一种基于深度学习的巡检机器人车间状态检测系统技术方案

本发明专利技术公开了一种基于深度学习的巡检机器人车间状态检测系统，包括：设置在巡检机器人上的工控机、数据采集卡和导航模块。通过上述方式，本发明专利技术一种基于深度学习的巡检机器人车间状态检测系统，巡检机器人集成多种环境传感器及相机实现对自动化工厂整体状况的实时采集，通过深度学习的方法对生产线整体状况及设备运行声响进行智能分析和健康值评分，基于机器学习的方法综合分析环境指标，设备运行及物流线顺畅度等指标，评估整体健康值，将工作人员从繁重、重复、频繁、琐碎及远距离劳作中解脱出来，具有高智能化、定位精确、降低维修费用等优点，能够有效地减少和避免重大事故发生，不仅能获得巨大经济效益，而且能获得很好的社会效益。

【技术实现步骤摘要】
一种基于深度学习的巡检机器人车间状态检测系统
本专利技术涉及自动化工厂智能巡检和车间整体状态诊断领域，特别是涉及一种基于深度学习的巡检机器人车间状态检测系统。
技术介绍
检测车间的综合状况不仅包括温湿度、烟雾、气体等环境指标，还包括设备运行状况及输送线顺畅度、线边库堆积等生产状况等，目前自动化工厂的巡检工作主要由人工完成，少数状况下通过巡检机器人搭载监控相机来实现基础的实时监控；人工巡检难以保证精准度和细致度，且具备主观性，操作过程繁重琐碎；巡检机器人搭载相机只是移动的监控，不仅难以覆盖工厂整体状况，并且无法进行智能化分析与决策。
技术实现思路
本专利技术主要解决的技术问题是提供一种基于深度学习的巡检机器人车间状态检测系统。为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于深度学习的巡检机器人车间状态检测系统，包括：设置在巡检机器人上的工控机、数据采集卡和导航模块，所述数据采集卡通过多个环境传感器对环境指标进行实时采集，所述数据采集卡通过相机采集生产输送线的实时图片，所述数据采集卡通过声音传感器捕捉设备的运行声音，所述工控机对生产输送线的实时图片基于深度卷积神经网络CNN进行顺畅度评分，深度卷积神经网络采用Resnet_v2_152与FPN相结合的基础结构，前期模型训练采用预测分值与标定分值之间的均方差MSE并结合L2权重正则化作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署，所述工控机对设备的运行声音基于深度神经网络DNN对设备运行声响进行设备运行状况评分，深度神经网络使用三层隐层结合softmax输出声音分类值，softmax输出正常和异常的分值，前期网络训练时采用预测与真实值之间的交叉熵作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署，所述工控机根据环境指标数据、生产输送线的顺畅度评分和设备运行状况评分采用基于机器学习的线性回归分析方法得出整体评分值，得出上述指标对车间整体状况评分的贡献权重。在本专利技术一个较佳实施例中，多个所述环境传感器包括温度传感器、气体传感器和烟雾传感器。在本专利技术一个较佳实施例中，所述工控机与相机电性连接。在本专利技术一个较佳实施例中，所述导航模块用于巡检机器人的导航定位和运动控制。本专利技术的有益效果是：提供一种基于深度学习的巡检机器人车间状态检测系统，巡检机器人集成多种环境传感器及相机实现对自动化工厂整体状况的实时采集，通过深度学习的方法对生产线整体状况及设备运行声响进行智能分析和健康值评分，基于机器学习的方法综合分析环境指标，设备运行及物流线顺畅度等指标，评估整体健康值，将工作人员从繁重、重复、频繁、琐碎及远距离劳作中解脱出来，具有高智能化、定位精确、降低维修费用等优点，能够有效地减少和避免重大事故发生，不仅能获得巨大经济效益，而且能获得很好的社会效益。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图，其中：图1是本专利技术的一种基于深度学习的巡检机器人车间状态检测系统一较佳实施例的结构示意图；图2是本专利技术的一种基于深度学习的巡检机器人车间状态检测系统一较佳实施例的检测区域示意图；图3是本专利技术的一种基于深度学习的巡检机器人车间状态检测系统一较佳实施例的整体流程图；图4是本专利技术的一种基于深度学习的巡检机器人车间状态检测系统一较佳实施例的工厂整体状况评估框图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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它实施例，都属于本专利技术保护的范围。请参阅图1-4，本专利技术实施例包括：一种基于深度学习的巡检机器人车间状态检测系统，包括：设置在巡检机器人上的工控机、数据采集卡和导航模块，工控机与云台相机电性连接，运行深度学习算法来处理图片与传感器数据，数据采集卡搭载各种传感器采集环境参数数据与设备运行声音数据，导航模块用于巡检机器人导航定位、运动控制。将车间按设备或者物流线分为不同的检测区域，分别在每个区域设置检测点位，即巡检机器人传感器参数采集与图片采集点位，在检测点位通过多个环境传感器对环境指标进行实时采集，多个所述环境传感器包括温度传感器、气体传感器、烟雾传感器和声音传感器，环境传感器可以设置在检测点，也可以设置在巡检机器人上，机器人进行巡检任务之前，需要预先配置检测点位的检查事项。所述数据采集卡通过多个环境传感器对环境指标进行实时采集，采集环境的温湿度、烟雾、气体等环境指标，所述数据采集卡通过相机采集生产输送线的实时图片，实时图片是关于设备运行状况、输送线顺畅度，及线边库堆积等生产状况等，所述数据采集卡通过声音传感器捕捉设备的运行声音，根据异常声响的智能诊断设备的状态。所述工控机对生产输送线的实时图片基于深度卷积神经网络CNN进行顺畅度评分，深度卷积神经网络采用Resnet_v2_152与FPN相结合的基础结构，前期模型训练采用预测分值与标定分值之间的均方差MSE并结合L2权重正则化作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署。所述工控机对设备的运行声音基于深度神经网络DNN对设备运行声响进行设备运行状况评分，深度神经网络使用三层隐层结合softmax输出声音分类值，softmax输出正常和异常的分值，前期网络训练时采用预测与真实值之间的交叉熵作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署。所述工控机根据环境指标数据、生产输送线的顺畅度评分和设备运行状况评分采用基于机器学习的线性回归分析方法得出整体评分值，并且得出上述指标对车间整体状况评分的贡献权重。整个系统工作流程为：工控机下发巡检任务给巡检机器人，导航模块通过导航算法控制巡检机器人到达检测点后，数据采集卡采集传感器数据，同时云台相机采集图片数据上传至工控机，经上述算法处理显示最终结果，并根据结果做出不同预警行为。本专利技术一种基于深度学习的巡检机器人车间状态检测系统的有益效果是：（1）巡检机器人代替人工巡检，对自动化工厂的多维度数据进行实时采集，更具备可靠性和稳定性；（2）基于深度学习的图像处理技术可以代替人的“眼睛”，实现对物流线产品流动的智能判别；（3）基于深度学习的设备异常判断可以代替人的“耳朵”，实现对设备异常声响的智能诊断；（4）基于机器学习的整体状况评估，综合分析传感器收集的环境指标和深度学习系统预测的分值，进行整体打分，供决策者查看。以上所述仅为本专利技术的实施例，并非因此限制本专利技术的专利范围，凡是利用本专利技术说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技本文档来自技高网...

【技术保护点】
1.一种基于深度学习的巡检机器人车间状态检测系统，其特征在于，包括：设置在巡检机器人上的工控机、数据采集卡和导航模块，所述数据采集卡通过多个环境传感器对环境指标进行实时采集，所述数据采集卡通过相机采集生产输送线的实时图片，所述数据采集卡通过声音传感器捕捉设备的运行声音，所述工控机对生产输送线的实时图片基于深度卷积神经网络CNN进行顺畅度评分，深度卷积神经网络采用Resnet_v2_152与FPN相结合的基础结构，前期模型训练采用预测分值与标定分值之间的均方差MSE并结合L2权重正则化作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署，所述工控机对设备的运行声音基于深度神经网络DNN对设备运行声响进行设备运行状况评分，深度神经网络使用三层隐层结合softmax输出声音分类值，softmax输出正常和异常的分值，前期网络训练时采用预测与真实值之间的交叉熵作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署，所述工控机根据环境指标数据、生产输送线的顺畅度评分和设备运行状况评分采用基于机器学习的线性回归分析方法得出整体评分值，得出上述指标对车间整体状况评分的贡献权重。/n...

【技术特征摘要】
1.一种基于深度学习的巡检机器人车间状态检测系统，其特征在于，包括：设置在巡检机器人上的工控机、数据采集卡和导航模块，所述数据采集卡通过多个环境传感器对环境指标进行实时采集，所述数据采集卡通过相机采集生产输送线的实时图片，所述数据采集卡通过声音传感器捕捉设备的运行声音，所述工控机对生产输送线的实时图片基于深度卷积神经网络CNN进行顺畅度评分，深度卷积神经网络采用Resnet_v2_152与FPN相结合的基础结构，前期模型训练采用预测分值与标定分值之间的均方差MSE并结合L2权重正则化作为损失函数，基于深度学习框架Tensorflow中进行训练、测试及部署，所述工控机对设备的运行声音基于深度神经网络DNN对设备运行声响进行设备运行状况评分，深度神经网络使用三层隐层结合softmax输出声音分类值，softmax输出正常和异常...

【专利技术属性】
技术研发人员：赵飞洋，
申请(专利权)人：苏州香农智能科技有限公司，
类型：发明
国别省市：江苏;32