CN110909891B - 电器故障的维修方法及装置 - Google Patents

Abstract

本发明公开了一种电器故障的维修方法及装置。其中，该方法包括：获取目标电器的结构图像；利用故障模型对结构图像进行分析，得到故障问题；基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。本发明解决了相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

Description

电器故障的维修方法及装置

技术领域

本发明涉及电器维修技术领域，具体而言，涉及一种电器故障的维修方法及装置。

背景技术

目前，在电器出现故障时，常见的处理方式是联系维修人员上门检修，进而确定故障问题。由于用户只是对故障发生的结果进行描述，维修人员无法获悉电器的具体故障情况，维修人员在第一次登门检修时主要是进行故障检修，需要根据故障情况制定维修方案，配备相应的工具，进而进行第二次登门拜访时，携带好故障对应的工具方能维修成功。这种检修方式不仅用户体验差，同时也浪费检修人员的时间。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种电器故障的维修方法及装置，以至少解决相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

根据本发明实施例的一个方面，提供了一种电器故障的维修方法，包括：获取目标电器的结构图像；利用故障模型对所述结构图像进行分析，得到故障问题；基于所述故障问题，确定维修方案，其中，所述维修方案中至少包括：维修所述目标电器所使用的维修工具。

进一步地，所述结构图像至少包括：所述目标电器内部的结构图像和所述目标电器外部的结构图像。

进一步地，所述故障模型是通过预先训练多组数据得到的，每组所述数据至少包括：待识别结构位置、所述目标电器的内部结构图片、所述目标电器的外部结构图片、所述故障问题；在训练过程中，随机抽取所述多组数据中任意一张所述目标电器的内部结构图片和任意一张所述目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用所述电器故障特征图，得到所述内部结构图片和外部结构图片中的结构信息；利用所述内部结构图片和外部结构图片中的结构信息，得到所述故障模型。

进一步地，获取目标电器的结构图像包括：利用设置在所述目标电器内部的第一摄像头拍摄所述目标电器内部的结构图像；或者，利用设置在所述目标电器内部的红外成像设备拍摄所述目标电器内部的红外结构图像；或者，利用终端在打开所述目标电器后，拍摄所述目标电器内部的结构图像；利用设置在所述目标电器外部的第二摄像头拍摄所述目标电器外部的结构图像，其中，所述第二摄像头设置在所述目标电器上；或者，利用设置在所述目标电器所处空间的第三摄像头拍摄所述目标电器外部的结构图像。

进一步地，在确定维修方案之后，还包括：将所述故障问题和在维修所述目标电器后输入的维修日志存储在目标数据库，其中，所述目标数据库依据所述故障问题和所述维修日志，以改进所述维修方案。

进一步地，所述故障问题包括下述至少之一：故障位置、故障类别。

进一步地，所述目标电器至少包括：空调、洗衣机。

根据本发明实施例的另一方面，还提供了一种电器故障的维修装置，包括：获取单元，用于获取目标电器的结构图像；分析单元，用于利用故障模型对所述结构图像进行分析，得到故障问题；确定单元，用于基于所述故障问题，确定维修方案，其中，所述维修方案中至少包括：维修所述目标电器所使用的维修工具。

进一步地，所述结构图像至少包括：所述目标电器内部的结构图像和所述目标电器外部的结构图像。

进一步地，所述故障模型是通过预先训练多组数据得到的，每组所述数据至少包括：待识别结构位置、所述目标电器的内部结构图片、所述目标电器的外部结构图片、所述故障问题；在训练过程中，随机抽取所述多组数据中任意一张所述目标电器的内部结构图片和任意一张所述目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用所述故障特征图，得到所述内部结构图片和外部结构图片中的结构信息；利用所述内部结构图片和外部结构图片中的结构信息，得到所述故障模型。

进一步地，所述获取单元包括：第一拍摄模块，用于利用设置在所述目标电器内部的第一摄像头拍摄所述目标电器内部的结构图像；或者，利用设置在所述目标电器内部的红外成像设备拍摄所述目标电器内部的红外结构图像；或者，利用终端在打开所述目标电器后，拍摄所述目标电器内部的结构图像；第二拍摄模块，用于利用设置在所述目标电器外部的第二摄像头拍摄所述目标电器外部的结构图像，其中，所述第二摄像头设置在所述目标电器上；或者，利用设置在所述目标电器所处空间的第三摄像头拍摄所述目标电器外部的结构图像。

进一步地，上述电器故障的维修装置还包括：存储单元，用于在确定维修方案之后，将所述故障问题和在维修所述目标电器后输入的维修日志存储在目标数据库，其中，所述目标数据库依据所述故障问题和所述维修日志，以改进所述维修方案。

进一步地，所述故障问题包括下述至少之一：故障位置、故障类别。

进一步地，所述目标电器至少包括：空调、洗衣机。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质用于存储程序，其中，所述程序在被处理器执行时控制所述存储介质所在设备执行上述任意一项所述的电器故障的维修方法。

根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的电器故障的维修方法。

根据本发明实施例的另一方面，还提供了一种电器故障的维修方法，所述电器为空调，该方法包括：获取空调的结构图像；利用故障模型对所述结构图像进行分析，得到故障问题；基于所述故障问题，确定维修所述空调的维修方案，其中，所述维修方案中至少包括：维修所述空调所使用的维修工具。

在本发明实施例中，可以先获取目标电器的结构图像，利用故障模型对结构图像进行分析，得到故障问题，基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。在该实施例中，可以通过直接分析目标电器的图像，确定出故障问题，从而得到维修方案，无需维修人员现场查看，节省了确定故障问题和维修方案的时间，维修人员依据维修方案，对目标电器进行维修即可，这样可以明显的节省维修人员的维修时间，也可以节省维修成本，从而解决相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种电器故障的维修方法的流程图；

图2是根据本发明实施例的一种电器故障的维修方法的流程图；

图3是根据本发明实施例的一种电器故障的维修装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于用户理解本发明，下面对本发明各实施例中涉及到的部分术语或名词做出解释：

深度学习，基于人工神经网络的研究，含有隐层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。而深度学习区别于浅层学习，主要表现为：1)强调了模型结构的深度，通常有多层的隐层节点；2)明确突出了特征学习的重要性，即通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使得分类和预测更加容易。较人工规则构造特征的方法相比，利用大数据来学习特征，更能够表达数据的丰富内在信息。

本发明下述实施例可以应用各类电器中，对于电器，可以包括但不限于：空调、冰箱、洗衣机、电饭煲、电烤箱、电风扇等。本发明下述实施例中可以通过空调作为电器，对本发明进行说明，但不仅仅限于空调的维修。相对于现有技术中需要维修人员打开待维修的电器，然后确定维修方式，并且还需要重新回到维修商店拿到维修工具的方式，本发明实施例中可以自主确定维修方案，让维修人员可以直接拿到维修工具，然后进行维修，对于简单的故障，用户自己就可以按照维修方案进行维修。本发明中的对于维修工具和每种电器的维修方案不做具体限定。

本发明下述实施例可以自动判定电器的故障问题并上传故障问题，同时提示故障问题匹配的维修工具，使得维修人员登门检修前即获悉故障电器内部情况，也为经验尚未为欠缺的维修人员准确判断故障提供了辅助。

本发明实施例中，维修方案可以是预先录入的，或者依据维修人员的维修经验确定的，针对每种类型的电器故障，建立对应的维修方案，故障问题和维修方案之间可以建立对应的映射关系，这样可以为后续在确定新的故障问题后，直接通过故障问题和维修方案的映射关系，确定出与故障问题对应的维修方案。下面对本发明各个实施例进行详细说明。

实施例一

根据本发明实施例，提供了一种电器故障的维修方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种电器故障的维修方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，获取目标电器的结构图像；

步骤S104，利用故障模型对结构图像进行分析，得到故障问题；

步骤S106，基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。

通过上述步骤，可以先获取目标电器的结构图像，利用故障模型对结构图像进行分析，得到故障问题，基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。在该实施例中，可以通过直接分析目标电器的图像，确定出故障问题，从而得到维修方案，无需维修人员现场查看，节省了确定故障问题和维修方案的时间，维修人员依据维修方案，对目标电器进行维修即可，这样可以明显的节省维修人员的维修时间，也可以节省维修成本，从而解决相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

下面对上述各个步骤进行详细说明。

步骤S102，获取目标电器的结构图像。

作为本发明一种可选的示例，目标电器至少包括：空调、洗衣机。本发明实施例中对于电器的类型和具体型号不做限定，可以依据用户想要维修的电器来确定。本发明实施例的目标电器可以指示发生故障的电器，或者存在故障风险的电器。

优选的，结构图像至少包括：目标电器内部的结构图像和目标电器外部的结构图像。

对于上述步骤S102，其可以包括：利用设置在目标电器内部的第一摄像头拍摄目标电器内部的结构图像；或者，利用设置在目标电器内部的红外成像设备拍摄目标电器内部的红外结构图像；或者，利用终端在打开目标电器后，拍摄目标电器内部的结构图像；利用设置在目标电器外部的第二摄像头拍摄目标电器外部的结构图像，其中，第二摄像头设置在目标电器上；或者，利用设置在目标电器所处空间的第三摄像头拍摄目标电器外部的结构图像。

其中，上述拍摄目标电器内部的结构图像，可以指示电器内部的初始图像，拍摄的结构图像的数量可以为至少一张，对电器内部进行多方位的拍摄，以获取到电器内部全方位的图像，为后续分析故障问题做准备。而对于电器外部的结构图像，可以是指拍摄电器外部的部件之间的结合图像，如电饭煲的锅体和锅盖外部图像，从而分析是否为电饭煲的外部电路损坏导致电饭煲出现故障。

步骤S104，利用故障模型对结构图像进行分析，得到故障问题。

本发明中可以对图像进行分析，以确定出电器的故障原因，在分析时，不仅可以通过上述的故障模型分析，还可以通过图像二值化等其它图像分析方式，来分析结构图像，以确定出发生故障的位置。

作为本发明一种可选的示例，故障模型可以是依据深度学习得到，深度学习时会预先建立多个训练层级，每一个层级之间递进调用，在进行深度学习时，可以通过深度学习层级间特征融合对电器内部多尺度小物体的图像进行训练，初始的图像在低层级，输出的故障问题在最高层级，低层级和最高层级之间的每个层级都会进行特征关联，通过层级递进，逐渐区分出故障位置和非故障位置，以及故障大小，进而确定出故障问题。

即故障模型是通过预先训练多组数据得到的，每组数据至少包括：待识别结构位置、目标电器的内部结构图片、目标电器的外部结构图片、故障问题；在训练过程中，随机抽取多组数据中任意一张目标电器的内部结构图片和任意一张目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用电器故障特征图，得到内部结构图片和外部结构图片中的结构信息；利用内部结构图片和外部结构图片中的结构信息，得到故障模型。

其中，在拍摄结构图像时，可以重点拍摄可能出现故障的位置附近的图像，为后续故障模型分析故障问题缩短时间，提高分析效率。

对于上述利用神经网络，可以是利用卷积神经网络；电器故障特征图可以是由卷积层产生的多个特征图融合得到的，在融合特征图上利用滑动卷积核的方式产生预定数量的候选区域，进而得到图像的结构信息。而在利用内部结构图片和外部结构图片中的结构信息，得到故障模型时，可以是利用候选区域训练物体检测网络，得到故障模型。

可选的，故障问题包括下述至少之一：故障位置、故障类别。即在分析时，可以重点分析出发生故障的位置，确定出故障位置后，确定出发生故障的电器零部件，进而确定出故障类别，为后续确定出维修方案做准备。

步骤S106，基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。

对于本发明来说，维修方案中可以包括维修的顺序、维修的工具、维修时需要替换的零部件等。

另外，本发明实施例在确定维修方案之后，还包括：将故障问题和在维修目标电器后输入的维修日志存储在目标数据库，其中，目标数据库依据故障问题和维修日志，以改进维修方案。即可以将实时产生的维修方案和修改内容存储在数据库中，以为后续分析故障问题，确定维修方案做准备。

本发明上述实施例，可以基于故障模型对电器结构进行预先检查处理，确定出发生异常状况的位置，进而判定故障问题，依据故障问题提示维修人员携带相应工具，以及提示维修人员规范的维修方法，将故障问题存储于数据库中，以便对电器进行改进处理，这样可以提高维修人员的维修效率。

下面以空调作为目标电器对本发明进行一个详细的说明。

图2是根据本发明实施例的一种电器故障的维修方法的流程图，该电器为空调，如图2所示，该方法包括：

步骤S202，获取空调的结构图像。

具体地，结构图像可以为设置于空调内部的摄像头获取，也可以为用户打开空调外壳，进行拍摄所得。

步骤S204，利用故障模型对结构图像进行分析，得到故障问题。

具体地，故障模型可以是依据深度学习层级间特征融合对空调内部多尺度小物体的图像信息进行训练处理所得。使用真实空调内部结构图片库的图片作为训练样本；训练样本中的每张图具有被预先设置好的标记结构位置和类别信息；标记位置用于表示待识别结构的位置，类别信息用于表示待识别结构的种类。候选区域产生网络进行训练：训练过程中，每次从数据集中随机抽取一张空调内部结构图片作为输入，利用卷积神经网络生成融合特征图；融合特征图是由各个卷积层产生的多个特征图进行融合产生的；在融合特征图上利用滑动卷积核的方式产生预定数量的候选区域，对每一个候选区域同时产生一个得分，获取正负样本，得到图片中的结构信息和背景信息。利用候选区域训练物体检测网络，得到故障模型；将空调内部结构图像输入故障模型，获取到空调内部故障结构及其位置。

步骤S206，基于故障问题，确定维修空调的维修方案，其中，维修方案中至少包括：维修空调所使用的维修工具。

通过上述步骤，可以先获取空调的结构图像，利用故障模型对结构图像进行分析，得到故障问题，基于故障问题，确定维修空调的维修方案，其中，维修方案中至少包括：维修空调所使用的维修工具。在该实施例中，可以通过直接分析空调的图像，确定出故障问题，从而得到维修方案，无需维修人员现场查看，节省了确定故障问题和维修方案的时间，维修人员依据维修方案，对目标电器进行维修即可，这样可以明显的节省维修人员的维修时间，也可以节省维修成本，从而解决相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

上述步骤中，可以自动判定空调的故障问题，同时提示故障问题匹配的维修工具，使得检修人员登门检修前即获悉故障空调的情况，进而加快维修速度，提高维修效率。

下面结合另一种可选的实施例对本发明进行说明。

实施例二

下述实施例涉及到实现上述电器故障的维修方法的装置示例，装置中会包括多个单元，每个单元对应于上述实施例一中的各个步骤。

图3是根据本发明实施例的一种电器故障的维修装置的示意图，如图3所示，该维修装置包括：获取单元32、分析单元34、确定单元36，其中，

获取单元32，用于获取目标电器的结构图像；

分析单元34，用于利用故障模型对结构图像进行分析，得到故障问题；

确定单元36，用于基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。

上述电器故障的维修装置，可以通过获取单元32获取目标电器的结构图像，通过分析单元34利用故障模型对结构图像进行分析，得到故障问题，最后可以通过确定单元36基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。在该实施例中，可以通过直接分析目标电器的图像，确定出故障问题，从而得到维修方案，无需维修人员现场查看，节省了确定故障问题和维修方案的时间，维修人员依据维修方案，对目标电器进行维修即可，这样可以明显的节省维修人员的维修时间，也可以节省维修成本，从而解决相关技术检修电器时需要维修人员花费大量时间确定检修方式的技术问题。

可选的，结构图像至少包括：目标电器内部的结构图像和目标电器外部的结构图像。

可选的，故障模型是通过预先训练多组数据得到的，每组数据至少包括：待识别结构位置、目标电器的内部结构图片、目标电器的外部结构图片、故障问题；在训练过程中，随机抽取多组数据中任意一张目标电器的内部结构图片和任意一张目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用电器故障特征图，得到内部结构图片和外部结构图片中的结构信息；利用内部结构图片和外部结构图片中的结构信息，得到故障模型。

作为本发明一种可选的示例，获取单元包括：第一拍摄模块，用于利用设置在目标电器内部的第一摄像头拍摄目标电器内部的结构图像；或者，利用设置在目标电器内部的红外成像设备拍摄目标电器内部的红外结构图像；或者，利用终端在打开目标电器后，拍摄目标电器内部的结构图像；第二拍摄模块，用于利用设置在目标电器外部的第二摄像头拍摄目标电器外部的结构图像，其中，第二摄像头设置在目标电器上；或者，利用设置在目标电器所处空间的第三摄像头拍摄目标电器外部的结构图像。

作为本发明另一种可选的示例，上述电器故障的维修装置还包括：存储单元，用于在确定维修方案之后，将故障问题和在维修目标电器后输入的维修日志存储在目标数据库，其中，目标数据库依据故障问题和维修日志，以改进维修方案。

可选的，故障问题包括下述至少之一：故障位置、故障类别。

可选的，目标电器至少包括：空调、洗衣机。

根据本发明实施例的另一方面，还提供了一种存储介质，存储介质用于存储程序，其中，程序在被处理器执行时控制存储介质所在设备执行上述任意一项的电器故障的维修方法。

根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的电器故障的维修方法。

上述的电器故障的维修装置还可以包括处理器和存储器，上述获取单元32、分析单元34、确定单元36等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于故障问题，确定维修方案。

上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标电器的结构图像；利用故障模型对结构图像进行分析，得到故障问题；基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。

可选的，结构图像至少包括：目标电器内部的结构图像和目标电器外部的结构图像。

可选的，故障模型是通过预先训练多组数据得到的，每组数据至少包括：待识别结构位置、目标电器的内部结构图片、目标电器的外部结构图片、故障问题；在训练过程中，随机抽取多组数据中任意一张目标电器的内部结构图片和任意一张目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用电器故障特征图，得到内部结构图片和外部结构图片中的结构信息；利用内部结构图片和外部结构图片中的结构信息，得到故障模型。

可选的，上述处理器执行程序时，还可以实现以下步骤：利用设置在目标电器内部的第一摄像头拍摄目标电器内部的结构图像；或者，利用设置在目标电器内部的红外成像设备拍摄目标电器内部的红外结构图像；或者，利用终端在打开目标电器后，拍摄目标电器内部的结构图像；利用设置在目标电器外部的第二摄像头拍摄目标电器外部的结构图像，其中，第二摄像头设置在目标电器上；或者，利用设置在目标电器所处空间的第三摄像头拍摄目标电器外部的结构图像。

可选的，上述处理器执行程序时，还可以实现以下步骤：在确定维修方案之后，将故障问题和在维修目标电器后输入的维修日志存储在目标数据库，其中，目标数据库依据故障问题和维修日志，以改进维修方案。

可选的，故障问题包括下述至少之一：故障位置、故障类别。

可选的，目标电器至少包括：空调、洗衣机。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标电器的结构图像；利用故障模型对结构图像进行分析，得到故障问题；基于故障问题，确定维修方案，其中，维修方案中至少包括：维修目标电器所使用的维修工具。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，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，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述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，在本发明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，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元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介质中。基于这样的理解，本发明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介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access 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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种电器故障的维修方法，其特征在于，包括：

获取目标电器的结构图像，所述结构图像至少包括：所述目标电器内部的结构图像和所述目标电器外部的结构图像，所述目标电器外部的结构图像是指电器外部的部件之间的结合图像；获取目标电器的结构图像包括：利用设置在所述目标电器内部的第一摄像头拍摄所述目标电器内部的结构图像；或者，利用设置在所述目标电器内部的红外成像设备拍摄所述目标电器内部的红外结构图像；或者，利用终端在打开所述目标电器后，拍摄所述目标电器内部的结构图像；利用设置在所述目标电器外部的第二摄像头拍摄所述目标电器外部的结构图像，其中，所述第二摄像头设置在所述目标电器上；或者，利用设置在所述目标电器所处空间的第三摄像头拍摄所述目标电器外部的结构图像；

利用故障模型对所述结构图像进行分析，得到故障问题，所述故障模型是依据深度学习层级间特征融合对电器内部多尺度小物体的图像信息进行训练处理所得，使用真实电器内部结构图片库的图片作为训练样本；训练样本中的每张图具有被预先设置好的标记结构位置和类别信息；标记位置用于表示待识别结构的位置，类别信息用于表示待识别结构的种类；候选区域产生网络进行训练：训练过程中，每次从数据集中随机抽取一张电器内部结构图片作为输入，利用卷积神经网络生成融合特征图；融合特征图是由各个卷积层产生的多个特征图进行融合产生的；在融合特征图上利用滑动卷积核的方式产生预定数量的候选区域，对每一个候选区域同时产生一个得分，获取正负样本，得到图片中的结构信息和背景信息；利用候选区域训练物体检测网络，得到故障模型；将电器内部结构图像输入故障模型，获取到电器内部故障结构及其位置；

所述故障模型是通过预先训练多组数据得到的，每组所述数据至少包括：待识别结构位置、所述目标电器的内部结构图片、所述目标电器的外部结构图片、所述故障问题；在训练过程中，随机抽取所述多组数据中任意一张所述目标电器的内部结构图片和任意一张所述目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用所述电器故障特征图，得到所述内部结构图片和外部结构图片中的结构信息；利用所述内部结构图片和外部结构图片中的结构信息，得到所述故障模型；故障模型是依据深度学习得到，深度学习时会预先建立多个训练层级，每一个层级之间递进调用，通过层级递进，逐渐区分出故障位置和非故障位置，以及故障大小，进而确定出故障问题；

基于所述故障问题，确定维修方案，其中，所述维修方案中至少包括：维修所述目标电器所使用的维修工具；

将所述故障问题和在维修所述目标电器后输入的维修日志存储在目标数据库，其中，所述目标数据库依据所述故障问题和所述维修日志，以改进所述维修方案。

2.根据权利要求1所述的维修方法，其特征在于，所述故障问题包括下述至少之一：

故障位置、故障类别。

3.根据权利要求1至2中任意一项所述的维修方法，其特征在于，所述目标电器至少包括：空调、洗衣机。

4.一种电器故障的维修装置，其特征在于，包括：

获取单元，用于获取目标电器的结构图像，所述结构图像至少包括：所述目标电器内部的结构图像和所述目标电器外部的结构图像，所述目标电器外部的结构图像是指电器外部的部件之间的结合图像；所述获取单元包括：第一拍摄模块，用于利用设置在所述目标电器内部的第一摄像头拍摄所述目标电器内部的结构图像；或者，利用设置在所述目标电器内部的红外成像设备拍摄所述目标电器内部的红外结构图像；或者，利用终端在打开所述目标电器后，拍摄所述目标电器内部的结构图像；第二拍摄模块，用于利用设置在所述目标电器外部的第二摄像头拍摄所述目标电器外部的结构图像，其中，所述第二摄像头设置在所述目标电器上；或者，利用设置在所述目标电器所处空间的第三摄像头拍摄所述目标电器外部的结构图像；

分析单元，用于利用故障模型对所述结构图像进行分析，得到故障问题，所述故障模型是依据深度学习层级间特征融合对电器内部多尺度小物体的图像信息进行训练处理所得，使用真实电器内部结构图片库的图片作为训练样本；训练样本中的每张图具有被预先设置好的标记结构位置和类别信息；标记位置用于表示待识别结构的位置，类别信息用于表示待识别结构的种类；候选区域产生网络进行训练：训练过程中，每次从数据集中随机抽取一张电器内部结构图片作为输入，利用卷积神经网络生成融合特征图；融合特征图是由各个卷积层产生的多个特征图进行融合产生的；在融合特征图上利用滑动卷积核的方式产生预定数量的候选区域，对每一个候选区域同时产生一个得分，获取正负样本，得到图片中的结构信息和背景信息；利用候选区域训练物体检测网络，得到故障模型；将电器内部结构图像输入故障模型，获取到电器内部故障结构及其位置；

所述故障模型是通过预先训练多组数据得到的，每组所述数据至少包括：待识别结构位置、所述目标电器的内部结构图片、所述目标电器的外部结构图片、所述故障问题；在训练过程中，随机抽取所述多组数据中任意一张所述目标电器的内部结构图片和任意一张所述目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用所述电器故障特征图，得到所述内部结构图片和外部结构图片中的结构信息；利用所述内部结构图片和外部结构图片中的结构信息，得到所述故障模型；故障模型是依据深度学习得到，深度学习时会预先建立多个训练层级，每一个层级之间递进调用，通过层级递进，逐渐区分出故障位置和非故障位置，以及故障大小，进而确定出故障问题；

确定单元，用于基于所述故障问题，确定维修方案，其中，所述维修方案中至少包括：维修所述目标电器所使用的维修工具；

存储单元，用于在确定维修方案之后，将所述故障问题和在维修所述目标电器后输入的维修日志存储在目标数据库，其中，所述目标数据库依据所述故障问题和所述维修日志，以改进所述维修方案。

5.一种存储介质，其特征在于，所述存储介质用于存储程序，其中，所述程序在被处理器执行时控制所述存储介质所在设备执行权利要求1至3中任意一项所述的电器故障的维修方法。

6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至3中任意一项所述的电器故障的维修方法。

7.一种电器故障的维修方法，其特征在于，所述电器为空调，该方法包括：

获取空调的结构图像，所述结构图像至少包括：所述空调内部的结构图像和所述空调外部的结构图像，所述空调外部的结构图像是指电器外部的部件之间的结合图像；获取空调的结构图像包括：利用设置在所述空调内部的第一摄像头拍摄所述空调内部的结构图像；或者，利用设置在所述空调内部的红外成像设备拍摄所述空调内部的红外结构图像；或者，利用终端在打开所述空调后，拍摄所述空调内部的结构图像；利用设置在所述空调外部的第二摄像头拍摄所述空调外部的结构图像，其中，所述第二摄像头设置在所述空调上；或者，利用设置在所述空调所处空间的第三摄像头拍摄所述空调外部的结构图像；

利用故障模型对所述结构图像进行分析，得到故障问题，所述故障模型是依据深度学习层级间特征融合对空调内部多尺度小物体的图像信息进行训练处理所得，使用真实空调内部结构图片库的图片作为训练样本；训练样本中的每张图具有被预先设置好的标记结构位置和类别信息；标记位置用于表示待识别结构的位置，类别信息用于表示待识别结构的种类；候选区域产生网络进行训练：训练过程中，每次从数据集中随机抽取一张空调内部结构图片作为输入，利用卷积神经网络生成融合特征图；融合特征图是由各个卷积层产生的多个特征图进行融合产生的；在融合特征图上利用滑动卷积核的方式产生预定数量的候选区域，对每一个候选区域同时产生一个得分，获取正负样本，得到图片中的结构信息和背景信息；利用候选区域训练物体检测网络，得到故障模型；将空调内部结构图像输入故障模型，获取到空调内部故障结构及其位置；

所述故障模型是通过预先训练多组数据得到的，每组所述数据至少包括：待识别结构位置、所述目标电器的内部结构图片、所述目标电器的外部结构图片、所述故障问题；在训练过程中，随机抽取所述多组数据中任意一张所述目标电器的内部结构图片和任意一张所述目标电器的外部结构图片作为输入，利用神经网络生成电器故障特征图；利用所述电器故障特征图，得到所述内部结构图片和外部结构图片中的结构信息；利用所述内部结构图片和外部结构图片中的结构信息，得到所述故障模型；故障模型是依据深度学习得到，深度学习时会预先建立多个训练层级，每一个层级之间递进调用，通过层级递进，逐渐区分出故障位置和非故障位置，以及故障大小，进而确定出故障问题；

基于所述故障问题，确定维修所述空调的维修方案，其中，所述维修方案中至少包括：维修所述空调所使用的维修工具；

将所述故障问题和在维修所述空调后输入的维修日志存储在目标数据库，其中，所述目标数据库依据所述故障问题和所述维修日志，以改进所述维修方案。