【技术实现步骤摘要】
本专利技术属于巡检机器人，尤其涉及一种基于卷积神经网络的巡检一体化机器人控制方法。
技术介绍
1、空调管网中的管道用于输送制冷剂、循环水或空气，以在建筑物内部传递热量、调节温度和湿度。除各种管道之外，管网还包括阀门、附件和连接件，以及与之相关的控制和监测设备，它们对整个空调系统的正常运行至关重要。因此，需对管网进行定期巡检，且巡检频率要求高。受环境限制等影响，管网巡检存在难度大、排查力度小等问题。
2、当前多采用的人工巡检存在漏检率高、安全性低数据采集分析难度大等问题，使得管网巡检效率低下。采用智能巡检机器人能够有效避免上述问题。
3、而目前管网巡检机器人多数处于概念设计阶段且考虑约束条件较少，作业性能存在问题，整体结构与关键模块的技术仍需升级。同时大多数巡检机器人依靠遥控完成作业，通过人力帮助完成作业方式、参数选择，路径规划等关键步骤，缺乏智能化控制与智慧决策。
4、因此亟需设计一套能够自主决策的高效智能巡检机器人系统控制方法，以对复杂环境下的管网问题进行及时排查。
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术提供一种基于卷积神经网络的巡检一体化机器人控制方法，该方法提高了对障碍物的识别能力，减少了背景干扰；利用交叉熵损失函数进行分类优化，提升了模型的预测准确性和鲁棒性。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于卷积神经网络的巡检一体化机器人控制方法，步骤如下：
4、s
5、s2、通过智能巡检车和无人机协同工作对室内管道和室外管道进行地面和高空双重巡检工作；
6、s3、通过基于卷积神经网络和transformer的多尺度交叉注意力网络优化cartographer的特征提取与匹配算法。
7、进一步的，步骤s1具体步骤如下：
8、s11、创建一个三维累加器数组，累加器的每个元素对应于参数空间中的一个特定的(x,y,r)组合，初始值为0；
9、s12、对于点云中的每个点，计算圆柱体的所有(x,y,r)组合，并在累加器中对应的位置增加一票；
10、s13、在累加器中对所有可能的r值计算(x_i,，y_i，r)和点p的垂直距离d，然后增加累加器中(x_i+d cosθ,y_i+dsinθ)的计数，其中是从z轴到点p的法线方向的角度；
11、s14、在累加器中搜到局部最大值，所述最大值对应数据中的圆柱体参数，当最大值超过设定的阈值时，将其认定为检测到了圆柱体。
12、进一步的，对已经处理好的三维地图，为机械臂规划最短移动路径，使用加权的三维欧几里得距离作为启发式函数：
13、h(n)＝w_x·|x_2-x_1|+w_y·|y_2-y_1|+w_z·|z_2-z_1|
14、其中w_x，w_y和w_z是权重系数。
15、进一步的，通过如下步骤使搭载机械臂的智能小车适配各种环境：
16、t1、首先根据已构建的三维空间模型按照一米的间隔划分工作区间，i_i＝1,2,3……,n，并将每个工作区间的中心点标记为小车的巡检点p_i＝1,2,3……,n；
17、t2、通过astar算法对工作点p_i进行最短路径规划，为小车巡检提供移动路线，并到小车巡检完最终一个巡检点p_i后，直接规划最短回到起点o_xyz的路径；
18、t3、当小车到达指定巡检点p_i后，小车停止前进，并将巡检信息通过ros订阅节点的方式发送给机械臂的控制板工作命令，机械臂随即根据小车巡检点区间i_i对该区间范围内的管道三维模型图进行扫描，规划好确定的移动路径后，机械臂开始深入管道群内部进行拍摄；
19、t4、通过图传方法将机械臂末端夹持摄像头拍摄内容上传至云服务器，根据已训练好的模型对特征图进行机器视觉检测，判断管道是否出现问题；同时巡检智能车上搭载的传感器进行工作，采集管道周围环境，排查管道漏气漏液问题；
20、t5、机械臂在采集特征图信息完毕后，将通知智能巡检车标记此处巡检点p_i，并回复到最原始状态；
21、t6、回复完毕后，巡检智能车自主移动到下一个巡检点p_i+1，重复以上步骤对i_i+1进行巡检，直至完成所有巡检区间i_i的巡检工作。
22、进一步的，步骤s2包括以下步骤：
23、s21、在系统启动初期，无人车首先被派遣到管道网络工厂内部，利用车载的3d激光雷达进行高精度的空间扫描，通过3d激光slam技术构建出工厂内部的详细三维全局地图；
24、s21、所述三维全局地图随后通过基于ros系统的分布式通信网络实时发布给无人机，无人机在接收到所述三维全局地图后，根据所述三维全局地图的内容自主规划巡检计划，进行自主的飞行路径规划和巡检区域的划分。
25、进一步的，步骤s2包括以下步骤：无人机使用视觉slam进行高精度定位和复杂地形适应能力，并通过搭载的机载深度相机及车载机械臂末端的摄像头收集管道表面状态数据；空中巡检无人机从不同角度获取管道的图像信息，以及利用搭载的yolov5目标检测模型进行实时的图像分析。
26、进一步的，步骤s3包括以下步骤：
27、s31、输入扫描所得点云经过多尺度cnn分别提取局部信息和长距离依赖关系；
28、s32、在cnn提取的特征上，利用通道和空间注意力机制以增强不同尺度下的特征信息；
29、s33、针对点云的具体特征，采用值化方法来获取原始障碍物区域，从而增强网络对障碍物的鉴别能力并减少背景干扰；
30、s34、采用交叉注意力机制充分融合来自cnn的特征向量，以获得最终的预测结果。
31、进一步的，步骤s3包括以下步骤：通过激光雷达点云信号引导下的多尺度交叉注意力网络预测过程为输入的激光雷达点云信息，首先进入resnet18编辑器进行四次下采样以获得不同尺度的特征图并提取前三次下采样的特征图通过mse以增强特征表示；第四次下采样的特征进入transformer编辑器获取点云信息和图像的长距离依赖，随后采用逐点相加的方式将增强后的特征与点云信号进行融合；最后，融合后的特征与transformer编码器的输出特征共同经过mhca得到最终分类结果。
32、进一步的，步骤s3中，首先初始化卷积层，将点云信息转化为图像数据作为输入；使用7*7的卷积核，步长2，填充1，输出64个特征图；应用3*3的最大池化，步长2，进一步降低特征图的空间维度；去除全连接层，经过最后一层卷积后的特征将直接输入到transformer中；输入特征经过conv1，conv2，conv3，conv4分别得到不同尺度的特征y1，y2，y3，y4，
33、y1＝conv1(x)
34、y2＝conv2(y1本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤如下：
2.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S1具体步骤如下：
3.如权利要求2所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，对已经处理好的三维地图，为机械臂规划最短移动路径，使用加权的三维欧几里得距离作为启发式函数：
4.如权利要求1-3任一项所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，通过如下步骤使搭载机械臂的智能小车适配各种环境：
5.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S2包括以下步骤：
6.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S2包括以下步骤：无人机使用视觉SLAM进行高精度定位和复杂地形适应能力，并通过搭载的机载深度相机及车载机械臂末端的摄像头收集管道表面状态数据；空中巡检无人机从不同角度获取管道的图像信息，以及利用搭载的YOLOv5目标检测模型进行实时的图像分析。
7
8.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S3包括以下步骤：通过激光雷达点云信号引导下的多尺度交叉注意力网络预测过程为输入的激光雷达点云信息，首先进入ResNet18编辑器进行四次下采样以获得不同尺度的特征图并提取前三次下采样的特征图通过MSE以增强特征表示；第四次下采样的特征进入Transformer编辑器获取点云信息和图像的长距离依赖，随后采用逐点相加的方式将增强后的特征与点云信号进行融合；最后，融合后的特征与Transformer编码器的输出特征共同经过MHCA得到最终分类结果。
9.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S3中，首先初始化卷积层，将点云信息转化为图像数据作为输入；使用7*7的卷积核，步长2，填充1，输出64个特征图；应用3*3的最大池化，步长2，进一步降低特征图的空间维度；去除全连接层，经过最后一层卷积后的特征将直接输入到Transformer中；输入特征经过conv1，conv2，conv3，conv4分别得到不同尺度的特征y1，y2，y3，y4，
10.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤S3中，首先准备卷积神经网络的提取的特征图，将准备好的特征图通过线性层进行嵌入，将高维特征转换为低维特征向量；通过添加位置编码来保留特征的空间信息；通过学习获得位置编码，对于每一个位置i，定义一个可学习的位置向量p_i：
...【技术特征摘要】
1.一种基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤如下：
2.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤s1具体步骤如下：
3.如权利要求2所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，对已经处理好的三维地图，为机械臂规划最短移动路径，使用加权的三维欧几里得距离作为启发式函数：
4.如权利要求1-3任一项所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，通过如下步骤使搭载机械臂的智能小车适配各种环境：
5.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤s2包括以下步骤：
6.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤s2包括以下步骤：无人机使用视觉slam进行高精度定位和复杂地形适应能力，并通过搭载的机载深度相机及车载机械臂末端的摄像头收集管道表面状态数据；空中巡检无人机从不同角度获取管道的图像信息，以及利用搭载的yolov5目标检测模型进行实时的图像分析。
7.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤s3包括以下步骤：
8.如权利要求1所述的基于卷积神经网络的巡检一体化机器人控制方法，其特征在于，步骤s3包括以下步...
【专利技术属性】
技术研发人员：宋鸿锦，王学义，杨伦，王司衡，陆天雨，王宣贻，张明洙，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。