基于边缘计算的工业设备表面缺陷故障预警方法与流程

本发明涉及一种基于边缘计算的工业设备表面缺陷故障预警方法。

背景技术：

通常，物联网设备会产生大量数据，并将数据传输到云端进行进一步处理。这些数据包括多媒体信息，如视频、图像和声音，或结构化数据，如温度、振动和光通量信息。有许多成熟的技术处理结构化数据，然后自动控制物联网设备。传统的多媒体处理技术需要复杂的计算，不适合物联网服务。随着深度学习技术提高了多媒体信息处理的效率，越来越多的工作开始将深度学习引入多媒体物联网服务中。视频传感是物联网中一项重要的应用，它将图像处理和计算机视觉融合在物联网网络中。从物联网设备记录的低质量视频数据中识别物体仍然是一个挑战。

工业制造业飞速发展，各种各样的生产及运维场景对设备管理提出了更高的要求，工业设备故障检测在工业产品质量控制中越来越受到重视。边缘计算的发展使得传统的深度学习推理可以从云端卸载到边缘端进行计算和处理，大大减少了数据传输的时间，可以保证检测的实时性，各式各样的传感器层出不穷，方便多维度的获取设备信息。为对故障信息建模，传统的做法是获取故障数据进行训练，而在实际的生产生活中，故障数据少且不易获得，难以获得性能较好的检测模型。

技术实现要素：

本发明目的是提供了一种基于边缘计算的工业设备表面缺陷故障预警方法。

本发明为实现上述目的，通过以下技术方案实现：

一种基于边缘计算的工业设备表面缺陷故障预警方法，包括以下步骤：

（1）构建数据集：采集待检测设备正常图像数据多角度、多尺度的图像数据；

（2）对输入数据进行灰度化及归一化处理；

（3）输入到级联自编码网络中，学习正常图像的编解码方式；

（4）完成图像的训练；

（5）将推理任务卸载到终端，对传感器获取的实时数据进行判断。

所述基于边缘计算的工业设备表面缺陷故障预警方法优选方案，自编码网络包括一个编码器网络和一个解码器网络：编码器网络是一个转换单元，通过它将输入图像转换成多维特征图像进行特征提取和表示，所获得的特征映射具有丰富的语义信息；解码器网络通过合并所有中间层学习到的特征映射的上下文信息来微调像素级标签，且使用上采样操作将最终输出恢复到与输入图像相同的大小。

所述基于边缘计算的工业设备表面缺陷故障预警方法优选方案，学习网络分为两部分：其中一部分包括靠近输入数据的较低层，而另一部分包括靠近输出数据的较高层；将具有较低层的部件部署到边缘服务器中将收集到的数据输入到边缘服务器的第一层，边缘服务器将下层的中间数据加载到云服务器上，作为上层的输入数据；将具有较高层的部件部署到云中以卸载处理。

本发明的优点在于：

将物联网深度学习引入到边缘计算环境中，从云端卸载推理任务到移动设备上执行，且打破常规利用缺陷图像训练的方法，利用正常图像训练模型，反向推理不能正常编解码的图像，从而检测错误图像。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明方法应用的网络架构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于边缘计算的工业设备表面缺陷故障预警方法，包括以下步骤：

（1）构建数据集：采集待检测设备正常图像数据多角度、多尺度的图像数据；

（2）对输入数据进行灰度化及归一化处理；

（3）输入到级联自编码网络中，学习正常图像的编解码方式；

（4）完成图像的训练；

（5）将推理任务卸载到终端，对传感器获取的实时数据进行判断。

如图1所示，提出了一种深度学习任务的边缘计算结构，该结构由两层组成，具有典型的边缘计算结构。在边缘层，在物联网网关中部署边缘服务器，处理采集的数据。在云服务器上训练深度学习网络。在该阶段，利用自编码网络学习正常设备图像表面数据的表示方法，自编码网络包括一个编码器网络和一个解码器网络：编码器网络是一个转换单元，通过它将输入图像转换成多维特征图像进行特征提取和表示，所获得的特征映射具有丰富的语义信息；解码器网络通过合并所有中间层学习到的特征映射的上下文信息来微调像素级标签，且使用上采样操作将最终输出恢复到与输入图像相同的大小。打破常规训练缺陷图像的方式，让网络学习正常图像的编解码，这样一来，当设备表面出现瑕疵缺陷等不正常图像时，会难以恢复到正常图像，从而判断设备是否出现故障。

训练阶段结束后，学习网络分为两部分：其中一部分包括靠近输入数据的较低层，而另一部分包括靠近输出数据的较高层；将具有较低层的部件部署到边缘服务器中将收集到的数据输入到边缘服务器的第一层，边缘服务器将下层的中间数据加载到云服务器上，作为上层的输入数据；将具有较高层的部件部署到云中以卸载处理。

如何划分每个深度学习网络是一个问题。通常，上层生成的中间数据比下层生成的中间数据要小。在边缘服务器上部署更多的层可以减少更多的网络流量。但是，与云服务器相比，边缘服务器的服务器容量是有限的。在边缘服务器中不可能处理无限的任务。深度学习网络中的每一层都会给服务器带来额外的计算开销。本实施例中，将部分深度学习网络部署到边缘服务器上。同时，由于不同的深度学习网络和任务具有不同的中间数据大小和计算开销，需要在边缘计算结构中进行高效调度来优化物联网深度学习。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于边缘计算的工业设备表面缺陷故障预警方法，其特征在于：包括以下步骤：

（1）构建数据集：采集待检测设备正常图像数据多角度、多尺度的图像数据；

（2）对输入数据进行灰度化及归一化处理；

（3）输入到级联自编码网络中，学习正常图像的编解码方式；

（4）完成图像的训练；

（5）将推理任务卸载到终端，对传感器获取的实时数据进行判断。

2.根据权利要求1所述基于边缘计算的工业设备表面缺陷故障预警方法，其特征在于：自编码网络包括一个编码器网络和一个解码器网络：编码器网络是一个转换单元，通过它将输入图像转换成多维特征图像进行特征提取和表示，所获得的特征映射具有丰富的语义信息；解码器网络通过合并所有中间层学习到的特征映射的上下文信息来微调像素级标签，且使用上采样操作将最终输出恢复到与输入图像相同的大小。

3.根据权利要求1所述基于边缘计算的工业设备表面缺陷故障预警方法，其特征在于：学习网络分为两部分：其中一部分包括靠近输入数据的较低层，而另一部分包括靠近输出数据的较高层；将具有较低层的部件部署到边缘服务器中将收集到的数据输入到边缘服务器的第一层，边缘服务器将下层的中间数据加载到云服务器上，作为上层的输入数据；将具有较高层的部件部署到云中以卸载处理。

技术总结
本发明提供了一种基于边缘计算的工业设备表面缺陷故障预警方法。一种基于边缘计算的工业设备表面缺陷故障预警方法，包括以下步骤：（1）构建数据集：采集待检测设备正常图像数据多角度、多尺度的图像数据；（2）对输入数据进行灰度化及归一化处理；（3）输入到级联自编码网络中，学习正常图像的编解码方式；（4）完成图像的训练；（5）将推理任务卸载到终端，对传感器获取的实时数据进行判断。

技术研发人员：李雪;李锐;王建华
受保护的技术使用者：山东浪潮科学研究院有限公司
技术研发日：2021.05.27
技术公布日：2021.08.03