CN110595749B - 电风扇振动故障检测方法及装置 - Google Patents
电风扇振动故障检测方法及装置 Download PDFInfo
- Publication number
- CN110595749B CN110595749B CN201910883646.1A CN201910883646A CN110595749B CN 110595749 B CN110595749 B CN 110595749B CN 201910883646 A CN201910883646 A CN 201910883646A CN 110595749 B CN110595749 B CN 110595749B
- Authority
- CN
- China
- Prior art keywords
- vibration
- video
- target video
- target
- motion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 113
- 230000003321 amplification Effects 0.000 claims abstract description 70
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 70
- 238000001228 spectrum Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims description 80
- 238000001514 detection method Methods 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 35
- 238000005192 partition Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000000638 solvent extraction Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000000737 periodic effect Effects 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种电风扇振动故障检测方法及装置，其中方法包括：振动物体为电风扇，获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；将振动信息与标准振动模式对应的振动信息进行匹配，根据匹配结果确定振动物体的振动故障。采用本发明实施例，可以提升信息提取的准确性，进而提升振动分析的可靠性。
Description
技术领域
本发明涉及机器学习领域，具体涉及一种电风扇振动故障检测方法及装置。
背景技术
互联网Internet属于传媒领域，又称国际网络，是网络与网络之间所串连成的庞大网络，这些网络以一组通用的协议相连，形成逻辑上的单一巨大国际网络。这种将计算机网络互相联接在一起的方法可称作“网络互联”，在这基础上发展出覆盖全世界的全球性互联网络称互联网，即是互相连接一起的网络结构。“互联网+”是创新2.0下的互联网发展的新业态，是知识社会创新2.0推动下的互联网形态演进及其催生的经济社会发展新形态。“互联网+”是互联网思维的进一步实践成果，推动经济形态不断地发生演变，从而带动社会经济实体的生命力，为改革、创新、发展提供广阔的网络平台。通俗的说，“互联网+”就是“互联网+各个传统行业”，但这并不是简单的两者相加，而是利用信息通信技术以及互联网平台，让互联网与传统行业进行深度融合，创造新的发展生态。它代表一种新的社会形态，即充分发挥互联网在社会资源配置中的优化和集成作用，将互联网的创新成果深度融合于经济、社会各域之中，提升全社会的创新力和生产力，形成更广泛的以互联网为基础设施和实现工具的经济发展新形态。
传统的故障监测机制一般是采用本地化检测设备，如在专用房间布置激光多普勒测振仪LDVs，通过该设备进行本地化的振动检测，以及故障预测等，但是LDVs存在价格昂贵，使用环境受限(测试环境的温度、光照等环境影响会使测量结果严重变坏)，测试区域小、难以实现远程监控等缺点，难以满足日益增多的各类场景中的智能化的振动检测需求。
在相关技术中，振动可以反应某些机械结构的运行状况，例如对于电风扇来说，运转过程中持续振动，可以拍摄振动装置运行时的视频，然后从视频中提取出振动信号，再根据振动信号获得电风扇的运行状况，进而发现电风扇是否产生故障。但是由于振动的过程是非常细微的，很多振动情形通过肉眼都难以观测，需要采用有效的方法对振动视频进行放大，以方便提取振动信息用于进一步分析。
发明内容
有鉴于此，本发明的目的在于提供一种电风扇振动故障检测方法及装置，通过采用欧拉运动放大方法放大视频中的微小运动，然后对视频中的振动信息进行提取，提升了信息提取的准确性，进而提升了振动分析的可靠性。
为了解决上述技术问题，本申请实施例第一方面提供了一种电风扇振动故障检测方法，方法包括：
接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面；
接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式；
定位所述电风扇为振动物体，获取所述电风扇对应的目标视频；
采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；
将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
在一种可行的示例中，所述获取所述电风扇对应的目标视频，包括：
获取所述电风扇的档位信息，所述档位信息包括档位数量和档位模式；
提示用户输入档位模式，并获取所述档位模式对应的档位视频；
将获得的多个档位视频作为所述电风扇对应的目标视频，所述多个即为档位数量个。
在一种可行的示例中，采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，包括：
将目标视频中的每个档位视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(4，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合放大后信号和金字塔形结构进行金字塔重构，得到所述档位视频对应的放大输出视频；
所述多个档位视频对应的放大输出视频组成所述振动物体的放大输出视频。
在一种可行的示例中，对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号，包括：
按照金字塔结构从下到上获取每个子图像在不同空间频率的频带；
将获取到的所述不同空间频率的频带按照获取顺序与标准频带进行匹配，确定所述频带与所述标准频带是否匹配成功；
当所述频带与所述标准频带匹配成功时，确定所述频带为目标频带；
获取所述频域对应的子图像为目标频带对应的变换信号。
在一种可行的示例中，在将目标视频的多帧图像组成的帧序列进行空域金字塔分解之前，所述方法还包括：
获取目标视频的多帧待处理图像，并将所述待处理图像进行分区；
获取所述分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；
确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；
若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；
保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像。
在一种可行的示例中，所述对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号，包括：
获取金字塔结构的总层数N，其中金字塔结构由下到上层数依次增大，对应的子图像分辨率依次升高；
对所述金字塔结构中的多个子图像进行分组，其中第一组包括2n+1层对应的子图像，第二组包括2(n+1)层对应的子图像，其中n为大于或等于0的整数，N≥max(2(n+1),2n+1)；
将第一组子图像采用第一处理器按照层数从小到大进行时域带通滤波处理，将第二组子图像采用第二处理器按照层数从小到大进行时域带通滤波处理，所述时域带通滤波处理为将所述子图像对应的不同空间频率的频带与标准频带进行匹配，所述第一处理器和所述第二处理器为独立运行的处理器；
当第一处理器或第二处理器确定所述频带与标准频带匹配成功时，确定所述频带为目标频带；
获取所述目标频带对应的子图像为第一目标子图像，获取所述第一目标子图像上面一层子图像为第二目标子图像；
确定所述第一目标子图像和所述第二目标子图像为目标频带对应的变换信号。
在一种可行的示例中，在采用欧拉运动放大方法对目标视频进行放大处理之前，方法包括：
将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间；
采用欧拉运动放大方法对目标视频进行放大处理，包括：
在亮度信号空间采用欧拉运动放大方法对目标视频进行放大处理。
在一种可行的示例中，对Y相信号采用欧拉运动放大方法对目标视频进行放大处理，包括：
对亮度信号进行快速傅氏变换FFT，把时域的亮度变化转换为频域的相位变化；
在时频空间采用欧拉运动放大算法对目标视频进行放大处理。
在一种可行的示例中，在对帧序列采用相位相关算法计算帧序列间的交叉互功率谱之后，方法还包括：
获取对检测视频对应的帧序列进行相位相关计算得到的交叉互功率谱对应的多个状态变化信号，状态变化信号为时域信号；
分析多个状态变化信号，以获取多个状态变化信号中的非周期信号；
去除多个状态变化信号中的非周期信号，得到滤除频域噪音后的交叉互功率谱。
在一种可行的示例中，所述分析多个状态变化信号，以获取多个状态变化信号中的非周期信号，包括：
从各状态变化信号中提取预设长度的目标状态变化信号段,并获取所述目标状态变化信号段的目标频率；
根据各状态变化信号对应的目标频率设定对应的滑窗,并将各状态变化信号发送至对应的滑窗；
将不能通过对应的滑窗的状态变化信号作为所述非周期信号。
在一种可行的示例中，在对金字塔型结构中的多个子图像进行时域带通滤波处理，得到目标频带对应的变换信号之前，方法还包括：
确定振动物体为做圆周运动的物体；
获取振动物体的转速，并根据转速确定标准频带频率。
在一种可行的示例中，在对金字塔型结构中的多个子图像进行时域带通滤波处理，得到目标频带对应的变换信号之前，方法还包括：
获取振动物体的共振频率；
根据共振频率确定标准频带频率。
本申请实施例第二方面提供了一种电风扇振动故障检测装置，装置包括：
接收单元，用于接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面；
选择单元，用于接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式；
获取单元，用于定位所述电风扇为振动物体，获取所述电风扇对应的目标视频；
放大单元，采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
计算单元，用于获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
输出单元，用于对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；
确定单元，用于将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
本申请实施例第三方面公开一种电子装置，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面任一方法所述的步骤的指令。
本申请实施例第四方面提供了一种存储介质，用于存储用于电子数据交换的计算机程序，其中，计算机程序使得计算机执行第一方面对应方法的步骤的指令。
可以看出，本申请实施例公开了一种电风扇振动故障检测方法和装置，通过接收用户指令，获取电风扇振动检测入口，然后根据用户选择的振动检测位置选项为用户提供标准振动模式；再获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得放大输出视频；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；最后通过标准振动模式与振动信息的匹配结果确定电风扇的振动故障。该方法能够通过采用拉格朗日运动放大方法放大视频中的微小运动，然后对视频中的振动信息进行提取，提升了信息提取的准确性，进而提升了振动分析的可靠性。最后通过标准振动模式与振动信息的对比确定振动故障，提升了振动检测的精确度和有效性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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附图。
图1A为本申请实施例提供的一种电风扇振动故障检测方法流程示意图。
图1B为本申请实施例提供的一种电风扇示意图；
图1C为本申请实施例提供的一种电风扇档位示意图；
图1D为本申请实施例提供的一种振动信息展示示意图；
图2为本申请实施例提供的另一种电风扇振动故障检测方法流程示意图。
图3为本申请实施例提供的一种视频放大处理方法的流程示意图。
图4为本申请实施例提供的另一种电风扇振动故障检测方法的流程示意图。
图5为本申请实施例提供的一种电风扇振动故障检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
首先介绍本申请涉及的电风扇振动故障检测方法，请参阅图1A，图1A为本申请实施例提供的一种电风扇振动故障检测方法流程示意图，如图1A所示，电风扇振动故障检测方法包括如下步骤：
101、接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面。
振动物体包括内部相互作用产生机械振动的物体，包括引擎振动、发送机振动或者齿轮振动等，或者由于外力作用产生机械振动的物理，包括电线振动或桥梁振动等。振动物体在正常情况下会按照固定的频率机械振动，而当振动物体产生故障时，振动频率也会发生变化。因此，可以通过获取振动物体对应的目标视频，并进行分析确定振动物体的故障情况。
在振动物体为电风扇时，需要获取电风扇的目标视频。电风扇包括有吊扇、台扇、落地扇、壁扇、顶扇、换气扇、转页扇、空调扇等，在本申请实施例中讨论的电风扇为台扇、落地扇或壁扇等包括底座和扇面的风扇，其中底座中包括发动机，可以控制风扇的档位和运转，扇面包括扇叶和网罩，可以转动产生风。振动检测传感装置与用户界面通过接口进行连接，在启动设备检测功能后，在用户界面为用户提供振动检测位置选项，电风扇的不同位置振动数据不同，通常情况下，扇面的振动强度高于底座，因此需要接收用户选择的振动检测位置选项，每一个振动检测位置对应至少一个标准振动模式，根据用户选择的振动检测位置确定标准振动模式，以便用于后续振动故障的发现过程。
102、接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式。
请参阅图1B，图1B为本申请实施例提供的一种电风扇示意图，如图1B所示，对于电扇等上下结构的电风扇，主要的检测位置包括扇面110和底座120，通常情况下，扇面的振动强度大于底座的振动强度，因此对于这两个位置应该分别进行检测并获得标准振动模式。另外，对于扇面110来说，有的风扇是可以摇头的，有的风扇不可以摇头，摇头时的振动情况和非摇头时的振动情况也有所差别，因此还可以分别获取摇头和非摇头情况下的标准振动模式。其中标准振动模式是指在确保电风扇正常运转的情况下，获取电风扇的振动数据，包括振动幅度、振动幅度的波峰、波谷、振动频率、振动幅度和频率分布情况等，建立标准振动模式对应的相关数据。
103、定位所述电风扇为振动物体，获取所述电风扇对应的目标视频。
定位振动过程中的电风扇为振动物体，即如果电风扇没有振动，或者振动的物体不为电风扇，都不会作为振动物体进行目标视频采集。这样可以防止采集的视频为无效视频，或者采集了其他振动物体的视频作为目标视频。提升了目标视频采集的效率和准确性。
可选的，获取电风扇对应的目标视频，包括：获取电风扇的档位信息，档位信息包括档位数量和档位模式；提示用户输入档位模式，并获取档位模式对应的档位视频；将获得的多个档位视频作为电风扇对应的目标视频，多个即为档位数量个。
对于电风扇来说，为了满足不同的风力要求，都会设置不同的档位，请参阅图1C，图1C为本申请实施例提供的一种电风扇档位示意图，如图1C所示，1，2，3，4档分别对应不同的风速，0档表示关闭电风扇。对于每一个档位，都应该获取其对应的档位视频，然后所有的档位视频组成电风扇对应的目标视频。0档对应的档位视频可以获取，也可以不获取。
另外，如果标准振动模式中包括摇头或非摇头模式，那么在获取目标视频时，也应该分开获取摇头模式和非摇头模式对应的所有档位视频。
可选的，获取电风扇对应的目标视频：获取第一视频和第二视频，其中第一视频和第二视频为针对同一目标拍摄在相同时间内拍摄的不同源视频；获取述第一视频对应的第一帧图像和第二视频对应的第二帧图像；对第一帧图像和第二帧图像进行重叠，对第一帧图像和第二帧图像不能重叠的像素点进行清除；获得电风扇对应的目标视频。
具体地，在对电风扇采集同一档位视频时，可能因为一些外界原因，例如摄像头晃动、摄像头故障等，使得采集的视频存在偏差，那么，用不同的摄像头在同一时间内拍摄电风扇同一档位的不同源视频，获得第一视频和第二视频，并且对第一视频对应的第一帧图像和第二视频对应的第二帧图像进行重叠，在摄像头正常的情况下，两个帧图像对应的像素点应该完全重叠，那么清除掉第一帧图像和第二帧图像不能重叠的像素点，即为清除两个摄像头中的拍摄偏差像素点，获得的即为噪声更少的帧图像。同样的，还可以对该振动物体拍摄更多的同一时间段内的不同源视频，进一步减少视频噪声。
104、采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的。
振动物体对应的目标视频中包含振动物体的运动过程，这个运动过程非常微小，需要进行放大以便后续振动信息的提取。采用欧拉运动放大方法，可以通过将视频中的像素看作时间和空间的函数来分析整个场景图像中像素点的亮度值随时间的变化关系，实现对微小运动的放大。
可选的，在采用欧拉运动放大方法对目标视频进行放大处理之前，方法包括：将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间；采用欧拉运动放大方法对目标视频进行放大处理，包括：在Y相采用欧拉运动放大方法对目标视频进行放大处理。
可选的，对Y相信号采用欧拉运动放大方法对目标视频进行放大处理，包括：对Y相信号进行快速傅氏变换FFT，把时域的亮度变化转换为频域的相位变化；在时频空间采用欧拉运动放大算法对目标视频进行放大处理。
在将目标视频进行运动放大处理时，所有操作都在YIQ色彩空间完成，Y分量代表图像的亮度信息，I、Q两个分量则携带颜色信息。进行运动放大时对三个颜色通道都进行处理相当耗时。而只在Y相空间进行目标视频的放大处理，可以有效减少计算量，同时完成运动放大的过程。通常输入视频是RGB颜色空间，在将RGB颜色空间转换成YIQ颜色空间后，分离视频帧的亮度信息和色度信息。RGB和YIQ的转换关系为：
Y＝0.299*R+0.587*G+0.114*B；
I＝0.596*R–0.275*G–0.321*B；
Q＝0.212*R-0.523*G+0.311*B。
然后保持I、Q通道不变，对Y通道信号进行快速傅氏变换(Fast FourierTransformation,FFT)操作，再利用欧拉运动放大算法对视频数据行放大处理,得到放大后的Y通道图像；最后将重建的Y通道图像与原来的I、Q通道图像相加，再转化为RGB色彩空间，得到输出视频。
可选的，采用欧拉放大方法对目标视频进行放大处理，获得放大输出视频，包括：将目标视频中的每个档位视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(4，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；结合放大后信号和金字塔形结构进行金字塔重构，得到档位视频对应的放大输出视频；多个档位视频对应的放大输出视频组成振动物体的放大输出视频。
具体地，采用欧拉运动放大对目标视频进行放大，首先需要将目标视频中的像素转换成时间和空间的函数，即通过图像金字塔变换将目标视频的多帧图像组成的帧序列分解成多个不同空间分辨率、不同尺度大小的子图像以构成一个金字塔塔型结构，例如采用高斯金字塔对目标视频的多帧图像进行分解，即由一组在尺寸上逐层减半的图像序列组成金字塔结构，序列中的每一级图像均为其前一级图像低通滤波并隔行隔列采样的结果。
进行金字塔分解即对帧序列进行空域滤波，分解得到不同空间频率的频带，并对这些频带分别进行放大。因为处于不同空间频率的频带对应的信噪比不同，空间频率越低，图像噪声越少，信噪比越高，因此每层空间频率的频带可以设置不同的放大系数。例如可以使用一个线性可变的放大倍数来放大不同频率的频带。金字塔结构中，从顶层到底层，放大倍数依次降低。
通过金字塔处理得到不同空间频率的频带后，还可以对每个频带进行时域的带通滤波处理，以得到感兴趣的变换信号，即目标频带对应的变换信号，并只对目标频带对应的变换信号进行放大处理。在进行带通滤波处理时，可以采用理想带通滤波器，Butterworth带通滤波器，二阶无限脉冲响应滤波器等。
获得目标频带对应的变换信号后，令I(x,t)为点x在时刻t的灰度值，且初始值为f(x)，则：
其中δ(t)表示位移信号。
对I(x,t)放大α倍，即对位移信号δ(t)进行放大，且放大后的信号为：
因为微小运动进行放大时，倍数太小是没有意义的，因此A的最小取值大于4。另外，放大倍数与空间频率相关，且满足如下关系：
其中，空间频率为ω，目标频带的空间波长为λ，且λ＝2π/ω，则可通过目标频带和变换信号的位移函数确定α的最大值。Amax≤α。
获得放大后信号之后，将其重新与原本的频带相结合，再通过金字塔重构，例如拉普拉斯金字塔变换重构，得到放大后的图像，进行得到每个档位视频对应的放大输出视频，最后得到振动物体的放大输出视频。
可选的，所述对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号，包括：按照金字塔结构从下到上获取每个子图像在不同空间频率的频带，其中金字塔结构最下面一层为分辨率最低的子图像对应的层；将获取到的所述不同空间频率的频带按照获取顺序与标准频带进行匹配，确定所述频带与所述标准频带是否匹配成功；当所述频带与所述标准频带匹配成功时，确定所述频带为目标频带；获取所述频域对应的子图像为目标频带对应的变换信号。
具体地，对目标视频的图像帧序列进行金字塔分解后，获得金字塔型结构。金字塔型结构包括多层子图像，且从上到下的图像分辨率依次降低，空间频率依次降低。对每层图像进行时域带通滤波处理，是为了得到目标频带，使得目标频带的子图像分辨率能够清晰表达图像的运动特征，同时不会因为分辨率过高造成计算量过大。因此，按照金字塔结构从下到上获取每个子图像在不同空间频率的频带，并且按照获取顺序与标准频带进行对比，当确定某一层子图像的频带与标准频带匹配成功时，就不需要再对该层子图像之上的一层或多层子图像进行空间频率的频带获取和匹配，提升了时域贷通滤波的效率。另外，金字塔分解的最大层数确定：log2(min(xres,yres))，其中xres为图像的宽度像素值，yres为图像的高度像素值。
可选的，所述对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号，包括：
获取金字塔结构的总层数N，其中金字塔结构由下到上层数依次增大，对应的子图像分辨率依次升高；
对所述金字塔结构中的多个子图像进行分组，其中第一组包括2n+1层对应的子图像，第二组包括2n层对应的子图像，其中n,m为大于或等于0的整数，N≥max(2n,2n+1)；
将第一组子图像采用第一处理器按照层数从小到大进行时域带通滤波处理，将第二组子图像采用第二处理器按照层数从小到大进行时域带通滤波处理，所述时域带通滤波处理为将所述子图像对应的不同空间频率的频带与标准频带进行匹配，所述第一处理器和所述第二处理器为独立运行的处理器；
当第一处理器或第二处理器确定所述频带与标准频带匹配成功时，确定所述频带为目标频带；
获取所述目标频带对应的子图像为第一目标子图像，获取所述第一目标子图像上面一层子图像为第二目标子图像；
确定所述第一目标子图像和所述第二目标子图像为目标频带对应的变换信号。
具体地，在对目标视频的多帧图像组成的帧序列进行空域金字塔分解后，可以获得金字塔结构的总层数N，且金字塔结构从下到上1～N层对应子图像的分辨率依次升高。然后对N层子图像进行分组，包括基数组和偶数组，基数组采用第一处理器按照1,3,5…2n+1的顺序进行时域带通滤波处理，偶数组采用第二处理器按照2,4,6,…2(n+1)的顺序进行时域带通滤波处理，两个处理器可以同时开始运行，也可以具有一定的处理时间间隔，另外，时域带通滤波处理是为了获取目标频带，获取方法可以是将子图像对应的不同空间频率的频带与标准频带进行匹配。当第一处理器或第二处理器确定频带与标准频带匹配成功时，确定所述频带为目标频带。
因为目标频带表示能反应图像振动信息的最低分辨率子图像的空间频率，那么确定目标频带对应的子图像为第一目标子图像，然后获取目标频带对应子图像上一层的子图像作为第二目标子图像，将第一目标子图像和第二目标子图像为目标频带对应的变换信号，进行后续放大变换。这样，可以更准确地对目标视频对应的帧图像进行放大，获得更准确的运动信息，同时也避免了对更高分辨率图像进行放大的需要增加的运算量。
在本申请实施例中，对金字塔结构对应的子图像进行分组，然后通过两个独立运行的处理器对不同组的子图像进行时域带通滤波处理，可以提升滤波处理效率，同时在获取到目标频带对应层的子图像作为第一目标子图像后，获取其上一层的子图像作为第二目标子图像，然后将第一目标子图像和第二目标子图像为目标频带对应的变换信号，这样可以获得更准确的放大运动信息，同时也避免了对更高分辨率图像进行放大的需要增加的运算量。
可选的，在将目标视频的多帧图像组成的帧序列进行空域金字塔分解之前，所述方法还包括：获取目标视频的多帧待处理图像，并将所述待处理图像进行分区；获取所述分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像。
具体地，目标视频对应的多帧图像中，有的区域包括运动的像素点，有的区域不包括，去除其中不包括运动像素点的区域，有助于获得更精简的图像，以便更高效的进行后续的空域金字塔分解。
那么首先对待处理图像进行分区，进行分区时，可以进行矩形分区，例如将R*R个像素分为一个分区，R可以是任意大于1的整数，然后获取每个分区中的初始特征点，初始特征点可以是角点、边缘点、暗区的亮点以及亮区的暗点等，然后基于最小差值平方和SSD匹配，计算所述初始特征点的流向量。SSD的值越小，说明特征点之间的相似度越大，根据这一原则可以确定初始特征点的运动轨迹，进而获得初始特征点的流向量。再根据流向量计算初始特征点的偏移距离，例如对
求模，获得
即为初始特征点从点A到点B的偏移距离。
获得多个初始特征点的偏移距离后，采用K-means聚类算法对所述多个偏移距离进行聚类，获得多个聚类类簇，再分别计算每个类簇的平均值，并确定每个类簇的平均值是否处于预设范围，预设范围用来表征振动物体做往复运动，如果类簇的平均值处于预设范围，表示该初始特征点对应的区域有做往复运动的像素点，确定该初始特征点对应的分区为运动分区，保留运动分区，去除非运动分区，获得最终的目标视频的多帧图像。
可选的，在对金字塔型结构中的多个子图像进行时域带通滤波处理，得到目标频带对应的变换信号之前，方法还包括：确定振动物体为做圆周运动的物体；获取振动物体的转速，并根据转速确定目标频带。
具体地，对于做圆周运动的物体，可以根据转速和其他参数计算获得该物体的转动频率，转速单位为转/秒时，转速值与转动频率值相等。根据振动物体在正常运行时的转动频率可以进一步确定其振动频率，进而确定振动图像进行金字塔分解后的标准频率，进而确定目标频带。
可选的，在对金字塔型结构中的多个子图像进行时域带通滤波处理，得到目标频带对应的变换信号之前，方法还包括：获取振动物体的共振频率；根据共振频率确定目标频带。
对于做机械振动的物体，都有其对应的共振频率，且根据物体的形状、大小和材质，共振频率会不同。当振动物体达到共振频率时，可以判断振动物体包含故障，那么根据共振频率确定目标频带，然后对目标频带对应的变换信号进行放大处理，提取振动信息，有利于发现振动物体的故障原因。
105、获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱。
获得放大输出视频后，再获取其对应的帧序列，然后对帧序列采用相位相关算法计算帧序列间的交叉互功率谱。相位相关算法采用如下的公式计算交叉互功率谱。
上式中，Fa为a帧图像的傅立叶变换，
为b帧图像的傅里叶变换的共轭信号，除式的下边为两个傅里叶变换的信号的相关积的模。R为本步骤的计算结果交叉互功率谱。
获得交叉互功率谱后，其中包含频域噪音，因此可对其进行滤波处理，提升信噪比，以便提升后续提取的振动信息的准确度。
可选的，在对帧序列采用相位相关算法计算帧序列间的交叉互功率谱之后，方法还包括：获取对检测视频对应的帧序列进行相位相关计算得到的交叉互功率谱对应的多个状态变化信号，状态变化信号为时域信号；分析多个状态变化信号，以获取多个状态变化信号中的非周期信号；去除多个状态变化信号中的非周期信号，得到滤除频域噪音后的交叉互功率谱。
具体地，交叉互功率谱为频域信号，其中包括一个或多个相关峰。将交叉互功率谱进行反傅里叶变换之后即可得到各相关峰对应的状态变化信号。每个状态变化信号可以反应目标视频中的某个位置的状态变化情况，对目标视频对应的帧序列进行相位相关计算得到交叉互功率谱可以理解为，从目标视频中提取出视频画面中的状态变化信息。状态变化信息包括振动信息和其他噪声信息，例如光照的变化也会导致视频画面中的状态变化，振动信息可以反应待振动物体的运行状况。待检测装置运行时自身的振动是周期性的，振动引起的状态变化也是周期性的。很多噪声信息虽然会导致检测视频中各像素点的状态变化，但是，噪声引起的状态变化常常不是周期性的，而且根据待检测装置的振动分析待检测装置的运行状况时，呈周期性的振动才能用于反应待检测装置的运行状况，因为非周期性的振动常常是由外界环境导致的，而不是由待检测装置自身引起的，那这部分非周期性的信号也不能用于分析待检测装置的运行状况。通过获取状态变化信号中的非周期信号获取不是由自身振动引起的噪声信号。由于非周期信号常常是对分析待检测装置的运行状况作用不大或者没有作用甚至会有干扰的信号，那么可去除这部分非周期信号，以使得从检测视频中获取到的状态变化信号中，有用信息更多。
可选的，所述分析多个状态变化信号，以获取多个状态变化信号中的非周期信号，包括：从各状态变化信号中提取预设长度的目标状态变化信号段,并获取所述目标状态变化信号段的目标频率；根据各状态变化信号对应的目标频率设定对应的滑窗,并将各状态变化信号发送至对应的滑窗；将不能通过对应的滑窗的状态变化信号作为所述非周期信号。
具体地，判断各状态变化信号是否为周期信号时，可先提取预设长度的目标状态变化信号段，获取目标变化信号段的目标频率，然后将状态变化信号中的其他部分的频率与目标频率比对，如果状态变化信号中的其他部分的频率与目标频率不一致，则可认为该状态变化信号为非周期信号。预设长度可以由用户设定一个确定的值，也可以在信号处理过程中根据信号的长度自行适配，例如可将预设长度设定为状态变化信号长度的1/10。获得目标状态变换信号段的目标频率之后，根据目标频率设定滑窗的窗口大小，例如可将滑窗的窗口大小设定为与目标频率一致，这样只有频率与目标频率一致的信号才能通过滑窗，而与目标频率不一致的信号则不能通过滑窗。如果状态变化信号不能通过对应的滑窗，则说明该状态变化信号中存在频率与目标频率不一致的信号段，也即该状态变化信号为非周期信号。
本实施例中，通过滑窗的方式判断状态变化信号中的其他部分的频率与目标频率是否一致，这样可以方便快捷地得到结论，计算量更小。
106、对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息。
交叉互功率谱反应的是振动物体在频域上的振动信息，而需要在时域对振动物体的振动信息进行观察，则需要进行反傅里叶变换(或逆傅里叶变换)。在进行反傅里叶变换时，对应的公式为：
上式中，
表示对交叉互功率谱进行反傅里叶变换，R′是滤波处理后得到的交叉互功率谱，得到r就是视频中的像素振动信息。
107、将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
在获得振动物体对应的振动信息后，可以根据振动信息查看振动物体的振动情况。请参阅图1D，图1D为本申请实施例提供的一种振动信息展示示意图，如图1D所示，振动检测传感装置经过接口单元连接到用户界面，在用户界面对接口单元多模输出的振动信息进行展示，在左边区域进行放大视频的展示，在右边区域进行放大视频对应目标检测点的振动参数的展示，例如在图1D中，目标检测点为130对应的圆形区域，右边即为其对应的振动参数。在振动参数展示区域还可以选择展示频域波形图或频域波形图，还可以展示振动最大幅度、振动幅度取区间分布等具体参数值。
将获得的振动信息与标准振动模式对应的振动信息进行匹配，可以发现当前目标视频与标准振动模式的振动信息之间的差别，追踪这些差别产生的位置和原因，就可以发现目标视频对应电风扇的振动故障。
可见，在本申请实施例中，通过接收用户指令，获取电风扇振动检测入口，然后根据用户选择的振动检测位置选项为用户提供标准振动模式；再获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得放大输出视频；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；最后通过标准振动模式与振动信息的匹配结果确定电风扇的振动故障。该方法能够通过采用拉格朗日运动放大方法放大视频中的微小运动，然后对视频中的振动信息进行提取，提升了信息提取的准确性，进而提升了振动分析的可靠性。最后通过标准振动模式与振动信息的对比确定振动故障，提升了振动检测的精确度和有效性。
请参阅图2，图2为本申请实施例提供的另一种电风扇振动故障检测方法的流程示意图，如图2所示，该方法包括如下步骤：
201、获取振动物体对应的目标视频；
202、将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间；
203、对Y相信号进行快速傅氏变换FFT，把时域的亮度变化转换为频域的相位变化；
204、在时频空间采用欧拉运动放大算法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频；
205、获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
206、对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息。
其中，上述步骤201-步骤206的具体描述可以参照步骤101-107所描述的电风扇振动故障检测方法的相应描述，在此不再赘述。
可见，本申请实施例公开的电风扇振动故障检测方法，通过获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息。在这个过程中通过将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间，并在Y信道进行信号放大，可以减少运算内容，提升运算效率。该方法能够通过采用欧拉运动放大方法放大视频中的微小运动，然后对视频中的振动信息进行提取，提升了信息提取的准确性，进而提升了振动分析的可靠性。
请参阅图3，图3为本申请实施例提供的一种视频放大处理方法的流程示意图，如图3所示，该方法包括如下步骤：
301、获取目标视频的多帧待处理图像，并将所述待处理图像进行分区；
302、获取每个分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；
303、根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离，并对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；
304、确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；
305、若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；
306、保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像；
307、将目标视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
308、按照金字塔结构从下到上获取每个子图像在不同空间频率的频带，其中金字塔结构最下面一层为分辨率最低的子图像对应的层；
309、将获取到的所述不同空间频率的频带按照获取顺序与标准频带进行匹配，确定所述频带与所述标准频带是否匹配成功；
310、当所述频带与所述标准频带匹配成功时，确定所述频带为目标频带，获取所述频域对应的子图像为目标频带对应的变换信号；
311、对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(4，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
312、结合放大后信号和金字塔形结构进行金字塔重构，得到放大输出视频。
其中，上述步骤301-步骤312的具体描述可以参照步骤101-步骤107所描述的电风扇振动故障检测方法的相应描述，在此不再赘述。
可见，本申请实施例公开的电风扇振动故障检测方法，通过采用欧拉运动放大方法对目标视频进行放大处理，获得放大输出视频；其中包括对目标视频中的图像帧进行空域金字塔分解、对金字塔型结构中的子图像进行带通滤波、再获得目标频带对应的变换信号并进行放大，最终获得放大输出视频，这个过程进一步确定了采用欧拉运动放大对目标视频进行放大处理的具体过程，提升了视频放大处理的有效性，进而获得更精准的放大输出视频。
请参阅图4，图4为本申请实施例提供的另一种电风扇振动故障检测方法的流程示意图，如图4所示，该方法包括如下步骤：
401、获取振动物体对应的目标视频；
402、采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
403、获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
404、获取对检测视频对应的帧序列进行相位相关计算得到的交叉互功率谱对应的多个状态变化信号，状态变化信号为时域信号；
405、从各状态变化信号中提取预设长度的目标状态变化信号段,并获取所述目标状态变化信号段的目标频率；
406、根据各状态变化信号对应的目标频率设定对应的滑窗,并将各状态变化信号发送至对应的滑窗；
407、将不能通过对应的滑窗的状态变化信号作为所述非周期信号；
408、去除多个状态变化信号中的非周期信号，得到滤除频域噪音后的交叉互功率谱；
409、对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息。
其中，上述步骤401-步骤409的具体描述可以参照步骤101-步骤107所描述的电风扇振动故障检测方法的相应描述，在此不再赘述。
通过获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得放大输出视频；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息。在这个过程中，通过对交叉互功率谱进行滤波处理，有助于获得更准确的振动信息，整个过程提升了信息提取的准确性，进而提升了振动分析的可靠性。
请参阅图5，图5为本申请实施例提供的一种电风扇振动故障检测装置的结构示意图，如图5所示，电风扇振动故障检测装置500包括：
接收单元501，用于接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面；
选择单元502，用于接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式；
获取单元503，用于定位所述电风扇为振动物体，获取所述电风扇对应的目标视频；
放大单元504，采用欧拉运动放大方法对目标视频进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
计算单元505，用于获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
输出单元506，用于对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；
确定单元507，用于将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
在此需要说明的是，上述接收单元501、选择单元502、获取单元503、放大单元504、计算单元505、输出单元506和确定单元507的具体工作过程参见上述步骤101-107所描述的电风扇振动故障检测方法的相应描述，在此不再赘述。
可以看出，本申请实施例公开的电风扇振动故障检测装置，通过接收用户指令，获取电风扇振动检测入口，然后根据用户选择的振动检测位置选项为用户提供标准振动模式；再获取振动物体对应的目标视频；采用欧拉运动放大方法对目标视频进行放大处理，获得放大输出视频；获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；最后通过标准振动模式与振动信息的匹配结果确定电风扇的振动故障。该方法能够通过采用拉格朗日运动放大方法放大视频中的微小运动，然后对视频中的振动信息进行提取，提升了信息提取的准确性，进而提升了振动分析的可靠性。最后通过标准振动模式与振动信息的对比确定振动故障，提升了振动检测的精确度和有效性。
在可选情况下，获取单元503具体用于：
获取所述电风扇的档位信息，所述档位信息包括档位数量和档位模式；
提示用户输入档位模式，并获取所述档位模式对应的档位视频；
将获得的多个档位视频作为所述电风扇对应的目标视频，所述多个即为档位数量个。
在可选情况下，放大单元504具体用于：
将目标视频中的每个档位视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(4，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合放大后信号和金字塔形结构进行金字塔重构，得到所述档位视频对应的放大输出视频；
所述多个档位视频对应的放大输出视频组成所述振动物体的放大输出视频。
在可选情况下，放大单元504还具体用于：
按照金字塔结构从下到上获取每个子图像在不同空间频率的频带，其中金字塔结构最下面一层为分辨率最低的子图像对应的层；
将获取到的所述不同空间频率的频带按照获取顺序与标准频带进行匹配，确定所述频带与所述标准频带是否匹配成功；
当所述频带与所述标准频带匹配成功时，确定所述频带为目标频带；
获取所述频域对应的子图像为目标频带对应的变换信号。
在可选情况下，电风扇振动故障检测装置还包括分区单元508，具体用于：
获取目标视频的多帧待处理图像，并将所述待处理图像进行分区；
获取每个分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；
确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；
若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；
保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像。
在可选情况下，电风扇振动故障检测装置还包括转换单元509，具体用于：
将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间；
放大单元504具体用于：
对Y相信号采用欧拉运动放大方法对目标视频进行放大处理。
在可选情况下，放大单元504还具体用于：
对Y相信号进行快速傅氏变换FFT，把时域的亮度变化转换为频域的相位变化；
在时频空间采用欧拉运动放大算法对目标视频进行放大处理。
在可选情况下，电风扇振动故障检测装置还包括滤波单元510，具体用于：
获取对检测视频对应的帧序列进行相位相关计算得到的交叉互功率谱对应的多个状态变化信号，状态变化信号为时域信号；
分析多个状态变化信号，以获取多个状态变化信号中的非周期信号；
去除多个状态变化信号中的非周期信号，得到滤除频域噪音后的交叉互功率谱。
可选情况下，所述滤波单元510还具体用于：
从各状态变化信号中提取预设长度的目标状态变化信号段,并获取所述目标状态变化信号段的目标频率；
根据各状态变化信号对应的目标频率设定对应的滑窗,并将各状态变化信号发送至对应的滑窗；
将不能通过对应的滑窗的状态变化信号作为所述非周期信号。
在可选情况下，放大单元504还具体用于：
确定振动物体为做圆周运动的物体；
获取振动物体的转速，并根据转速确定标准频带频率。
在可选情况下，放大单元504还具体用于：
获取振动物体的共振频率；
根据共振频率确定标准频带频率。
在一些实施例里，用于存储用于电子数据交换的计算机程序，其中，计算机程序使得计算机执行上述任一方法的步骤的指令。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法，可通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，方法或单元的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种电风扇振动故障检测方法，其特征在于，方法包括：
接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面；
接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式；
定位所述电风扇为振动物体，获取所述电风扇对应的目标视频；
获取所述目标视频的多帧待处理图像，并将所述待处理图像进行分区；
获取每个分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；
根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；
对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；
确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；
若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；
保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像；
采用欧拉运动放大方法对所述目标视频的多帧图像进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；
将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
2.根据权利要求1所述的方法，其特征在于，所述获取所述电风扇对应的目标视频，包括：
获取所述电风扇的档位信息，所述档位信息包括档位数量和档位模式；
提示用户输入档位模式，并获取所述档位模式对应的档位视频；
将获得的多个档位视频作为所述电风扇对应的目标视频，所述多个即为档位数量个。
3.根据权利要求2的方法，其特征在于，所述采用欧拉运动放大方法对所述目标视频的多帧图像进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，包括：
将目标视频中的每个档位视频的多帧图像组成的帧序列进行空域金字塔分解，得到由多个不同空间分辨率的子图像组成的金字塔形结构；
对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号；
对变换信号对应的位移进行A倍放大，获得放大后信号，其中A的取值范围为(4，Amax),其中Amax的值由目标频带和变换信号的位移函数确定；
结合放大后信号和金字塔形结构进行金字塔重构，得到所述档位视频对应的放大输出视频；
所述多个档位视频对应的放大输出视频组成所述振动物体的放大输出视频。
4.根据权利要求3的方法，其特征在于，所述对金字塔型结构中的多个子图像中每个子图像进行时域带通滤波处理，得到目标频带对应的变换信号，包括：
按照金字塔结构从下到上获取每个子图像在不同空间频率的频带，其中金字塔结构最下面一层为分辨率最低的子图像对应的层；
将获取到的所述不同空间频率的频带按照获取顺序与标准频带进行匹配，确定所述频带与所述标准频带是否匹配成功；
当所述频带与所述标准频带匹配成功时，确定所述频带为目标频带；
获取所述频带对应的子图像为目标频带对应的变换信号。
5.根据权利要求1所述的方法，其特征在于，在采用欧拉运动放大方法对目标视频进行放大处理之前，方法包括：
将目标视频序列帧由RGB颜色空间转换到YIQ颜色空间；
采用欧拉运动放大方法对目标视频进行放大处理，包括：
对Y相信号采用欧拉运动放大方法对目标视频进行放大处理。
6.根据权利要求5的方法，其特征在于，所述对Y相信号采用欧拉运动放大方法对目标视频进行放大处理，包括：
对Y相信号进行快速傅氏变换FFT，把时域的亮度变化转换为频域的相位变化；
在时频空间采用欧拉运动放大算法对目标视频进行放大处理。
7.一种电风扇振动故障检测装置，其特征在于，所述装置包括：
接收单元，用于接收用户启动设备检测功能的指令，根据所述指令呈现目标电风扇的振动检测入口，所述振动检测入口提供振动检测位置选项，所述振动检测位置包括底座和扇面；
选择单元，用于接收用户选择的振动检测位置选项，并根据所述振动检测位置选项确定标准振动模式；
获取单元，用于定位所述电风扇为振动物体，获取所述电风扇对应的目标视频；
分区单元，用于获取所述目标视频的多帧待处理图像，并将所述待处理图像进行分区；获取每个分区中的像素点作为初始特征点，基于最小差值平方和SSD匹配，计算所述初始特征点的流向量；根据所述初始特征点对应的流向量计算所述初始特征点的偏移距离；对多个初始特征点对应的多个偏移距离采用k-means聚类算法进行聚类，获得多个聚类类簇；确定所述多个聚类类簇中每个聚类类簇中的偏移距离平均值是否处于预设范围；若是，则确定所述聚类类簇中的初始特征点对应的所述分区为运动分区；保留所述目标视频的多帧待处理图像中的运动分区，形成目标视频的多帧图像；
放大单元，采用欧拉运动放大方法对所述目标视频的多帧图像进行放大处理，获得振动物体的具有运动放大效果的放大输出视频，运动放大效果是指振动物体的发生往复运动的区域的运动情况在目标视频中是经过放大处理的；
计算单元，用于获取放大输出视频对应的帧序列，对帧序列采用相位相关算法计算帧序列间的交叉互功率谱；
输出单元，用于对交叉互功率谱进行反傅立叶变换，获得目标视频中像素的振动信息；
确定单元，用于将所述振动信息与所述标准振动模式对应的振动信息进行匹配，根据匹配结果确定所述振动物体的振动故障。
8.一种电子装置，其特征在于，包括处理器、存储器、通信接口，以及一个或多个程序，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
9.一种计算机可读存储介质，其特征在于，存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/105853 WO2021052025A1 (zh) | 2019-04-26 | 2020-07-30 | 电风扇振动故障检测方法及装置 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019103460283 | 2019-04-26 | ||
| CN201910346028 | 2019-04-26 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110595749A CN110595749A (zh) | 2019-12-20 |
| CN110595749B true CN110595749B (zh) | 2021-08-20 |
Family
ID=68860952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910883646.1A Active CN110595749B (zh) | 2019-04-26 | 2019-09-18 | 电风扇振动故障检测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110595749B (zh) |
| WO (1) | WO2021052025A1 (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110595749B (zh) * | 2019-04-26 | 2021-08-20 | 深圳市豪视智能科技有限公司 | 电风扇振动故障检测方法及装置 |
| CN110617965B (zh) * | 2019-04-26 | 2021-10-15 | 深圳市豪视智能科技有限公司 | 齿轮组异常的检测方法及相关产品 |
| CN112528854B (zh) | 2020-12-12 | 2023-07-25 | 南方电网调峰调频发电有限公司 | 振动对象监测方法、装置、计算机设备和存储介质 |
| CN112254801B (zh) * | 2020-12-21 | 2021-04-02 | 浙江中自庆安新能源技术有限公司 | 一种微小振动视觉测量方法及系统 |
| CN112816053A (zh) * | 2020-12-30 | 2021-05-18 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种船舶设备的非接触式振动信息检测方法及系统 |
| CN113096194B (zh) * | 2021-05-08 | 2024-03-26 | 北京字节跳动网络技术有限公司 | 确定时序的方法、装置、终端及非暂时性存储介质 |
| CN113447111B (zh) * | 2021-06-16 | 2022-09-27 | 合肥工业大学 | 基于形态分量分析的视觉振动放大方法、检测方法及系统 |
| CN113464380B (zh) * | 2021-08-09 | 2022-09-27 | 观为监测技术无锡股份有限公司 | 一种塔筒安全性能确定方法、装置、设备及存储介质 |
| CN113682342A (zh) * | 2021-08-25 | 2021-11-23 | 深圳市永安环保实业有限公司 | 轨道的异常检测方法及相关产品 |
| CN114782902A (zh) * | 2022-06-22 | 2022-07-22 | 中国科学技术大学先进技术研究院 | 石化气体泄露检测方法、系统、设备及存储介质 |
| CN114993452B (zh) * | 2022-07-14 | 2023-03-24 | 湖南大学 | 基于宽带相位运动放大的结构微小振动测量方法与系统 |
| CN114972349B (zh) * | 2022-08-01 | 2022-10-25 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
| CN115430814A (zh) * | 2022-09-27 | 2022-12-06 | 联峰钢铁（张家港）有限公司 | 一种连铸机状态判断及预警的方法 |
| CN116593145B (zh) * | 2023-05-16 | 2024-01-09 | 利维智能（深圳）有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
| CN117969070B (zh) * | 2024-03-27 | 2024-06-28 | 矿冶科技集团有限公司 | 一种大型选矿旋转设备的低频机械振动频率表征方法 |
| CN118261001A (zh) * | 2024-04-03 | 2024-06-28 | 中国水利水电科学研究院 | 一种融合视频微振动监测和传感器的视频振动校准方法 |
| CN118309616B (zh) * | 2024-06-06 | 2024-08-09 | 华电(福建)风电有限公司 | 海上风电设备的运维方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103727979A (zh) * | 2013-12-19 | 2014-04-16 | 安徽泰特斯电力技术有限公司 | 一种风机振动在线监测终端 |
| CN104053005A (zh) * | 2013-03-11 | 2014-09-17 | 英特尔公司 | 使用分级相平面相关性和块匹配的运动估计 |
| CN105651377A (zh) * | 2016-01-11 | 2016-06-08 | 衢州学院 | 一种基于视频数据挖掘的非接触式物体振动频率测量方法 |
| CN105723417A (zh) * | 2013-11-19 | 2016-06-29 | 高通股份有限公司 | 用非静止装置检测对象的变化特征 |
| US9599532B2 (en) * | 2015-02-27 | 2017-03-21 | The United States Of America As Represented By The Secretary Of The Navy | Characterization and evaluation of optical elements under vibrational loading |
| CN106657713A (zh) * | 2016-12-30 | 2017-05-10 | 华中科技大学 | 一种视频运动放大方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3245613B1 (en) * | 2015-01-13 | 2023-12-13 | Idemia Identity & Security France | Process and system for video spoof detection based on liveness evaluation |
| CN106127688B (zh) * | 2016-06-30 | 2019-10-18 | 北京大学 | 一种超分辨率图像重建方法及其系统 |
| US11371878B2 (en) * | 2016-08-29 | 2022-06-28 | Elbit Systems Land And C4I Ltd. | Optical detection of vibrations |
| JP6699631B2 (ja) * | 2017-07-04 | 2020-05-27 | Ｊｆｅスチール株式会社 | 鋳型振動監視方法及びブレークアウト監視方法 |
| CN109520690A (zh) * | 2018-10-30 | 2019-03-26 | 西安交通大学 | 一种基于视频的旋转机械转子模态振型全局测量装置及方法 |
| CN110595749B (zh) * | 2019-04-26 | 2021-08-20 | 深圳市豪视智能科技有限公司 | 电风扇振动故障检测方法及装置 |
-
2019
- 2019-09-18 CN CN201910883646.1A patent/CN110595749B/zh active Active
-
2020
- 2020-07-30 WO PCT/CN2020/105853 patent/WO2021052025A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104053005A (zh) * | 2013-03-11 | 2014-09-17 | 英特尔公司 | 使用分级相平面相关性和块匹配的运动估计 |
| CN105723417A (zh) * | 2013-11-19 | 2016-06-29 | 高通股份有限公司 | 用非静止装置检测对象的变化特征 |
| CN103727979A (zh) * | 2013-12-19 | 2014-04-16 | 安徽泰特斯电力技术有限公司 | 一种风机振动在线监测终端 |
| US9599532B2 (en) * | 2015-02-27 | 2017-03-21 | The United States Of America As Represented By The Secretary Of The Navy | Characterization and evaluation of optical elements under vibrational loading |
| CN105651377A (zh) * | 2016-01-11 | 2016-06-08 | 衢州学院 | 一种基于视频数据挖掘的非接触式物体振动频率测量方法 |
| CN106657713A (zh) * | 2016-12-30 | 2017-05-10 | 华中科技大学 | 一种视频运动放大方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于相位的视频振动分析技术研究";杨金钊;《万方学位论文》;20180930;第3-9、13-16页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021052025A1 (zh) | 2021-03-25 |
| CN110595749A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110595749B (zh) | 电风扇振动故障检测方法及装置 | |
| CN110672342B (zh) | 洗衣机振动故障检测方法及装置 | |
| CN110595745B (zh) | 针对设备的固定螺丝异常的检测方法及相关产品 | |
| CN110956645B (zh) | 多模输出的智能振动检测方法及装置 | |
| US10645290B2 (en) | Method, system and apparatus for stabilising frames of a captured video sequence | |
| CN112254801B (zh) | 一种微小振动视觉测量方法及系统 | |
| CN108898567A (zh) | 图像降噪方法、装置及系统 | |
| US8805120B2 (en) | Image processing apparatus and method which generates reference data according to learning images | |
| CN110595603B (zh) | 基于视频进行振动分析方法及相关产品 | |
| US20140267618A1 (en) | Capturing and Refocusing Imagery | |
| CN110617973B (zh) | 振动检测方法及相关装置 | |
| US10121262B2 (en) | Method, system and apparatus for determining alignment data | |
| US11871127B2 (en) | High-speed video from camera arrays | |
| CN110674700A (zh) | 基于数字孪生模型的电子设备的智能健康预测方法及装置 | |
| JP2015511433A (ja) | 適応型多次元データ分解 | |
| CN110553714B (zh) | 智能振动增强现实测试方法及相关产品 | |
| US10438405B2 (en) | Detection of planar surfaces for use in scene modeling of a captured scene | |
| CN108184075A (zh) | 用于生成图像的方法和装置 | |
| CN102129694A (zh) | 一种图像显著区域检测方法 | |
| KR101976801B1 (ko) | 최적화 압축 3d 데이터 제공 시스템 | |
| WO2013161111A1 (ja) | 画像評価装置、画像選択装置、画像評価方法、記録媒体、ならびに、プログラム | |
| CN110674697A (zh) | 滤波方法、装置及相关产品 | |
| CN110675427A (zh) | 智能振动检测方法及相关产品 | |
| CN106462966B (zh) | 用于识别图像中的色块区的方法和图像处理装置 | |
| CN114429439A (zh) | 一种显示故障检测方法、装置、电子设备和存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240904 Address after: Room 21A, Junhao Ge, No. 2 Xiangxuan Road, Donghai Community, Xiangmihu Street, Futian District, Shenzhen City, Guangdong Province 518040 Patentee after: SHENZHEN GUANGNING INDUSTRIAL Co.,Ltd. Country or region after: China Address before: 518000 7th floor, building 9, phase II software park, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: Shenzhen Haoxi Intelligent Technology Co.,Ltd. Country or region before: China Patentee before: SHENZHEN GUANGNING INDUSTRIAL Co.,Ltd. |
|
| TR01 | Transfer of patent right |