CN112381765A - 基于人工智能的设备检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于人工智能的设备检测方法、装置、设备及存储介质，属于人工智能技术领域。本发明基于人工智能获取待检测工业设备的当前图像和样本图像；对所述当前图像进行优化处理，得到目标图像；从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；获取所述样本特征点与所述目标特征点之间的距离比，得到匹配结果；根据所述距离比确定所述待检测工业设备的检测结果，通过获取待检测工业设备对应的目标图像中的目标特征点与待检测工业设备对应的样本图像中的样本特征点之间距离比，从而实现对待检测工业设备的检测。

Description

基于人工智能的设备检测方法、装置、设备及存储介质

技术领域

本发明涉及人工智能领域，尤其涉及一种基于人工智能的设备检测方法、装置、设备及存储介质。

背景技术

随着电荷耦合元件(Charge-coupled Device，CCD)技术的问世，基于机器视觉的缺陷检测技术开始在工业生产线上得到广泛应用，由于机器视觉的普及，基于机器视觉的表面缺陷检测方法非常广泛，在计算机视觉及图像处理领域，图像的二值化处理方法是图像分析与识别最基本而很重要的研究内容之一，一般基于机器视觉的检测方法是通过二值化对图像进行检测，然而常规二值化算法往往存在很大的错误检测率，经常在不含有损伤图像中错误检测出损伤，检测准确度较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于人工智能的设备检测方法、装置、设备及存储介质，旨在解决现有技术工业设备的检测准确度较低的技术问题。

为实现上述目的，本发明提供了一种基于人工智能的设备检测方法，所述基于人工智能的设备检测方法包括以下步骤:

基于人工智能获取待检测工业设备的当前图像和样本图像；

对所述当前图像进行优化处理，得到目标图像；

从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

获取所述样本特征点与所述目标特征点之间的距离比；

根据所述距离比确定所述待检测工业设备的检测结果。

可选地，所述对所述当前图像进行优化处理，得到目标图像的步骤包括：

对所述当前图像进行灰度处理，得到当前灰度图像；

获取所述待检测工业设备对应的标定设备特征；

根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

可选地，所述对所述当前图像进行灰度处理，得到当前灰度图像的步骤包括：

将所述当前图像划分成多个像素分量；

获取各像素分量对应的灰度权重值；

根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

可选地，所述根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像的步骤包括：

获取所述当前灰度图像中灰度像素点对应的参考设备特征；

根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；

根据所述目标灰度像素点得到目标图像。

可选地，所述获取所述样本特征点与所述目标特征点之间的距离比的步骤包括：

构建所述样本图像和所述目标图像对应的平面直角坐标系；

根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；

获取所述第一距离和所述第二距离之间的距离比。

可选地，所述根据所述距离比确定所述待检测工业设备的检测结果的步骤包括：

计算所述距离比和预设距离比之间的距离比差值；

在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；

将所述设备缺陷等级作为所述待检测工业设备的检测结果。

可选地，所述根据所述距离比确定所述待检测工业设备的检测结果的步骤之后，还包括：

获取所述检测结果对应的检测数据；

对所述检测数据进行优化，得到目标检测数据；

根据所述目标检测数据对所述待检测工业设备进行寿命预测；

根据预测结果生成所述待检测工业设备对应的设备更新策略。

此外，为实现上述目的，本发明还提出一种基于人工智能的设备检测装置，所述基于人工智能的设备检测装置包括：

获取模块，用于基于人工智能获取待检测工业设备的当前图像和样本图像；

处理模块，用于对所述当前图像进行优化处理，得到目标图像；

提取模块，用于从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

计算模块，用于获取所述样本特征点与所述目标特征点之间的距离比；

确定模块，用于根据所述距离比确定所述待检测工业设备的检测结果。

此外，为实现上述目的，本发明还提出一种基于人工智能的设备检测设备，所述基于人工智能的设备检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工智能的设备检测程序，所述基于人工智能的设备检测程序配置为实现如上文所述的基于人工智能的设备检测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于人工智能的设备检测程序，所述基于人工智能的设备检测程序被处理器执行时实现如上文所述的基于人工智能的设备检测方法的步骤。

本发明基于人工智能获取待检测工业设备的当前图像和样本图像；对所述当前图像进行优化处理，得到目标图像；从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；获取所述样本特征点与所述目标特征点之间的距离比，得到匹配结果；根据所述距离比确定所述待检测工业设备的检测结果，通过获取待检测工业设备对应的目标图像中的目标特征点与待检测工业设备对应的样本图像中的样本特征点之间距离比，从而实现对待检测工业设备的检测。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的基于人工智能的设备检测设备的结构示意图；

图2为本发明基于人工智能的设备检测方法第一实施例的流程示意图；

图3为本发明基于人工智能的设备检测方法第二实施例的流程示意图；

图4为本发明基于人工智能的设备检测方法第三实施例的流程示意图；

图5为本发明基于人工智能的设备检测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于人工智能的设备检测设备结构示意图。

如图1所示，该基于人工智能的设备检测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对基于人工智能的设备检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于人工智能的设备检测程序。

在图1所示的基于人工智能的设备检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于人工智能的设备检测设备中的处理器1001、存储器1005可以设置在基于人工智能的设备检测设备中，所述基于人工智能的设备检测设备通过处理器1001调用存储器1005中存储的基于人工智能的设备检测程序，并执行以下步骤：

基于人工智能获取待检测工业设备的当前图像和样本图像；

对所述当前图像进行优化处理，得到目标图像；

从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

获取所述样本特征点与所述目标特征点之间的距离比，得到匹配结果；

根据所述距离比确定所述待检测工业设备的检测结果。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

对所述当前图像进行灰度处理，得到当前灰度图像；

获取所述待检测工业设备对应的标定设备特征；

根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

将所述当前图像划分成多个像素分量；

获取各像素分量对应的灰度权重值；

根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

获取所述当前灰度图像中灰度像素点对应的参考设备特征；

根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；

根据所述目标灰度像素点得到目标图像。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

构建所述样本图像和所述目标图像对应的平面直角坐标系；

根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；

获取所述第一距离和所述第二距离之间的距离比。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

计算所述距离比和预设距离比之间的距离比差值；

在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；

将所述设备缺陷等级作为所述待检测工业设备的检测结果。

进一步地，处理器1001可以调用存储器1005中存储的视频内容推荐程序，还执行以下操作：

获取所述检测结果对应的检测数据；

对所述检测数据进行优化，得到目标检测数据；

根据所述目标检测数据对所述待检测工业设备进行寿命预测；

根据预测结果生成所述待检测工业设备对应的设备更新策略。

本发明实施例提供了一种基于人工智能的设备检测方法，参照图2，图2为本发明一种基于人工智能的设备检测方法第一实施例的流程示意图。

本实施例中，所述基于人工智能的设备检测方法包括以下步骤：

步骤S10：基于人工智能获取待检测工业设备的当前图像和样本图像。

在本实施例中，执行主体可以为一种图像检测装置，例如工控机，工控机是专门为工业现场设计的计算机，是一种采用总线结构和模块化设计技术，对生产过程的产品进行检测与控制的工具总称，工控机具有与计算机相同的硬件配置，如CPU、硬盘、内存、显卡、光驱、各类接口及显示器等外设，并有操作系统、网络协议、超强的计算能力及友好的人机界面，本实施例以工控机为例进行说明。

在具体实施中，通过待检测工业设备的当前图像和样本图像对待检测工业设备进行检测，本实施例中的工业设备包括工业生产设备和各类机床，例如车床和铣床等机器，本实施例中对待检测工业设备的检测为缺陷检测，容易理解的是，并非所有的工业设备都需要进行缺陷检测，对于企业新购置的工业设备或年限较短的工业设备一般不需要进行缺陷检测，对于待检测工业设备的选取可以依据工业设备的使用年限，本实施例中不加以限制，进一步地，待检测工业设备的样本图像为无缺陷和故障的待检测工业设备对应的设备图像，可以从保存的图像数据库中获取，待检测工业设备的当前图像为当前待检测工业设备对应的设备图像，样本图像可以理解为一种标准图像，而当前图像可以理解为一种实时图像，会随着待工业设备的使用而发生变化。

需要说明的是，机器视觉是一种利用机器代替人眼来进行测量和判断的人工智能技术，机器视觉技术中通常用摄像机来代替人眼，将图像信号转换成电信号，本实施例中待检测工业设备的样本图像和当前图像是通过视觉采集装置获取的，视觉采集装置包括摄像机等，而摄像机中的核心部件为传感器，根据传感器芯片类型的不同，机器视觉系统检测的信息均来源于图像，其核心是图像的采集和处理，为了提高获取到的待检测工业设备的当前图像和样本图像的图像质量，本实施例在摄像机获取待检测工业设备的当前图像和样本图像之前对照明光源和光学镜头的参数进行调整。

在具体实施中，对照明光源的参数调整包括光源类型的调整以及打光方式的调整，光源类型包括环形光源、背光源以及点光源等，打光方式包括背向打光法和前向打光法等，对光学镜头的参数调整包括对光学镜头的焦距、光圈数、视场角以及景深进行调整，具体调整方式可以根据实际情况自行设定，本实施例中不加以限制。

步骤S20：对所述当前图像进行优化处理，得到目标图像。

易于理解的是，当前图像是实际拍摄到的待检测工业设备的设备图像，在一般情况下，通过摄像机所采集的图像在数字化和传输过程中容易受到多种外界因素的影响，导致最终采集到的图像质量不高，主要表现为存在噪声、模糊、变形以及细节不突出等。如果直接从这些低质量的图像中提取特征进行图像匹配、识别、分类等操作，取得的效果达不到预期的要求，例如图像清晰度较低或者没有突出要检测的缺陷特征等情况，降低了检测的准确度，因此，需要利用图像处理技术对这些低质量图像进行优化处理，去除图像的噪声，提高检测准确度。

在具体实现中，对所述当前图像进行优化处理，得到目标图像的步骤包括：对所述当前图像进行灰度处理，得到当前灰度图像；获取所述待检测工业设备对应的标定设备特征；根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

需要说明的是，对当前图像进行灰度处理是对当前图像进行灰度化，得到当前灰度图像，本实施例中对当前图像进行灰度处理是对当前图像进行的预处理，灰度处理可以加强当前图像中的反差变化，更加突出所要检测的特征，例如获取工业设备铣床的当前图像，当前图像中包括铣床的颜色、形状以及裂痕等特征，在对铣床进行检测的过程中，通常不需要检测铣床的颜色这一特征，通过灰度处理后，可以将颜色特征从当前图像中去除或者弱化，突出其他特征，例如裂痕、刮痕等特征，避免对铣床的检测造成干扰，进一步地，在获取到当前灰度图像之后，为了使得检测更加准确，对当前灰度图像进行进一步处理，本实施例根据标定设备特征对当前灰度图像进行噪声处理实现进一步处理，标定设备特征为待检测工业设备对应的设备特征，容易理解的是，不同的待检测工业设备对应的标定设备特征是不同的，例如铣床对应的标定设备特征包括铣刀磨损度，铣刀运动轨迹等，刨床对应的标定设备特征包括摆杆位置，刨刀位置等，根据标定设备特征对当前灰度图像进行噪声处理，可以将其他干扰特征从当前灰度图像中去除，使得检测更准确，更具有针对性。

在具体实施中，所述对所述当前图像进行灰度处理，得到当前灰度图像的步骤具体包括：将所述当前图像划分成多个像素分量；获取各像素分量对应的灰度权重值；根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

在本实施例中，图像通常由多个像素分量组成，各个像素分量对应的灰度权重值为是预先设定的，像素分量的划分以及各个像素分量对应的灰度权重值的大小可以根据实际情况自行设置，本实施例中不加以限制，根据获取到的当前图像的多个像素分量以及各个像素分量对应的灰度权重值即可生成当前灰度图像，例如将当前图像X划分成三个像素分量A、B及C，假设像素分量A对应的灰度权重值为0.2，像素分量B对应的灰度权重值为0.4，像素分量C对应的灰度权重值为0.3，则可以得到根据像素分量A、B及C生成的当前灰度图像T＝0.2A+0.4B+0.3C。

在具体实施中，所述根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像的步骤包括：获取所述当前灰度图像中灰度像素点对应的参考设备特征；根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；根据所述目标灰度像素点得到目标图像。

需要说明的是，本实施例根据图像中各个像素点对应的设备特征进行图像的去躁处理，参考设备特征为当前灰度图像中各个灰度像素点对应的设备特征，将参考设备特征与标定设备特征进行比对，可以得到包含标定设备特征的灰度像素点，即与标定设备特征相同的参考设备特征对应的目标灰度像素点，例如从当前灰度图像Y中获取到灰度像素点H和M，灰度像素点H对应的参考设备特征为车床颜色，灰度像素点M对应的参考设备特征为车床裂痕，假设标定设备特征为车床裂痕以及磨损情况，根据比较可知，灰度像素点M对应的参考设备特征与标定设备特征相同，灰度像素点对应的参考设备特征与标定设备特征不同，则将灰度像素点M作为目标灰度像素点，进一步地，在得到目标灰度像素点之后，将目标灰度像素点组成的图像作为目标图像。

步骤S30：从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点。

需要说明的是，图像中各个图像点携带有相应的特征，这样的图像点称为特征点，通过将特征点对应的特征进行比对，能够得到多个图像之间的不同之处，从而得到图像对应的实际物体所对应的特征差异，样本特征点与目标样本特征点对应的实际物体的位置是相同的，例如，图像X中特征点X₁对应的特征为直角形状的桌角，而图像Y中特征点Y₁对应的特征为圆角形状的桌角，假设图像X对应的实际物体为A型桌子，与图像Y对应的实际物体为B型桌子，特征点X₁和特征点Y₁均对应桌子的桌角部位，根据特征点X₁和特征点Y₁之间的对比结果可知，A型桌子与B型桌子差异之处在于桌角形状的不同。

在具体实施中，本实施通过将样本特征点与目标特征点进行比对，实现对工业设备的检测，具体地，从样本图像中提取样本特征点以及从目标图像中提取目标特征点，样本特征点为标准特征点，是待检测工业设备无缺陷与无故障时对应的特征点，目标特征点为待检测工业当前的特征点。

步骤S40：获取所述样本特征点与所述目标特征点之间的距离比。

在具体实施中，在得到样本特征点与目标特征点之后，将样本特征点与目标特征点进行匹配，可以得到与样本特征点匹配的目标特征点，例如待检测工业设备Q对应的目标特征点为p₁、p₂以及p₄，待检测工业设备Q的样本特征点为p₁、p₂以及p₃，根据匹配可以得到目标特征点与样本特征点匹配的特征点为p₁和p₂，匹配的特征点为p₁和p₂即为匹配结果。

步骤S50：根据所述距离比确定所述待检测工业设备的检测结果。

在本实施例中，在得到匹配结果之后，根据匹配结果确定与样本特征点匹配的目标特征点，与样本特征点不匹配的目标特征点为待检测工业设备对应的缺陷点，根据匹配结果可以确定待检测工业设备对应的缺陷点，即待检测工业设备上存在缺陷的位置，以完成对待检测工业设备的检测。

本实施例通过获取待检测工业设备的当前图像和样本图像；对所述当前图像进行优化处理，得到目标图像；从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；获取所述样本特征点与所述目标特征点之间的距离比；根据所述距离比确定所述待检测工业设备的检测结果，通过将待检测工业设备对应的目标图像中的目标特征点与待检测工业设备对应的样本图像中的样本特征点进行匹配，从而实现对待检测工业设备的检测。

参考图3，图3为本发明一种基于人工智能的设备检测方法第二实施例的流程示意图。

基于上述第一实施例，提出本发明基于人工智能的设备检测方法第二实施例。

以基于第一实施例为例进行说明，在第二实施例中，所述步骤S40包括：

步骤S401：构建所述样本图像和所述目标图像对应的平面直角坐标系。

在本实施例中，样本图像和目标图像均为平面二维图像，通过构建样本图像和目标图像对应的平面直角坐标系对样本图像和目标图像进行特征匹配，为了保证比对的精确度，样本图像与目标图像基于用以预设标准建立对应的平面直角坐标系，为了便于理解进行举例说明，例如对卧式镗铣床M对应的图像构建平面直角坐标系，容易理解的是，对工业设备通常进行多个面的检测，获取到的图像也是工业设备不同面的图像，本实施以对卧式镗铣床M的正面图像为例进行说明，假设获取到卧式镗铣床M正面的目标图像为T，卧式镗铣床M正面的样本图像为S，在构建平面直角坐标系时，又假设预设标准为以目标图像中卧式镗铣床M的主轴箱的中心为原点，Y轴与卧式镗铣床M的立柱平行，X轴与卧式镗铣床M的立柱垂直，构建卧式镗铣床M正面的目标图像对应的平面直角坐标系，进一步基于同一预设标准构建卧式镗铣床M正面的样本图像S对应的平面直角坐标系，这样可以避免造成将目标图像中代表立柱的特征点与样本图像中代表主轴箱的特征点进行比对，本实施例中预设标准可以根据实际情况自行设定。

容易理解的是，虽然样本图像和目标图像基于同一预设标准构建对应的平面直角坐标系，但是实际物体同一位置或部位对应的样本特征点和目标特征点并非为同一坐标，例如铣床的主轴箱发生形变之后，虽然都是以主轴箱中心点为原点构建平面直角坐标系，但是由于主轴箱形变导致主轴箱同一位置的主轴箱盖对应的样本特征点和目标特征点的坐标并不相同，从而能够根据构建的平面直角坐标系得到发生形变前主轴箱盖与发生形变后主轴箱盖之间的差异。

步骤S402：根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离。

需要说明的是，在计算样本特征点与目标特征点之间的距离时，为了提高匹配的特征点匹配的准确性，本实施例中将目标特征点分别与两个样本特征点进行距离计算，两个样本特征点包括第一样本特征点和第二样本特征点，其中第一特征点为与目标特征点属于实际物体同一部件的样本特征点，第二特征点为与第一特征点相距预设距离的样本特征点，预设距离可以根据检测要求自行设定，第一距离为目标特征点与第一样本特征点之间的距离，第二距离为目标特征点与第二样本特征点之间的距离，例如对卧式镗铣床的铣刀头进行检测，得到铣刀头A点处的目标特征点和第一样本特征点分别为A₁和A₂，从构建好的平面直角坐标系中可以获取到A₁的坐标为(X₁，Y₁，Z₁)，以及A₂的坐标为(X₂，Y₂，Z₂)，根据A₁和A₂可以计算出第一距离D₁，假设预设距离为1mm，则可以获取到与第一样本特征点A₂距离1mm的第二样本特征点B，第二特征点B的坐标为(X₃，Y₃，Z₃)，根据A₁和B的坐标可以计算出第二距离。

在本实施例中，第一距离与第二距离的计算公式为

其中D为A点与B点之间的距离，A点坐标为(x₁,y₁)，B点坐标为(x₂,y₂)。

步骤S403：获取所述第一距离和所述第二距离之间的距离比。

在具体实施中，在得到第一距离与第二距离之后，计算第一距离与第二距离之间的距离比V＝D₁/D₂，其中V为距离比，D₁为第一距离，D₂为第二距离，第一距离和第二距离之间的距离比即为样本特征点与目标特征点的匹配结果。

进一步地，所述步骤S50包括：

步骤S501：计算所述匹配结果对应的距离比和预设距离比之间的距离比差值。

在具体实施中，根据匹配结果可以确定对应的距离比，在得到距离比之后，计算距离比与预设距离比之间的差值，预设距离比可以根据实际情况自行设定。

步骤S502：在预设映射关系表中查找所述距离比差值对应的设备缺陷等级。

需要说明的是，本实施例距离比差值越小表示目标特征点与样本特征点(第一样本特征点)越匹配，说明特征点对应的实际工业设备的部位所发生的变化越小，也即缺陷越小，因此根据距离比差值可以确定工业设备所对应的设备缺陷等级，本实施例中通过查找预设映射关系表确定距离比差值对应的设备缺陷等级，预设映射关系表根据实际工业设备的类型以及使用环境等因素自行设定，本实施例中不加以限制。

步骤S503：将所述设备缺陷等级作为所述待检测工业设备的检测结果。

在本实施例中，由于本实施例对工业设备的检测为缺陷检测，因此得到的设备缺陷等级即为待检测工业设备的检测结果。

本实施例通过构建所述样本图像和所述目标图像对应的平面直角坐标系；根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；计算所述第一距离和所述第二距离之间的距离比，将所述距离比作为匹配结果；计算所述匹配结果对应的距离比和预设距离比之间的距离比差值；在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；将所述设备缺陷等级作为所述待检测工业设备的检测结果，通过构建的平面直角坐标系计算样本特征点与目标特征点的距离比，再根据距离比与预设距离比之间的差值确定待检测工业设备的缺陷等级，提高了工业设备的检测准确性。

参考图4，图4为本发明一种基于人工智能的设备检测方法第三实施例的流程示意图。

基于上述第一实施例或第二实施例，提出本发明基于人工智能的设备检测方法第三实施例。

以基于第一实施例为例进行说明，在第三实施例中，所述步骤S50之后还包括：

步骤S60：获取所述检测结果对应的检测数据。

在本实施例中，在得到检测结果之后，根据检测结果可以得到对应的检测数据，检测结果为工业设备的缺陷检测结果，从检测数据可以得到工业设备对应的缺陷数据，例如工业设备磨损程度、裂痕长度以及形变程度等数据。

步骤S70：对所述检测数据进行优化，得到目标检测数据。

需要说明的是，本实施例中对检测数据的优化包括去除无效数据等，通过对检测数据进行优化使得目标检测数据更能体现待检测工业设备的缺陷，使得检测更具有准确，更具有针对性。

步骤S80：根据所述目标检测数据对所述待检测工业设备进行寿命预测。

在本实施例中，通过目标检测数据可以获取到工业设备磨损程度、裂痕长度以及形变程度等数据，根据这些数据对待检测工业设备进行寿命预测，例如待检测工业设备无裂痕无磨损可以预测待检测工业设备的剩余寿命为三十年或四十年等，待检测工业设备存在较长裂痕以及严重形变，可以预测到待检测工业设备剩余寿命为一年或半年等，具体寿命年数与目标检测数据中设备缺陷情况的对应关系可以根据实际设备类型以及使用环境进行设置。

步骤S90：根据预测结果生成所述待检测工业设备对应的设备更新策略。

在具体实施中，根据寿命预测结果生成设备更新策略，例如预测到工业设备使用设备还有不到一个月，那么对应的更新策略则是需要是一个月内将工业设备进行更换，或者预测到工业设备还有三十年寿命，则不需要更换工业设备，对应的更新策略为日常保养与维修。

本实施例通过获取所述检测结果对应的检测数据；对所述检测数据进行优化，得到目标检测数据；根据所述目标检测数据对所述待检测工业设备进行寿命预测；根据预测结果生成所述待检测工业设备对应的设备更新策略，通过对检测数据进行优化和分析，使得检测更准确，更具有针对性，同时也方便企业以及设备用户对工业设备进行维护。

参照图5，图5为本发明基于人工智能的设备检测装置第一实施例的结构框图。

如图5所示，本发明实施例提出的基于人工智能的设备检测装置包括：

获取模块10，用于获取待检测工业设备的当前图像和样本图像。

在具体实施中，通过待检测工业设备的当前图像和样本图像对待检测工业设备进行检测，本实施例中的工业设备包括工业生产设备和各类机床，例如车床和铣床等机器，本实施例中对待检测工业设备的检测为缺陷检测，容易理解的是，并非所有的工业设备都需要进行缺陷检测，对于企业新购置的工业设备或年限较短的工业设备一般不需要进行缺陷检测，对于待检测工业设备的选取可以依据工业设备的使用年限，本实施例中不加以限制，进一步地，待检测工业设备的样本图像为无缺陷和故障的待检测工业设备对应的设备图像，可以从保存的图像数据库中获取，待检测工业设备的当前图像为当前待检测工业设备对应的设备图像，样本图像可以理解为一种标准图像，而当前图像可以理解为一种实时图像，会随着待工业设备的使用而发生变化。

需要说明的是，机器视觉是一种利用机器代替人眼来进行测量和判断的技术，机器视觉技术中通常用摄像机来代替人眼，将图像信号转换成电信号，本实施例中待检测工业设备的样本图像和当前图像是通过视觉采集装置获取的，视觉采集装置包括摄像机等，而摄像机中的核心部件为传感器，根据传感器芯片类型的不同，机器视觉系统检测的信息均来源于图像，其核心是图像的采集和处理，为了提高获取到的待检测工业设备的当前图像和样本图像的图像质量，本实施例在摄像机获取待检测工业设备的当前图像和样本图像之前对照明光源和光学镜头的参数进行调整。

在具体实施中，对照明光源的参数调整包括光源类型的调整以及打光方式的调整，光源类型包括环形光源、背光源以及点光源等，打光方式包括背向打光法和前向打光法等，对光学镜头的参数调整包括对光学镜头的焦距、光圈数、视场角以及景深进行调整，具体调整方式可以根据实际情况自行设定，本实施例中不加以限制。

处理模块20，用于对所述当前图像进行优化处理，得到目标图像。

易于理解的是，当前图像是实际拍摄到的待检测工业设备的设备图像，在一般情况下，通过摄像机所采集的图像在数字化和传输过程中容易受到多种外界因素的影响，导致最终采集到的图像质量不高，主要表现为存在噪声、模糊、变形以及细节不突出等。如果直接从这些低质量的图像中提取特征进行图像匹配、识别、分类等操作，取得的效果达不到预期的要求，例如图像清晰度较低或者没有突出要检测的缺陷特征等情况，降低了检测的准确度，因此，需要利用图像处理技术对这些低质量图像进行优化处理，去除图像的噪声，提高检测准确度。

在具体实现中，对所述当前图像进行优化处理，得到目标图像的步骤包括：对所述当前图像进行灰度处理，得到当前灰度图像；获取所述待检测工业设备对应的标定设备特征；根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

需要说明的是，对当前图像进行灰度处理是对当前图像进行灰度化，得到当前灰度图像，本实施例中对当前图像进行灰度处理是对当前图像进行的预处理，灰度处理可以加强当前图像中的反差变化，更加突出所要检测的特征，例如获取工业设备铣床的当前图像，当前图像中包括铣床的颜色、形状以及裂痕等特征，在对铣床进行检测的过程中，通常不需要检测铣床的颜色这一特征，通过灰度处理后，可以将颜色特征从当前图像中去除或者弱化，突出其他特征，例如裂痕、刮痕等特征，避免对铣床的检测造成干扰，进一步地，在获取到当前灰度图像之后，为了使得检测更加准确，对当前灰度图像进行进一步处理，本实施例根据标定设备特征对当前灰度图像进行噪声处理实现进一步处理，标定设备特征为待检测工业设备对应的设备特征，容易理解的是，不同的待检测工业设备对应的标定设备特征是不同的，例如铣床对应的标定设备特征包括铣刀磨损度，铣刀运动轨迹等，刨床对应的标定设备特征包括摆杆位置，刨刀位置等，根据标定设备特征对当前灰度图像进行噪声处理，可以将其他干扰特征从当前灰度图像中去除，使得检测更准确，更具有针对性。

在具体实施中，所述对所述当前图像进行灰度处理，得到当前灰度图像的步骤具体包括：将所述当前图像划分成多个像素分量；获取各像素分量对应的灰度权重值；根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

在本实施例中，图像通常由多个像素分量组成，各个像素分量对应的灰度权重值为是预先设定的，像素分量的划分以及各个像素分量对应的灰度权重值的大小可以根据实际情况自行设置，本实施例中不加以限制，根据获取到的当前图像的多个像素分量以及各个像素分量对应的灰度权重值即可生成当前灰度图像，例如将当前图像X划分成三个像素分量A、B及C，假设像素分量A对应的灰度权重值为0.2，像素分量B对应的灰度权重值为0.4，像素分量C对应的灰度权重值为0.3，则可以得到根据像素分量A、B及C生成的当前灰度图像T＝0.2A+0.4B+0.3C。

在具体实施中，所述根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像的步骤包括：获取所述当前灰度图像中灰度像素点对应的参考设备特征；根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；根据所述目标灰度像素点得到目标图像。

需要说明的是，本实施例根据图像中各个像素点对应的设备特征进行图像的去躁处理，参考设备特征为当前灰度图像中各个灰度像素点对应的设备特征，将参考设备特征与标定设备特征进行比对，可以得到包含标定设备特征的灰度像素点，即与标定设备特征相同的参考设备特征对应的目标灰度像素点，例如从当前灰度图像Y中获取到灰度像素点H和M，灰度像素点H对应的参考设备特征为车床颜色，灰度像素点M对应的参考设备特征为车床裂痕，假设标定设备特征为车床裂痕以及磨损情况，根据比较可知，灰度像素点M对应的参考设备特征与标定设备特征相同，灰度像素点对应的参考设备特征与标定设备特征不同，则将灰度像素点M作为目标灰度像素点，进一步地，在得到目标灰度像素点之后，将目标灰度像素点组成的图像作为目标图像。

提取模块30，用于从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点。

需要说明的是，图像中各个图像点携带有相应的特征，这样的图像点称为特征点，通过将特征点对应的特征进行比对，能够得到多个图像之间的不同之处，从而得到图像对应的实际物体所对应的特征差异，样本特征点与目标样本特征点对应的实际物体的位置是相同的，例如，图像X中特征点X₁对应的特征为直角形状的桌角，而图像Y中特征点Y₁对应的特征为圆角形状的桌角，假设图像X对应的实际物体为A型桌子，与图像Y对应的实际物体为B型桌子，特征点X₁和特征点Y₁均对应桌子的桌角部位，根据特征点X₁和特征点Y₁之间的对比结果可知，A型桌子与B型桌子差异之处在于桌角形状的不同。

在具体实施中，本实施通过将样本特征点与目标特征点进行比对，实现对工业设备的检测，具体地，从样本图像中提取样本特征点以及从目标图像中提取目标特征点，样本特征点为标准特征点，是待检测工业设备无缺陷与无故障时对应的特征点，目标特征点为待检测工业当前的特征点。

匹配模块40，用于获取所述样本特征点与所述目标特征点之间的距离比。

在具体实施中，在得到样本特征点与目标特征点之后，将样本特征点与目标特征点进行匹配，可以得到与样本特征点匹配的目标特征点，例如待检测工业设备Q对应的目标特征点为p₁、p₂以及p₄，待检测工业设备Q的样本特征点为p₁、p₂以及p₃，根据匹配可以得到目标特征点与样本特征点匹配的特征点为p₁和p₂，匹配的特征点为p₁和p₂即为匹配结果。

确定模块50，用于根据所述距离比确定所述待检测工业设备的检测结果。

在本实施例中，在得到匹配结果之后，根据匹配结果确定与样本特征点匹配的目标特征点，与样本特征点不匹配的目标特征点为待检测工业设备对应的缺陷点，根据匹配结果可以确定待检测工业设备对应的缺陷点，即待检测工业设备上存在缺陷的位置，以完成对待检测工业设备的检测。

本实施例通过获取待检测工业设备的当前图像和样本图像；对所述当前图像进行优化处理，得到目标图像；从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；获取所述样本特征点与所述目标特征点之间的距离比；根据所述距离比确定所述待检测工业设备的检测结果，通过将待检测工业设备对应的目标图像中的目标特征点与待检测工业设备对应的样本图像中的样本特征点进行匹配，从而实现对待检测工业设备的检测。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于人工智能的设备检测程序，所述基于人工智能的设备检测程序被处理器执行时实现如下操作：

通过视觉采集装置获取待检测工业设备的当前图像和样本图像；

对所述当前图像进行优化处理，得到目标图像；

从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

获取所述样本特征点与所述目标特征点之间的距离比；

根据所述距离比确定所述待检测工业设备的检测结果。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

对所述当前图像进行灰度处理，得到当前灰度图像；

获取所述待检测工业设备对应的标定设备特征；

根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

将所述当前图像划分成多个像素分量；

获取各像素分量对应的灰度权重值；

根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

获取所述当前灰度图像中灰度像素点对应的参考设备特征；

根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；

根据所述目标灰度像素点得到目标图像。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

构建所述样本图像和所述目标图像对应的平面直角坐标系；

根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；

获取所述第一距离和所述第二距离之间的距离比。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

计算所述匹配结果对应的距离比和预设距离比之间的距离比差值；

在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；

将所述设备缺陷等级作为所述待检测工业设备的检测结果。

进一步地，所述基于人工智能的设备检测程序被处理器执行时还实现如下操作：

获取所述检测结果对应的检测数据；

对所述检测数据进行优化，得到目标检测数据；

根据所述目标检测数据对所述待检测工业设备进行寿命预测；

根据预测结果生成所述待检测工业设备对应的设备更新策略。

本实施例通过获取待检测工业设备的当前图像和样本图像；对所述当前图像进行优化处理，得到目标图像；从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；获取所述样本特征点与所述目标特征点之间的距离比；根据所述距离比确定所述待检测工业设备的检测结果，通过将待检测工业设备对应的目标图像中的目标特征点与待检测工业设备对应的样本图像中的样本特征点进行匹配，从而实现对待检测工业设备的检测。

在一实施例中，所述处理模块20还用于对所述当前图像进行灰度处理，得到当前灰度图像；获取所述待检测工业设备对应的标定设备特征；根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

在一实施例中，所述处理模块20还用于将所述当前图像划分成多个像素分量；获取各像素分量对应的灰度权重值；根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

在一实施例中，所述处理模块20还用于获取所述当前灰度图像中灰度像素点对应的参考设备特征；根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；根据所述目标灰度像素点得到目标图像。

在一实施例中，所述匹配模块40还用于构建所述样本图像和所述目标图像对应的平面直角坐标系；根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；获取所述第一距离和所述第二距离之间的距离比。

在一实施例中，所述确定模块50还用于计算所述匹配结果对应的距离比和预设距离比之间的距离比差值；在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；将所述设备缺陷等级作为所述待检测工业设备的检测结果。

在一实施例中，还包括更新模块，用于获取所述检测结果对应的检测数据；对所述检测数据进行优化，得到目标检测数据；根据所述目标检测数据对所述待检测工业设备进行寿命预测；根据预测结果生成所述待检测工业设备对应的设备更新策略。

应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。

需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于人工智能的设备检测方法，此处不再赘述。

此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

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。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的设备检测方法，其特征在于，所述基于人工智能的设备检测方法包括：

基于人工智能获取待检测工业设备的当前图像和样本图像；

对所述当前图像进行优化处理，得到目标图像；

从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

获取所述样本特征点与所述目标特征点之间的距离比；

根据所述距离比确定所述待检测工业设备的检测结果。

2.如权利要求1所述的基于人工智能的设备检测方法，其特征在于，所述对所述当前图像进行优化处理，得到目标图像的步骤包括：

对所述当前图像进行灰度处理，得到当前灰度图像；

获取所述待检测工业设备对应的标定设备特征；

根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像。

3.如权利要求2所述的基于人工智能的设备检测方法，其特征在于，所述对所述当前图像进行灰度处理，得到当前灰度图像的步骤包括：

将所述当前图像划分成多个像素分量；

获取各像素分量对应的灰度权重值；

根据多个所述像素分量和各像素分量对应的所述灰度权重值生成当前灰度图像。

4.如权利要求2所述的基于人工智能的设备检测方法，其特征在于，所述根据所述标定设备特征对所述当前灰度图像进行噪声处理，得到目标图像的步骤包括：

获取所述当前灰度图像中灰度像素点对应的参考设备特征；

根据所述标定设备特征对所述灰度像素点进行筛选，以获得与所述标定设备特征相同的参考设备特征对应的目标灰度像素点；

根据所述目标灰度像素点得到目标图像。

5.如权利要求1所述的基于人工智能的设备检测方法，其特征在于，所述获取所述样本特征点与所述目标特征点之间的距离比的步骤包括：

构建所述样本图像和所述目标图像对应的平面直角坐标系；

根据所述平面直角坐标系确定所述样本特征点与所述目标特征点之间的第一距离与第二距离；

获取所述第一距离和所述第二距离之间的距离比。

6.如权利要求5所述的基于人工智能的设备检测方法，其特征在于，所述根据所述距离比确定所述待检测工业设备的检测结果的步骤包括：

计算所述距离比和预设距离比之间的距离比差值；

在预设映射关系表中查找所述距离比差值对应的设备缺陷等级；

将所述设备缺陷等级作为所述待检测工业设备的检测结果。

7.如权利要求1至5中任一项所述的基于人工智能的设备检测方法，其特征在于，所述根据所述距离比确定所述待检测工业设备的检测结果的步骤之后，还包括：

获取所述检测结果对应的检测数据；

对所述检测数据进行优化，得到目标检测数据；

根据所述目标检测数据对所述待检测工业设备进行寿命预测；

根据预测结果生成所述待检测工业设备对应的设备更新策略。

8.一种基于人工智能的设备检测装置，其特征在于，所述基于人工智能的设备检测装置包括：

获取模块，用于基于人工智能获取待检测工业设备的当前图像和样本图像；

处理模块，用于对所述当前图像进行优化处理，得到目标图像；

提取模块，用于从所述样本图像中提取样本特征点，以及从所述目标图像中提取目标特征点；

计算模块，用于获取所述样本特征点与所述目标特征点之间的距离比；

确定模块，用于根据所述距离比确定所述待检测工业设备的检测结果。

9.一种基于人工智能的设备检测设备，其特征在于，所述基于人工智能的设备检测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的基于人工智能的设备检测程序，所述基于人工智能的设备检测程序配置为实现如权利要求1至7中任一项所述的基于人工智能的设备检测方法的步骤。

10.一种存储介质，其特征在于，所述存储介质上存储有基于人工智能的设备检测程序，所述基于人工智能的设备检测程序被处理器执行时实现如权利要求1至7任一项所述的基于人工智能的设备检测方法的步骤。

Images