;
使用预训练的 YOLOv3 模型作为基础,在管道破损检测数据集上进行微调,以学习管道破损的特征;
训练过程中,采用交叉熵损失函数来衡量模型输出与标注之间的差异,并通过反向传播算法更新模型参数;
经过训练的 YOLOv3 模型,用于实时检测管道内部的破损检测,模型将图像分成网格,并对每个网格预测边界框和类别,以确定破损区域的位置和类别。
进一步的,所述步骤S7具体为:
智能机器人巡检完管网后,将采集到的图像数据和破损点的位置信息进行处理,提取出破损点的具体位置坐标;
使用 GIS 系统将破损点的位置信息映射到管网的地图上,将标记了破损点的地图进行可视化展示,通过交互式地图展示工具来实现,方便相关人员查看管道系统的状况,以及具体的破损点位置;
根据破损点的布局图,生成详细的故障报告,包括破损点的位置、类型、严重程度信息。
一种结合智能机器人的管网非开挖修复系统,包括智能机器人和后台控制端,所述智能机器人搭载有激光雷达和高清摄像机;所述智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;基于智能机器人位置和周围环境的三维建模,采用同时定位与地图构建技术,实现智能机器人在未知环境中的自主定位和导航;所述智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;所述后台控制端对图像数据进行预处理,包括增强图像的对比度、降低噪声、调整亮度,并将预处理后的图像数据转换为时序图像数据将预处理后的图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像时序数据;基于该图像时序数据及智能机器人运动数据,获取破损点定位;当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图。
本发明具有如下有益效果:
1、本发明实现对管道内部的快速、精准检测,为管道的修复工作提供准确的信息和数据支持;
2、本发明通过结合激光雷达传感器和SLAM技术,智能机器人可以在管道内部实现自主定位和导航,通过结合管网布局图信息和激光雷达实时更新管道内部的地图,在未知环境中实现高效的同时定位和地图构建,并进一步利用因子图优化、信息矩阵和信息向量来实现LIO-SAM算法中的同时定位与地图构建,以获得更准确的定位和地图;
3、本发明通过实时检测管道破损,并处理异常图像数据并获取时序数据,可以及时发现管道的异常情况,并将破损点定位在地图中进行标记,并得到破损点的布局图,帮助相关人员全面了解管道系统的状况,及时发现和处理破损点,辅助修复管网。
附图说明
图1为本发明方法流程图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步详细说明:
参考图1,在本发明提供一种结合智能机器人的管网非开挖修复方法,包括以下步骤:
步骤S1:智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;
步骤S2:基于激光雷达数据构建的初始三维地图,使用LIO-SAM算法来同时进行定位和地图构建,并基于实时建立的三维地图和智能机器人的定位信息,利用路径规划算法进行导航,实现智能机器人在未知环境中的自主移动和执行任务;
步骤S3:通过智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;
步骤S4:使用直方图均衡化来增强图像的对比度,使用高斯滤波来降低图像中的噪声并对图像进行亮度和色彩的调整,适应低光照条件下的图像采集;将预处理后的图像数据转换为时序图像数据;
步骤S5:将预处理后的时序图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像的时序数据;
步骤S6:基于该图像时序数据及智能机器人运动数据,获取破损点定位;
步骤S7:当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图。
在本实施例中,所述步骤S1具体为:
步骤S11:智能机器人基于激光雷达扫描管道内部的环境,获取激光雷达扫描数据,表示为一系列的点云数据,用来描述管道内部的结构和环境;
步骤S12:对激光雷达扫描得到的点云数据进行预处理;
步骤S13:基于ICP算法对不同位置获取的点云数据进行配准,将它们融合成一个全局的三维地图,并基于配准后的点云数据,利用体素网格方法将点云数据转换为三维地图,得到初始三维地图。
在本实施例中,所述预处理具体如下:
对于给定点,计算其周围邻居点与该点的距离;
基于下式计算给定距离u下的权重值:
;
其中,是高斯函数的标准差;
根据计算得到的距离和权重值,计算每个邻居点的权重;
对于每个点,根据其周围邻居点的加权平均值,进行滤波处理;
去除那些经过滤波后的点,根据预设阈值行判断,将权重小于阈值的点视为噪声点并将其去除。
在本实施例中,所述步骤S13具体为:
选择一个初始变换矩阵,将参考点云待配准点云进行初步对齐,采用欧氏距离衡量点云之间的差异,并通过最小二乘法来调整变换矩阵以减小这些差异,优化变换矩阵直至达到收敛条件,得到最终的变换矩阵;
将配准后的点云数据划分为规则的体素网格,对每个体素内的点云数据进行处理,取体素内点云数据的平均值作为代表,从而获得三维地图的表示。
在本实施例中,步骤S2具体为:
设智能机器人的状态变量X=(x 1 ,x 2 ,...,x i ,...,x N ),其中x i 表示智能机器人在时间步i的位姿,地图特征变量M=(m 1 ,m 2 ,...,m k ,...,m K ),其中m k 表示地图中的点;
LIO-SAM算法的目标是最大化后验概率,其中Z表示激光雷达观测数据,U表示IMU测量数据;
LIO-SAM算法的优化问题表示为以下公式:
;
根据贝叶斯公式,将上式转换为:
;
其中,表示观测数据在给定机器人位姿和地图的条件下的概率分布;/>表示机器人位姿和地图的先验概率分布;
通过最大化后验概率,联合优化机器人的轨迹和地图,实现同时定位与地图构建,并利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图。
在本实施例中,利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图,具体如下:
设智能机器人的位姿表示为,其中/>为表示机器人在三维空间中的位置坐标,/>分别表示滚转角、俯仰角和偏航角;地图中的特征点表示为m k =(x k ,y k ,z k ),/> 表示地图中的特征点的位置坐标;
构建因子图,其中节点包括机器人的位姿和地图中的特征点,边表示观测约束或运动约束;
对于每个观测约束,定义一个误差函数,表示激光雷达观测值与预测值之间的差异,设观测约束,表示机器人在位姿x i 处观测到地图中特征点 m j ,定义误差函数为,其中/>是观测模型,将机器人位姿和地图中的特征点映射到观测空间;同时,定义运动约束的误差函数,表示两个连续时刻的位姿之间的差异;
对于每个观测约束根据误差函数计算信息矩阵/>和信息向量/>,设观测数据的协方差矩阵为 />,则信息矩阵和信息向量表示为:
;
其中是误差函数e ij 相对于优化变量的雅可比矩阵,/>为/>的转置;类似地,对于运动约束,计算对应的信息矩阵和信息向量;
在每次迭代中,利用因子图优化算法,通过迭代的方式调整节点的值,以最小化误差函数,更新节点值的公式表示为:
;
其中,为节点值的更新量,H是正规因子图的信息矩阵,b是整个因子图的信息向量。
在本实施例中,步骤S5具体为:
将预处理后的时序图像数据输入到管道破损检测模型中,管道破损检测模型对每帧图像进行分析,检测管道内部的破损、裂缝或其他异常情况;
如果模型发现异常图像数据,即表示检测到了异常情况,当检测到异常图像数据时,将异常图像的时序数据,即异常发生时的时间戳记录下来。
在本实施例中,管道破损检测模型基于YOLOv3算法构建,具体如下:
收集管道内部的图像数据,并标注其中的破损或异常区域,得到管道破损检测数据集;
使用预训练的 YOLOv3 模型作为基础,在管道破损检测数据集上进行微调,以学习管道破损的特征;
训练过程中,采用交叉熵损失函数来衡量模型输出与标注之间的差异,并通过反向传播算法更新模型参数;
经过训练的 YOLOv3 模型,用于实时检测管道内部的破损检测,模型将图像分成网格,并对每个网格预测边界框和类别,以确定破损区域的位置和类别。
在本实施例中,步骤S7具体为:
智能机器人巡检完管网后,将采集到的图像数据和破损点的位置信息进行处理,提取出破损点的具体位置坐标;
使用 GIS 系统将破损点的位置信息映射到管网的地图上,将标记了破损点的地图进行可视化展示,通过交互式地图展示工具来实现,方便相关人员查看管道系统的状况,以及具体的破损点位置;
根据破损点的布局图,生成详细的故障报告,包括破损点的位置、类型、严重程度信息。
本发明,还提供一种结合智能机器人的管网非开挖修复系统,包括智能机器人和后台控制端,所述智能机器人搭载有激光雷达和高清摄像机;所述智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;基于智能机器人位置和周围环境的三维建模,采用同时定位与地图构建技术,实现智能机器人在未知环境中的自主定位和导航;所述智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;所述后台控制端对图像数据进行预处理,包括增强图像的对比度、降低噪声、调整亮度,并将预处理后的图像数据转换为时序图像数据将预处理后的图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像时序数据;基于该图像时序数据及智能机器人运动数据,获取破损点定位;当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种结合智能机器人的管网非开挖修复方法,其特征在于,包括以下步骤:
步骤S1:智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境进行三维建模;
步骤S2:基于激光雷达数据构建的初始三维地图,使用LIO-SAM算法来同时进行定位和地图构建,并基于实时建立的三维地图和智能机器人的定位信息,利用路径规划算法进行导航,实现智能机器人在未知环境中的自主移动和执行任务;
步骤S3:通过智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;
步骤S4:使用直方图均衡化来增强图像的对比度,使用高斯滤波来降低图像中的噪声并对图像进行亮度和色彩的调整,适应低光照条件下的图像采集;将预处理后的图像数据转换为时序图像数据;
步骤S5:将预处理后的时序图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像的时序数据;
步骤S6:基于该图像时序数据及智能机器人运动数据,获取破损点定位;
步骤S7:当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图;
所述步骤S2具体为:
设智能机器人的状态变量X=(x 1 ,x 2 ,...,x i ,...,x N ),其中x i 表示智能机器人在时间步i的位姿,地图特征变量M=(m 1 ,m 2 ,...,m k ,...,m K ),其中m k 表示地图中的点;
LIO-SAM算法的目标是最大化后验概率,其中Z表示激光雷达观测数据,U表示IMU测量数据;
LIO-SAM算法的优化问题表示为以下公式:
;
根据贝叶斯公式,将上式转换为:
;
其中,表示观测数据在给定机器人位姿和地图的条件下的概率分布;表示机器人位姿和地图的先验概率分布;
通过最大化后验概率,联合优化机器人的轨迹和地图,实现同时定位与地图构建,并利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图;
所述利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图,具体如下:
设智能机器人的位姿表示为,其中为表示机器人在三维空间中的位置坐标,/>分别表示滚转角、俯仰角和偏航角;地图中的特征点表示为m k =(x k ,y k ,z k ),/> 表示地图中的特征点的位置坐标;
构建因子图,其中节点包括机器人的位姿和地图中的特征点,边表示观测约束或运动约束;
对于每个观测约束,定义一个误差函数,表示激光雷达观测值与预测值之间的差异,设观测约束,表示机器人在位姿x i 处观测到地图中特征点 m j ,定义误差函数为,其中/>是观测模型,将机器人位姿和地图中的特征点映射到观测空间;同时,定义运动约束的误差函数,表示两个连续时刻的位姿之间的差异;
对于每个观测约束根据误差函数计算信息矩阵/>和信息向量/>,设观测数据的协方差矩阵为 />,则信息矩阵和信息向量表示为:
;
其中是误差函数e ij 相对于优化变量的雅可比矩阵,/>为/>的转置;类似地,对于运动约束,计算对应的信息矩阵和信息向量;
在每次迭代中,利用因子图优化算法,通过迭代的方式调整节点的值,以最小化误差函数,更新节点值的公式表示为:
;
其中,为节点值的更新量,H是正规因子图的信息矩阵,b是整个因子图的信息向量。
2.根据权利要求1所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述步骤S1具体为:
步骤S11:智能机器人基于激光雷达扫描管道内部的环境,获取激光雷达扫描数据,表示为一系列的点云数据,用来描述管道内部的结构和环境;
步骤S12:对激光雷达扫描得到的点云数据进行预处理;
步骤S13:基于ICP算法对不同位置获取的点云数据进行配准,将它们融合成一个全局的三维地图,并基于配准后的点云数据,利用体素网格方法将点云数据转换为三维地图,得到初始三维地图。
3.根据权利要求2所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述预处理具体如下:
对于给定点,计算其周围邻居点与该点的距离;
基于下式计算给定距离u下的权重值:
;
其中,是高斯函数的标准差;
根据计算得到的距离和权重值,计算每个邻居点的权重;
对于每个点,根据其周围邻居点的加权平均值,进行滤波处理;
去除那些经过滤波后的点,根据预设阈值行判断,将权重小于阈值的点视为噪声点并将其去除。
4.根据权利要求2所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述步骤S13具体为:
选择一个初始变换矩阵,将参考点云待配准点云进行初步对齐,采用欧氏距离衡量点云之间的差异,并通过最小二乘法来调整变换矩阵以减小这些差异,优化变换矩阵直至达到收敛条件,得到最终的变换矩阵;
将配准后的点云数据划分为规则的体素网格,对每个体素内的点云数据进行处理,取体素内点云数据的平均值作为代表,从而获得三维地图的表示。
5.根据权利要求1所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述步骤S5具体为:
将预处理后的时序图像数据输入到管道破损检测模型中,管道破损检测模型对每帧图像进行分析,检测管道内部的异常情况;
如果模型发现异常图像数据,即表示检测到了异常情况,当检测到异常图像数据时,将异常图像的时序数据,即异常发生时的时间戳记录下来。
6.根据权利要求5所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述管道破损检测模型基于YOLOv3算法构建,具体如下:
收集管道内部的图像数据,并标注其中的破损或异常区域,得到管道破损检测数据集;
使用预训练的 YOLOv3 模型作为基础,在管道破损检测数据集上进行微调,以学习管道破损的特征;
训练过程中,采用交叉熵损失函数来衡量模型输出与标注之间的差异,并通过反向传播算法更新模型参数;
经过训练的 YOLOv3 模型,用于实时检测管道内部的破损检测,模型将图像分成网格,并对每个网格预测边界框和类别,以确定破损区域的位置和类别。
7.根据权利要求1所述的一种结合智能机器人的管网非开挖修复方法,其特征在于,所述步骤S7具体为:
智能机器人巡检完管网后,将采集到的图像数据和破损点的位置信息进行处理,提取出破损点的具体位置坐标;
使用 GIS 系统将破损点的位置信息映射到管网的地图上,将标记了破损点的地图进行可视化展示,通过交互式地图展示工具来实现,方便相关人员查看管道系统的状况,以及具体的破损点位置;
根据破损点的布局图,生成详细的故障报告,包括破损点的位置、类型、严重程度信息。
8.一种结合智能机器人的管网非开挖修复系统,其特征在于,包括智能机器人和后台控制端,所述智能机器人搭载有激光雷达和高清摄像机;所述智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境的三维建模;基于智能机器人位置和周围环境的三维建模,采用同时定位与地图构建技术,实现智能机器人在未知环境中的自主定位和导航;所述智能机器人搭载的高清摄像机,获取管道内部实时图像,并将图像数据传输至后台控制端;所述后台控制端对图像数据进行预处理,包括增强图像的对比度、降低噪声、调整亮度,并将预处理后的图像数据转换为时序图像数据将预处理后的图像数据输入管道破损检测模型进行实时检测,若发现异常图像数据,则输出该图像,并获取该图像时序数据;基于该图像时序数据及智能机器人运动数据,获取破损点定位;当智能机器人完成管网所有管道巡检后,将破损点定位在地图中进行标记,得到破损点的布局图;
所述智能机器人基于激光雷达扫描管道内部的环境,并基于激光雷达扫描数据对机器人位置和周围环境进行三维建模;基于智能机器人位置和周围环境的三维建模,采用同时定位与地图构建技术,实现智能机器人在未知环境中的自主定位和导航,具体如下:
设智能机器人的状态变量X=(x 1 ,x 2 ,...,x i ,...,x N ),其中x i 表示智能机器人在时间步i的位姿,地图特征变量M=(m 1 ,m 2 ,...,m k ,...,m K ),其中m k 表示地图中的点;
LIO-SAM算法的目标是最大化后验概率,其中Z表示激光雷达观测数据,U表示IMU测量数据;
LIO-SAM算法的优化问题表示为以下公式:
;
根据贝叶斯公式,将上式转换为:
;
其中,表示观测数据在给定机器人位姿和地图的条件下的概率分布;表示机器人位姿和地图的先验概率分布;
通过最大化后验概率,联合优化机器人的轨迹和地图,实现同时定位与地图构建,并利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图;
所述利用因子图优化、信息矩阵和信息向量来实现联合优化,以获得更准确的定位和地图,具体如下:
设智能机器人的位姿表示为,其中为表示机器人在三维空间中的位置坐标,/>分别表示滚转角、俯仰角和偏航角;地图中的特征点表示为m k =(x k ,y k ,z k ),/> 表示地图中的特征点的位置坐标;
构建因子图,其中节点包括机器人的位姿和地图中的特征点,边表示观测约束或运动约束;
对于每个观测约束,定义一个误差函数,表示激光雷达观测值与预测值之间的差异,设观测约束,表示机器人在位姿x i 处观测到地图中特征点 m j ,定义误差函数为,其中/>是观测模型,将机器人位姿和地图中的特征点映射到观测空间;同时,定义运动约束的误差函数,表示两个连续时刻的位姿之间的差异;
对于每个观测约束根据误差函数计算信息矩阵/>和信息向量/>,设观测数据的协方差矩阵为 />,则信息矩阵和信息向量表示为:
;
其中是误差函数e ij 相对于优化变量的雅可比矩阵,/>为/>的转置;类似地,对于运动约束,计算对应的信息矩阵和信息向量;
在每次迭代中,利用因子图优化算法,通过迭代的方式调整节点的值,以最小化误差函数,更新节点值的公式表示为:
;
其中,为节点值的更新量,H是正规因子图的信息矩阵,b是整个因子图的信息向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252438.2A CN117823741B (zh) | 2024-03-06 | 2024-03-06 | 一种结合智能机器人的管网非开挖修复方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252438.2A CN117823741B (zh) | 2024-03-06 | 2024-03-06 | 一种结合智能机器人的管网非开挖修复方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117823741A CN117823741A (zh) | 2024-04-05 |
CN117823741B true CN117823741B (zh) | 2024-05-31 |
Family
ID=90506198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410252438.2A Active CN117823741B (zh) | 2024-03-06 | 2024-03-06 | 一种结合智能机器人的管网非开挖修复方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117823741B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015167860A (ja) * | 2014-03-05 | 2015-09-28 | 株式会社東芝 | X線コンピュータ断層撮影装置、位置ずれ特定方法、および位置ずれ特定プログラム |
CN112967392A (zh) * | 2021-03-05 | 2021-06-15 | 武汉理工大学 | 一种基于多传感器触合的大规模园区建图定位方法 |
KR102299328B1 (ko) * | 2021-02-24 | 2021-09-08 | 주식회사 팀프레시 | Tms 기반 통합 물류 서비스 제공 시스템 |
CN114485643A (zh) * | 2022-01-25 | 2022-05-13 | 重庆理工大学 | 一种煤矿井下移动机器人环境感知与高精度定位方法 |
CN115689288A (zh) * | 2022-11-01 | 2023-02-03 | 深圳市燃气集团股份有限公司 | 一种管道健康状态评估及显示方法、装置及智能终端 |
CN116339337A (zh) * | 2023-03-29 | 2023-06-27 | 上海无线电设备研究所 | 基于红外成像、激光雷达和声音定向探测的目标智能定位控制系统及其方法 |
CN116878501A (zh) * | 2023-07-12 | 2023-10-13 | 北京理工大学 | 一种基于多传感器融合的高精度定位与建图系统及方法 |
CN117541534A (zh) * | 2023-10-12 | 2024-02-09 | 国网河南省电力公司濮阳供电公司 | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10723483B2 (en) * | 2016-06-10 | 2020-07-28 | ETAK Systems, LLC | Elevator or tube lift for drone takeoff and control thereof via air traffic control systems |
-
2024
- 2024-03-06 CN CN202410252438.2A patent/CN117823741B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015167860A (ja) * | 2014-03-05 | 2015-09-28 | 株式会社東芝 | X線コンピュータ断層撮影装置、位置ずれ特定方法、および位置ずれ特定プログラム |
KR102299328B1 (ko) * | 2021-02-24 | 2021-09-08 | 주식회사 팀프레시 | Tms 기반 통합 물류 서비스 제공 시스템 |
CN112967392A (zh) * | 2021-03-05 | 2021-06-15 | 武汉理工大学 | 一种基于多传感器触合的大规模园区建图定位方法 |
CN114485643A (zh) * | 2022-01-25 | 2022-05-13 | 重庆理工大学 | 一种煤矿井下移动机器人环境感知与高精度定位方法 |
CN115689288A (zh) * | 2022-11-01 | 2023-02-03 | 深圳市燃气集团股份有限公司 | 一种管道健康状态评估及显示方法、装置及智能终端 |
CN116339337A (zh) * | 2023-03-29 | 2023-06-27 | 上海无线电设备研究所 | 基于红外成像、激光雷达和声音定向探测的目标智能定位控制系统及其方法 |
CN116878501A (zh) * | 2023-07-12 | 2023-10-13 | 北京理工大学 | 一种基于多传感器融合的高精度定位与建图系统及方法 |
CN117541534A (zh) * | 2023-10-12 | 2024-02-09 | 国网河南省电力公司濮阳供电公司 | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117823741A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109615653B (zh) | 基于深度学习与视场投影模型的渗漏水面积检测与识别方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN109886947A (zh) | 基于区域的卷积神经网络的高压电线缺陷检测方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN114782626A (zh) | 基于激光与视觉融合的变电站场景建图及定位优化方法 | |
CN115272815A (zh) | 一种基于图像的电缆隧道环境异常识别方法 | |
Dong et al. | Intelligent segmentation and measurement model for asphalt road cracks based on modified mask R-CNN algorithm | |
CN111354028B (zh) | 基于双目视觉的输电通道隐患物识别追踪方法 | |
CN116203970A (zh) | 一种巡检机器人的智能避障方法及系统 | |
CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
CN113870326B (zh) | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 | |
CN114387261A (zh) | 一种适用于铁路钢桥螺栓病害的自动检测方法 | |
CN113569801A (zh) | 一种配电施工现场带电设备及其带电区域识别方法及装置 | |
CN117823741B (zh) | 一种结合智能机器人的管网非开挖修复方法及系统 | |
CN117010673A (zh) | 一种木结构历史建筑结构构件表征损伤的鉴定方法及系统 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN115761439A (zh) | 一种基于目标检测的锅炉内壁陷检测识别方法 | |
CN114332006A (zh) | 一种城垛缺失自动定量评估方法 | |
CN114821165A (zh) | 一种轨道检测图像采集分析方法 | |
CN117455206B (zh) | 一种基于摄像头图像识别的施工现场安全风险评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |