CN117829476A - 地下管廊巡检机器人的信息录入管理系统及方法 - Google Patents
地下管廊巡检机器人的信息录入管理系统及方法 Download PDFInfo
- Publication number
- CN117829476A CN117829476A CN202311761311.5A CN202311761311A CN117829476A CN 117829476 A CN117829476 A CN 117829476A CN 202311761311 A CN202311761311 A CN 202311761311A CN 117829476 A CN117829476 A CN 117829476A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- pipe gallery
- carbon monoxide
- values
- feature vector
- 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 79
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 206
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 112
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 112
- 230000004927 fusion Effects 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 101
- 238000007726 management method Methods 0.000 claims description 64
- 230000007613 environmental effect Effects 0.000 claims description 56
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- -1 heat supply Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000001408 Carbon monoxide poisoning Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
公开了一种地下管廊巡检机器人的信息录入管理系统及方法。其首先获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值,接着,将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台,然后,在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量,最后,基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。这样,可以及时排查地下管廊中的安全隐患。
Description
技术领域
本申请涉及巡检机器人领域,且更为具体地,涉及一种地下管廊巡检机器人的信息录入管理系统及方法。
背景技术
地下管廊,又称综合管廊,是地下城市管道综合走廊,即在城市地下建造一个隧道空间,将电力、通信,燃气、供热、给排水等各种工程管线集于一体。地下城市综合管廊虽然结构较为单一,但管廊内有各种设备设施且环境复杂多变,人工巡检成本高、效率低、风险大。
对此,市面上已经设计一些用于地下管廊的巡检机器人来采集各种管廊环境数据,以将这些数据更加安全和智能地呈现在技术人员面前。但是,面对大量的数据,仍然需要相关技术人员进行信息的录入、整理和分析,以便对管廊环境进行实时监测和异常状态识别。也就是说,这种方式还是依赖于人工操作,存在费时费力的问题。因此,期待一种地下管廊巡检机器人的信息录入管理系统及方法。
发明内容
有鉴于此,本申请提出了一种地下管廊巡检机器人的信息录入管理系统及方法,其可以实现对巡检机器人采集的地下管廊环境数据的自动化录入、整理和分析,以减少对人工操作的依赖性,并及时排查地下管廊中的安全隐患。
根据本申请的一方面,提供了一种地下管廊巡检机器人的信息录入管理方法,其包括:
获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;
将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;
在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及
基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
根据本申请的另一方面,提供了一种地下管廊巡检机器人的信息录入管理系统,其包括:
数据获取模块,用于获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;
传输模块,用于将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;
特征提取融合模块,用于在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及
异常分析模块,用于基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
根据本申请的实施例,其首先获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值,接着,将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台,然后,在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量,最后,基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。这样,可以及时排查地下管廊中的安全隐患。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的流程图。
图2示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的架构示意图。
图3示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的子步骤S130的流程图。
图4示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理系统的框图。
图5示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的应用场景图。
图6示出地下综合管廊智能巡检机器人的架构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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他实施例,也属于本申请保护的范围。
如本申请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他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思为利用搭载温度传感器、湿度传感器和一氧化碳传感器的地下管廊巡检机器人进行环境参数采集,并通过无线接入点传输至信息录入管理后台,同时结合智能化算法来对这些环境参数数据进行处理和分析,以从中挖掘和识别管廊环境的异常特征,从而实现管廊环境状态的异常识别和预警。这样,实现对巡检机器人采集的地下管廊环境数据的自动化录入、整理和分析,以减少对人工操作的依赖性,并及时排查地下管廊中的安全隐患。
基于此,图1示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的流程图。图2示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的架构示意图。如图1和图2所示,根据本申请实施例的地下管廊巡检机器人的信息录入管理方法,包括步骤:S110,获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;S120,将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;S130,在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及,S140,基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
具体地,在本申请的技术方案中,首先获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;并将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台。通过这样的方式来实现数据的实时传输和即时录入。
在所述信息录入管理后台中,先将所述多个预定时间点的温度值、湿度值和一氧化碳含量值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和一氧化碳含量时序输入向量;再将所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量通过基于一维卷积层的时序特征提取器以得到温度时序特征向量、湿度时序特征向量和一氧化碳含量时序特征向量。其中,地下管廊的温度值的变化可以反映管廊内部的热量分布和热量变化情况,有助于判断是否存在因设备过热或设备故障等原因引起的温度过高或过低的异常情况。此外,地下管廊的湿度也影响着地下管廊环境。具体来说,管廊中湿度的变化可能导致管道腐蚀、绝缘材料受潮、设备故障等问题。再者,一氧化碳是一种无色、无味的气体,但它对人体有毒。在地下管廊中,一氧化碳的积累可能来自燃烧设备、燃气泄漏等。通过获取一氧化碳含量值,可以及时监测管廊内的空气质量,以便于发现一氧化碳超标情况,预防一氧化碳中毒事件的发生。通过对这些时序数据进行向量化转化和时序特征提取,可以从时间维度上分析和理解地下管廊环境的变化趋势,捕捉各个环境参数的时序变化情况、波动模式和周期性规律,有助于识别管廊环境的周期性波动、异常峰值等信息,从而更好地了解和监测管廊的运行状况。
接着,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量通过贝叶斯概率融合模型以得到管廊环境参数后验融合特征向量。也就是,利用贝叶斯理论将不同模态的环境参数时序特征分布进行基于物理意义的融合,从而能够综合表征所述地下管廊的环境时序特征分布,反映出管廊环境的真实情况。这样,即使某些传感器数据存在噪声或异常,也不会影响整体的判断结果,从而提高了系统的鲁棒性和可靠性。
相应地,在步骤S130中,如图3所示,在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量,包括:S131,对所述多个预定时间点的温度值、湿度值和一氧化碳含量进行数据预处理以得到温度时序输入向量、湿度时序输入向量和一氧化碳含量时序输入向量;S132,对所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量进行时序特征提取以得到温度时序特征向量、湿度时序特征向量和一氧化碳含量时序特征向量;以及,S133,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行特征融合以得到所述管廊环境参数后验融合特征向量。
其中,在步骤S131中,对所述多个预定时间点的温度值、湿度值和一氧化碳含量进行数据预处理以得到温度时序输入向量、湿度时序输入向量和一氧化碳含量时序输入向量,包括:将所述多个预定时间点的温度值、湿度值和一氧化碳含量值分别按照时间维度排列为所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量。
其中,在步骤S132中,对所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量进行时序特征提取以得到温度时序特征向量、湿度时序特征向量和一氧化碳含量时序特征向量,包括:将所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量通过基于一维卷积层的时序特征提取器以得到所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量。
具体地,所述基于一维卷积层的时序特征提取器包括输入层、所述一维卷积层、激活层、池化层和输出层。
其中,在步骤S133中,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行特征融合以得到所述管廊环境参数后验融合特征向量,包括:将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量通过贝叶斯概率融合模型以得到所述管廊环境参数后验融合特征向量。值得一提的是,贝叶斯概率融合模型是一种统计模型,用于将多个不同特征向量的信息进行融合,并得到后验融合特征向量,它基于贝叶斯定理,通过计算后验概率来估计融合后的特征向量。在步骤S133中,贝叶斯概率融合模型可以用于将多个不同传感器或特征源的信息进行整合,以提高对目标变量的估计准确性。在管廊环境参数的后验融合中,温度、湿度和一氧化碳含量时序特征向量可以被视为不同的特征源,它们提供了关于管廊环境的不同方面的信息。通过贝叶斯概率融合模型,可以将这些特征源的信息进行融合,得到管廊环境参数的后验融合特征向量。这个后验融合特征向量综合了不同特征源的信息,可以提供更准确和全面的管廊环境参数估计。这对于管廊环境监测和控制非常有用,可以帮助更好地理解管廊内部的环境状况,及时发现异常情况并采取相应的措施。
在本申请的一个具体示例中,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量通过贝叶斯概率融合模型以得到所述管廊环境参数后验融合特征向量,包括:以如下贝叶斯概率融合公式来将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行融合以得到所述管廊环境参数后验融合特征向量;其中,所述贝叶斯概率融合公式为:其中,/>表示所述管廊环境参数后验融合特征向量中各个位置的特征值,/>表示所述温度时序特征向量中各个位置的特征值,/>表示所述湿度时序特征向量中各个位置的特征值,/>表示所述一氧化碳含量时序特征向量中各个位置的特征值。
进而,将所述管廊环境参数后验融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生管廊环境状态异常预警。
相应地,在步骤S140中,基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警,包括:将所述管廊环境参数后验融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生管廊环境状态异常预警。
具体地,将所述管廊环境参数后验融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生管廊环境状态异常预警,包括:使用所述分类器的全连接层对所述管廊环境参数后验融合特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括产生管廊环境状态异常预警(第一标签),以及,不产生管廊环境状态异常预警(第二标签),其中,所述分类器通过软最大值函数来确定所述管廊环境参数后验融合特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否产生管廊环境状态异常预警”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否产生管廊环境状态异常预警的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否产生管廊环境状态异常预警”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的地下管廊巡检机器人的信息录入管理方法,其还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述贝叶斯概率融合模型和所述分类器进行训练。
其中,在一个具体示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值,以及,是否产生管廊环境状态异常预警的真实值;将所述多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;在所述信息录入管理后台,将所述多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值分别按照时间维度排列为训练温度时序输入向量、训练湿度时序输入向量和训练一氧化碳含量时序输入向量;将所述训练温度时序输入向量、所述训练湿度时序输入向量和所述训练一氧化碳含量时序输入向量通过所述基于一维卷积层的时序特征提取器以得到训练温度时序特征向量、训练湿度时序特征向量和训练一氧化碳含量时序特征向量;将所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量通过所述贝叶斯概率融合模型以得到训练管廊环境参数后验融合特征向量;将所述训练管廊环境参数后验融合特征向量通过所述分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述贝叶斯概率融合模型和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练管廊环境参数后验融合特征向量进行优化。
在上述技术方案中,所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量分别表达所述训练温度值、所述训练湿度值和所述训练一氧化碳含量值的局部时序关联特征,这里,考虑到所述训练温度值、所述训练湿度值和所述训练一氧化碳含量值本身作为异源数据沿时序方向的数值分布差异以及受环境噪声的影响,所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量的时序特征分布也会呈现分布不均衡,这样,将所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量通过贝叶斯概率融合模型后,由于是对所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量逐位置进行贝叶斯概率计算以得到所述训练管廊环境参数后验融合特征向量的每个特征值,因此所述训练管廊环境参数后验融合特征向量也会具有整体特征分布的较为显著的不一致和不稳定,从而影响其通过分类器进行分类训练的稳定性。基于此,本申请的申请人在将所述训练管廊环境参数后验融合特征向量通过分类器进行分类训练时,在每次迭代时对所述训练管廊环境参数后验融合特征向量进行训练优化。
具体地,在一个示例中,在所述训练的每一轮迭代中,对所述训练管廊环境参数后验融合特征向量进行优化,包括:在所述训练的每一轮迭代中,以如下优化公式对所述训练管廊环境参数后验融合特征向量进行优化以得到优化后训练管廊环境参数后验融合特征向量;其中,所述优化公式为:其中,/>是所述训练管廊环境参数后验融合特征向量,/>是所述训练管廊环境参数后验融合特征向量/>的第/>位置的特征值,/>和/>分别是所述训练管廊环境参数后验融合特征向量/>的1范数和2范数,/>是所述训练管廊环境参数后验融合特征向量/>的长度,且/>是与/>相关的权重超参数,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,/>是所述优化后训练管廊环境参数后验融合特征向量的第/>位置的特征值。
这里,通过所述训练管廊环境参数后验融合特征向量的整体特征分布分别在绝对距离的刚性结构和空间距离的非刚性结构下的结构一致性和稳定性表示,来使得所述训练管廊环境参数后验融合特征向量/>的全局特征分布对于局部模式变化具有一定重复性,以在所述训练管廊环境参数后验融合特征向量/>通过分类器进行分类时,对于全局特征分布经由分类器的权重矩阵的尺度和旋转变化具有鲁棒性,提升分类训练的稳定性。
综上,基于本申请实施例的地下管廊巡检机器人的信息录入管理方法,其可以及时排查地下管廊中的安全隐患。
图4示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理系统100的框图。如图4所示,根据本申请实施例的地下管廊巡检机器人的信息录入管理系统100,包括:数据获取模块110,用于获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;传输模块120,用于将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;特征提取融合模块130,用于在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及,异常分析模块140,用于基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
这里,本领域技术人员可以理解,上述地下管廊巡检机器人的信息录入管理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的地下管廊巡检机器人的信息录入管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的地下管廊巡检机器人的信息录入管理系统100可以实现在各种无线终端中,例如具有地下管廊巡检机器人的信息录入管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的地下管廊巡检机器人的信息录入管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该地下管廊巡检机器人的信息录入管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该地下管廊巡检机器人的信息录入管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该地下管廊巡检机器人的信息录入管理系统100与该无线终端也可以是分立的设备,并且该地下管廊巡检机器人的信息录入管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5示出根据本申请的实施例的地下管廊巡检机器人的信息录入管理方法的应用场景图。如图5所示,在该应用场景中,首先,获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值(例如,图5中所示意的D),然后,将所述多个预定时间点的温度值、湿度值和一氧化碳含量值输入至部署有地下管廊巡检机器人的信息录入管理算法的服务器(例如,图5中所示意的S)中,其中,所述服务器能够使用所述地下管廊巡检机器人的信息录入管理算法对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行处理以得到用于表示是否产生管廊环境状态异常预警的分类结果。
应可以理解,综合管廊,就是地下城市管道综合走廊,即在城市地下建造一个隧道空间,将电力、通信,燃气、供热、给排水等各种工程管线集于一体。地下综合管廊虽然结构较为单一但管廊内有各种设备设施,且属线性工程,人工巡检有较大难度及困难,基于此,本申请结合前期研究移动式多功能载物平台的基础上,发散思维,以智能机器人代替人工进行管廊巡检工作。本申请采用移动机器人为载体,以可见光摄像机、红外热成像仪等检测仪器为载荷系统,以机器视觉-电磁场-北斗-GIS的多场景融合作为机器人自动移动和自主巡检的导航系统,从而实现智能机器人自主巡检工作。
地下管廊短则几公里,长则数十公里,且管廊内部结构复杂,包括多个坡道及转弯处,遇到这种情况,需要机器人能够自主稳定的通过弯道及坡道。此外,管廊内设施多且布置位置不一,需要机器人具有障碍物检测识别与定位、自主越障等功能。最后,由于机器人巡检工作需要大量精密仪器,所以其稳定行也是必须要考虑的问题。基于此,对机器人的机械结构有很多要求,需要有自主转向系统来让机器人通过弯道,需要有动力系统来支持机器人爬坡,需要有履带式结构协助机器人越障,也需要有避震系统保护机器人所携带的精密仪器。
机器人巡检过程,首先需要对管廊环境进行检测,包括温湿度、一氧化碳、甲醛等气体进行检测,其次,需要对火灾发出预警信息。基于此,需要在机器人上配备各种传感器,如DHT11温湿度传感器、MO-7一氧化碳传感器ZE08-CH20甲醛传感器等以及烟雾火灾报警器等。更具体地,地下综合管廊智能巡检机器人的架构如图6所示。
由于管廊位于地下,部分区域可能存在信号弱或无信号情况,因此,信息及时准确的传递是必须要考虑的问题,基于此,本申请进一步使用AP。无线接入点(AP)是无线局域网的一种典型应用,AP是Access Point的简称,就是所谓的“无线访问节点”,无线AP是无线网和有线网之间沟通的桥梁,是组建无线局域网(WLAN)的核心设备它主要是提供无线工作站和有线局域网之间的互相访问,这样,在AP信号覆盖范围内的无线工作站可以通过它进行相互通信,没有AP基本上就无法组建真正意义上可访问Intermet的WLAN。AP在WLAN中就相当于发射基站在移动通信网络中的角色。通过AP对机器人检测的各项数据、图像进行上传,管理人员及时对上传的数据图像进行处理,及时排查各项安全隐患。
相应地,本申请的技术方案具有如下优势:使用北斗-GIS-机器视觉作为定位规划系统,北斗-GIS提供精准定位并规划路线,使用机器视觉作为辅助系统,用机器代替人眼来做测量和判断,通过机器视觉,机器人可以自主避开障碍物;地下综合管廊存在弯道多、障碍多(防火门等)等特点,智能机器人在会经过多种障碍及弯道才能完成整个管廊的巡检工作管廊内自主巡检时,使用履带式移动方式有助于机器人在管廊内完成各种工作提供了技术支撑。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种地下管廊巡检机器人的信息录入管理方法,其特征在于,包括:
获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;
将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;
在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及
基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
2.根据权利要求1所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量,包括:
对所述多个预定时间点的温度值、湿度值和一氧化碳含量进行数据预处理以得到温度时序输入向量、湿度时序输入向量和一氧化碳含量时序输入向量;
对所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量进行时序特征提取以得到温度时序特征向量、湿度时序特征向量和一氧化碳含量时序特征向量;以及
将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行特征融合以得到所述管廊环境参数后验融合特征向量。
3.根据权利要求2所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,对所述多个预定时间点的温度值、湿度值和一氧化碳含量进行数据预处理以得到温度时序输入向量、湿度时序输入向量和一氧化碳含量时序输入向量,包括:
将所述多个预定时间点的温度值、湿度值和一氧化碳含量值分别按照时间维度排列为所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量。
4.根据权利要求3所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,对所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量进行时序特征提取以得到温度时序特征向量、湿度时序特征向量和一氧化碳含量时序特征向量,包括:
将所述温度时序输入向量、所述湿度时序输入向量和所述一氧化碳含量时序输入向量通过基于一维卷积层的时序特征提取器以得到所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量。
5.根据权利要求4所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,所述基于一维卷积层的时序特征提取器包括输入层、所述一维卷积层、激活层、池化层和输出层。
6.根据权利要求5所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行特征融合以得到所述管廊环境参数后验融合特征向量,包括:
将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量通过贝叶斯概率融合模型以得到所述管廊环境参数后验融合特征向量。
7.根据权利要求6所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量通过贝叶斯概率融合模型以得到所述管廊环境参数后验融合特征向量,包括:
以如下贝叶斯概率融合公式来将所述温度时序特征向量、所述湿度时序特征向量和所述一氧化碳含量时序特征向量进行融合以得到所述管廊环境参数后验融合特征向量;
其中,所述贝叶斯概率融合公式为:其中,/>表示所述管廊环境参数后验融合特征向量中各个位置的特征值,/>表示所述温度时序特征向量中各个位置的特征值,/>表示所述湿度时序特征向量中各个位置的特征值,/>表示所述一氧化碳含量时序特征向量中各个位置的特征值。
8.根据权利要求7所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警,包括:
将所述管廊环境参数后验融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生管廊环境状态异常预警。
9.根据权利要求8所述的地下管廊巡检机器人的信息录入管理方法,其特征在于,还包括训练步骤:对所述基于一维卷积层的时序特征提取器、所述贝叶斯概率融合模型和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值,以及,是否产生管廊环境状态异常预警的真实值;
将所述多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;
在所述信息录入管理后台,将所述多个预定时间点的训练温度值、训练湿度值和训练一氧化碳含量值分别按照时间维度排列为训练温度时序输入向量、训练湿度时序输入向量和训练一氧化碳含量时序输入向量;
将所述训练温度时序输入向量、所述训练湿度时序输入向量和所述训练一氧化碳含量时序输入向量通过所述基于一维卷积层的时序特征提取器以得到训练温度时序特征向量、训练湿度时序特征向量和训练一氧化碳含量时序特征向量;
将所述训练温度时序特征向量、所述训练湿度时序特征向量和所述训练一氧化碳含量时序特征向量通过所述贝叶斯概率融合模型以得到训练管廊环境参数后验融合特征向量;
将所述训练管廊环境参数后验融合特征向量通过所述分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的时序特征提取器、所述贝叶斯概率融合模型和所述分类器进行训练,其中,在所述训练的每一轮迭代中,对所述训练管廊环境参数后验融合特征向量进行优化。
10.一种地下管廊巡检机器人的信息录入管理系统,其特征在于,包括:
数据获取模块,用于获取由部署于地下管廊巡检机器人的温度传感器、湿度传感器和一氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和一氧化碳含量值;
传输模块,用于将所述多个预定时间点的温度值、湿度值和一氧化碳含量值通过所述地下管廊巡检机器人的无线接入点传输至信息录入管理后台;
特征提取融合模块,用于在所述信息录入管理后台,对所述多个预定时间点的温度值、湿度值和一氧化碳含量值进行特征提取和特征融合以得到管廊环境参数后验融合特征向量;以及
异常分析模块,用于基于所述管廊环境参数后验融合特征向量,确定是否产生管廊环境状态异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311761311.5A CN117829476A (zh) | 2023-12-20 | 2023-12-20 | 地下管廊巡检机器人的信息录入管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311761311.5A CN117829476A (zh) | 2023-12-20 | 2023-12-20 | 地下管廊巡检机器人的信息录入管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829476A true CN117829476A (zh) | 2024-04-05 |
Family
ID=90518187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311761311.5A Pending CN117829476A (zh) | 2023-12-20 | 2023-12-20 | 地下管廊巡检机器人的信息录入管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829476A (zh) |
-
2023
- 2023-12-20 CN CN202311761311.5A patent/CN117829476A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103235562A (zh) | 变电站基于巡检机器人的综合参数检测系统及巡检方法 | |
Liu et al. | Information fusion for national airspace system prognostics: A NASA ULI project | |
CN110544247B (zh) | 人工智能云计算多途径设备系统运行缺陷检查监控方法 | |
CN111127825A (zh) | 环境预测方法和装置、电子设备 | |
US11982613B2 (en) | Methods and internet of things (IOT) systems for corrosion protection optimization of pipeline of smart gas | |
AU2019329781B2 (en) | Method and system to digitally track and monitor an automotive refinish repair process | |
CN116755451B (zh) | 一种智能巡逻机器人路径规划方法及系统 | |
Jeong et al. | Sensor data reconstruction and anomaly detection using bidirectional recurrent neural network | |
CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
US11797950B2 (en) | Method and system to digitally track and monitor an automotive refinish repair process | |
CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
CN112446543A (zh) | 基于神经网络的城市地下综合管廊风险管控系统及方法 | |
Singh et al. | Structural health monitoring and damage detection through machine learning approaches | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
CN117572863A (zh) | 用于变电站机器人的路径优化方法及系统 | |
CN117226846A (zh) | 用于变电站设备维护机器人的控制方法及系统 | |
CN117829476A (zh) | 地下管廊巡检机器人的信息录入管理系统及方法 | |
CN116627126A (zh) | 一种基于大数据的智能巡检方法和系统 | |
EP4216011A1 (en) | Inspection system and method | |
CN117601143A (zh) | 基于多传感器融合的智能巡检机器人及方法 | |
CN117804526A (zh) | 基于巡检机器人的地下管廊环境检测系统及方法 | |
JP7452728B2 (ja) | レール取り付け型ロボット検査システム | |
CN118097612A (zh) | 基于机器视觉的巡检机器人避障系统及方法 | |
Chemerys et al. | Network of Autonomous Units for the Complex Technological Objects Reliable Monitoring | |
CN114756026B (zh) | 一种实验环境安全检查的巡视控制系统 |
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 |