本发明涉及隧道巡检的，尤其涉及一种基于机器人的隧道智能巡检方法及系统。
背景技术：
1、隧道作为现代城市交通系统的重要组成部分，承担着连接城市各个区域、保障交通畅通的重要任务。然而，由于隧道内部环境复杂，常年暴露在高温、高湿、有害气体等恶劣条件下，隧道设施容易受到损坏或出现故障，给隧道安全运营带来了极大的隐患。传统的人工巡检方法效率低、成本高、安全风险大，难以满足隧道安全管理的需求。针对该问题，本专利提出一种基于机器人的隧道智能巡检方法，通过人工智能技术开展隧道智能巡检，提高巡检效率、降低成本、提升安全性和改善隧道管理水平。
技术实现思路
1、有鉴于此，本发明提供一种基于机器人的隧道智能巡检方法，目的在于：1)使用路径规划算法进行机器人的巡检路径规划，而且采用了拓展节点策略，可以更好地覆盖整个隧道，减少路径规划中的死角和漏检区域，提高巡检效率和全面性；2)用激光雷达和视觉传感器采集的数据，按照规划得到的巡检路径，实现了隧道内部全景地图的构建，为后续的裂纹识别提供更详细的信息和更全面的视角；3)构建了一种融合了注意力机制的深度神经网络，用于识别隧道表面裂纹，可以更好地捕捉裂纹的特征信息，提高裂纹识别的准确性和鲁棒性；4)根据检测到的裂纹信息动态调整巡检速度，使得机器人能够更加智能地响应裂纹情况，优化巡检效率，提高裂纹检测的及时性和准确性。
2、为实现上述目的，本发明提供的一种基于机器人的隧道智能巡检方法，包括以下步骤：
3、s1：基于隧道结构设计图利用路径规划算法计算机器人的巡检路径，以覆盖整个隧道并实现隧道快速巡检，其中基于拓展节点策略的图搜索为所述路径规划的主要实施方法；
4、s2：在机器人上搭载激光雷达、视觉传感器和惯性导航系统，利用激光雷达获取隧道内部的三维点云数据，通过视觉传感器采集图像信息，结合惯性导航系统按照规划得到的巡检路径进行图像采集实现隧道内部全景地图构建；
5、s3：构建隧道表面裂纹识别模型，对隧道内采集的图像和点云数据进行分析，识别隧道表面裂纹，其中融合注意力机制的深度神经网络为所述识别隧道表面裂纹的主要实施方法；
6、s4：根据检测到的裂纹信息动态调整巡检速度，完成巡检任务。
7、作为本发明的进一步改进方法：
8、可选地，所述s1步骤中基于隧道结构设计图利用路径规划算法计算机器人的巡检路径，包括：
9、s11：获取隧道结构设计图数据，所述设计图数据为cad文件格式的电子地图；
10、s12：对获取到的地图数据进行栅格化处理得到栅格化地图数据；
11、s13：将栅格化地图表示为图数据结构，其中节点表示隧道内的位置点，边表示两个位置点之间的连通关系；
12、s14：在图结构上进行路径搜索得到粗粒度巡检路径，其中基于拓展节点策略的图搜索为所述路径搜索的主要实施方法，具体流程包括：
13、s141：将起始节点加入到待扩展节点列表中，并初始化距离函数值和启发函数值；
14、s142：根据启发函数计算选择待扩展节点中的最小启发函数值节点进行拓展，根据节点的相邻节点，计算并更新相邻节点的距离函数，并将更新后的节点加入到待扩展节点列表，距离更新计算公式为：
15、d(v)＝d(u)+c(u,v)
16、其中：
17、d(v)表示从起始节点到节点v的距离，d(u)表示起始节点到节点u的距离，c(u,v)表示从节点u到节点v的距离；
18、启发函数计算公式为：
19、
20、其中：
21、h(v)表示节点v到目标节点的估计代价；
22、(xv,yv)表示节点v的坐标；
23、(xgoal,ygoal)表示目标节点的坐标；
24、s143：若找到目标节点，则通过回溯的方式从目标节点沿着父节点指针找到起始节点，得到最优路径，否则回到步骤s142继续进行搜索直至找到最优路径作为粗粒度巡检路径进行返回；
25、s15：对搜索得到的粗粒度巡检路径进行平滑处理，去除路径中的锯齿状部分，使路径平滑得到细粒度巡检路径。
26、可选地，所述s15步骤中对搜索得到的粗粒度巡检路径进行平滑处理，去除路径中的锯齿状部分，使路径平滑得到细粒度巡检路径，包括：
27、将搜索得到的粗粒度巡检路径作为输入，进行贝塞尔曲线拟合，得到一条平滑曲线作为细粒度巡检路径，计算公式为：
28、
29、其中：
30、b(t)表示贝塞尔曲线上的点；
31、n表示贝塞尔曲线的阶数；
32、表示组合数；
33、t表示点位参数，取值范围为[0,1]；
34、pi表示第i个控制点坐标。
35、可选地，所述s2步骤中利用激光雷达获取隧道内部的三维点云数据，通过视觉传感器采集图像信息，结合惯性导航系统按照规划得到的巡检路径进行图像采集实现隧道内部全景地图构建，包括：
36、s21：利用激光雷达扫描隧道内部，获取三维点云数据，所述点云数据包含隧道内部各个位置的坐标信息；使用视觉传感器在隧道内部按照规划得到的巡检路径进行图像采集并利用惯性导航系统获取图像在隧道内部的位置信息；
37、s22：将激光雷达获取的三维点云数据和视觉传感器采集的图像信息进行融合，具体流程包括：对激光雷达获取的点云数据和视觉传感器采集的图像分别进行去噪和坐标系转换操作得到预处理后的点云数据和图像数据；从预处理后的图像和点云数据中提取特征，并进行匹配，使用sift、surf和orb算法从预处理的图像数据中提取特征；利用曲率、法向量属性从预处理后的点云数据中提取特征，通过描述子匹配对提取得到的点云特征和图像特征匹配进行匹配，并将匹配后的特征点在图像和点云之间进行坐标转换，使它们在同一坐标系下表示；将匹配后的特征点进行融合得到融合后的数据，所述特征点融合通过最小化重投影误差来进行优化，使得点云特征在图像中的投影与实际图像中的特征点的距离最小；
38、s23：利用融合后的数据采用体素网格法进行三维重建得到隧道内部的全景地图。
39、可选地，所述s3步骤中构建隧道表面裂纹识别模型，对隧道内采集的图像和点云数据进行分析，识别隧道表面裂纹，包括：
40、s31：使用预训练的resnet模型对预处理后的隧道表面图像进行特征提取得到图像特征向量；
41、s32：使用pointnet网络对预处理后的点云数据进行特征提取得到点云特征向量；
42、s33：将提取得到的图像特征向量和点云特征向量进行融合得到融合特征向量；
43、s34：构建融合注意力机制的隧道表面裂纹识别模型，所述模型包括卷积层、注意力模块，池化模块、全连接层，所述融合注意力机制的图像裂纹识别模型的详细结构为：
44、所述卷积层包括：卷积层1和卷积层2，其中卷积层1的卷积核大小为3*3，输出特征图数量为32，使用relu激活函数；卷积层2的卷积核大小为3*3，输出特征图数量为64，使用relu激活函数；
45、所述注意力模块通过融合空间注意力和通道注意力得到最终的注意力特征图；
46、所述池化层的池化窗口大小为2*2，用于降低特征图尺寸；
47、所述全连接层包括全连接层1和全连接层2，其中全连接层1的神经元数量为512，使用relu激活函数；dropout层用于防止过拟合，随机丢弃部分神经元；全连接层2的神经元数量为2，使用softmax激活函数，输出是否存在裂纹的概率分布；
48、s35：对构建的隧道表面裂纹识别模型进行参数优化得到最优模型实例进行隧道裂纹识别，其中融合多种群策略的鲸鱼算法为所述参数优化的实施方法。
49、所述s35步骤中对构建的隧道表面裂纹识别模型进行参数优化得到最优模型实例进行隧道裂纹识别，包括：
50、所述融合多种群策略的鲸鱼算法通过引入多个独立的鲸鱼群体，并在它们之间共享信息，以增加全局搜索的多样性，具体流程包括：
51、s351：生成预置数量的独立鲸鱼群体，每个群体包含预置数量的鲸鱼个体，并随机初始化每个鲸鱼个体的位置和速度；
52、s352：计算每个鲸鱼个体的适应度，根据隧道表面裂纹识别模型目标函数确定每个个体的适应度值；
53、s353：对每个鲸鱼群体进行更新操作，包括：更新鲸鱼个体的位置和速度，通过公式计算得到新的位置和速度；更新群体中的最优解，鲸鱼个体的位置更新公式为：
54、xi(t+1)＝xi(t)+vi(t+1)
55、鲸鱼个体的速度更新公式：
56、vi(t+1)＝vi(t)+a·c
57、其中：
58、xi(t)表示第i个鲸鱼个体在第t轮迭代t时的位置；
59、vi(t)表示第i个鲸鱼个体在第t轮迭代时的速度；
60、a表示加速度系数；
61、c表示探索系数；
62、s354：迭代步骤s352和s353直至达到最大迭代次数并输出最模型参数。
63、可选地，所述s4步骤中根据检测到的裂纹信息动态调整巡检速度，完成巡检任务，包括：
64、根据裂纹信息，动态调整巡检速度，加快对裂纹区域的巡检频率，以确保更多的时间和资源用于关键区域的检测，计算公式为：
65、vnew＝vbase+log(n)
66、其中：
67、vbase表示基本巡检速度：
68、n表示当前位置识别得到隧道裂纹数量：
69、vnew表示根据裂纹信息调整后的新巡检速度。
70、为了解决上述问题，本发明提供一种基于机器人的隧道智能巡检系统，所述系统包括：
71、巡检路径规划模块，用于基于隧道结构设计图利用路径规划算法计算机器人的巡检路径，以覆盖整个隧道并实现隧道快速巡检；
72、隧道地图构建模块，用于在机器人上搭载激光雷达、视觉传感器和惯性导航系统，利用激光雷达获取隧道内部的三维点云数据，通过视觉传感器采集图像信息，结合惯性导航系统按照规划得到的巡检路径进行图像采集实现隧道内部全景地图构建；
73、隧道表面裂纹识别模块，用于构建隧道表面裂纹识别模型，对隧道内采集的图像和点云数据进行分析，识别隧道表面裂纹，根据检测到的裂纹信息动态调整巡检速度，完成巡检任务。
74、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
75、存储器，存储至少一个指令；
76、通信接口，实现电子设备通信；及
77、处理器，执行所述存储器中存储的指令以实现上述所述的基于机器人的隧道智能巡检方法。
78、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于机器人的隧道智能巡检方法。
79、相对于现有技术，本发明提出一种基于机器人的隧道智能巡检方法，该技术具有以下优势：
80、首先，本方案提出一种机器人巡检路径规划方法，该方法使用路径规划算法进行机器人的巡检路径规划，而且采用了拓展节点策略，可以更好地覆盖整个隧道，减少路径规划中的死角和漏检区域，提高巡检效率和全面性，并通过用激光雷达和视觉传感器采集的数据，按照规划得到的巡检路径，实现了隧道内部全景地图的构建，为后续的裂纹识别提供更详细的信息和更全面的视角。
81、同时，本方案构建了一种融合了注意力机制的深度神经网络，用于识别隧道表面裂纹，可以更好地捕捉裂纹的特征信息，提高裂纹识别的准确性和鲁棒性，并根据检测到的裂纹信息动态调整巡检速度，使得机器人能够更加智能地响应裂纹情况，优化巡检效率，提高裂纹检测的及时性和准确性。
1.一种基于机器人的隧道智能巡检方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s1步骤中基于隧道结构设计图利用路径规划算法计算机器人的巡检路径，包括：
3.如权利要求2所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s15步骤中对搜索得到的粗粒度巡检路径进行平滑处理，去除路径中的锯齿状部分，使路径平滑得到细粒度巡检路径，包括：
4.如权利要求1所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s2步骤中利用激光雷达获取隧道内部的三维点云数据，通过视觉传感器采集图像信息，结合惯性导航系统按照规划得到的巡检路径进行图像采集实现隧道内部全景地图构建，包括：
5.如权利要求1所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s3步骤中构建隧道表面裂纹识别模型，对隧道内采集的图像和点云数据进行分析，识别隧道表面裂纹，包括：
6.如权利要求5所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s35步骤中对构建的隧道表面裂纹识别模型进行参数优化得到最优模型实例进行隧道裂纹识别，包括：
7.如权利要求1所述的一种基于机器人的隧道智能巡检方法，其特征在于，所述s4步骤中根据检测到的裂纹信息动态调整巡检速度，完成巡检任务，包括：
8.一种基于机器人的隧道智能巡检系统，其特征在于，所述系统包括：
