一种电气性能检测方法与流程

本发明涉及检测领域，具体涉及一种电气性能检测方法。

背景技术：

随着电路系统的不断发展，电路系统的复杂性不断增加，电路系统或者电子元件在使用过程中出现问题的概率大大提高，比如开路，短路，虚焊等。传统的检测方法是通过电气设备进行测试，不同的电气性能测试需用到不同的设备，有些设备也比较昂贵,因此人工对电气系统进行检测时,需要花费大量的人力物力,同时检测的效果和准确率也不高。因此为了解决上述问题，需要设计出一种新的电力系统检测方法，可以快速自动检测电气系统的具体故障情况。

技术实现要素：

本发明旨在公开一种电气性能检测方法，解决现有人工检测电气系统故障效率低，同时也浪费人力和物力的问题，本发明是通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果，省去了设备和人力，大大提高了效率。

本发明采取的技术方案为：

一种电气性能检测方法，所述方法包括如下步骤：

收集故障电气图片数据；

根据收集的故障电气图片建立故障电气图片功能库；

对故障电气图片功能库进行图片故障特征提取；

根据提取的图片故障特征建立故障特征库；

使用故障特征库对电气图片进行检测,输出检测结果。

进一步地，所述收集故障电气图片数据为收集以往的电气系统、电路板或者器件出现问题的图片。

进一步地，所述收集故障电气图片时，在每个图片下方或者目录中使用文字说明图片的具体故障问题的内容。

进一步地，所述建立故障电气图片功能库的具体过程为，先根据故障问题图片的文字说明进行分类，然后根据不同类型的图片进行建立图片功能模型，然后把建立好的图片功能模型进行存储。

进一步地，所述分类是根据文字的说明内容的故障类别进行分成大类，大类里面有若干个小类，小类与小类之间形成关联类。

进一步地，所述图片功能模型在后期另外收集到故障问题图片后，对图片功能模型进行自动添加图片更新模型。

进一步地，所述图片故障特征提取过程为，对每个图片进行故障特征提取，把提取的故障特征与图片的故障说明文字内容对比，当不完全部相符时，对该图片进行二次画质特征提取。

进一步地，所述建立故障特征库的过程为：先对故障特征进行分类处理，然后根据分类情况建立故障特征模型，然后把故障特征模型进行存储，在后期有新的故障特征时，需要对故障特征模型进行自动添加特征更新。

进一步地，所述使用故障特征库对电气图片进行检测的过程为：

重复三次至五次对需要检测的图片进行故障特征提取，然后把提取的故障特征放入到故障特征模型进行对比，三次对比结果中，当有两个以上是相同时，输出检测结果，否则重现检测。

进一步地，所述故障特征提取的具体过程为：把电气图片分成若干个检测单位图片，通过对检测单位图片上的线路或者器件进行扫面，扫面的数据去电气系统原始数据进行匹配，找出有故障的检测单位图片，并把该故障提取出来。

一种电气性能检测系统，所述系统包括：

图片数据收集单元，用于收集出现故障的电气图片数据；

图片数据功能库单元，用于建立根据收集的图片数据建立图片功能库；

图片故障特征提取单元，用于对图片功能库进行图片故障特征提取和根据提取的图片故障特征建立故障特征库；

电气图片故障检测单元，用于使用故障特征库对图片画质进行检测；

及结果输出单元，用于输出检测结果数据。

进一步地，所述图片数据功能库单元包括：

图片数据分类模块，用于对电气故障图片数据进行分类；

图片数据模型库建立模块，用于根据故障电气图片数据的分类情况进行建立图片数据模型库；

图片数据模型库更新模块，用于对后期收集其它的故障电气图片时，对图片数据模型库自动更新处理，提高检测精度；

及图片数据模型库存储模块，用于存储建立好的或者更新好的图片数据模型库。

进一步地，所述图片故障特征提取单元包括：

画质特征提取模块，用于对图片数据模型库的图片进行图片画质特征提取，把提取的画质特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次画质特征提取；

故障特征库建立模块，用于对故障特征进行分类处理，然后根据分类情况建立故障特征模型；

故障特征库更新模块，用于对后期提取到其它的故障特征时，对故障特征模型进行更新处理；

故障特征库存储模块，用于存储建立好的或者更新画质特征模型。

进一步地，所述电气图片故障检测单元包括：

检测电气图片故障特征提取模块，用于对需要检测的图片进行故障特征提取；

故障特征提取比对模块，用于把提取的故障特征放入故障特征模型内深度学习对比，得到检测结果。

进一步地，所述检测电气图片故障特征提取模块重复三次至五次对需要检测的图片进行故障特征提取，然后把提取的故障特征放入到故障特征模型进行对比，三次对比结果中，当有两个以上是相同时，输出检测结果，否则重现检测。

进一步地，所述故障特征提取的具体过程为：把电气图片分成若干个检测单位图片，通过对检测单位图片上的线路或者器件进行扫面，扫面的数据去电气系统原始数据进行匹配，找出有故障的检测单位图片，并把该故障提取出来。

采用本发明技术方案具有以下优势：

本发明通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果，省去了设备和人力，大大提高了效率；通过利用深度学习的方法，从以往的电气性能问题图片提取特征学习，快速定位属于哪类问题；利用深度学习技术对电气性能图像进行特征学习，并对学习到的特征进行分类，得到深度学习模型；利用深度学习模型对电气性能图片进行判断并输出结果。

附图说明

图1是本发明一种电气性能检测方法流程图。

图2是本发明一种电气性能检测系统结构框图。

图3是本发明一种电气性能检测系统的图片数据功能库单元模块框图。

图4是本发明一种电气性能检测系统的图片故障特征提取单元模块框图。

图5是本发明一种电气性能检测系统的电气图片故障检测单元模块框图。

如下具体实施方式将结合上述附图进一步说明本发明。

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作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。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

需要说明的是，下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

深度学习通过学习一种深层的非线性网络结构，实现复杂函数逼近和输入数据表征，展现出强大的数据集本质特征的学习能力。卷积神经网络，作为一种典型的深度学习方法，是为二维图像处理而特别设计的一个多层感知器。卷积神经网络不需要人为参与特征的选取过程，可以自动地学习大量数据集中的目标特征。传统的检测方法是通过电气设备进行测试，不同的电气性能测试需用到不同的设备，有些设备也比较昂贵，深度学习的检测方法通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果，省去了设备和人力，大大提高了效率。

请参阅图1，是本发明实施例提供的一种电气性能检测方法流程图，所述方法包括如下步骤：

步骤s10：收集故障的电气图片数据，所述收集故障电气图片数据为收集以往的电气系统、电路板或者器件出现问题的图片。所述收集故障电气图片时，在每个图片下方或者目录中使用文字说明图片的具体故障问题的内容。

比如电路系统的复杂性不断增加，电路系统或者电子元件在使用过程中出现问题的概率大大提高，比如开路，短路，虚焊等。通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果。此处说的“以往”代表的是在建立这个检测模型之前的时间段，也就是建立检测模型之前遇到的所有的出现故障的电气图片。

步骤s20：根据收集的故障电气图片建立故障电气图片功能库。先根据故障问题图片的文字说明进行分类，然后根据不同类型的图片进行建立图片功能模型，然后把建立好的图片功能模型进行存储。所述分类是根据文字的说明内容的故障类别进行分成大类，大类里面有若干个小类，小类与小类之间形成关联类。图片功能模型在后期另外收集到故障问题电气图片后，对图片功能模型进行添加图片更新模型。

图片功能库主要是根据图片的功能进行分类建立的库，具体建立库的模型为现有的深度学习模型。通过前期输入不同类型的故障问题图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供图片输入即可输出故障的具体位置，省去了设备和人力，大大提高了效率。

步骤s30：对故障电气图片功能库进行图片故障特征提取。图片故障特征提取过程为，对每个图片进行故障特征提取，把提取的故障特征与图片的故障说明文字内容对比，当不完全部相符时，对该图片进行二次画质特征提取。根据图片的不同的问题可以直接提取相应的特征，相应的特征代表了该图片的故障的问题。特征过程通过预处理，特征点选取，特征点提取等过程。故障特征提取的具体过程为：把电气图片分成若干个检测单位图片，通过对检测单位图片上的线路或者器件进行扫面，扫面的数据去电气系统原始数据进行匹配，找出有故障的检测单位图片，并把该故障提取出来。

步骤s40：根据提取的图片故障特征建立故障特征库。建立故障特征库的过程为：先对故障特征进行分类处理，然后根据分类情况建立故障特征模型，然后把故障特征模型进行存储，在后期有新的故障特征时，需要对故障特征模型进行更新处理。对故障特征进行分类主要是对故障出现的问题进行分类，比如使用过程中出现问题的概率大大提高，比如开路，短路，虚焊等。通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果。

步骤s50：使用故障特征库对电气图片进行检测。使用故障特征库对电气图片进行检测的过程为：

重复三次至五次对需要检测的图片进行故障特征提取，然后把提取的故障特征放入到故障特征模型进行对比，三次对比结果中，当有两个以上是相同时，输出检测结果，否则重现检测。所述故障特征提取的具体过程为：把电气图片分成若干个检测单位图片，通过对检测单位图片上的线路或者器件进行扫面，扫面的数据去电气系统原始数据进行匹配，找出有故障的检测单位图片，并把该故障提取出来。

通过多次次检测，可以大大的提高检测结构的准确率，避免出现检测错误的问题，因此具有非常高的可靠性。

步骤s60：输出检测结果，通过检测后，把结果数据输出给用户，让用户根据检测结果数据进行后续的处理。

一种电气性能检测系统，所述系统包括：

图片数据收集单元，用于收集出现故障的电气图片数据；

图片数据功能库单元，用于建立根据收集的图片数据建立图片功能库；

图片故障特征提取单元，用于对图片功能库进行图片故障特征提取和根据提取的图片故障特征建立故障特征库；

电气图片故障检测单元，用于使用故障特征库对图片画质进行检测；

及结果输出单元，用于输出检测结果数据。

通过对故障电气图片的统一收集处理，同时对图片进行特征的提取，对特征进行建立深度学习模型，在后期的故障图片检测与模型进行深度对比，从而更好的找出电气图片中的具体故障问题，提高电气故障检测的准确率。同时也大大的减少人力物力，同时效率非常的高。利用深度学习技术对故障功能问题图片进行特征学习，并对学习到的特征进行分类，得到深度学习模型；利用深度学习模型对输入的电气图片进行判断并输出结果。

本发明实施例中，所述图片数据功能库单元包括：

图片数据分类模块，用于对电气故障图片数据进行分类；

图片数据模型库建立模块，用于根据故障电气图片数据的分类情况进行建立图片数据模型库；

图片数据模型库更新模块，用于对后期收集其它的故障电气图片时，对图片数据模型库进行更新处理；

及图片数据模型库存储模块，用于存储建立好的或者更新好的图片数据模型库。

根据收集的图片数据建立图片功能库。建立图片功能库的具体过程为，先根据故障问题图片的文字说明进行分类，然后根据不同类型的图片进行建立图片功能模型，然后把建立好的图片功能模型进行存储。分类是根据文字的说明内容进行分成大类，大类里面有若干个小类，小类与小类之间形成关联类。图片功能模型在后期另外收集到故障问题图片后，对图片功能模型进行添加图片更新模型。图片功能库主要是根据图片的功能进行分类建立的库，具体建立库的模型为现有的深度学习模型。通过前期输入不同类型的故障问题图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供电气图片输入即可输出画质结果是否通过，省去了设备和人力，大大提高了效率。

本发明实施例中，所述图片故障特征提取单元包括：

画质特征提取模块，用于对图片数据模型库的图片进行图片画质特征提取，把提取的画质特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次画质特征提取；

故障特征库建立模块，用于对故障特征进行分类处理，然后根据分类情况建立故障特征模型；

故障特征库更新模块，用于对后期提取到其它的故障特征时，对故障特征模型进行更新处理；

故障特征库存储模块，用于存储建立好的或者更新画质特征模型。

对图片功能库进行图片故障特征提取。故障特征提取过程为，对每个图片进行故障特征提取，把提取的故障特征与图片的故障说明文字内容对比，当不完全部相符时，对该图片进行二次故障特征提取。根据图片的不同的问题可以直接提取相应的特征，相应的特征代表了该图片的画质问题。特征过程通过预处理，特征点选取，特征点提取等过程。

本发明实施例中，所述电气图片故障检测单元包括：

检测电气图片故障特征提取模块，用于对需要检测的图片进行故障特征提取；

故障特征提取比对模块，用于把提取的故障特征放入故障特征模型内深度学习对比，得到检测结果。

根据提取的图片故障特征建立故障特征库。建立故障特征库的过程为：先对故障特征进行分类处理，然后根据分类情况建立故障特征模型，然后把故障特征模型进行存储，在后期有新的故障特征时，需要对故障特征模型进行更新处理。对故障特征进行分类主要是对故障出现的问题进行分类，比如使用过程中出现问题的概率大大提高，比如开路，短路，虚焊等。通过前期输入不同类型的电气性能图片自动学习大量数据不同类型的特征，得到学习模型，后续只需提供出现问题的电路系统或者电子元件图片输入即可输出是开路或者短路等结果。

本发明实施例中，所述检测电气图片故障特征提取模块重复三次至五次对需要检测的图片进行故障特征提取，然后把提取的故障特征放入到故障特征模型进行对比，三次对比结果中，当有两个以上是相同时，输出检测结果，否则重现检测。所述故障特征提取的具体过程为：把电气图片分成若干个检测单位图片，通过对检测单位图片上的线路或者器件进行扫面，扫面的数据去电气系统原始数据进行匹配，找出有故障的检测单位图片，并把该故障提取出来。

通过多次检测，可以大大的提高检测结构的准确率，避免出现检测错误的问题，因此具有非常高的可靠性。