[发明专利]一种基于深度学习框架的巡检机器人目标定位方法

权利要求书

1.一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，包括以下步骤：

S1、配置机器人巡检场景中的设备树，划分设备类型，为每一个设备进行树状归类；

S2、采集与制作每一个叶节点类型设备的样本图像，对设备图像进行样本繁殖，为每一个样本图像标注设备类别，覆盖所有类别的带有标注的样本数据集合；

S3、基于深度学习框架的神经网络模型进行构建，采用兼顾实时性与准确率的目标检测算法SSD框架，首先初始化网络中待训练的参数及超参数，向初始化后的网络中输入训练样本数据进行网络前向传播，得到实际的输出结果，通过损失函数结合反向传播BP算法调整网络参数，进行迭代训练，至损失函数的损失值小于设定的阈值或达到最大迭代次数时训练结束，得到定位设备目标的网络模型；

S4、利用训练产生的模型对测试集样本数据进行设备定位测试，设置置信度阈值，检测结果置信度得分大于阈值小于阈值则输出该结果，检测结果置信度得分小于阈值则丢弃，输出基于深度学习的目标设备检测网络模型；

S5、将每一类设备的检测置信度阈值都作为模型参数配置完成后，目标定位网络模型加载至巡检机器人视觉处理模块；

S6、沿用巡检机器人配置设备检测点预置位的原有流程，为每一个目标设备在地图中配置观测点坐标，机器人云台旋转角度参数，采集图像适用的相机参数，不再为目标设备保存模板图像，不再配置模板图像中的目标区域；

S7、机器人在执行设备巡检任务过程中，按照预设的地图坐标停车，读取该观测点的姿态与相机参数采集目标设备的工作状态图像；

S8、将采集的巡检图像输入S5步骤中加载的目标检测网络模型，按照该点的设备类别在图像中检测目标区域；

S9、将S8步骤中检测得到的目标设备区域子图像输入模式识别功能模块，识别设备此时的工作状态信息。

2.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S1中，在根节点仪表设备类中可划分子类指针式仪表、数显式仪表等分支节点，指针式仪表又可分为矩形浮动式指针、弧形轴心式指针等叶节点。

3.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S2中，样本图像的放置方法可以包括：在限定的偏转角度范围内繁衍三维不同角度仿射变换的样本图像、在限定的图像亮度变化范围内繁衍亮度不同的样本图像、在限定的缩放尺寸范围内繁衍具有缩放比例差异的样本图像和在图像噪音允许的范围内繁衍叠加多种噪音的样本图像。

4.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S2中，样本数据包括待处理图像、目标位置及类别信息。

5.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S4中，图像中存在目标设备，则计算目标区域轮廓最小外接矩形，完成目标定位工作、在图像中没有检测到目标设备，结果反馈给机器人姿态控制模块，视觉伺服功能微调机器人云台角度，再次采集设备巡检图像。

6.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S2中，样本数据集合按照适当的比例分为两部分，一部分数据将被输入深度学习的神经网络框架用于训练生成设备目标检测的网络模型，称为训练集；一部分数据将被用于测试网络模型检测目标的准确度，称为测试集。

7.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S4中，巡检图像的置信度阈值为正确检出率大于95％、漏检率和误检率小于5％。

8.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述S3中，SSD算法利用CNN提取特征后直接分类与回归。

9.根据权利要求1所述的一种基于深度学习框架的巡检机器人目标定位方法，其特征在于，所述步骤S1至步骤S4具有普适性，S4步骤中产生的目标检测网络模型可以被多个不同巡检场景的机器人所共享加载。