本發(fā)明涉及國內醫(yī)院消毒供應中心巡查，特別是涉及一種用于國內醫(yī)院消毒供應中心的ai機器人巡查控制方法。

背景技術：

1、消毒供應中心是醫(yī)院中負責醫(yī)療器械清洗、消毒、滅菌和配送的核心部門，其設備運行的合規(guī)性和穩(wěn)定性直接關系到醫(yī)療安全。傳統(tǒng)的消毒供應中心設備巡查主要依賴人工完成，存在以下問題：

2、1、人工巡查效率低：人工巡查需要大量時間和人力，且容易因疲勞或疏忽導致漏檢或誤檢，巡查結果依賴個人經驗，難以實現(xiàn)標準化和一致性。

3、2、設備異常發(fā)現(xiàn)滯后：人工巡查無法實時監(jiān)控設備狀態(tài)，設備異常往往在故障發(fā)生后才能被發(fā)現(xiàn)，可能導致設備損壞或影響醫(yī)療流程；

4、3、器械合規(guī)性難以保障：器械的清洗、擺放和裝載是否合規(guī)，人工檢查難以全面覆蓋，容易遺漏細節(jié)，增加交叉感染風險；

5、4、動態(tài)環(huán)境適應性差：消毒供應中心環(huán)境復雜，可能存在動態(tài)障礙物(如人員走動)，傳統(tǒng)固定路徑規(guī)劃的機器人難以適應；

6、5、數(shù)據處理與分析能力不足：人工巡查無法對設備運行數(shù)據(如圖像、聲音)進行深度分析和長期跟蹤，難以實現(xiàn)預測性維護。

7、因此，設計一種用于國內醫(yī)院消毒供應中心的ai機器人巡查控制方法是十分有必要的。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的不足，本發(fā)明的目的是提供一種用于國內醫(yī)院消毒供應中心的ai機器人巡查控制方法。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

3、本發(fā)明提供了一種用于國內醫(yī)院消毒供應中心的ai機器人巡查控制方法，包括：

4、步驟1：對ai機器人進行路徑規(guī)劃；

5、步驟2：巡查過程中，ai機器人針對消毒供應中心進行環(huán)境及設備的異常狀況識別；

6、步驟3：設置自主異常處理機制，建立分級報警體系，根據巡查異常結果執(zhí)行不同的操作。

7、優(yōu)選地，步驟1中，對ai機器人進行路徑規(guī)劃，具體為：

8、步驟101：獲取消毒供應中心的先驗環(huán)境信息，通過柵格法建立消毒供應中心的環(huán)境模型；

9、步驟102：基于改進的ihpso算法進行靜態(tài)全局路徑規(guī)劃；

10、步驟103：從目標始點出發(fā)，進行上半輪巡查，針對巡查過程中的動態(tài)障礙物，基于改進的q學習算法進行避障，待ai機器人到達安全點后，以安全點為起始點，重新進行全局規(guī)劃，重復直至達到目標終點，以原目標終點為新的目標始點，以原目標終點為新的目標始點，進行下半輪巡查，每隔一段時間進行一輪新的巡查。

11、優(yōu)選地，驟102中，改進的ihpso算法具體為：

12、初始化一個粒子群群體，數(shù)量設為num，并初始化每個粒子的起始速度與位置，并設k＝0；

13、根據適應度函數(shù)計算每個粒子適應度值fitness(xik)，并同時更新粒子的速度更新公式中的pi，pg；

14、將粒子的適應度值進行比較，如果當前適應度值大于先前最佳位置的適應度值則將當前位置賦給pi；

15、將每個粒子的適應度值與全局最佳適應度值比較，如果即時適應度值較大則將當前位置賦給pg；

16、計算每一個粒子的健康度值，若將該粒子判斷為懶惰因子，該粒子從起始位置從新開始；

17、提升粒子群健康度，剔除懶惰因子；

18、若滿足終止條件，終止條件設置為超過了最大迭代次數(shù)或所找到的最優(yōu)位置所對應的評價函數(shù)值小于初始設置閾值，否則重新根據適應度函數(shù)計算每個粒子適應度值。

19、優(yōu)選地，步驟103中，改進的q學習算法流程為：

20、首先初始化episode，將它的值設為1，在算法進行中隨時判斷episode的取值大于給定的閾值則算法立刻結束，如果不大于最大值，就進行下一步，下一步中將狀態(tài)值s設為s0即為初始狀態(tài)，并且將step設為1即為第一步，然后根據貪婪算法選取動作a，之后判斷ai機器人是否遇到動態(tài)障礙物，面對障礙物與沒有障礙物的情況下會收到不同的獎懲函數(shù)，通過計算獎懲函數(shù)選擇下一個狀態(tài)s’，接著判斷狀態(tài)s’是否為當前目標狀態(tài)，若不是則重新進行一輪幕的學習，若是則將episode進行自增，從新判斷其值進行q學習直至找到最終的最佳狀態(tài)與動作，不斷的找到最佳動作便是最后要規(guī)劃出的最優(yōu)路徑。

21、優(yōu)選地，步驟2中，巡查過程中，ai機器人針對消毒供應中心進行環(huán)境及設備的異常狀況識別，具體為：

22、步驟201：巡查過程中，ai機器人采集消毒供應中心的環(huán)境信息，基于環(huán)境信息判斷是否發(fā)生突發(fā)狀況；

23、步驟202：巡查過程中，ai機器人采集消毒供應中心的設備圖像，基于設備圖像進行器械合規(guī)性識別，判斷消毒供應中心的設備使用是否合規(guī)；

24、步驟203：巡查過程中，ai機器人采集周側設備的運行聲音，根據運行聲音判斷設備是否異常。

25、優(yōu)選地，步驟201中，巡查過程中，ai機器人采集消毒供應中心的環(huán)境信息，基于環(huán)境信息判斷是否發(fā)生突發(fā)狀況，具體為：

26、巡查過程中，ai機器人通過設置的紅外傳感器、氣體傳感器、濕度傳感器、煙霧傳感器及視覺傳感器實時監(jiān)測消毒供應中心的水、電、氣的運行狀態(tài)；

27、通過濕度傳感器監(jiān)測地面濕度變化，結合視覺傳感器識別地面是否有水漬，若檢測到異常濕度或水漬，則判斷發(fā)生泛水異常狀況，ai機器人觸發(fā)泛水報警；

28、通過紅外傳感器采集設備表面溫度，結合該設備預設的電流傳感器檢測設備電流異常，若檢測到溫度異常升高或電流異常波動，則判斷發(fā)生漏電異常狀況，ai機器人觸發(fā)漏電報警；

29、通過氣體傳感器監(jiān)測空氣中氣體濃度，若檢測到氣體濃度異常，則判斷發(fā)生漏氣異常狀況，ai機器人觸發(fā)漏氣報警；

30、通過煙霧傳感器監(jiān)測空氣中煙霧濃度，結合視覺傳感器識別設備內部是否有明火或濃煙，若檢測到煙霧濃度異常或明火，則判斷發(fā)生火災異常狀況，ai機器人觸發(fā)火災報警。

31、優(yōu)選地，步驟202中，巡查過程中，ai機器人采集消毒供應中心的設備圖像，基于設備圖像進行器械合規(guī)性識別，判斷消毒供應中心的設備使用是否合規(guī)，具體為：

32、采集器械不合規(guī)圖像，構建器械不合規(guī)數(shù)據集，其中，數(shù)據集包括9種類型的圖像，分別對應不合規(guī)的9種情況，其分別為：器械未完全打開或拆卸圖像、器械重疊放置圖像、尖銳器械未保護圖像、器械方向錯誤圖像、精密器械未單獨放置圖像、器械未分類擺放圖像、器械未正確固定圖像、器械未正確裝載圖像及器械未使用專用容器圖像；

33、基于改進的yolov5s模型構建合規(guī)性識別模型，其中，改進的yolov5s模型為在傳統(tǒng)yolov5s模型的backbone網絡sppf模塊前添加ca注意力模塊，將傳統(tǒng)yolov5s模型的損失函數(shù)更換為siou損失函數(shù)；

34、基于器械不合規(guī)數(shù)據集對合規(guī)性識別模型進行訓練，得到訓練后的合規(guī)性識別模型；

35、將待檢測的設備圖像輸入合規(guī)性識別模型，進行合規(guī)性識別。

36、優(yōu)選地，步驟203中，巡查過程中，ai機器人采集周側設備的運行聲音，根據運行聲音判斷設備是否異常，具體為：

37、步驟2031：在巡查過程中，ai機器人路過設備時采集該設備的運行聲音；

38、步驟2032：對運行聲音進行預處理；

39、步驟2033：提取運行聲音的短時能量及梅爾頻率倒譜系數(shù)，并將其進行混合，得到混合特征；

40、步驟2034：基于灰狼優(yōu)化svm對混合特征進行聲音識別，判斷其是否存在異常。

41、優(yōu)選地，步驟2033中，提取運行聲音的短時能量及梅爾頻率倒譜系數(shù)，并將其進行混合，得到混合特征，具體為：

42、提取運行聲音的短時能量，具體為：

43、設運行聲音為x(n)，分幀后得到的第i幀運行聲音為yi(n)，其計算公式為：

44、yi(n)＝w(n)*x((i-1)*inc+n),0≤n≤l-1,0≤i≤n-1

45、式中，w(n)為窗函數(shù)，inc為幀移，l為幀長，n為信號分幀后的總幀數(shù)；

46、短時能量的計算公式為：

47、

48、式中，ei為yi(n)的短時能量，l為幀長；

49、提取運行聲音的梅爾頻率倒譜系數(shù)，具體為：

50、對預處理后的運行聲音進行梅爾尺度小波包分解，選擇敏感子頻帶，計算敏感子頻帶能量，基于敏感子頻帶能量計算運行聲音的對數(shù)能量，對其進行離散余弦變換，得到梅爾頻率倒譜系數(shù)；

51、將短時能量參數(shù)及梅爾頻率倒譜系數(shù)進行混合，得到混合特征參數(shù)。

52、優(yōu)選地，步驟2034中，基于灰狼優(yōu)化svm對混合特征進行聲音識別，判斷其是否存在異常，具體為：

53、選取存在異常的運行聲音的特征向量集作為svm模型的數(shù)據集，并將其分割為訓練集及測試集；

54、初始設置灰狼優(yōu)化算法中灰狼種群規(guī)模n、最大允許迭代次數(shù)tmax與svm中兩個重要參數(shù)懲罰系數(shù)c及核參數(shù)γ的取值范圍；

55、隨機生成狼群，每個灰狼群個體位置向量為(c,γ)；

56、svm依據初始設置參數(shù)對訓練集樣本進行訓練學習，同時計算灰狼個體的適應度值ft；

57、根據計算所得適應度值，把灰狼群按等級依次劃分為α、β、δ和ω四種等級；

58、利用灰狼優(yōu)化算法對灰狼群個體位置進行迭代更新，當達到tmax時停止迭代，輸出α狼的最終位置，即全局最優(yōu)個體位置作為svm的最優(yōu)參數(shù)；

59、使用最終獲得的最優(yōu)參數(shù)(c,γ)來建立svm分類模型，對測試集進行識別。

60、根據本發(fā)明提供的具體實施例，本發(fā)明公開了以下技術效果：

61、本發(fā)明提供了一種用于國內醫(yī)院消毒供應中心的ai機器人巡查控制方法，該方法包括：對ai機器人進行路徑規(guī)劃，巡查過程中，ai機器人采集消毒供應中心的設備圖像，基于設備圖像進行器械合規(guī)性識別，判斷消毒供應中心的設備使用是否合規(guī)，巡查過程中，ai機器人采集周側設備的運行聲音，根據運行聲音判斷設備是否異常，設置自主異常處理機制，建立分級報警體系，根據巡查異常結果執(zhí)行不同的操作。本發(fā)明具有如下優(yōu)點：

62、1、高效路徑規(guī)劃與動態(tài)避障：采用改進的ihpso算法進行靜態(tài)全局路徑規(guī)劃，結合改進的q學習算法實現(xiàn)動態(tài)避障，確保機器人在復雜環(huán)境中高效、安全地完成巡查任務，通過柵格法構建環(huán)境模型，結合閔科夫斯基與障礙物擴張法，確保機器人路徑規(guī)劃的精確性和安全性。

63、2、器械合規(guī)性智能識別：基于改進的yolov5s模型構建器械合規(guī)性識別模型，能夠快速、準確地識別器械的9種不合規(guī)情況(如器械未完全打開、重疊放置、尖銳器械未保護等)，通過ca注意力模塊和siou損失函數(shù)的引入，提升模型的特征提取能力和識別精度，確保器械使用的合規(guī)性。

64、3、設備異常聲音智能診斷：采用小波包閾值降噪和改進的梅爾頻率倒譜系數(shù)(mfcc)提取方法，結合灰狼優(yōu)化svm模型，實現(xiàn)對設備運行聲音的智能分析，能夠準確識別設備異常(如清洗機水泵磨損、滅菌器蒸汽泄漏等)，提前預警，避免設備故障。

65、4、自主異常處理與分級報警：建立分級報警體系，根據巡查結果(器械不合規(guī)或設備異常)執(zhí)行不同的操作(如通知工作人員或停止設備運行)，實現(xiàn)異常處理的自動化和智能化，減少人工干預，提高響應速度。

66、5、提升醫(yī)療安全與效率：通過自動化巡查和智能分析，顯著降低器械不合規(guī)和設備異常的風險，提升消毒供應中心的工作效率和醫(yī)療安全水平；

67、6、具有水、電、氣安全隱患排查和數(shù)據傳輸正確性驗證功能，ai機器人在消毒供應中心的巡查能力得到進一步提升，不僅能夠更全面地監(jiān)測環(huán)境安全，還能確保數(shù)據的準確性和可靠性，為醫(yī)院消毒供應中心的安全管理提供更強大的技術支持。