本發(fā)明涉及混合智能，尤其涉及基于機(jī)器智能的金屬屋面智能安裝控制系統(tǒng)。

背景技術(shù)：

1、金屬屋面材料的反光導(dǎo)致攝像頭采集的圖像部分區(qū)域過亮，使金屬板材的邊緣、安裝標(biāo)記等關(guān)鍵信息無法清晰呈現(xiàn)，安裝人員難以準(zhǔn)確判斷板材的安裝位置和角度，進(jìn)而影響安裝精度，增加返工風(fēng)險，在雨霧天氣下，雨滴對光線的散射和吸收會降低能見度，影響機(jī)器智能監(jiān)測設(shè)備的成像質(zhì)量，導(dǎo)致圖像模糊、細(xì)節(jié)丟失，使得監(jiān)測系統(tǒng)難以準(zhǔn)確獲取安裝現(xiàn)場的實時信息，在當(dāng)前的金屬屋面安裝過程缺乏有效的風(fēng)險預(yù)測手段，隨著金屬屋面安裝智能化程度的提高，安裝控制系統(tǒng)需要處理的數(shù)據(jù)量和計算任務(wù)日益復(fù)雜，然而，現(xiàn)有的機(jī)器智能通常采用固定的計算資源分配模式，無法根據(jù)實際任務(wù)的需求動態(tài)調(diào)整計算資源。

2、中國專利公開號：cn101614058b公開了一種屋面光伏安裝系統(tǒng)，包括光伏組件的上邊框、下邊框、左邊框和右邊框以及光伏組件之間的縱向縫隙下設(shè)置的龍骨，由此可見，此方案仍然存在在反光情況下和雨霧天氣下無法利用機(jī)器智能對金屬屋面進(jìn)行精準(zhǔn)安裝，且缺乏有效的風(fēng)險預(yù)測手段導(dǎo)致機(jī)器智能在安裝過程中存在危險，以及無法進(jìn)行靈活的算力資源分配導(dǎo)致機(jī)器智能資源利用率低的問題。

技術(shù)實現(xiàn)思路

1、為此，本發(fā)明提供基于機(jī)器智能的金屬屋面智能安裝控制系統(tǒng)，用以克服現(xiàn)有技術(shù)中機(jī)器智能在反光情況下和雨霧天氣下無法準(zhǔn)確進(jìn)行金屬屋面安裝、缺乏有效的風(fēng)險預(yù)測手段導(dǎo)致機(jī)器智能在金屬屋面安裝過程中存在危險，以及無法進(jìn)行靈活的算力資源分配導(dǎo)致機(jī)器智能資源利用率低的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供基于機(jī)器智能的金屬屋面智能安裝控制系統(tǒng)，包括：

3、智能安裝數(shù)據(jù)獲取模塊，用以對智能安裝數(shù)據(jù)進(jìn)行獲??；

4、安裝環(huán)境感知模塊，用以根據(jù)智能安裝數(shù)據(jù)對反光區(qū)域進(jìn)行判斷，得到反光判斷結(jié)果，還用以根據(jù)反光判斷結(jié)果對反光干擾進(jìn)行消除，得到目標(biāo)環(huán)境數(shù)據(jù)，還用以根據(jù)目標(biāo)環(huán)境數(shù)據(jù)對環(huán)境感知模型進(jìn)行構(gòu)建，還用以根據(jù)環(huán)境感知模型對反光消除數(shù)據(jù)進(jìn)行獲?。?/p>

5、智能風(fēng)險預(yù)測模塊，用以根據(jù)反光消除數(shù)據(jù)對安全區(qū)域邊界距離進(jìn)行獲取，并根據(jù)安全區(qū)域邊界距離對環(huán)境感知模型進(jìn)行模型調(diào)整；

6、邊緣智能協(xié)同模塊，用以在安全區(qū)域邊界距離內(nèi)根據(jù)智能孿生模型對計算資源進(jìn)行測算，得到計算資源測算結(jié)果，還用以根據(jù)邊緣智能協(xié)同方法對計算資源測算結(jié)果進(jìn)行邊緣智能協(xié)同，還用以對邊緣智能協(xié)同方法進(jìn)行懲罰調(diào)整；

7、智能機(jī)械手控制模塊，用以對計算資源測算結(jié)果進(jìn)行初始任務(wù)分配，并對初始任務(wù)分配的過程進(jìn)行分配調(diào)整。

8、進(jìn)一步地，所述安裝環(huán)境感知模塊通過反光判斷方法根據(jù)智能安裝數(shù)據(jù)對反光區(qū)域進(jìn)行判斷，所述反光干擾消除方法包括：

9、步驟a01，根據(jù)第一偏振光強(qiáng)i0、第二偏振光強(qiáng)i45、第三偏振光強(qiáng)i90和第四偏振光強(qiáng)i?135對總光強(qiáng)s0進(jìn)行計算，得到總光強(qiáng)s0，設(shè)定s0＝i0+i45+i90+i?135；

10、步驟a02，根據(jù)第一偏振光強(qiáng)i0和第三偏振光強(qiáng)i90對第一光強(qiáng)差s1進(jìn)行計算，得到第一光強(qiáng)差s1，設(shè)定s1＝i0-i90；

11、步驟a03，根據(jù)第二偏振光強(qiáng)i45和第四偏振光強(qiáng)i?135對第二光強(qiáng)差s2進(jìn)行計算，得到第二光強(qiáng)差s2，設(shè)定s2＝i45-i?135；

12、步驟a04，根據(jù)總光強(qiáng)s0、第一光強(qiáng)差s1和第二光強(qiáng)差s2對偏振度p進(jìn)行計算，得到偏振度p，設(shè)定

13、步驟a05，將偏振度p與預(yù)設(shè)偏振度p0進(jìn)行比對，設(shè)定0.6≤p0≤0.8，根據(jù)比對結(jié)果對該屋面區(qū)域反光狀態(tài)進(jìn)行判斷，并根據(jù)判斷結(jié)果對反光判斷結(jié)果進(jìn)行輸出，其中:

14、當(dāng)p＞p0時，所述安裝環(huán)境感知模塊判定該屋面區(qū)域反光狀態(tài)為反光，將反光區(qū)域作為反光判斷結(jié)果進(jìn)行輸出；

15、當(dāng)p≤p0時，所述安裝環(huán)境感知模塊判定該屋面區(qū)域反光狀態(tài)為不反光，將不反光區(qū)域作為反光判斷結(jié)果進(jìn)行輸出。

16、進(jìn)一步地，所述安裝環(huán)境感知模塊根據(jù)去反光處理方法對反光區(qū)域進(jìn)行去反光處理，所述去反光處理方法包括：

17、步驟b01，根據(jù)圖像暗通道idark＝{ir，ig，ib}、透射率控制常數(shù)ω,設(shè)定0.9≤ω≤0.95,和背景光估計值a對初始透射率τ0進(jìn)行計算，得到初始透射率τ0，設(shè)定

18、步驟b02，根據(jù)第一優(yōu)化系數(shù)ak、第二優(yōu)化系數(shù)bk和反光點像素iq，對優(yōu)化后透射率τq進(jìn)行計算，得到優(yōu)化后透射率τq，設(shè)定τq＝ak×iq+bk；

19、步驟b03，根據(jù)優(yōu)化后透射率τq、第一通道強(qiáng)度ic和第二通道強(qiáng)度ac對真實紋理通道jc進(jìn)行計算，得到真實紋理通道jc，設(shè)定

20、步驟b04，將真實紋理通道jc和得到優(yōu)化后透射率τ0作為目標(biāo)環(huán)境數(shù)據(jù)進(jìn)行輸出。

21、進(jìn)一步地，所述安裝環(huán)境感知模塊通過環(huán)境感知模型構(gòu)建方法根據(jù)目標(biāo)環(huán)境數(shù)據(jù)對環(huán)境感知模型進(jìn)行構(gòu)建，所述環(huán)境感知模型構(gòu)建方法包括：

22、步驟s01，根據(jù)歷史環(huán)境數(shù)據(jù)庫對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)初始化：設(shè)置生成器權(quán)重系數(shù)λ1和判別器權(quán)重系數(shù)λ2,設(shè)定λ1＝0.5,λ2＝1-λ1＝0.5；

23、步驟s02，根據(jù)二元交叉熵?fù)p失函數(shù)lg、重建損失lr、生成器權(quán)重系數(shù)λ1和判別器權(quán)重系數(shù)λ2對總損失l進(jìn)行計算，得到總損失l，設(shè)定l＝λ1×lg+λ2×lr；

24、步驟s03，將總損失l與預(yù)設(shè)總損失l0進(jìn)行比對，設(shè)定0.22≤l0≤0.31，根據(jù)比對結(jié)果對卷積神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確情況進(jìn)行判斷，并根據(jù)判斷結(jié)果對二元交叉熵?fù)p失函數(shù)lg進(jìn)行損失調(diào)整，其中：

25、當(dāng)l≤l0時，所述安裝環(huán)境感知模塊判定卷積神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確情況為準(zhǔn)確，不對二元交叉熵?fù)p失函數(shù)lg進(jìn)行損失調(diào)整，并將卷積神經(jīng)網(wǎng)絡(luò)模型作為環(huán)境感知模型進(jìn)行輸出；

26、當(dāng)l＞l0時，所述安裝環(huán)境感知模塊判定卷積神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確情況為不準(zhǔn)確，對二元交叉熵?fù)p失函數(shù)lg進(jìn)行損失調(diào)整，根據(jù)調(diào)整系數(shù)θ1，設(shè)定對二元交叉熵?fù)p失函數(shù)lg進(jìn)行損失調(diào)整，得到調(diào)整后二元交叉熵?fù)p失函數(shù)lg`,設(shè)定lg`＝lg×θ1，將所述二元交叉熵?fù)p失函數(shù)lg替換為調(diào)整后二元交叉熵?fù)p失函數(shù)lg`，并重新對總損失l進(jìn)行計算；

27、步驟s04，對當(dāng)前地理環(huán)境進(jìn)行獲取，將當(dāng)前地理環(huán)境與歷史地理環(huán)境進(jìn)行比對，根據(jù)比對結(jié)果對當(dāng)前地理環(huán)境與歷史地理環(huán)境的一致性進(jìn)行判斷，并根據(jù)判斷結(jié)果對預(yù)設(shè)總損失l0進(jìn)行二次損失調(diào)整，其中：

28、當(dāng)當(dāng)前地理環(huán)境與歷史地理環(huán)境一致時，不對預(yù)設(shè)總損失l0進(jìn)行二次損失調(diào)整；

29、當(dāng)當(dāng)前地理環(huán)境與歷史地理環(huán)境不一致時，對預(yù)設(shè)總損失l0進(jìn)行二次損失調(diào)整，根據(jù)環(huán)境系數(shù)γ，設(shè)定1.1≤γ≤1.5，對預(yù)設(shè)總損失l0進(jìn)行二次損失調(diào)整，得到調(diào)整后預(yù)設(shè)總損失l0`,設(shè)定l0`＝γ×l0，并將預(yù)設(shè)總損失l0替換為調(diào)整后預(yù)設(shè)總損失l0`，并將總損失l與調(diào)整后預(yù)設(shè)總損失l0`重新進(jìn)行比對；

30、步驟s05，根據(jù)溫度差值wc和光照強(qiáng)度差值gq對環(huán)境變化因子hy進(jìn)行計算，得到環(huán)境變化因子hy，設(shè)定hy＝0.58×wc+0.42×gq；

31、步驟s06，將環(huán)境變化因子hy與預(yù)設(shè)環(huán)境變化因子hy0進(jìn)行比對，設(shè)定0.16≤hy0≤0.39，根據(jù)比對結(jié)果對環(huán)境變化狀態(tài)進(jìn)行判斷，并根據(jù)判斷結(jié)果對二次損失調(diào)整的調(diào)整過程進(jìn)行三次損失調(diào)整，其中：

32、當(dāng)hy≤hy0時，所述安裝環(huán)境感知模塊判定環(huán)境變化狀態(tài)為小范圍變化，不對二次損失調(diào)整的調(diào)整過程進(jìn)行三次損失調(diào)整；

33、當(dāng)hy＞hy0時，所述安裝環(huán)境感知模塊判定環(huán)境變化狀態(tài)為大范圍變化，對二次損失調(diào)整的調(diào)整過程進(jìn)行三次損失調(diào)整，根據(jù)環(huán)境調(diào)整系數(shù)θ2，設(shè)定θ2＝1+(hy-hy0)/hy0，對二次損失調(diào)整的調(diào)整過程進(jìn)行三次損失調(diào)整，得到二次調(diào)整后預(yù)設(shè)總損失l0``,設(shè)定l0``＝l0×θ2，將所述預(yù)設(shè)總損失l0替換為二次調(diào)整后預(yù)設(shè)總損失l0``，并將總損失l與二次調(diào)整后預(yù)設(shè)總損失l0``重新進(jìn)行比對。

34、進(jìn)一步地，所述安裝環(huán)境感知模塊根據(jù)環(huán)境感知模型對反光消除數(shù)據(jù)進(jìn)行獲取時，將云霧點云數(shù)據(jù)輸入環(huán)境感知模型，得到清晰點云數(shù)據(jù)，將優(yōu)化后透射率τq和清晰點云數(shù)據(jù)輸入反光消除信息模型，得到目標(biāo)類別概率、目標(biāo)位置和目標(biāo)姿態(tài)信息，將目標(biāo)類別概率、目標(biāo)位置和目標(biāo)姿態(tài)信息作為反光消除數(shù)據(jù)進(jìn)行輸出。

35、進(jìn)一步地，所述智能風(fēng)險預(yù)測模塊通過安全區(qū)域邊界距離獲取方法根據(jù)反光消除數(shù)據(jù)對安全區(qū)域邊界距離進(jìn)行獲取，所述安全區(qū)域邊界距離獲取方法包括：

36、步驟c01，根據(jù)反光消除數(shù)據(jù)中的目標(biāo)類別概率獲取目標(biāo)類別；

37、步驟c03，根據(jù)目標(biāo)類別、目標(biāo)位置和目標(biāo)姿態(tài)信息構(gòu)建智能孿生模型；

38、步驟c04，在智能孿生模型中構(gòu)建安全區(qū)域，設(shè)定安全區(qū)域的球心坐標(biāo)為(x0,y0,z0)，半徑為rq；

39、步驟c04，構(gòu)建風(fēng)險預(yù)測模型，將風(fēng)險預(yù)測模型輸出的目標(biāo)位置坐標(biāo)；

40、步驟c05，根據(jù)目標(biāo)位置坐標(biāo)點crm(xm,ym,zm)、安全區(qū)域的球心坐標(biāo)crr(x0,y0,z0)和安全區(qū)域半徑rq對安全區(qū)域邊界距離d進(jìn)行計算，得到安全區(qū)域邊界距離d，設(shè)定

41、進(jìn)一步地，所述智能風(fēng)險預(yù)測模塊根據(jù)安全區(qū)域邊界距離對環(huán)境感知模型進(jìn)行模型調(diào)整時，所述智能風(fēng)險預(yù)測模塊將安全區(qū)域邊界距離d與第一預(yù)設(shè)邊界距離d1和第二預(yù)設(shè)邊界距離d2進(jìn)行比對，設(shè)定d1＝10cm，d2＝15cm，根據(jù)比對結(jié)果對目標(biāo)位置風(fēng)險程度進(jìn)行判斷，并根據(jù)判斷結(jié)果對環(huán)境感知模型進(jìn)行模型調(diào)整，其中：

42、當(dāng)d≤d1時，所述智能風(fēng)險預(yù)測模塊判定目標(biāo)位置風(fēng)險程度為低風(fēng)險，不對環(huán)境感知模型進(jìn)行模型調(diào)整；

43、當(dāng)d1＜d≤d2時，所述智能風(fēng)險預(yù)測模塊判定目標(biāo)位置風(fēng)險程度為中風(fēng)險，對環(huán)境感知模型進(jìn)行模型調(diào)整，根據(jù)第一模型調(diào)整系數(shù)α1，設(shè)定α1＝1+(d-d1)/d2，對環(huán)境感知模型進(jìn)行模型調(diào)整，得到第一調(diào)整后生成器權(quán)重系數(shù)λ1`，設(shè)定λ1`＝λ1×α1，將所述生成器權(quán)重系數(shù)λ1替換為第一調(diào)整后生成器權(quán)重系數(shù)λ1`，并根據(jù)第一調(diào)整后生成器權(quán)重系數(shù)λ1`對環(huán)境感知模型中的總損失l重新進(jìn)行計算；

44、當(dāng)d＞d2時，所述智能風(fēng)險預(yù)測模塊判定目標(biāo)位置風(fēng)險程度為高風(fēng)險，對環(huán)境感知模型進(jìn)行模型調(diào)整，根據(jù)第二模型調(diào)整系數(shù)α2，設(shè)定α2＝1.5+(d-d2)/d2，對環(huán)境感知模型進(jìn)行模型調(diào)整，得到第二調(diào)整后生成器權(quán)重系數(shù)λ1``，設(shè)定λ1``＝λ1×α2，將所述生成器權(quán)重系數(shù)λ1替換為第二調(diào)整后生成器權(quán)重系數(shù)λ1``，并根據(jù)第二調(diào)整后生成器權(quán)重系數(shù)λ1``對環(huán)境感知模型中的總損失l重新進(jìn)行計算。

45、進(jìn)一步地，所述智能風(fēng)險預(yù)測模塊根據(jù)目標(biāo)移動速度對模型調(diào)整的調(diào)整過程進(jìn)行距離調(diào)整時，所述智能風(fēng)險預(yù)測模塊將目標(biāo)移動速度mv與預(yù)設(shè)移動速度mv0進(jìn)行比對，設(shè)定0.5m/s≤mv0≤0.7m/s，根據(jù)比對結(jié)果對目標(biāo)移動速度狀態(tài)進(jìn)行判斷，并根據(jù)判斷結(jié)果對安全區(qū)域邊界距離d進(jìn)行距離調(diào)整，其中：

46、當(dāng)mv≤mv0時，所述智能風(fēng)險預(yù)測模塊判定目標(biāo)移動速度狀態(tài)為慢速，不對安全區(qū)域邊界距離d進(jìn)行距離調(diào)整；

47、當(dāng)mv＞mv0時，所述智能風(fēng)險預(yù)測模塊判定目標(biāo)移動速度狀態(tài)為快速，對安全區(qū)域邊界距離d進(jìn)行距離調(diào)整，令d＞d2，判定目標(biāo)位置風(fēng)險程度為高風(fēng)險，對環(huán)境感知模型進(jìn)行模型調(diào)整。

48、進(jìn)一步地，所述智能風(fēng)險預(yù)測模塊根據(jù)金屬屋面坡度對距離調(diào)整過程進(jìn)行速度調(diào)整時，所述智能風(fēng)險預(yù)測模塊將金屬屋面坡度jp與預(yù)設(shè)金屬屋面坡度jp0進(jìn)行比對，設(shè)定15°≤jp0≤30°，根據(jù)比對結(jié)果對金屬屋面坡度狀態(tài)進(jìn)行判斷，并根據(jù)判斷結(jié)果對預(yù)設(shè)移動速度mv0進(jìn)行速度調(diào)整，其中：

49、當(dāng)jp≤jp0時，所述智能風(fēng)險預(yù)測模塊判定金屬屋面坡度狀態(tài)為平緩，不對預(yù)設(shè)移動速度mv0進(jìn)行速度調(diào)整；

50、當(dāng)jp＞jp0時，所述智能風(fēng)險預(yù)測模塊判定金屬屋面坡度狀態(tài)為不平緩，對預(yù)設(shè)移動速度mv0進(jìn)行速度調(diào)整，根據(jù)坡度系數(shù)δ，設(shè)定對預(yù)設(shè)移動速度mv0進(jìn)行速度調(diào)整，得到調(diào)整后預(yù)設(shè)移動速度mv0`,設(shè)定mv0`＝mv0×δ，將所述目標(biāo)移動速度mv替換為調(diào)整后預(yù)設(shè)移動速度mv0`，并將目標(biāo)移動速度mv與調(diào)整后預(yù)設(shè)移動速度mv0`重新進(jìn)行比對。

51、進(jìn)一步地，所述邊緣智能協(xié)同模塊在安全區(qū)域邊界距離內(nèi)通過計算資源測算方法根據(jù)智能孿生模型對計算資源進(jìn)行測算，所述計算資源測算方法包括：

52、步驟e01，為邊緣節(jié)點ni定義狀態(tài)參數(shù)si，設(shè)定si＝{ci,mi,bi}，其中，ci為計算能力值，mi為內(nèi)存評估值，bi為網(wǎng)絡(luò)帶寬評估值；

53、步驟e02，根據(jù)當(dāng)前可用cpu周期數(shù)cia和總cpu周期數(shù)cit對計算能力值ci進(jìn)行計算，得到計算能力值ci，設(shè)定ci＝cia/cit；

54、步驟e03，根據(jù)當(dāng)前可用內(nèi)存mia和總內(nèi)存mit對內(nèi)存評估值mi進(jìn)行計算，得到內(nèi)存評估值mi，設(shè)定mi＝mia/mit；

55、步驟e04，根據(jù)當(dāng)前可用網(wǎng)絡(luò)帶寬bia和總網(wǎng)絡(luò)帶寬bit對網(wǎng)絡(luò)帶寬評估值bi進(jìn)行計算，得到網(wǎng)絡(luò)帶寬評估值bi，設(shè)定bi＝bia/bit；

56、步驟e05，將計算能力值ci、內(nèi)存評估值mi、網(wǎng)絡(luò)帶寬評估值bi和負(fù)載評估值li作為計算資源測算結(jié)果。

57、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于通過各模塊協(xié)同對金屬屋面安裝過程進(jìn)行環(huán)境干擾消除、風(fēng)險動態(tài)調(diào)控、資源智能分配及機(jī)械手精準(zhǔn)控制，以便于應(yīng)對機(jī)器智能在反光情況下和雨霧天氣下的復(fù)雜工況，同時對安裝風(fēng)險進(jìn)行準(zhǔn)確預(yù)測和動態(tài)調(diào)配計算資源，從而提升機(jī)器智能應(yīng)用于金屬屋面安裝時的準(zhǔn)確性、安全性和資源利用率。