[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

说明书

本发明公开了一种基于深度学习框架的巡检机器人目标定位方法，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。本发明实现了将深度学习算法部署在巡检机器人视觉模块的功能，用以在采集的实时图像中实现目标设备准确定位，并且可以适应多种场景下的各类设备，有效的解决了过往方法中设备定位失误造成的机器人巡检任务差错的问题并解放了大量人工配置工作，提高了机器人巡检工作的效率与质量，有效的减少了现场工作人员的工作强度，大大降低了现有模板图像的配置工作。

技术领域

本发明涉及巡检机器人图像处理技术领域，尤其涉及一种基于深度学习框架的巡检机器人目标定位方法。

背景技术

近年来，计算机视觉领域中广泛的采用了深度学习技术，在人脸识别、智能驾驶和场景分类等任务中收获了丰富的成果。深度学习是当前人工智能研究的主要方向，深度学习的概念源于人工神经网络的研究，含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是相对于简单学习而言的，目前多数分类、回归等学习算法都属于简单学习或者浅层结构。深度学习可通过学习一种深层非线性网络结构，表征输入数据，实现复杂函数逼近，并展现了强大的从少数样本集中学习数据集本质特征的能力。对于图像的处理是深度学习算法最早尝试应用的领域。目标定位(或目标检测)对于计算机来说，输入的图像是一些值为0-255的数组，因而很难直接得到图像中具体存在某种物体这种高层语义概念，也不清楚目标出现在图像中哪个区域。图像中的目标可能出现在任何位置，目标的形态可能存在各种各样的变化，图像的背景千差万别，如何解决这些问题得益于深度学习，主要是卷积神经网络算法。

深度学习研究综述计算机应用研究中所提及的设备巡检机器人是基于自主导航、精确定位、自动充电的室内、外全天候移动平台，集成可见光、红外、声音等传感器；基于激光扫描导航系统，实现巡检机器人的最优路径规划和双向行走，将被检测目标设备的视频和图像数据通过无线网络传输到监控室；巡检后台系统通过对待检设备的图像处理和模式识别等技术，结合设备图像模板库，实现对设备缺陷、外观异常的判别，以及开关闭合状态、仪表读数、油位计位置的识别；并配合数据服务系统输出巡检结果报告及异常状态分析报告。

本领域中，中国第201610388101.X发明《一种变电站室内巡检机器人系统及其巡检方法》介绍一种通过机械轨道传送巡检机器人进行目标设备定位的方法，控制模块驱动运动模块，带动机器人沿着轨道做X、Y和Z轴方向运动，当机器人到达目标检测点时，停止移动X轴和Y轴，控制Z轴运动机构升降使机器人到达要检测设备的高度，将视频采集装置对准变电站设备进行检测；中国第201510229248.X发明《一种基于图像比对的电力设备外观异常检测方法》利用巡检机器人采集图像进行与原图匹配的方法进行目标设备定位，用以检测设备的外观变化；中国第201410706231.4发明《用于自动读表的变电站巡检机器人》将采集的设备图像灰度化并阈值化，利用仪表的图像特征表现进行仪表区域的目标定位，而后仪表表盘子图像在存储的各类仪表模板中查询匹配的目标仪表模板，给出目标仪表模板的最大刻度、最小刻度和指针模型，计算识别到的仪表指针角度确定仪表读数；中国第201110216396.X发明《基于变电站巡检机器人的断路器状态模板匹配识别方法》采用了在模板图像中人工标记目标设备区域，通过采集的巡检图像与模板图像特征配准的方法将设备区域映射到采集图像中完成目标的定位。

首先来了解一下巡检机器人对设备工作状态检测识别的基本流程：在执行巡检任务前，需要将机器人拍摄的巡检场景内每一个预置位的设备图像都保存到模板库中，模板库中的设备图像和巡检场景中的设备是一一对应的，在向巡检机器人下达巡检任务时，要将在每个预置停车位拍摄模板图像的各项参数(如云台角度，相机焦距等)明确的指出，在巡检机器人行进至此预置停车位后，依照该设备模板图像的采集方式进行姿态调整，拍摄实时的设备图像并将图像回传至上层模式识别服务器，通过实时图像与模板图像的匹配进行设备区域标定，去除图像中设备周边无用的内容，仅针对目标定位内的像素进行图像处理及设备工作状态识别。