一种基于深度学习的工业故障检测方法以及设备与流程

本发明涉及工业领域，具体涉及一种基于深度学习的工业故障检测方法以及设备。

背景技术：

目标检测作为计算机视觉技术的一个分支，就是对视场内的目标，如人或交通工具，进行检测，定位其位置。工业故障检测属于其中的一类具体的应用，由于设备质量或使用老化等可能出现故障导致安全隐患或影响生产效益，在这方面缺乏高效统一的检测方法。

技术实现要素：

有鉴于此，为了克服上述问题的至少一个方面，本发明实施例的提出一种基于深度学习的工业故障检测方法，包括步骤：

构建神经网络模型；

将包含带标签的故障图片的训练集和测试集存储在预设位置；

读取存储在预设位置的训练集和测试集，以对所述神经网络模型进行训练和测试；

利用故障采集装置按照预设频率采集潜在故障位置的图片，并直接传输到训练好的神经网络模型中；

利用所述训练好的神经网络模型对所述潜在故障位置的图片进行推理，得到并输出故障类型。

在一些实施例中，所述构建神经网络模型进一步包括：依次构建卷积神经网络模型cnn、区域提议网络模型rpn、感兴趣网络模型roi。

在一些实施例中，将包含带标签的故障图片的训练集和测试集存储在预设位置进一步包括：

将所述训练集和测试集中的图片及对应的标签输入到预设位置；

响应于接收到格式转换信号，将所述训练集和测试集中的图片转换为voc格式并识别所述标签的格式；

响应于识别到的所述标签的格式不是xml格式，则将所述标签的格式转换为xml格式。

在一些实施例中，对所述神经网络模型进行训练和测试进一步包括利用训练集和测试集分别通过以下步骤进行训练和测试：

利用所述卷积神经网络模型cnn，提取卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型rpn，获取区域特征；

利用所述感兴趣网络模型roi对区域特征进行池化后，进行分类和回归。

在一些实施例中，对所述潜在故障位置的图片进行推理进一步包括步骤：

将所述潜在故障位置的图片输入到所述训练好的卷积神经网络模型cnn中，得到卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型rpn，获取区域特征；

利用所述感兴趣网络模型roi对区域特征进行池化后，进行分类和回归，以得到故障类型。

基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机设备，包括：

至少一个处理器；以及

存储器，所述存储器存储有可在所述处理器上运行的计算机程序，所述处理器执行所述程序时执行以下步骤：

构建神经网络模型；

将包含带标签的故障图片的训练集和测试集存储在预设位置；

读取存储在预设位置的训练集和测试集，以对所述神经网络模型进行训练和测试；

利用故障采集装置按照预设频率采集潜在故障位置的图片，并直接传输到训练好的神经网络模型中；

利用所述训练好的神经网络模型对所述潜在故障位置的图片进行推理，得到并输出故障类型。

在一些实施例中，所述构建神经网络模型步骤进一步包括：

依次构建卷积神经网络模型cnn、区域提议网络模型rpn、感兴趣网络模型roi。

在一些实施例中，将包含带标签的故障图片的训练集和测试集存储在预设位置步骤进一步包括：

将所述训练集和测试集中的图片及对应的标签输入到预设位置；

响应于接收到格式转换信号，将所述训练集和测试集中的图片转换为voc格式并识别所述标签的格式；

响应于识别到的所述标签的格式不是xml格式，则将所述标签的格式转换为xml格式。

在一些实施例中，对所述神经网络模型进行训练和测试进一步包括利用训练集和测试集分别通过以下步骤进行训练和测试：

利用所述卷积神经网络模型cnn，提取卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型rpn，获取区域特征；

利用所述感兴趣网络模型roi对区域特征进行池化后，进行分类和回归。

基于同一发明构思，根据本发明的另一个方面，本发明的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时执行如上所述的任一种基于深度学习的工业故障检测方法的步骤。

本发明具有以下有益技术效果：本发明公开的方法能够较为准确的得到故障类型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。

图1为本发明的实施例提供的一种基于深度学习的工业故障检测方法的流程示意图；

图2为本发明的实施例提供的计算机设备的结构示意图；

图3为本发明的实施例提供的计算机可读存储介质的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

根据本发明的一个方面，本发明的实施例提出一种基于深度学习的工业故障检测方法，如图1所示，其可以包括步骤：构建神经网络模型；将包含带标签的故障图片的训练集和测试集存储在预设位置；读取存储在预设位置的训练集和测试集，以对神经网络模型进行训练和测试；利用故障采集装置按照预设频率采集潜在故障位置的图片，并直接传输到训练好的神经网络模型中；利用训练好的神经网络模型对潜在故障位置的图片进行推理，得到并输出故障类型。

在一些实施例中，构建的神经网络模型可以是faster-rcnn，其可以包括构建卷积神经网络模型cnn、区域提议网络模型rpn、感兴趣网络模型roi，因此可以依次构建cnn、rpn和roi，从而得到所需的神经网络模型。

在一些实施例中，卷积神经网络cnn可以包括13个卷积层和13个池化层以及4个全连接层。

在一些实施例中，将包含带标签的故障图片的训练集和测试集存储在预设位置可以进一步包括步骤：

将训练集和测试集中的图片及对应的标签输入到预设位置；

响应于接收到格式转换信号，将训练集和测试集中的图片转换为voc格式并识别标签的格式；

响应于识别到的标签的格式不是xml格式，则将标签的格式转换为xml格式。

这样，无论是训练集中的图片及其标签是什么格式，均可以通过给数据处理模块一个格式转换信号，即可实现将图片转换为voc格式，并且还可以识别标签的格式是否符合voc需要，若标签的格式不是xml格式，则可以自动识别并提取相应信息，将其他格式的标签数据转换成xml的格式数据。例如，标签数据的格式为json格式，即可通过数据处理模块将其转换成xml格式。

这样，通过自动转换图片格式和标签数据格式，解决了手动建立voc格式文件，然后手动编辑图片文件和标签文件的繁琐，不仅节省时间，更降低了手动编辑的出错率。

在一些实施例中，读取存储在预设位置的训练集和测试集，以对神经网络模型进行训练和测试可以进一步包括利用训练集和测试集分别通过以下步骤进行训练和测试：

利用卷积神经网络模型cnn，提取卷积特征图；

将卷积特征图输入到区域提议网络模型rpn，获取区域特征；

利用感兴趣网络模型roi对区域特征进行池化后，进行分类和回归。

在一些实施例中，当进行训练和测试时，可以向训练模块发送开始训练指令，训练模块即自动读取存储在指定位置的训练集，然后依次对cnn、rpn、roi进行训练。随后通过测试模块以相同步骤进行测试，来确认模型精度。

具体的，在训练和测试过程中，可以先将图片输入到卷积神经网络模型cnn中，提取卷积特征图，然后在将卷积特征图输入到区域提议网络模型rpn，以获取区域特征，最后利用感兴趣网络模型roi对区域特征进行池化后，进行分类和回归。

当得到训练好的神经网络模型后，需要对相应故障进行推理时，可以给故障采集装置发送信号，以控制故障采集装置按照预设频率采集对应故障位置的图片，然后将图片直接发送至推理模块，利用训练好的神经网络模型对潜在故障位置的图片进行推理，以得到具体的故障类型。预设频率可以根据实际情况设定，例如潜在故障位置出现故障的次数较多，可以设置较高的预设频率。

具体的推理过程可以是：将潜在故障位置的图片输入到训练好的卷积神经网络模型cnn中，得到卷积特征图；将卷积特征图输入到区域提议网络模型rpn，获取区域特征；利用感兴趣网络roi模型对区域特征进行池化后，分类和回归，得到并输出故障类型。

在一些实施例中，本发明提出的工业故障检测的方法可以应用于电力设备检测。

例如，可以选取电力常用部件调整板作为研究对象，目标是进行螺栓孔识别，协助工程师判断是否为螺栓缺失的缺陷。(螺栓缺失是电力设备中的重大安全隐患)。

在本实施例中，可以采用2千个调整板数据样本进行训练。训练时，可以先将数据拷入usrdata文件夹以进行格式的自动转换，然后模型自动获取数据进行训练，最后将训练好的模型保存用于推理。

在进行推理时，可以直接对来自摄像头采集的图片数据进行分析，检测出故障信息(本例是检测螺栓孔信息，也就是螺栓缺失)。经测试，效果较好，能达到98％以上的检测精度。

当然，本发明实施例提出的工业故障检测的方法不仅仅只用于电力设备的检测，只要是能够用图片表示的故障均能实现检测。

基于同一发明构思，根据本发明的另一个方面，如图2所示，本发明的实施例还提供了一种计算机设备501，包括：

至少一个处理器520；以及

存储器510，存储器510存储有可在处理器上运行的计算机程序511，处理器520执行程序时执行如上的任一种工业故障检测的方法的步骤。

基于同一发明构思，根据本发明的另一个方面，如图3所示，本发明的实施例还提供了一种计算机可读存储介质601，计算机可读存储介质601存储有计算机程序610，计算机程序610被处理器执行时执行如上的任一种工业故障检测的方法的步骤。

最后需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(rom)或随机存储记忆体(ram)等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。

此外，典型地，本发明实施例公开的装置、设备等可为各种电子终端设备，例如手机、个人数字助理(pda)、平板电脑(pad)、智能电视等，也可以是大型终端设备，如服务器等，因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。

此外，根据本发明实施例公开的方法还可以被实现为由cpu执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被cpu执行时，执行本发明实施例公开的方法中限定的上述功能。

此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。

此外，应该明白的是，本文的计算机可读存储介质(例如，存储器)可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦写可编程rom(eeprom)或快闪存储器。易失性存储器可以包括随机存取存储器(ram)，该ram可以充当外部高速缓存存储器。作为例子而非限制性的，ram可以以多种形式获得，比如同步ram(dram)、动态ram(dram)、同步dram(sdram)、双数据速率sdram(ddrsdram)、增强sdram(esdram)、同步链路dram(sldram)、以及直接rambusram(drram)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。

本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。

结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其它这种配置。

结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动盘、cd-rom、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器，使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中，存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在asic中。asic可以驻留在用户终端中。在一个替换方案中，处理器和存储介质可以作为分立组件驻留在用户终端中。

在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括ram、rom、eeprom、cd-rom或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(dsl)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、dsl或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘(cd)、激光盘、光盘、数字多功能盘(dvd)、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。

以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。

应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。

上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。