[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

摘要

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。

主权项

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。