【技术实现步骤摘要】
一种隧道巡检机器人自适应控速方法
[0001]本专利技术涉及计算机视觉
,特别涉及一种隧道巡检机器人自适应控速方法
。
技术介绍
[0002]特征点检测和速度自控模型在工业生产中有着重要的技术背景
。
特征点检测在工业生产中的应用非常广泛,特别是在计算机视觉和机器视觉领域
。
工业生产中常常需要对产品进行质量检测
、
零件匹配
、
位置定位等任务,而特征点检测可以提供关键的视觉特征信息,以实现这些任务
。
[0003]特征点检测在工业生产中的应用非常广泛,特别是在计算机视觉和机器视觉领域
。
工业生产中常常需要对产品进行质量检测
、
零件匹配
、
位置定位等任务,而特征点检测可以提供关键的视觉特征信息,以实现这些任务
。
随着工业生产的自动化和数字化程度的提高,生产过程中产生的图像和视频数据量急剧增加
。
特征点检测技术能够高效地处理大规模的图像数据,提取出关键的特征点,为后续的分析和决策提供基础
。
特征点检测是计算机视觉领域的核心任务之一,随着计算机视觉算法的不断发展和改进,特征点检测算法也在不断演进和改进
。
随着硬件技术的不断进步,如计算能力的提升
、
传感器的改进等,特征点检测算法在实时性和精度方面都有了很大的提升
。
这使得特征点检测在工业生产中的应用更加可行和可靠 />。
[0004]速度自控模型在工业生产中的应用主要涉及自适应控制和自动化系统
。
在工业生产中,需要对生产过程进行实时的控制和调整,以满足不同的工艺要求和产品质量标准
。
在工业生产中,许多任务需要实时性地进行控制和调整,如自动化装配线的速度调节
、
机器人的路径规划和调整等
。
速度自控模型能够根据实际需求,实时地调整系统的运行速度,满足实时性控制的需求
。
速度自控模型涉及到自适应控制算法的应用,而自适应控制算法的发展和改进为速度自控模型的实现提供了技术支持
。
例如,模糊控制
、PID
控制
、
自适应控制等算法的应用,使得速度自控模型在工业生产中更加灵活和可靠
。
速度自控模型需要依靠传感器对系统状态进行实时监测,以及执行器对系统进行实时调整
。
随着传感器和执行器技术的改进和进步,如高精度传感器的应用
、
电机控制系统的改进等,使得速度自控模型能够更准确地感知和调整系统的速度
。
根据产品需求和生产线的实际情况,实时调节生产线的运行速度,以提高生产效率和产品质量
。
而在机器人领域
。
根据机器人当前的任务和工作环境,实时调整机器人的路径规划和运行速度,以适应不同的工作场景和任务要求
。
根据自动化系统的实际需求和运行状态,实时调整系统的速度和运行模式,以实现精确的控制和调节
。
技术实现思路
[0005]为实现上述目的,本专利技术提供了一种隧道巡检机器人自适应控速方法
。
[0006]本专利技术提供的一种隧道巡检机器人自适应控速方法,包括:
[0007]获取巡检机器人的初始参量,基于所述巡检机器人采集隧道图像;
[0008]基于特征点检测模型对连续两帧的隧道图像进行特征点检测得到特征点匹配结果;
[0009]基于所述特征点匹配结果控制所述巡检机器人的巡检速度,获得自适应控速巡检机器人;
[0010]基于所述自适应控速巡检机器人获取隧道全景图;
[0011]基于裂纹检测模型对所述隧道全景图进行裂纹检测得到隧道裂纹检测结果
。
[0012]可选地,所述特征点检测模型采用
SIFT
特征点检测方法对连续两帧的隧道图像进行特征点检测,并将检测的特征点标注于隧道图像;
[0013]其中,特征点的检测过程包括:
[0014]基于所述
SIFT
特征点检测方法对所述隧道图像进行尺度变换得到不同尺度空间下的表示序列;
[0015]基于不同尺度空间下的表示序列构建高斯金字塔
。
[0016]可选地,所述高斯金字塔包括若干组结构,所述组结构包括若干层结构;其中,基于若干所述组结构构建高斯金字塔的过程包括:
[0017]S1、
设置初始高斯平滑因子,基于所述初始高斯平滑因子和高斯卷积公式得到第
N
组结构的第
M
层结构的图像;
[0018]S2、
基于更新公式对所述初始高斯平滑因子进行更新,得到更新高斯平滑因子,基于所述更新高斯平滑因子和所述高斯卷积公式得到第
N
组结构的第
M+1
层结构的图像;
[0019]S3、
循环执行
S2
得到高斯金字塔第
N
组结构;
[0020]S4、
对所述金字塔第
N
组结构的图像进行下采样得到第
N+1
组结构的第
M
层结构的图像;
[0021]S5、
循环执行
S2
‑
S4
得到第
N+1
组结构;
[0022]S6、
基于若干所述组结构得到高斯金字塔
。
[0023]可选地,所述高斯卷积公式为:
[0024][0025]式中,
σ
表示初始高斯平滑因子,
G(x
,
y)
表示点
(x,y)
处的高斯权重,
x
表示当前帧待计算权重点的横坐标,
y
表示当前帧待计算权重点的纵坐标,
x0表示上一帧该点对应的横坐标,
y0表示上一帧中该点对应的纵坐标;
[0026]所述更新公式为:
[0027]σ
′
=
k*
σ
[0028]式中,
σ
′
表示更新后的高斯平滑因子,
k
表示比例系数
。
[0029]可选地,所述高斯金字塔还包括差分金字塔;
[0030]基于所述差分金字塔检测特征点位置的过程包括:
[0031]获取第
N
组结构的第
M
层结构的层图像;
[0032]计算第
M
层结构的层图像分别与第
M
‑1层结构的层图像
、
第
M+1
层结构的层图像的差分,得到若干差分图像;
[0033]基于若干所述差分图像得到第
N
组本文档来自技高网...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种隧道巡检机器人自适应控速方法,其特征在于,包括:获取巡检机器人的初始参量,基于所述巡检机器人采集隧道图像;基于特征点检测模型对连续两帧的隧道图像进行特征点检测得到特征点匹配结果;基于所述特征点匹配结果控制所述巡检机器人的巡检速度,获得自适应控速巡检机器人;基于所述自适应控速巡检机器人获取隧道全景图;基于裂纹检测模型对所述隧道全景图进行裂纹检测得到隧道裂纹检测结果
。2.
根据权利要求1所述的隧道巡检机器人自适应控速方法,其特征在于,所述特征点检测模型采用
SIFT
特征点检测方法对连续两帧的隧道图像进行特征点检测,并将检测的特征点标注于隧道图像;其中,特征点的检测过程包括:基于所述
SIFT
特征点检测方法对所述隧道图像进行尺度变换得到不同尺度空间下的表示序列;基于不同尺度空间下的表示序列构建高斯金字塔
。3.
根据权利要求2所述的隧道巡检机器人自适应控速方法,其特征在于,所述高斯金字塔包括若干组结构,所述组结构包括若干层结构;其中,基于若干所述组结构构建高斯金字塔的过程包括:
S1、
设置初始高斯平滑因子,基于所述初始高斯平滑因子和高斯卷积公式得到第
N
组结构的第
M
层结构的图像;
S2、
基于更新公式对所述初始高斯平滑因子进行更新,得到更新高斯平滑因子,基于所述更新高斯平滑因子和所述高斯卷积公式得到第
N
组结构的第
M+1
层结构的图像;
S3、
循环执行
S2
得到高斯金字塔第
N
组结构;
S4、
对所述金字塔第
N
组结构的图像进行下采样得到第
N+1
组结构的第
M
层结构的图像;
S5、
循环执行
S2
‑
S4
得到第
N+1
组结构;
S6、
基于若干所述组结构得到高斯金字塔
。4.
根据权利要求3所述的隧道巡检机器人自适应控速方法,其特征在于,所述高斯卷积公式为:式中,
σ
表示初始高斯平滑因子,
G(x
,
y)
表示点
(x,y)
处的高斯权重,
x
表示当前帧待计算权重点的横坐标,
y
表示当前帧待计算权重点的纵坐标,
x0表示上一帧该点对应的横坐标,
y0表示上一帧中该点对应的纵坐标;所述更新公式为:
σ
′
=
k*
σ
技术研发人员:黄浩,胡磊,赵瑜,江贝,
申请(专利权)人:珠海市湖大派诺产业发展研究院湖北大学,
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。