四足机器人物体跟踪识别方法、装置、设备及存储介质与流程

1.本发明涉及智能控制技术领域，尤其涉及一种四足机器人物体跟踪识别方法、装置、设备及存储介质。


背景技术：

2.随着人工智能的迅速发展，各大研究机构、企业已研发制造出形态各异的机器人，而这些机器人如何实现对物体的定位跟踪，也成了研究的热点方向。
3.对物体的跟踪在实际应用中已经逐步被“图像识别”技术所替代；已有的利用图像识别进行物体跟踪的方法是对已拍摄的视频序列进行运动目标检测识别，在各帧图像中标识出运动目标，并通过最近邻算法识别出运动目标在不同图像帧中的位置，从而实现物体的跟踪；该方法需要实现拍摄包含运动目标的视频帧序列，对于实时跟踪具有很大的迟延性因此不适用；另一种是设定一个跟踪区域，在跟踪区域上方固定安装摄像头，当运动目标运动到该跟踪区域后，利用已有的运动目标检测算法，检测运动目标，并利用最近邻算法，识别出运动目标在不同图像帧中的位置，从而实现物体的跟踪；该方法虽然可以实现实时跟踪，但是跟踪区域有限，不适用于变化较大的移动场景的物体跟踪。


技术实现要素：

4.本发明的主要目的在于提供一种四足机器人物体跟踪识别方法、装置、设备及存储介质，旨在解决现有技术中对物体跟踪需要安装配套监控设备，无法实现实时跟踪，跟踪区域较小，无法适用于变化较大的移动场景的物体跟踪的技术问题。
5.第一方面，本发明提供一种四足机器人物体跟踪识别方法，所述四足机器人物体跟踪识别方法包括以下步骤：
6.根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；
7.根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；
8.根据所述比较结果判断所述目标运动物体是否出现故障。
9.可选地，所述根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪，包括：
10.接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图；
11.根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近；
12.利用所述四足机器人对所述目标运动物体进行跟踪。
13.可选地，所述利用所述四足机器人对所述目标运动物体进行跟踪，包括：
14.获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述
目标运动物体的预设跟踪距离；
15.根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹；
16.根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪。
17.可选地，所述根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果，包括：
18.接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令；
19.根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果；
20.根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果；
21.根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果。
22.可选地，所述根据所述比较结果判断所述目标运动物体是否出现故障，包括：
23.搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型；
24.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果；
25.根据所述比较结果判断所述目标运动物体是否出现故障。
26.可选地，所述利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果，包括：
27.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据；
28.将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果。
29.可选地，所述根据所述比较结果判断所述目标运动物体是否出现故障，包括：
30.在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，判定所述目标运动物体出现故障；
31.在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障；
32.在所述比较结果为所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障。
33.第二方面，为实现上述目的，本发明还提出一种四足机器人物体跟踪识别装置，所述四足机器人物体跟踪识别装置包括：
34.跟踪模块，用于根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所
述四足机器人对所述目标运动物体进行跟踪；
35.识别模块，用于根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；
36.判断模块，用于根据所述比较结果判断所述目标运动物体是否出现故障。
37.第三方面，为实现上述目的，本发明还提出一种四足机器人物体跟踪识别设备，所述四足机器人物体跟踪识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的四足机器人物体跟踪识别程序，所述四足机器人物体跟踪识别程序配置为实现如上文所述的四足机器人物体跟踪识别方法的步骤。
38.第四方面，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有四足机器人物体跟踪识别程序，所述四足机器人物体跟踪识别程序被处理器执行时实现如上文所述的四足机器人物体跟踪识别方法的步骤。
39.本发明提出的四足机器人物体跟踪识别方法，通过根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；根据所述比较结果判断所述目标运动物体是否出现故障，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，适用复杂环境能力强，运行过程稳定，能够准确认知物体环境，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的速度和效率。
附图说明
40.图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；
41.图2为本发明四足机器人物体跟踪识别方法第一实施例的流程示意图；
42.图3为本发明四足机器人物体跟踪识别方法第二实施例的流程示意图；
43.图4为本发明四足机器人物体跟踪识别方法第三实施例的流程示意图；
44.图5为本发明四足机器人物体跟踪识别方法第四实施例的流程示意图；
45.图6为本发明四足机器人物体跟踪识别方法第五实施例的流程示意图；
46.图7为本发明四足机器人物体跟踪识别方法第六实施例的流程示意图；
47.图8为本发明四足机器人物体跟踪识别装置第一实施例的功能模块图。
48.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
49.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
50.本发明实施例的解决方案主要是：通过根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；根据所述比较结果判断所述目标运动物体是否出现故障，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，适用复杂环境能力强，运行过程稳定，能够准确认知物体环境，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的速度和效率，解决了现有技术中对物体跟踪需要安装配套监控设备，无法实现实时跟踪，跟踪区域较
小，无法适用于变化较大的移动场景的物体跟踪的技术问题。
51.参照图1，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
52.如图1所示，该设备可以包括：处理器1001，例如cpu，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
53.本领域技术人员可以理解，图1中示出的设备结构并不构成对该设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
54.如图1所示，作为一种存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及四足机器人物体跟踪识别程序。
55.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，并执行以下操作：
56.根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；
57.根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；
58.根据所述比较结果判断所述目标运动物体是否出现故障。
59.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
60.接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图；
61.根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近；
62.利用所述四足机器人对所述目标运动物体进行跟踪。
63.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
64.获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述目标运动物体的预设跟踪距离；
65.根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹；
66.根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪。
67.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
68.接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令；
69.根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果；
70.根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果；
71.根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果。
72.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
73.搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型；
74.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果；
75.根据所述比较结果判断所述目标运动物体是否出现故障。
76.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
77.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据；
78.将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果。
79.本发明设备通过处理器1001调用存储器1005中存储的四足机器人物体跟踪识别程序，还执行以下操作：
80.在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，判定所述目标运动物体出现故障；
81.在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障；
82.在所述比较结果为所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障。
83.本实施例通过上述方案，通过根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；根据所述比较结果判断所述目标运动物体是否出现故障，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，适用复杂环境能力强，运行过程稳定，能够准确认知物体环境，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的速度和效率。
84.基于上述硬件结构，提出本发明四足机器人物体跟踪识别方法实施例。
85.参照图2，图2为本发明四足机器人物体跟踪识别方法第一实施例的流程示意图。
86.在第一实施例中，所述四足机器人物体跟踪识别方法包括以下步骤：
87.步骤s10、根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪。
88.需要说明的是，在接收到跟踪指令后，可以控制四足机器人进行跟踪，先控制四足机器人移动至目标运动物体附近，进而对所述目标运动物体进行跟踪。
89.步骤s20、根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果。
90.可以理解的是，通过识别指令可以控制所述四足机器人对所述目标运动物体进行全方位识别，即进行红外识别、声学识别及摄像识别，从而获得对应的识别结果。
91.步骤s30、根据所述比较结果判断所述目标运动物体是否出现故障。
92.应当理解的是，在获得了识别结果后，可以根据所述识别结果对所述目标运动物体进行判断。
93.本实施例通过上述方案，通过根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；根据所述比较结果判断所述目标运动物体是否出现故障，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，适用复杂环境能力强，运行过程稳定，能够准确认知物体环境，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的速度和效率。
94.进一步地，图3为本发明四足机器人物体跟踪识别方法第二实施例的流程示意图，如图3所示，基于第一实施例提出本发明四足机器人物体跟踪识别方法第二实施例，在本实施例中，所述步骤s10具体包括以下步骤：
95.步骤s11、接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图。
96.需要说明的是，接收用户发送的跟踪指令，从所述跟踪指令中可以获得目标运动物体在运动时的动态运动轨迹，以及所述目标运动物体对应的用于识别出该目标运动物体的预先拍摄的物体图片。
97.步骤s12、根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近。
98.可以理解的是，根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体在当前时刻的实时位置，通过所述实时位置可以控制四足机器人快速移动至目标运动物体附近。
99.步骤s13、利用所述四足机器人对所述目标运动物体进行跟踪。
100.应当理解的是，在所述四足机器人移动到所述目标运动物体后能够开启相应的跟踪功能，从而对所述目标运动物体进行跟踪。
101.本实施例通过上述方案，通过接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图；根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近；利用所述四足机器人对所述目标运动物体进行跟踪，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，提升了运动物体的跟踪效率。
102.进一步地，图4为本发明四足机器人物体跟踪识别方法第三实施例的流程示意图，如图4所示，基于第二实施例提出本发明四足机器人物体跟踪识别方法第三实施例，在本实施例中，所述步骤s13具体包括以下步骤：
103.步骤s131、获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述目标运动物体的预设跟踪距离。
104.需要说明的是，所述当前移动速度为所述目标运动物体当前时刻的移动速度，所述移动方向为所述目标运动物体当前时刻的移动方向，所述预设跟踪距离为预先设置的四足机器人与目标运动物体的跟踪监控相对距离。
105.步骤s132、根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹。
106.可以理解的是，根据所述当前移动速度、所述移动方向和所述预设跟踪距离可以确定出所述四足机器人跟踪所述目标运动物体对应的跟踪速度和跟踪轨迹。
107.步骤s133、根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪。
108.应当理解的是，在获得了所述跟踪速度和所述跟踪轨迹后，能够根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪，在实际跟踪过程中还会考虑规避固定建筑物或设备的位置
109.本实施例通过上述方案，通过获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述目标运动物体的预设跟踪距离；根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹；根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，提升了运动物体的跟踪效率。
110.进一步地，图5为本发明四足机器人物体跟踪识别方法第四实施例的流程示意图，如图5所示，基于第一实施例提出本发明四足机器人物体跟踪识别方法第四实施例，在本实施例中，所述步骤s20具体包括以下步骤：
111.步骤s21、接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令。
112.需要说明的是，在接收到用户发送的识别指令后，能够从所述识别指令中提取出不同的识别指令，即进行红外识别的红外识别指令，进行声音识别的声学识别指令以及进行摄像拍摄图像识别的摄像识别指令。
113.步骤s22、根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果。
114.可以理解的是，通过所述红外识别指令可以控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，从而获得红外识别结果。
115.在具体实现中，一般可以通过红外热成像仪，可同时检测数千个测温点，实现热图像可视化，可对目标运动物体的温度等进行测量和识别，从而进行设备致热现场检测与缺陷诊断，进而可以在温度出现异常情况下可以实时报警，并提示运维人员及时处理。
116.步骤s23、根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果。
117.应当理解的是，根据所述声学识别指令可以控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，从而获得声学识别结果。
118.在具体实现中，一般可以通过阵向拾音器，利用先进的声学测量技术和数字信号
处理技术，实现非接触式采集目标运动物体在设备运行时的声音，进而从中提取声音特征值，通过后续数据库建模及二次开发，将各类故障的声音分类别储存，利用机器学习和ai算法识别设备的实时运行状态以及各零部件的健康指标，监测目标运动物体的设备异常，从而对目标运动物体的设备做好预测性维护。
119.步骤s24、根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果。
120.可以理解的是，根据所述摄像识别指令可以控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，从而获得摄像识别结果。
121.在具体实现中，一般可以通过高清摄像头在日常跟踪过程中不断收集所述目标运动物体的图像数据，进而根据图像数据确定所述目标运动物体的相关功能是否出现异常。
122.本实施例通过上述方案，通过接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令；根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果；根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果；根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果；能够对目标运动物体进行全方位识别，保证了监测的实时性，在目标运动物体出现故障的第一时间发现，提升了运动物体的跟踪速度和效率。
123.进一步地，图6为本发明四足机器人物体跟踪识别方法第五实施例的流程示意图，如图6所示，基于第一实施例提出本发明四足机器人物体跟踪识别方法第五实施例，在本实施例中，所述步骤s30具体包括以下步骤：
124.步骤s31、搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型。
125.需要说明的是，在搭建了深度学习神经网络后，可以通过深度学习神经网络对所述识别结果中的物体识别特征进行特征提取，进而保存训练好的深度学习神经网络模型。
126.步骤s32、利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果。
127.可以理解的是，利用所述深度学习神经网络模型可以对所述物体识别特征进行相关特征分析，所述预设数据为预先设置的设备阈值数据，所述设备数据为所述目标运动物体的相关内嵌或挂载的监控设备，通过将所述设备数据与预设数据进行比较后，生成对应的比较结果。
128.步骤s33、根据所述比较结果判断所述目标运动物体是否出现故障。
129.应当理解的是，根据所述比较结果的不同可以判断所述目标运动物体是否出现故障。
130.本实施例通过上述方案，通过搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型；利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果；根据所述比较结果判断所述目标运动物体是否出现故障；能够准确快速地确定目标运动物体的设备状态，提升了故障检测速度，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的效率。
131.进一步地，图7为本发明四足机器人物体跟踪识别方法第六实施例的流程示意图，如图7所示，基于第五实施例提出本发明四足机器人物体跟踪识别方法第六实施例，在本实施例中，所述步骤s32具体包括以下步骤：
132.步骤s321、利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据。
133.需要说明的是，利用所述深度学习神经网络模型对所述物体识别特征进行分析，能够获得所述目标运动物体的设备运行时的温度变化数据，以及设备运行时产生的声音相关数据，和通过四足机器人拍摄所述目标运动物体在运动过程中的高清摄像数据。
134.步骤s322、将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果。
135.可以理解的是，通过将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据和预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较之后，能够获得对应的比较结果。
136.相应地，所述步骤s33具体包括以下步骤：
137.在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，判定所述目标运动物体出现故障；
138.在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障；
139.在所述比较结果为所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障。
140.应当理解的是，在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，可以判定目标运动物体故障，反之，所述设备温度数据中的温度不大于所述预设温度阈值时，可以判定目标运动物体没故障；在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障，反之，所述设备运行声音数据中的声音不大于所述预设噪音阈值时，可以判定目标运动物体没故障；在所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障，反之，在设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像不匹配时，可以判定目标运动物体没故障。
141.本实施例通过上述方案，通过利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据；将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果；能够准确快速地确定目标运动物体的设备状态，提升了故障检测速度，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的效率。
142.相应地，本发明进一步提供一种四足机器人物体跟踪识别装置。
143.参照图8，图8为本发明四足机器人物体跟踪识别装置第一实施例的功能模块图。
144.本发明四足机器人物体跟踪识别装置第一实施例中，该四足机器人物体跟踪识别装置包括：
145.跟踪模块10，用于根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪。
146.识别模块20，用于根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果。
147.判断模块30，用于根据所述比较结果判断所述目标运动物体是否出现故障。
148.所述跟踪模块10，还用于接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图；根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近；利用所述四足机器人对所述目标运动物体进行跟踪。
149.所述跟踪模块10，还用于获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述目标运动物体的预设跟踪距离；根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹；根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪。
150.所述识别模块20，还用于接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令；根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果；根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果；根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果。
151.所述判断模块30，还用于搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型；利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果；根据所述比较结果判断所述目标运动物体是否出现故障。
152.所述判断模块30，还用于利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据；将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果。
153.所述判断模块30，还用于在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，判定所述目标运动物体出现故障；在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障；在所述比较结果为所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障。
154.其中，四足机器人物体跟踪识别装置的各个功能模块实现的步骤可参照本发明四足机器人物体跟踪识别方法的各个实施例，此处不再赘述。
155.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有四足机器人物体跟踪识别程序，所述四足机器人物体跟踪识别程序被处理器执行时实现如下操作：
156.根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；
157.根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；
158.根据所述比较结果判断所述目标运动物体是否出现故障。
159.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
160.接收用户发送的跟踪指令，从所述跟踪指令中获得目标运动物体的动态运动轨迹和物体对照图；
161.根据所述动态运动轨迹和所述物体对照图确定所述目标运动物体的实时位置，根据所述实时位置控制四足机器人移动至目标运动物体附近；
162.利用所述四足机器人对所述目标运动物体进行跟踪。
163.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
164.获取所述目标运动物体的当前移动速度和移动方向，获取所述四足机器人与所述目标运动物体的预设跟踪距离；
165.根据所述当前移动速度、所述移动方向和所述预设跟踪距离确定所述四足机器人的跟踪速度和跟踪轨迹；
166.根据所述跟踪速度和所述跟踪轨迹控制所述四足机器人对所述目标运动物体进行跟踪。
167.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
168.接收用户发送的识别指令，从所述识别指令中获得红外识别指令、声学识别指令及摄像识别指令；
169.根据所述红外识别指令控制所述四足机器人的红外热成像仪对所述目标运动物体进行红外识别，获得红外识别结果；
170.根据所述声学识别指令控制所述四足机器人的阵向拾音器对所述目标运动物体进行声学识别，获得声学识别结果；
171.根据所述摄像识别指令控制所述四足机器人的高清摄像头对所述目标运动物体进行摄像识别，获得摄像识别结果。
172.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
173.搭建深度学习神经网络，对所述识别结果进行特征提取，获得物体识别特征，并保存训练好的深度学习神经网络模型；
174.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备数据，并将所述设备数据与预设数据进行比较，生成比较结果；
175.根据所述比较结果判断所述目标运动物体是否出现故障。
176.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
177.利用所述深度学习神经网络模型对所述物体识别特征进行分析，获得所述目标运动物体的设备温度数据、设备运行声音数据和设备高清摄像数据；
178.将所述设备温度数据与预设温度阈值进行比较，将所述设备运行声音数据与预设噪音阈值进行比较，并将所述设备高清摄像数据与预设告警灯图像数据进行比较，获得比较结果。
179.进一步地，所述四足机器人物体跟踪识别程序被处理器执行时还实现如下操作：
180.在所述比较结果为所述设备温度数据中的温度大于所述预设温度阈值时，判定所
述目标运动物体出现故障；
181.在所述比较结果为所述设备运行声音数据中的声音大于所述预设噪音阈值时，判定所述目标运动物体出现故障；
182.在所述比较结果为所述设备高清摄像数据中的告警灯与所述预设告警灯图像数据中的告警灯图像匹配时，判定所述目标运动物体出现故障。
183.本实施例通过上述方案，通过根据跟踪指令控制四足机器人移动至目标运动物体附近，利用所述四足机器人对所述目标运动物体进行跟踪；根据识别指令控制所述四足机器人对所述目标运动物体进行红外识别、声学识别及摄像识别，获得识别结果；根据所述比较结果判断所述目标运动物体是否出现故障，能够实时的跟踪物体，同时适用于变化较大的移动场景的物体跟踪，适用复杂环境能力强，运行过程稳定，能够准确认知物体环境，避免了跟踪效果差资源消耗大的情况，提高了四足机器人物体跟踪识别的速度和效率。
184.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
185.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
186.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。