技术领域
[0001] 本申请涉及巡检机器人技术领域，尤其涉及一种智能巡检方法、系统、巡检机器人及介质。
相关背景技术
[0002] 矿山、工厂等工业场地具备复杂多变的工作环境，如狭窄的空间、不规则的地形、多样的障碍物以及潜在的安全隐患，这些因素使得巡检机器人难以深入到具体的环境中进行全面细致的巡检，从而导致巡检机器人的巡检效率较低。
[0003] 故而，如何提高巡检机器人的巡检效率，是本领域技术人员亟待解决的技术问题。
具体实施方式
[0050] 应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。
[0051] 为了更好的理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。
[0052] 现如今，矿山、工厂等工业场地具备复杂多变的工作环境，如狭窄的空间、不规则的地形、多样的障碍物以及潜在的安全隐患，这些因素使得巡检机器人难以深入到具体的环境中进行全面细致的巡检，从而导致巡检机器人的巡检效率较低。
[0053] 故而，如何提高巡检机器人的巡检效率，是本领域技术人员亟待解决的技术问题。
[0054] 在本申请中，通过获取多模态数据，并对多模态数据进行预处理，得到预处理后的多模态数据，可以提高用于进行环境识别的多模态数据的准确性；然后通过提取预处理后的多模态数据中的各个数据特征，并融合各数据特征，得到综合数据特征，可以实现多模态数据中不同数据之间的优势互补，从而进一步提高数据的准确性；然后将综合数据特征输入至预设的大模型中，得到巡检决策，并按照巡检决策运行，其中，大模型是以预设的实际综合数据特征为模型输入数据，以实际综合数据特征对应预设的实际巡检决策为模型训练标签训练得到的，可以通过大模型对融合特征进行深入学习，对周围环境进行建模并进行状态推断和预测。
[0055] 在本申请中，通过综合分析多模态数据，可以检测环境中的异常情况(如设备故障、环境变化等)。在此基础上，根据三维环境信息和位置信息，本申请还可以规划机器人的运动路径，从而避免碰撞和障碍物。因此，本申请能够通过多模态数据和大模型实现对环境信息的全面感知，并基于设备状态制定相关决策，从而使巡检机器人能够适应各种复杂的工作环境，进而提高巡检效率。
[0056] 需要说明的是，本申请智能巡检方法的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的巡检机器人。以下以巡检机器人为例，对本申请智能巡检方法的各个实施例进行说明。
[0057] 本申请实施例提供了一种智能巡检方法，参照图1，图1为本申请智能巡检方法第一实施例的流程示意图。
[0058] 本实施例中，所述智能巡检方法包括步骤S10～S30：
[0059] 步骤S10，获取多模态数据，并对所述多模态数据进行预处理，得到预处理后的多模态数据；
[0060] 需要说明的是，多模态数据指的是多种不同传感器采集的数据。在巡检机器人上，可以预先安装各类用于感知环境的传感器。例如，可以预先安装Li DAR、摄像头、GNSS传感器。然后，巡检机器人可以基于LiDAR、摄像头、GNSS传感器感知其工作环境。
[0061] 在本实施例中，在获取各个传感器采集的数据之后，由于采集的数据中存在噪点，因此需要对各个传感器采集的数据进行预处理，以提高数据质量。从而，可以提高巡检机器人正确感知环境的概率。
[0062] 在一种可行的实施方式中，所述多模态数据包括：LiDAR数据、GNSS数据以及图像数据，上述步骤S10，还包括：
[0063] 步骤S101，通过统计滤波法对所述LiDAR数据进行滤波，得到滤波后的Li DAR数据；
[0064] 步骤S102，通过差分GNSS法对所述GNSS数据校正，得到校正后的GNSS数据；
[0065] 步骤S103，对所述图像数据依次进行增强和降噪处理，得到校正后的图像数据。
[0066] 可以理解的是，由于不同传感器的特性不同，因此，对于不同传感器采集的数据，可以通过不同的预处理手段进行处理，从而可以进一步提高数据的质量。
[0067] 在本实施例中，预处理包括滤波、校正、降噪、增强等处理。对于Li DAR数据，可以使用统计滤波方法计算出点云数据的均值和标准差，进而可以根据均值和标准差判断出点云数据中的离散点，进而去除离散点。具体而言，在一种可行的实施方式中，可以将偏离均值或者标准差超过一定阈值的点视为噪声点并予以去除。对于GNSS数据，则可以通过差分GNSS方法进行误差校正，具体来说，基准站接收来自多颗卫星的信号，并计算出这些信号的实际接收位置与理论位置之间的差异，即误差；然后，基准站将这些误差信息通过无线电信号或其他方式发送给巡检机器人；巡检机器人接收到误差信息后，将误差信息与自身的GNSS数据相结合，通过修正算法(例如，卡尔曼滤波)来校正其定位结果，从而提高定位精度。对于图像数据，由于图像数据通过摄像头获取，而摄像头存在镜头畸变，因此，在获取图像数据之前，还需要通过相机标定来消除镜头畸变，包括径向畸变和切向畸变，以提高图像的几何精度。接着，在相机标定之后，对于基于摄像头获取的图像数据，可以通过直方图均衡化技术来增强图像的对比度，提高图像的整体亮度和清晰度。最后，再通过高斯滤波对增强后的图像进行去噪处理，去除图像中的随机噪声，从而得到校正后的图像数据。
[0068] 步骤S20，提取所述预处理后的多模态数据中的各个数据特征，并融合各所述数据特征，得到综合数据特征；
[0069] 需要说明的是，数据特征是指从数据中提取出来的、可用于进一步分析或于机器学习模型的有意义的信息。综合数据特征是融合各个数据特征后得到的数据特征。
[0070] 步骤S30，将所述综合数据特征输入至预设的大模型中，得到巡检决策，并按照所述巡检决策运行，其中，所述大模型是以预设的实际综合数据特征为模型输入数据，以所述实际综合数据特征对应预设的实际巡检决策为模型训练标签训练得到的。
[0071] 需要说明的是，实际综合数据特征指的是用于对大模型进行测试的综合数据特征，实际巡检决策指的是与实际综合数据特征对应的巡检决策，巡检决策指的是巡检机器人的运行策略。可以理解的是，为基于大模型得到符合当前环境的巡检机器人的运行策略，还需要预先对大模型进行训练。
[0072] 具体地，训练过程可以是：预先获取巡检机器人上摄像头、LiDAR、以及GNSS接收器获取的数据，并对数据进行过滤、降噪等处理后提取的特征进行融合，从而可以得到实际综合数据特征。然后，再获取人工输入的与实际综合数据特征对应的运行策略。然后，将实际综合数据特征输入大模型，并将大模型的输出与实际巡检决策进行比较。若大模型的输出与实际巡检决策存在差异，则对大模型的参数进行微调，直至大模型的输出与实际巡检决策之间的差距符合预期。
[0073] 在一种可行的实施方式中，上述步骤S20，还包括：
[0074] 步骤S201，提取所述滤波后的LiDAR数据中的形状特征和距离特征；
[0075] 需要说明的是，LiDAR通过实时扫描周围环境，获取三维点云数据，其中，三维点云数据可以反映环境的三维结构信息。由于巡检机器人需要适应不同的环境，因此需要基于滤波后的LiDAR数据确定出周围障碍物的形状(即，形状特征)，并且，还需要基于滤波后的LiDAR数据确定出巡检机器人周围的物体的密集程度(即，距离特征)。
[0076] 步骤S202，提取所述校正后的GNSS数据中的位置特征、速度特征和方向特征；
[0077] 需要说明的是，位置特征指的是巡检机器人的位置，速度特征指的是与巡检机器人的运动速度相关的特征，方向特征则指的是与巡检机器人运行方向相关的特征。
[0078] 步骤S203，提取所述校正后的图像数据中的颜色特征、边缘轮廓特征和纹理特征。
[0079] 需要说明的是，颜色特征指的是图像数据中物体的颜色，边缘轮廓特征指的是物体的轮廓，纹理特征则指的是物体的纹理。
[0080] 在本实施例中，上述形状特征、距离特征、位置特征、速度特征、方向特征、颜色特征、边缘轮廓特征以及纹理特征均表征环境的具体情况。因此，需要基于上述各个特征为巡检机器人规划巡检决策，以便使得巡检机器人可以深入工作环境，从而提高巡检效率。
[0081] 请参照图2，在一种可行的实施方式中，上述步骤S201,包括：
[0082] 步骤S2011，提取所述滤波后的LiDAR数据中的点云几何特征，并计算所述滤波后的LiDAR数据中点与点之间的欧式距离；
[0083] 需要说明的是，点云几何特征包括但不限于：点的位置(每个点在三维空间中的坐标)，点的密度(单位体积内的点的数量),曲率(点云表面某一点的曲率，可以用来描述物体表面的弯曲程度)。
[0084] 步骤S2012，根据所述欧式距离得到距离特征，并根据所述点云几何特征和所述欧式距离确定形状特征。
[0085] 在本实施例中，通过对点云中各点之间的欧式距离进行统计分析，可以提取距离特征。具体而言，距离特征包括但不限于各个欧式距离之间的平均距离、最大距离、最小距离、距离分布。形状特征包括但不限于物体的边界轮廓、内部结构。在本实施例中，可以通过对点云几何特征和欧式距离进行分析的方式确定出形状特征。
[0086] 在一种可行的实施方式中，可以通过预先训练完成的机器学习模型对点云几何特征和欧式距离进行处理，从而输出形状特征。
[0087] 在另一种可行的实施方式中，得到形状特征的步骤还可以是：通过聚类算法(如K‑means)可以将点云中的点分组为不同的簇，每个簇代表了一个物体或物体的一部分，进而可以提取出这些物体的形状特征，如边界、轮廓、体积、表面积等。
[0088] 请参照图3，在一种可行的实施方式中，上述步骤S202包括：
[0089] 步骤S2021，将所述校正后的GNSS数据转换为平面坐标，并提取所述平面坐标中的位置特征；
[0090] 需要说明的是，GNSS数据通常指的是三维空间中的坐标，由于在本实施例中，GNSS数据用于导航，因此需要将GNSS数据转换为平面的坐标。然后，在平面坐标系统中，每个点都有其特定的位置特征，如坐标值(x,y)相对于某个参考点的偏移量、与特定路径或区域的相对位置等。因此，在得到巡检机器人对应的平面坐标后，还可以获取该平面坐标对应的位置特征。
[0091] 步骤S2022，基于所述校正后的GNSS数据中位置信息的变化率，确定速度特征；
[0092] 需要说明的是，在连续的时间点上，GNSS数据会提供一系列的位置信息。通过比较这些位置信息在时间上的变化，可以计算出位置的变化率。然后，可以基于巡检机器人位置的变化率计算出巡检机器人速度的变化率，并将速度变化率作为速度特征。
[0093] 步骤S2022，基于所述校正后的GNSS数据中连续位置点之间的连线方向，确定方向特征。
[0094] 需要说明的是，在GNSS数据中，连续的位置点可以看作是物体在空间中移动轨迹上的点。通过连接这些点，可以得到物体的移动轨迹。连线方向指的是相邻两个位置点之间的连线所指示的方向，它反映了物体在某一时刻的移动方向。
[0095] 在本实施例中，方向特征通常包括移动方向、方向变化率(即转向速度或角速度)等。
[0096] 在一种可行的实施方式中，移动方向可以通过计算相邻位置点之间连线的方向角来得到，方向变化率可以通过计算相邻时间段内方向角的变化量除以时间间隔来得到。
[0097] 请参照图4，在一种可行的实施方式中，上述步骤S203，包括：
[0098] 步骤S2031，通过颜色直方图方法提取所述校正后的图像数据中的颜色特征；
[0099] 需要说明的是，颜色直方图是一种统计图像中颜色分布的方法。它将图像中的颜色空间(如RGB、HSV等)划分为若干个颜色区间(或称为“bi n”)，然后统计每个颜色区间内像素的数量或比例。
[0100] 在本实施例中，在校正后的图像数据中，首先需要将图像从原始的颜色空间(如RGB)转换到适合进行颜色直方图统计的颜色空间(如HSV，因为它更接近于人类对颜色的感知方式)。然后，根据所选的颜色空间和所需的颜色分辨率，将颜色空间划分为一定数量的颜色区间。接下来，遍历图像中的每个像素，将其颜色映射到相应的颜色区间，并统计每个区间的像素数量或比例。最终得到的颜色直方图即为图像的颜色特征。
[0101] 步骤S2032，通过Canny边缘检测算法提取所述校正后的图像数据中的边缘轮廓特征；
[0102] 在本实施例中，在校正后的图像数据中，首先应用高斯滤波器对图像进行平滑处理，以减少噪声对边缘检测的影响。然后，计算图像中每个像素点的梯度强度和方向，以识别可能的边缘点。接下来，通过非极大值抑制(NMS)过程，保留梯度方向上的局部最大值点，作为候选边缘点。最后，使用双阈值检测策略来确定最终的边缘点，并连接这些点以形成边缘轮廓。
[0103] 步骤S2033，通过局部二值模式提取所述校正后的图像数据中的纹理特征。
[0104] 需要说明的是，局部二值模式是一种用于纹理分类的简单而有效的特征描述符。它通过对图像局部区域的像素进行二进制编码来提取纹理信息。在局部二值模式中，首先选择一个中心像素，并将其周围的像素(通常是一个圆形邻域内的像素)与中心像素进行比较。如果周围像素的灰度值大于或等于中心像素的灰度值，则将该位置标记为1；否则标记为0。这样，就得到了一个二进制数，即该中心像素的局部二值模式值。通过将图像中每个像素都转换为局部二值模式值，并统计整个图像的局部二值模式直方图，就可以得到图像的纹理特征。
[0105] 示例性地，在校正后的图像数据中，首先确定局部二值模式的邻域大小和形状(通常是圆形或方形)。然后，遍历图像中的每个像素，将其作为中心像素，并计算其局部二值模式值。接下来，统计整个图像的局部二值模式直方图，即将所有像素的局部二值模式值进行统计，得到每个局部二值模式值出现的频率。最终得到的局部二值模式直方图即为图像的纹理特征。
[0106] 在一种可行的实施方式中，上述步骤S20，还包括：
[0107] 步骤S204，通过卡尔曼滤波算法对各所述数据特征进行融合，得到综合数据特征。
[0108] 可以理解的是，在巡检机器人移动的过程中，需要实时地获取多模态数据，因此，巡检机器人中数据的处理量是极大的。为在较短时间内对提取的各个数据特征进行融合，本申请通过卡尔曼滤波算法对各个数据特征进行融合，使得本申请的数据处理实时性更高，从而，也便于巡检机器人根据不同的环境实时调整巡检策略。
[0109] 请参照图5，图5为本申请智能巡检方法一具体实施例的框架示意图。在图5中，感知层用于数据采集和数据预处理，在预处理完毕之后，通过特征提取层分别提取Li DAR数据中的点云、距离特征，提取GNSS数据中的位置、速度、方向特征，以及，提取摄像头数据(图像数据)中的颜色、形状、纹理特征。然后，通过融合层中的卡尔曼滤波算法对特征提取层中提取的特征进行融合，进而，将融合得到的特征输入至决策层中的大模型中，通过大模型实现异常检测，进而制定决策。然后，控制层可以根据决策层指令控制机器人的执行机构，实现移动、转向、停止等动作，并及时对检测到异常和故障进行预警以及对巡检路径进行智能规划，以提高巡检效率和准确性。并且在执行任务过程中，实时监测运动状态确保按规划路径执行任务，保证巡检的安全性和可靠性。从而，本申请可以让巡检机器人适用于各种工作环境，从而本申请提高了巡检机器人的巡检效率。
[0110] 需要说明的是，上述示例仅用于理解本申请，并不构成对本申请智能巡检方法的限定，基于此技术构思进行更多形式的简单变换，均在本申请的保护范围内。
[0111] 本申请实施例还提供一种智能巡检系统，所述智能巡检系统应用于巡检机器人。请参照图6，所述智能巡检系统包括：
[0112] 预处理模块10，用于获取多模态数据，并对所述多模态数据进行预处理，得到预处理后的多模态数据；
[0113] 特征提取模块20，用于提取所述预处理后的多模态数据中的各个数据特征，并融合各所述数据特征，得到综合数据特征；
[0114] 决策模块30，用于将所述综合数据特征输入至预设的大模型中，得到巡检决策，并按照所述巡检决策运行，其中，所述大模型是以预设的实际综合数据特征为模型输入数据，以所述实际综合数据特征对应预设的实际巡检决策为模型训练标签训练得到的。
[0115] 在一实施例中，所述多模态数据包括：Li DAR数据、GNSS数据以及图像数据，上述预处理模块10，还用于：
[0116] 通过统计滤波法对所述Li DAR数据进行滤波，得到滤波后的Li DAR数据；
[0117] 通过差分GNSS法对所述GNSS数据校正，得到校正后的GNSS数据；
[0118] 对所述图像数据依次进行增强和降噪处理，得到校正后的图像数据。
[0119] 在一实施例中，上述特征提取模块20，还用于：
[0120] 提取所述滤波后的Li DAR数据中的形状特征和距离特征；
[0121] 提取所述校正后的GNSS数据中的位置特征、速度特征和方向特征；
[0122] 提取所述校正后的图像数据中的颜色特征、边缘轮廓特征和纹理特征。
[0123] 在一实施例中，上述特征提取模块20，还用于：
[0124] 提取所述滤波后的Li DAR数据中的点云几何特征，并计算所述滤波后的Li DAR数据中点与点之间的欧式距离；
[0125] 根据所述欧式距离得到距离特征，并根据所述点云几何特征和所述欧式距离确定形状特征。
[0126] 在一实施例中，上述特征提取模块20，还用于：
[0127] 将所述校正后的GNSS数据转换为平面坐标，并提取所述平面坐标中的位置特征；
[0128] 基于所述校正后的GNSS数据中位置信息的变化率，确定速度特征；
[0129] 基于所述校正后的GNSS数据中连续位置点之间的连线方向，确定方向特征。
[0130] 在一实施例中，上述特征提取模块20，还用于：
[0131] 通过颜色直方图方法提取所述校正后的图像数据中的颜色特征；
[0132] 通过Canny边缘检测算法提取所述校正后的图像数据中的边缘轮廓特征；
[0133] 通过局部二值模式提取所述校正后的图像数据中的纹理特征。
[0134] 在一实施例中，上述特征提取模块20，还用于：
[0135] 通过卡尔曼滤波算法对各所述数据特征进行融合，得到综合数据特征。
[0136] 本申请提供的智能巡检系统，采用上述实施例中的智能巡检方法，能够解决如何提高巡检机器人的巡检效率的技术问题。与现有技术相比，本申请提供的智能巡检系统的有益效果与上述实施例提供的智能巡检方法的有益效果相同，且所述智能巡检系统中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0137] 本申请提供一种巡检机器人，巡检机器人包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的智能巡检方法。
[0138] 下面参考图7，其示出了适于用来实现本申请实施例的巡检机器人的结构示意图。图7示出的巡检机器人仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
[0139] 如图7所示，巡检机器人可以包括处理装置1001(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM：Read On l y Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM：Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有巡检机器人操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器(LCD：L i qu i d Crysta l Di sp l ay)、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许巡检机器人与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的巡检机器人，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
[0140] 特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。
[0141] 本申请提供的巡检机器人，采用上述实施例中的智能巡检方法，能解决如何提高巡检机器人的巡检效率的技术问题。与现有技术相比，本申请提供的巡检机器人的有益效果与上述实施例提供的智能巡检方法的有益效果相同，且该巡检机器人中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
[0142] 应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0143] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
[0144] 本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令(即计算机程序)，计算机可读程序指令用于执行上述实施例中的智能巡检方法。
[0145] 本申请提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM：Random Access Memory)、只读存储器(ROM：Read On l y Memory)、可擦式可编程只读存储器(EPROM：Erasab l e Programmab l e Read On l y Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM：CD‑Read On l y Memory)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Rad i o Frequency：射频)等等，或者上述的任意合适的组合。
[0146] 上述计算机可读存储介质可以是巡检机器人中所包含的；也可以是单独存在，而未装配入巡检机器人中。
[0147] 上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被巡检机器人执行时，使得巡检机器人：获取多模态数据，并对多模态数据进行预处理，得到预处理后的多模态数据；提取预处理后的多模态数据中的各个数据特征，并融合各数据特征，得到综合数据特征；将综合数据特征输入至预设的大模型中，得到巡检决策，并按照巡检决策运行，其中，大模型是以预设的实际综合数据特征为模型输入数据，以实际综合数据特征对应预设的实际巡检决策为模型训练标签训练得到的。
[0148] 可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Sma l l ta l k、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN：Loca l Area Network)或广域网(WAN：Wi de Area Network)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0149] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0150] 描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
[0151] 本申请提供的可读存储介质为计算机可读存储介质，所述计算机可读存储介质存储有用于执行上述智能巡检方法的计算机可读程序指令(即计算机程序)，能够解决如何提高巡检机器人的巡检效率的技术问题。与现有技术相比，本申请提供的计算机可读存储介质的有益效果与上述实施例提供的智能巡检方法的有益效果相同，在此不做赘述。
[0152] 以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。
