CN119472645A 一种基于自动路径规划的光伏清扫机器人及其作业方法 （河南华拓电子科技有限公司）

一种基于自动路径规划的光伏清扫机器人本发明公开了一种基于自动路径规划的光注意力机制和环境感知数据，动态调整识别阈学习的动态避障算法使机器人能在复杂环境中2所述污垢动态识别模块，用于基于自适应深度污垢分析框架提取所述路径规划模块，用于读取动态环境矩阵模型和污垢分布图，通所述数据融合处理模块通过多尺度金字塔分解方法将不同光谱图像的高频和低频信息进基于融合后的综合图像，所述图像预处理方法通过非局部均值3步骤401、通过所述输入层将数据融合处理模块得到的综合图像输入到所述自适应深步骤405、通过所述多类别分类层对步骤402中提取步骤406、通过所述污垢分布图生成层根据所述多类别分类层的分类结果生成污垢分步骤504、将计算得到的动态阈值T应用于污垢4的权重，用于平衡不同尺度特征图对最终特征表示的贡献；表示第k个卷积层在位置表示损失函数计算时考虑的样本数量；IoU(H(m),hm)表示第m个样本的预测结果H(m)与真实标签hm之间的交并比，用于衡量分类的准确性；d(H(r),ahn)表示第m个样本的预测结果与步骤603、通过动态阈值调整机制在训练过程中根据模型的预测结果和预设条件自动5通过加权求和法将污垢分布图中的污垢密度与所述光照影响评估模型输出的发电效率损层通过多层卷积和池化操作从原始数据中提步骤903、通过所述决策层进行决策，所述决策层通过求1_9中任意一项权利要求所述的一种基于自动路径规划的光伏清扫机器人，包括以下步6步骤五、清扫过程中，机器人通过基于深度强化学习的步骤六、清扫过程中，机器人根据所述污垢动态识别模7有光伏清扫机器人中存在的机器视觉的盲点问题和89[0021]步骤401、通过所述输入层将数据融合处理模块得到的综合图像输入到所述自适包括污垢、划痕和异常光影变化的异常区域所述多类别分类层通过softmax分类器生成每[0026]步骤406、通过所述污垢分布图生成层根据所述多类别分类层的分类结果生成污[0038]步骤601、通过注意力增强特征融合公式将动态生成的注意力图与多尺度特征图真实标签hm之间的交并比，用于衡量分类的准确性H(r),ah[0044]步骤603、通过动态阈值调整机制在训练过程中根据模型的预测结果和预设条件线性插值和样条插值；所述动态环境矩阵模型通过实时数据流处理方法动态更新环境数影响评估模型通过光照强度与发电效率映射关系将光照强度值转换为对应发电效率损失适应光照补偿路径规划算法采用优先权分配机制根据污垢程度和光照影响程度综合计算提取层通过多层卷积和池化操作从原始数据中提取高层次的能够根据环境的实时变化动态调整清扫路径。深度Q网络通过与环境的交互不断优化其决膜的干涉效应，选择性地透过特定波长的光，从而确保每个光谱波段的纯净性和准确性。CCD是一种高灵敏度的光电转换器件，能够将光信号转换为电信号，再通过模数转换器空间上准确对齐。SIFT(Scale_InvariantFeatureTransform)算法是实现这一目标的关条件变化的情况下也能够保持较高的匹配精度。RANSAC(RANdomSAmpleConsensus)算法[0086]Canny边缘检测算法则是基于梯度的边缘检测方法，旨在从图像中准确地标识出的边缘既连续又准确。Canny算法因其良好的抗噪能力和边缘检测精度而被广泛应用于各种图像处理场景中，对于提高光伏清扫机器人对光伏板表面状态的感知能力具有重要作述温度影响系数KT用于量化温度对阈值的影响；所述湿度影响系数KH用于量化湿度对阈值[0092]步骤601、通过注意力增强特征融合公式将动态生成的注意力图与多尺度特征图图的权重，用于平衡不同尺度特征图对最终特征表示的贡献cr'表示第k个卷积层在位置真实标签hm之间的交并比，用于衡量分类的准确性d(H(r),ahm)表示第m个样本的预测结果[0098]步骤603、通过动态阈值调整机制在训练过程中根据模型的预测结果和预设条件作环境包括：多核CPU(如IntelXeonGold系列)和高速GPU(如NVIDIATeslaV100或更高统与软件环境为Linux系统，配备CUDA、cuDNN等GPU加速库，以及深度学习框架(如[0103]基于上述硬件环境，设计实验1验证注意力增强卷积神经网络算法在光伏板污垢伏清扫机器人实际采集的含污垢、划痕和异常光影变化的图像集。实验数据记录如表1所流处理方法通过消息队列和事件驱动机制实时接收和处理影移动和障碍物位置等环境数据。网格化方法将复杂的物理空间划分为结构化的网格单述光照影响评估模型通过光照强度与发电效率映射关系将光照强度值转换为对应发电效所述自适应光照补偿路径规划算法采用优先权分配机制根据污垢程度和光照影响程度综提取层通过多层卷积和池化操作从原始数据中提取高层次的积神经网络(CNN)的卷积和池化操作，从原始数据中自动学习并提取出对避障决策有用的避障成功率平均达到99.0远高于B组的88.4这证明了A组算法在复杂环境中具有更具