本文中描述的主题涉及使用一个或多个神经网络的图像分析系统。
背景技术：
随着时间推移，设备可能磨损最终失效。例如，随着时间推移，涡轮中的叶片可能形成碎片或裂缝，如果没有尽早地发现这种损坏，以致没有进行大修或更换涡轮中的零件，则这可能导致涡轮的灾难性的故障和/或涡轮很长的停机时间。一些已知的系统和方法可以可视地检验设备的各部件，以便识别设备的损坏。
但是，这些系统和方法有某些缺陷。举一个例子，设备的图像或视频中出现的损坏的表征可能是特别主观的，易产生错误。举另一个例子，损坏的严重性和/或扩展的可能性的确定可能需要有关于设备中的各种材料、这些材料所暴露到的环境条件、设备运行的运行条件等的大量信息，需要知道这些信息以准确地识别、表征和/或预测损坏的即将增长。这些信息可能对设备损坏的即将增长的自动分析和/或预测是不可用的。
技术实现要素：
在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
在一个实施例中，一种方法，包括：使用GAN的生成器子网络检验设备的一个或多个实际损坏图像；使用所述生成器子网络基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及通过使用所述GAN的鉴别器子网络检验所述一个或多个潜在损坏图像，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成使用设备的一个或多个实际损坏图像加以训练。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
具体地，本申请技术方案1涉及一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
本申请技术方案2涉及根据技术方案1所述的系统，其中，所述鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。
本申请技术方案3涉及根据技术方案1所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像加以训练。
本申请技术方案4涉及根据技术方案3所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像，通过确定所述一个或多个实际损坏图像的像素特征的分布加以训练。
本申请技术方案5涉及根据技术方案1所述的系统，其还包括控制器，所述控制器被配置成响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
本申请技术方案6涉及根据技术方案1所述的系统，其中，所述鉴别器子网络被配置成通过确定所述一个或多个潜在损坏图像的一个或多个损失函数，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
本申请技术方案7涉及根据技术方案6所述的系统，其中，所述鉴别器子网络被配置成响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。
本申请技术方案8涉及一种方法，包括：使用生成式对抗网络(GAN)的生成器子网络，检验设备的一个或多个实际损坏图像；使用所述生成器子网络基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及通过使用所述GAN的鉴别器子网络检验所述一个或多个潜在损坏图像，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
本申请技术方案9涉及根据技术方案8所述的方法，其还包括，使用所述鉴别器子网络确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。
本申请技术方案10涉及根据技术方案9所述的方法，其还包括，使用所述一个或多个实际损坏图像训练所述生成器子网络。
本申请技术方案11涉及根据技术方案10所述的方法，其中，训练所述生成器子网络包括确定所述一个或多个实际损坏图像的像素特征的分布。
本申请技术方案12涉及根据技术方案8所述的方法，其还包括，响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
本申请技术方案13涉及根据技术方案8所述的方法，其中，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展包括确定所述一个或多个潜在损坏图像的一个或多个损失函数。
本申请技术方案14涉及根技术方案13所述的方法，其中，响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。
本申请技术方案15涉及一种生成式对抗网络(GAN)系统，包括：生成器子网络，所述生成器子网络被配置成使用设备的一个或多个实际损坏图像加以训练；所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
本申请技术方案16涉及根据技术方案15所述的系统，其中，所述鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示所述一个或多个潜在损坏图像中的误差。
本申请技术方案17涉及根据技术方案15所述的系统，其中，所述生成器子网络被配置成使用所述一个或多个实际损坏图像，通过确定所述一个或多个实际损坏图像的像素特征的分布加以训练。
本申请技术方案18涉及根据技术方案15所述的系统，其还包括控制器，所述控制器被配置成响应于确定所述一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
本申请技术方案19涉及根据技术方案15所述的系统，其中，所述鉴别器子网络被配置成通过确定所述一个或多个潜在损坏图像的一个或多个损失函数，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
本申请技术方案20涉及根据技术方案19所述的系统，其中，所述鉴别器子网络被配置成响应于所述一个或多个潜在损坏图像的所述一个或多个损失函数不超过指定阈值，确定所述一个或多个潜在损坏图像代表所述设备的实际损坏的发展。
附图说明
通过参考附图阅读以下非限制性实施例的描述，将更好地理解本公开的主题，以下在所述附图中：
图1说明设备损坏预测系统的一个实施例；
图2说明基于图像预测设备中损坏的发展的方法的一个实施例的流程图；
图3说明图1中所示的生成式对抗网络(GAN)系统的发生器子网络，其创建设备的潜在损坏的一批图像；以及
图4说明使用由GAN系统确定的预测损坏发展的修理系统的一个示例。
具体实施方式
本文中描述的本公开主题的一个或多个实施例提供对设备损坏的增长或发展进行预测的系统和方法。所述系统和方法能够基于或使用同一或其它设备实际损坏的一个或多个图像以及由神经网络基于实际损坏的(若干)图像生成的一个或多个图像，预测设备损坏的发展。例如，深度生成式对抗网络(GAN)系统可以使用没有注释(例如标记图像中的每个像素代表什么)的大的图像数据集生成高质量的图像。可以使用代表设备(例如涡轮发动机叶片)的当前阶段或状态的图像调理GAN系统，并且可以用包括设备可能形成的缺陷的图像训练GAN系统。GAN系统的生成器子网络可以基于实际损坏的图像创建损坏的可能或潜在增长的图像。所创建的图像可以提供至GAN系统的鉴别器子网络。鉴别器子网络确定损失函数、误差和/或置信值，其指示由生成器子网络生成的图像是否是或者可能是设备实际损坏。如果损失函数、误差和/或置信值指示由生成器子网络创建的图像类似于设备实际损坏的图像(例如损失函数或误差低于较低的指定总阈值，或者置信值至少与上限指定阈值一样大)，则所创建的图像可以用来表征设备的损坏随时间的变化。
不同的创建图像可以表示设备损坏的潜在发展或恶化情况。例如，不同的创建图像可以与损坏发展的不同程度或阶段关联。同一或不同设备的后续图像可以与创建图像比较。如果出现在后续图像中的损坏类似于出现在创建图像中的潜在损坏，则可以确定设备损坏正在如何快速发展。此确定可以用来确定是否修改设备的维修计划，并且可选地由自动化系统(例如自动机器人或其它动力系统)自动地实施或执行设备的修理或更换。
上面描述的GAN系统包括两个子网络，即生成器子网络和鉴别器子网络。这些子网络在双玩家最大最小博弈(two-player minimax game)的背景中相互作用。训练期间，生成器子网络尝试基于提供至生成器子网络的训练图像(例如实际损坏图像)学习如何产生看似真实的图像样本(例如创建图像)。鉴别器子网络尝试学习如何区别产生的图像样本和真正的(例如训练)图像样本，所述真正的图像样本是原始的不由生成器子网络产生。这些子网络最终可以收敛到一个平衡点，在这一点，生成器子网络产生的图像样本与真正的图像样本无法区别(从鉴别器子网络的观点)。
本文中描述的系统和方法的至少一个技术效果包括预测设备损坏将如何发展或恶化。这种预测可以用来确定是否和/或何时修理设备，并且在一个实施例中，可以用来自动化地将设备从损坏状态修理到修复状态。
图1说明设备损坏预测系统100的一个实施例。图2说明用于预测设备损坏发展的方法200的一个实施例的流程图。方法200的流程图可以表示由图1所示的系统100执行的操作，例如由一个或多个处理器(例如一个或多个微处理器、现场可编程门阵列和/或集成电路)在软件的指导下执行的由图像确定或预测光学流的功能。可选地，方法200的流程图可以表示用来创建(例如编写)此类软件的算法。
系统100包括神经网络102、104，在一个实施例中，系统100代表GAN系统。神经网络102、104是由一个或多个处理器(例如微处理器、集成电路、现场可编程门阵列等等)形成的人工神经网络。神经网络102、104分成两层或更多层106，例如接收图像的输入层、输出图像或损失函数(例如如下面描述的误差)的输出层以及一个或多个中间层。神经网络102、104的各层106表示人工神经元的不同组合或集合，其可以表示由处理器对图像执行的预测设备损坏随时间如何发展的不同函数。在一个实施例中，神经网络102表示GAN的生成器子网络，并且神经网络104表示GAN的鉴别器子网络。
操作中，在图2所示的方法200的流程图中的202，生成器子网络102接收设备实际损坏112的图像108。所述设备(或设备的一个部件)可以包括涡轮的表面，例如涡轮叶片、喷嘴等等的表面。可选地，所述设备可以包括可随时间而被损坏的其它部件，例如道路或人行道的表面，车辆的表面等等。损坏112可表示设备中的碎片、裂缝、铁锈、点蚀等等。实际损坏112的图像108可以由一个或多个照相机获得，所述一个或多个照相机基于已经有实际损坏112的设备生成图像108。
图像108可由生成器子网络102获得，这是由照相机通过一个或多个有线和/或无线连接将图像108传送到生成器子网络102。可选地，图像108可以存储于有形和非瞬态计算机可读存储器中，例如计算机硬盘、光盘等等，可由生成器子网络102通过一个或多个有线和/或无线连接访问。
在方法200中的204，使用实际损坏112的图像108训练生成器子网络102。生成器子网络102的处理器可检验实际损坏112的图像108中像素114的特征。这些特征可以包括像素114在图像108中的位置，像素114的强度，像素114的颜色等等。生成器子网络102可确定像素特征的统计分布(例如高斯分布)。对图像108中的不同像素或位置，可确定不同的分布。生成器子网络102可检验所述统计分布，并确定每个像素114具有各个特征的概率。
在206，由生成器子网络102生成设备潜在损坏116的一个或多个图像110。生成器子网络102可基于在204确定的所述分布和像素特征的概率，生成创建图像110。生成器子网络102创建一个或多个基于分布的图像110，这些图像110是基于设备实际损坏112的图像108中像素114的特征，对设备其它损坏116看起来会是什么样的预测。生成器子网络102可以基于实际损坏112的输入图像108创建设备可能出现的不同类型的潜在损坏116的多个创建图像110。
图3说明图1所示的系统100的生成器子网络102创建设备潜在损坏116、308、310的一批306图像300、302、304。生成器子网络102可基于由其获得的或另外向其提供的实际损坏112的图像108的特征，创建多个基于分布的图像300、302、304。如图3所示，一些创建图像300、302、304比另一些创建图像300、302、304更有可能表示设备损坏112的发展。
例如，出现在创建图像300中的预测损坏116表示实际损坏112的增长，所以实际损坏112的凸出部分用预测损坏116填充。这可以是实际损坏112的可能的发展。举另一个例子，出现在创建图像304中的预测损坏310表示实际损坏112沿实际损坏112的全部或基本全部(例如至少75％)的外周界增长。这也可以是实际损坏112的可能的发展。而出现在创建图像302中的预测图像308表示实际损坏112沿单个狭窄的延伸部增长。这也可以不是实际损坏112的可能的发展。
在图2所示方法200的208，由GAN系统100的鉴别器子网络104检验创建图像110、300、302、304。在一个实施例中，鉴别器子网络104确定创建图像110、300、302、304的损失函数或误差。损失函数或误差可表示这样的置信度：出现在创建图像110、300、302、304中的潜在损坏116、308、310可能出现或从图像108中所示的损坏112生长。例如，较大的损失函数或误差可相比较小的损失函数或误差，指示潜在损坏116、308、310不太可能从损坏112生长。
鉴别器子网络104可通过检验在创建图像110、300、302、304中的像素114的特征，确定损失函数、误差和/或置信值。例如，鉴别器子网络104可确定相比创建图像110、300、302、304中的不同的第二像素114，创建图像110、300、302、304中的第一像素114的特征更类似于和损坏112的实际图像108关联的像素特征的分布。相比第二像素114，第一像素114可(由鉴别器子网络104)与更大的置信值(或较小的损失函数或误差)关联。可以针对创建图像110、300、302、304中的许多个或全部像素114确定置信值、损失函数和/或误差。相比具有较小置信值、较大损失函数或较大误差的创建图像110、300、302、304，鉴别器子网络104可确定用具有较大置信值、较小损失函数或较小误差的像素114的创建图像110、300、302、304描绘对图像110、300、302、304中所示的部件的损坏的实际或可能的发展。
在一个实施例中，鉴别器子网络104的各层106中的人工神经元可检验所创建图像110、300、302、304中的各个像素114。处理器(作为人工神经元操作)可使用线性分类计算不同的物体类别(本文称作“分类”)的分数，例如树、汽车、人、鸟、热障涂层中的碎片、表面的裂缝、标志等等。这些分数可以指示像素114代表不同分类的概率。每个人工神经元可将例如激励函数的数学函数施加到同一像素，由不同的神经元施加的函数影响由其它神经元施加的函数，不同的神经元对函数中的不同项施加的权重与一个或多个或者其它所有神经元施加的不同。函数的施加产生像素114的分类分数，所述分类分数可用来识别图像110、300、302、304中的物体。鉴别器子网络104的各层106中的神经元检验像素114的特征，例如强度、颜色等等，以确定各像素114的分数。
例如，鉴别器子网络104可确定创建图像110、300、302、304之一中的第一像素114具有分数向量[0.6 0.15 0.05 0.2]。此分数向量表明鉴别器子网络104已经计算出第一像素114代表第一物体类别(例如人体或人)的概率为60％，第一像素114代表第二物体类别(例如汽车)的概率为15％，第一像素114代表第三物体类别(例如树)的概率为5％，第一像素114代表第四物体类别(例如地面)的概率为20％。可对相同图像110、300、302、304中的几个或全部其它像素114重复此过程。
鉴别器子网络104的处理器然后可确定图像110、300、302、304中的像素114的损失函数或误差。损失函数或误差可以像素114的所选物体类别与所述物体类别的物体分数之间的差计算。所述误差值可以是在100％(或1)和所选物体类别的概率之间的差。关于前述实例，第一物体类别是像素114的所选物体类别，原因是第一物体类别相比同一像素114的其它物体类别具有更大的概率(即60％)。所述像素114的损失函数或误差可以计算为[0.4 -0.15 -0.05 -0.2]。用1和0.6之间(或者100％和60％之间)的差计算出0.4(或40％)的值。可对几个或全部像素114重复此过程。
在方法200中的210，对于鉴别器子网络104是否将创建图像110、300、302、304识别为部件的实际损坏图像做出确定。例如，对生成器子网络102是否能够创建由鉴别器子网络104确定为实际损坏的实际图像的潜在损坏的图像做出确定。鉴别器子网络104能够检验创建图像110、300、302、304的损失函数，将创建图像110、300、302、304的损失函数相互比较，将创建图像110、300、302、304的损失函数与阈值比较，等等，以确定如果存在则创建图像110、300、302、304中的哪一个看似表明部件的实际损坏。响应于与创建图像110、300、302、304有关的损失函数指示较大误差(例如相对于指定阈值)，鉴别器子网络104可确定创建图像110、300、302、304并不描绘部件损坏。响应于与基于分布的图像有关的损失函数指示较小的误差(例如相对于指定阈值)，鉴别器子网络104可确定出现在创建图像110、300、302、304中的潜在损坏类似于出现在一个或多个图像108中的实际损坏。
如果鉴别器子网络104确定出现在创建图像110、300、302或304中的潜在损坏类似于出现在原始图像108中的实际损坏(例如误差不太大)，则由生成器子网络102创建的出现在图像110、300、302或304中的潜在损坏可能是实际损坏的增长或发展。结果，方法200的流程可朝212继续。但是，如果鉴别器子网络104确定出现在创建图像110、300、302或304中的潜在损坏与出现在原始图像108中的实际损坏不相似(例如误差太大)，则出现在创建图像110、300、302或304中的潜在损坏不是损坏发展的准确预测。结果，方法200的流程可返回206。例如，方法200可返回到创建显示其它或不同潜在损坏的一个或多个附加图像110、300、302、304以由鉴别器子网络104检验。可选地，方法200可以终止。
在212，在监测和/或修理部件时使用潜在损坏的图像。例如，可将同一或其它部件的实际损坏的附加图像与潜在损坏的图像相比。此比较可以人工执行或者可以自动地(例如使用鉴别器子网络104)执行。可使用潜在损坏的图像(在210标识)确定实际损坏可能随时间变化的程度。如果损坏的增长或发展是足够严重的(例如损坏增长比指定的阈值大)，则可以实施一个或多个响应动作。例如，自动化系统(例如机器人系统)可自动地修理部件的损坏部分，例如通过将添加剂喷射到涡轮叶片损坏的热障涂层上。举另一个例子，可以改变部件的维修计划以更早(在损坏的可能发展更显著的情况下)或更晚(在损坏的可能发展不太显著的情况下)地提供修理或维修。
图4说明修理系统400的一个实例，所述修理系统使用由GAN系统402确定的预测损坏发展。GAN系统402代表上面描述的系统100的一个或多个实施例。修理系统400包括传感器404，所述传感器为GAN系统402获得部件(例如发动机、涡轮、涡轮叶片、物体的外表面等)的实际损坏112的图像108。例如，传感器404可以是照相机，其将图像或视频帧作为图像108提供至GAN系统402。可选地，控制系统400包括存储器406，例如计算机硬盘、光盘等，所述存储器存储GAN系统402的图像108。
GAN系统402可如上文描述的预测部件的实际损坏112的发展。预测的损坏发展可传送至自动化动力系统410的控制器408。控制器408表示硬件电路，该硬件电路包括一个或多个处理器和/或与一个或多个处理器连接，所述一个或多个处理器为例如一个或多个微处理器、现场可编程门阵列、集成电路等。控制器408控制动力系统410的操作，所述动力系统可代表自动机器人系统，其操作以修理所述部件，例如通过将添加剂喷射到部件的涂层上，通过更换所述部件等等。控制器408可检验预测的损坏发展，并确定是否需要执行一个或多个响应动作。例如，如果预测的损坏发展表明部件需要被修理或更换，则控制器408可生成并传送控制信号至动力系统410的致动器412，所述致动器自动地将添加剂喷射到部件的涂层上，去除部件，更换部件等。致动器412可以包括喷射装置、动力系统410的抓握臂等等。
在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成检验设备的一个或多个实际损坏图像。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
可选地，鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示一个或多个潜在损坏图像中的误差。
可选地，鉴别器子网络被配置成使用一个或多个实际损坏图像加以训练。
可选地，生成器子网络被配置成使用一个或多个实际损坏图像，通过确定一个或多个实际损坏图像的像素特征的分布加以训练。
可选地，所述GAN系统还包括控制器，所述控制器被配置成响应于确定一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
可选地，所述鉴别器子网络被配置成通过确定一个或多个潜在损坏图像的一个或多个损失函数，确定一个或多个潜在损坏图像是否代表设备实际损坏的发展。
可选地，所述鉴别器子网络被配置成响应于一个或多个潜在损坏图像的一个或多个损失函数不超过指定阈值，确定一个或多个潜在损坏图像代表设备实际损坏的发展。
在一个实施例中，一种方法，包括：使用GAN的生成器子网络检验设备的一个或多个实际损坏图像；使用所述生成器子网络基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像；以及通过使用所述GAN的鉴别器子网络检验所述一个或多个潜在损坏图像，确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
可选地，所述方法还包括使用鉴别器子网络确定一个或多个损失函数，所述损失函数指示一个或多个潜在损坏图像中的误差。
可选地，所述方法还包括使用一个或多个实际损坏图像训练生成器子网络。
可选地，训练生成器子网络包括确定一个或多个实际损坏图像的像素特征的分布。
可选地，所述方法还包括响应于确定一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
可选地，确定一个或多个潜在损坏图像是否代表设备实际损坏的发展包括确定一个或多个潜在损坏图像的一个或多个损失函数。
可选地，响应于一个或多个潜在损坏图像的一个或多个损失函数不超过指定阈值，一个或多个潜在损坏图像代表设备实际损坏的发展的确定产生。
在一个实施例中，GAN系统包括生成器子网络，所述生成器子网络被配置成使用设备的一个或多个实际损坏图像加以训练。所述生成器子网络还被配置成基于被检验的所述一个或多个实际损坏图像创建一个或多个潜在损坏图像。所述GAN系统还包括鉴别器子网络，所述鉴别器子网络被配置成检验所述一个或多个潜在损坏图像，以确定所述一个或多个潜在损坏图像是否代表所述设备的实际损坏的发展。
可选地，鉴别器子网络被配置成确定一个或多个损失函数，所述损失函数指示一个或多个潜在损坏图像中的误差。
可选地，生成器子网络被配置成使用一个或多个实际损坏图像，通过确定一个或多个实际损坏图像的像素特征的分布加以训练。
可选地，所述系统包括控制器，所述控制器被配置成响应于确定一个或多个潜在损坏图像代表实际损坏的发展，执行一个或多个动作。
可选地，所述鉴别器子网络被配置成通过确定一个或多个潜在损坏图像的一个或多个损失函数，确定一个或多个潜在损坏图像是否代表设备实际损坏的发展。
可选地，所述鉴别器子网络被配置成响应于一个或多个潜在损坏图像的一个或多个损失函数不超过指定阈值，确定一个或多个潜在损坏图像代表设备实际损坏的发展。
如本文所使用，以单数形式叙述并且跟在词语“一”或“一个”后的元件或步骤应理解为不排除复数个所述元件或步骤，除非明确陈述此类排除。此外，对当前描述的主题的“一个实施例”的提及并非旨在解释为排除同样并有所述特征的额外实施例的存在。此外，除非明确地陈述为相反情况，否则“包括”或“具有”带有特定属性的一个元件或多个元件的实施例可以包括不带有那个属性的其它此类元件。
应了解，以上描述希望为说明性而非限制性的。举例来说，上述实施例(和/或其方面)可相互组合使用。另外，在不脱离本文所阐述主题的范围的情况下，可进行许多修改以使特定情形或材料适应所述主题的教示。虽然本文所描述的材料的尺寸和类型旨在界定所公开主题的参数，但其绝非是限制性的，而是示范性实施例。所属领域的技术人员在查阅以上描述后将会明白许多其它实施例。因此，本文所描述的主题的范围应参考所附权利要求书以及此类权利要求书有权要求的等效物的完整范围来确定。在所附权利要求书中，术语“包括(including)”和“其中(in which)”用作相应术语“包括(comprising)”和“其中(wherein)”的简明等效用语。此外，在所附权利要求书中，术语“第一”、“第二”和“第三”等仅用作标记，且并不希望对其对象强加数字要求。此外，下面的权利要求书的限制并不按照装置加功能格式编写，并且并非意图根据35U.S.C.§112(f)来解释，除非这类权利要求限制明确使用短语“用于...的装置”加上没有其他结构的功能陈述。
本书面描述使用实例来公开本文所阐述的主题的若干实施例，包括最佳模式，并且还使所属领域的技术人员能够实践所公开主题的实施例，包括制造和使用所述装置或系统并执行所述方法。本文所描述的主题的可获专利范围由权利要求书界定，且可包括所属领域的技术人员想到的其它实例。如果此类其它实例具有与权利要求书无异的字面措辞的结构要素，或如果它们包括与权利要求书的字面措辞无实质差异的等效结构要素，那么它们既定在权利要求范围内。