CN114155878B - 一种人工智能检测系统、方法和计算机程序 - Google Patents

一种人工智能检测系统、方法和计算机程序 Download PDF

Info

Publication number
CN114155878B
CN114155878B CN202111460901.5A CN202111460901A CN114155878B CN 114155878 B CN114155878 B CN 114155878B CN 202111460901 A CN202111460901 A CN 202111460901A CN 114155878 B CN114155878 B CN 114155878B
Authority
CN
China
Prior art keywords
information
matrix
mechanical equipment
target information
layer
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
Application number
CN202111460901.5A
Other languages
English (en)
Other versions
CN114155878A (zh
Inventor
沈增辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Zhiyi Technology Co ltd
Original Assignee
Beijing Zhongke Zhiyi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Zhiyi Technology Co ltd filed Critical Beijing Zhongke Zhiyi Technology Co ltd
Priority to CN202111460901.5A priority Critical patent/CN114155878B/zh
Publication of CN114155878A publication Critical patent/CN114155878A/zh
Application granted granted Critical
Publication of CN114155878B publication Critical patent/CN114155878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
    • G10L15/063—Training
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/16—Speech classification or search using artificial neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种人工智能检测系统、方法和计算机程序，属于人工智能技术领域。该方法包括：获取设置于待检测的机械装备上或附近预设区域内的声音采集装置采集的声音信息；将声音信息分割成预设时长的信息单元；针对每一信息单元，将信息单元按照时间、频率和/或幅度划分成多个信息块；针对每一信息块，获取信息块的第一评分，第一评分用于指示信息块对破裂检测的有效程度；获取每一信息单元中的目标信息块，并将根据目标信息块得到的目标信息输入至机械装备破损检测模型中检测机械装备是否破裂，目标信息块的第一评分大于第一预设值。本发明提供的机械装备破损检测方案不依赖于人工经验、准确率高，而且可以实时检测、不需要在特定的时间检测、效率高。

Description

一种人工智能检测系统、方法和计算机程序
技术领域
本发明涉及人工智能技术领域，具体涉及一种人工智能检测系统、方法和计算机程序。
背景技术
现实生活中，采用人工听敲击机械设备来判断机械设备的机械部件是否存在破裂，由于听到的声音存在噪音干扰，准确性很难保证，且：效率低、效果差、经验占主导、操作时要求周围环境静。
发明内容
因此，本发明实施例要解决的技术问题在于克服现有技术中的人工听破损的效率低、效果差、经验占主导、检测时间有要求的缺陷，从而提供一种人工智能检测系统、方法和计算机程序。
为此，本发明提供一种人工智能检测方法，其特征在于，包括以下步骤：
获取设置于待检测的机械装备上或附近预设区域内的声音采集装置采集的声音信息；
将所述声音信息分割成预设时长的信息单元；
针对每一所述信息单元，将所述信息单元按照时间、频率和/或幅度划分成多个信息块；
针对每一所述信息块，获取所述信息块的第一评分，所述第一评分用于指示所述信息块对破裂检测的有效程度；
获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂，所述目标信息块的所述第一评分大于第一预设值。
可选的，所述第一评分是根据以下公式计算得到：
Figure GDA0003588534870000021
其中，b是所述信息块的信息的总数，bc是类别c的信息数，c＝1表示机械装备破裂，c＝0表示机械装备未破裂，e是从所述信息块中提取的特征向量，fc是类别c的所述特征向量的平均值，f是所述特征向量的平均值。
可选的，所述获取每一所述信息单元中的目标信息块之前，还包括：
针对每一所述信息块，获取所述信息块的第二评分，所述第二评分用于指示所述信息块对其他声音检测的有效程度，所述其他声音包括除所述机械装备破损时振动声音以外的一种或多种声音；
所述目标信息块的所述第一评分大于所述第一预设值且所述第二评分小于第二预设值。
可选的，所述获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂，包括：
从所述目标信息块中提取特征向量，组成特征向量矩阵；
根据所述特征向量矩阵确定所述目标信息。
可选的，所述根据所述特征向量矩阵确定所述目标信息包括：
使用预设的基矩阵，对所述特征向量矩阵进行非负矩阵分解，得到系数矩阵；
将所述系数矩阵作为所述目标信息；
其中，所述基矩阵是在所述机械装备破损检测模型训练阶段确定。
可选的，所述机械装备破损检测模型包括输入层、隐藏层和输出层；
所述输入层用于接收所述目标信息并转发至所述隐藏层，所述输出层用于基于所述隐藏层的输出输出机械装备破损的检测结果；
所述隐藏层包括依次连接的第一卷积层、第二卷积层、第一全连接层、第二全连接层、扁平化层和分类层；
所述输出层包括softmax层。
可选的，所述根据所述特征向量矩阵确定所述目标信息包括：
获取时间相邻的多个所述信息单元对应的多个协方差矩阵，所述协方差矩阵是根据所述多个所述信息单元对应的特征向量矩阵确定；
计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵；
将所述距离矩阵作为所述目标信息。
可选的，所述计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵，包括：
将两个所述协方差矩阵分别分解为对角矩阵和旋转矩阵；
根据所述对角矩阵和所述旋转矩阵计算对数协方差矩阵；
根据所述对数协方差矩阵确定对数协方差向量；
获取两个所述对数协方差向量之间的欧式距离作为两个所述协方差矩阵之间的距离。
本发明还提供一种人工智能检测系统，包括：声音采集装置和处理器；
所述声音采集装置用于设置于待检测的机械装备上或附近预设区域内，以采集声音信息；
所述处理器，用于实现上述任一种人工智能检测方法。
本发明还提供一种计算机程序，所述计算机程序被处理器执行时实现上述任一种人工智能检测方法。
本发明实施例的技术方案，具有如下优点：
本实施例中，可以实现基于机械装备上或机械装备附近的声音信号智能分析机械装备是否破裂，不依赖于人工经验、准确率高，而且可以实时检测、不需要在特定的时间检测、效率高。而且，不是利用声音采集装置采集的声音信息的全部去判断机械装备是否破裂，而是从中提取出对机械装备破损检测有效的信息去确定机械装备是否破裂，不仅可以降低计算量，还可以提高检测的准确度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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1为本发明实施例1中机械装备破损人工智能检测方法的一个具体示例的流程图；
图2为本发明实施例1中根据特征向量矩阵确定目标信息的一个具体示例的流程图；
图3为本发明实施例2中机械装备破损人工智能检测系统的一个具体示例的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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做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。
在本发明的描述中，需要说明的是，本文所用的术语仅用于描述特定实施例的目的，而并非旨在限制本发明。除非上下文明确指出，否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时，是意图说明存在该特征、整数、步骤、操作、元素和/或组件，而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通；可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种机械装备破损人工智能检测方法，如图1所示，包括以下步骤：
S1：获取设置于待检测的机械装备上或附近预设区域内的声音采集装置采集的声音信息；
具体的，可以沿所述机械装备的走向布置多个声音采集装置，以检测所述机械装备上的各段是否破裂。
S2：将所述声音信息分割成预设时长的信息单元；
时间相邻的单元可以存在重叠。相互重叠可以保持局部特征，避免其因被分割导致特征丢失。
S3：针对每一所述信息单元，将所述信息单元按照时间、频率和/或幅度划分成多个信息块；
S4：针对每一所述信息块，获取所述信息块的第一评分，所述第一评分用于指示所述信息块对破裂检测的有效程度；
S5：获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂，所述目标信息块的所述第一评分大于第一预设值。
具体的，如果检测结果为破裂，那么说明对应声音采集装置附近的机械装备出现破裂，需要检修。
本实施例中，可以实现基于机械装备上或机械装备附近的声音信号智能分析机械装备是否破裂，不依赖于人工经验、准确率高，而且可以实时检测、不需要在特定的时间检测、效率高。而且，不是利用声音采集装置采集的声音信息的全部去判断机械装备是否破裂，而是从中提取出对机械装备破损检测有效的信息去确定机械装备是否破裂，不仅可以降低计算量，还可以提高检测的准确度。
可选的，所述第一评分是根据以下公式计算得到：
Figure GDA0003588534870000051
其中，b是所述信息块的信息的总数，bc是类别c的信息数，c＝1表示机械装备破损，c＝0表示机械装备未破损，e是从所述信息块中提取的特征向量，fc是类别c的所述特征向量的平均值，f是所述特征向量的平均值。
另外，所述第一评分也可以根据马氏距离确定。
可选的，所述获取每一所述信息单元中的目标信息块之前，还包括：
针对每一所述信息块，获取所述信息块的第二评分，所述第二评分用于指示所述信息块对其他声音检测的有效程度，所述其他声音包括除所述机械装备破损时振动声音以外的一种或多种声音；
具体的，该其他声音可根据机械装备破损时所可能产生的声音确定。
所述目标信息块的所述第一评分大于所述第一预设值且所述第二评分小于第二预设值。
所述其他声音例如可以包括人声、机器运行声、交通工具行驶的声音、其他机械装备(例如待检测的机械装备为液体机械装备，那么其他机械装备就可以是燃气机械装备)内的声音等等。
所述第二评分的获取方式可参阅上述第一评分，此处不再赘述。
本实施例中，在从声音采集装置采集的声音信息中提取用于检测机械装备是否破裂的信息时，不仅提取对破裂检测有效程度高的信息，还从中去除了对其他声音检测有效程度高的信息，避免了其他声音对破裂检测的干扰，进一步提高机械装备破损检测的准确度和计算量。
另外，在获取所述信息单元中的目标信息块时，可以将所述信息单元分为多层，例如为3层，在第一层将所述信息单元划分为多个区块，在第二层对第一层划分的区块进一步划分为多个区块，依次类推，即除第一层外，每一层均针对上一层划分的区块进行进一步划分。
分别计算各区块的第一评分和第二评分，然后基于各区块的第一评分和第二评分得到不同层级的目标信息块，基于不同层级的目标信息块所得到的目标信息在机械装备破损检测中的重要程度不同，具体可通过权重来体现。
在其他可选实施方式中，在划分区块的过程中，也可以每划分一层的区块，便针对划分后区块计算所述第一评分和所述第二评分，针对该层中除所述第一评分大于所述第一预设值且所述第二评分小于所述第二预设值的区块作进一步划分，直到划分的区块已不能再进行划分或已达到预设的最小值。从而可以尽可能多地提取目标信息块，在尽可能降低机械装备破损检测计算量的同时，提高检测可靠性。
可选的，所述获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂，包括：
从所述目标信息块中提取特征向量，组成特征向量矩阵；
根据所述特征向量矩阵确定所述目标信息。
具体的，可以从目标信息块中提取包括平均值、中间值、标准偏差、最大值/最小值、峰度值、偏斜度、过零率等至少之一的时间特征或统计量，提取包括梅尔频率倒谱系数(MFCC)、伽马通倒谱系数(Gammatone Cepstral Coefficient,GTCC)和梅尔谱图至少之一的时间频率特征量，还提取包括谱质心、光谱扩散、光谱熵、光谱通量、光谱滚降中至少之一的特征量。
进一步可选的，所述根据所述特征向量矩阵确定所述目标信息包括：
使用预设的基矩阵，对所述特征向量矩阵进行非负矩阵分解，得到系数矩阵；
将所述系数矩阵作为所述目标信息；
其中，所述基矩阵是在所述机械装备破损检测模型训练阶段确定。
非负矩阵分解(Nonnegative Matrix Factorization，简称NMF)是一种将一个非负矩阵V分解成两个非负矩阵W和H的乘积的算法。
具体的，可以根据所述基矩阵的逆矩阵或伪逆矩阵确定所述系数矩阵。所述基矩阵的可以根据以下公式计算得到：H+＝HT(H HT)-1。
本实施例中，将表示基矩阵的权重的系数矩阵中的系数向量用作特征向量来检测机械装备是否破裂，与直接根据目标信息块中的信息本身(例如特定频率的功率)直接进行分类相比，可以提高机械装备破损检测的精度。另外，还可以降低机械装备破损检测中使用的特征向量的维度，降低机械装备破损检测的计算量。
另外，在训练阶段确定所述基矩阵时，可以按照上述方法从训练数据中提取所述第一评分大于所述第一预设值且所述第二评分小于所述第二预设值的信息块，然后基于提取的信息块进行非负矩阵分解得到所述基矩阵，以使得所述基矩阵包括对机械装备破损检测有效性高的特征信息，进一步提高机械装备破损检测的准确度。
可选的，所述机械装备破损检测模型包括输入层、隐藏层和输出层；
所述输入层用于接收所述目标信息并转发至所述隐藏层，所述输出层用于基于所述隐藏层的输出输出机械装备破损的检测结果；
所述隐藏层包括依次连接的第一卷积层、第二卷积层、第一全连接层、第二全连接层、扁平化层和分类层；
所述输出层包括softmax层。
具体的，所述输入层通过激活函数与所述第一卷积层连接。所述第一卷积层用于将所述目标信息与第一滤波器系数进行卷积计算，并在卷积计算结果上加上偏置后进行整流，得到所述第一卷积层的输出结果。
所述第二卷积层用于将所述第一卷积层的输出结果与第二滤波器系数进行卷积计算，并在卷积计算结果上加上偏置后进行整流，得到所述第二卷积层的输出结果。
所述第一全连接层用于将所述第二卷积层的输出结果乘以第一加权系数，然后加上偏置后进行整流得到所述第一全连接层的输出结果。
所述第二全连接层用于将所述第一全连接层的输出结果乘以第二加权系数，然后加上偏置后进行整流得到所述第二全连接层的输出结果。
所述扁平化(Flatten)层用于将所述第二全连接层的输出结果一维化。
所述分类层用于基于所述扁平化层输出的一维特征信息检测所述机械装备是否破裂；
所述输出层将所述分类层的输出转换为机械装备是否破裂的概率。
进一步可选的，所述隐藏层包括设置在所述扁平化层和所述第二全连接层之间的双向门控循环神经网络层和丢弃层。
本实施例中，所述目标信息是按照其所属的信息单元的时间顺序依次输入至所述机械装备破损检测模型中。双向门控循环神经网络层能够发现相邻信息单元的目标信息之间的特征关系，从而极大地提高基于声音采集装置采集的时序信息检测机械装备破损的准确率和效率，另外双向门控神经网络使用历史和未来的声音信息作为参考，因此可以进一步提高检测准确率。
可选的，所述将所述声音信息分割成预设时长的信息单元之后，还包括：
对所述信息单元进行预处理，该预处理包括噪声去除处理。
例如，可以使用高通滤波器去除所述信息单元中的低频噪声。该噪声主要包括偶发的声音信号。这是因为机械装备破损后产生的声音必然是持续的，那么对于偶发的声音信号则可作为噪声进行去除。
可选的，请参阅图2，所述根据所述特征向量矩阵确定所述目标信息包括：
S521：获取时间相邻的多个所述信息单元对应的多个协方差矩阵，所述协方差矩阵是根据所述多个所述信息单元对应的特征向量矩阵确定；
S522：计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵；
S523：将所述距离矩阵作为所述目标信息。
本实施例中，可以针对所述特征向量矩阵中的每一个所述特征向量分别获取所述距离矩阵。
进一步可选的，还可以针对相邻设置两个或两个以上的声音采集装置采集的声音信息确定所述机械装备是否破裂。具体的，在分割信息单元时，相邻设置的声音采集装置采集的声音信息的分割时间点一致，然后获取相邻的两个或两个以上的声音采集装置采集对应的信息单元(这些信息单元的起始时刻一致)所对应的多个协方差矩阵，计算该多个协方差矩阵中每两个协方差矩阵之间的距离，获取距离矩阵，将所述距离矩阵作为所述目标信息。起始时刻不同的信息单元分别检测，起始时刻在后的信息单元的检测结果可验证起始时刻在前的信息单元的检测结果。
具体的，协方差矩阵可以通过以下方式获取：针对多个所述信息单元对应的特征向量矩阵，计算矩阵中每个特征向量与其它特征向量的平均向量之间的差值向量，并将所述差值向量乘以该特征向量的转置，以获得所述协方差矩阵。
可选的，所述计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵，包括：
将两个所述协方差矩阵分别分解为对角矩阵和旋转矩阵；
根据所述对角矩阵和所述旋转矩阵计算对数协方差矩阵；
根据所述对数协方差矩阵确定对数协方差向量；
获取两个所述对数协方差向量之间的欧式距离作为两个所述协方差矩阵之间的距离。
具体的，协方差矩阵(D)、对角矩阵(A)和旋转矩阵(R)之间的关系为：
D＝R A RT。
所述对数协方差矩阵E是通过以下公式计算得到：
E＝Rlog(A)RT。
当协方差矩阵(D)的特征值为d1、d2、……、dn时，
Figure GDA0003588534870000091
然后使用矩阵向量转换将对数协方差矩阵转换为对数协方差向量Γ＝vec(E)。若对数协方差矩阵E是n×n的矩阵，
Figure GDA0003588534870000101
Figure GDA0003588534870000102
作为可替换的实施方式，在计算得到所述对数协方差矩阵之后，可以根据所述对数协方差矩阵中的至少一个元素确定第一比较因子、并根据所述对数协方差矩阵中的至少一个元素确定第二比较因子，所述第一比较因子与所述第二比较因子不同，将所述第一比较因子和所述第二比较因子之间的比较结果作为所述目标信息。第一比较因子和第二比较因子可以是多个元素的线性组合或非线性组合。用于确定所述第一比较因子的至少一个元素包括对数协方差矩阵中一个或多个最大的元素，用于确定所述第二比较因子的至少一个元素包括对数协方差矩阵中的一个或多个最小的元素。
在进行第一比较因子于第二比较因子的比较时，可以判断两者之间的比值与预设阈值之间的大小关系得到所述比较结果。该预设阈值可根据预先设定的误检测概率确定。
实施例2
本施例提供一种机械装备破损人工智能检测系统，如图3所示，包括：声音采集装置301和处理器302；
所述声音采集装置301，用于设置于待检测的机械装备上或附近预设区域内，以采集声音信息；
所述处理器302，用于实现上述实施例1所述的任一种机械装备破损人工智能检测方法。
本实施例中，可以实现基于机械装备上或机械装备附近的声音信号智能分析机械装备是否破裂，不依赖于人工经验、准确率高，而且可以实时检测、不需要在特定的时间检测、效率高。而且，不是利用声音采集装置采集的声音信息的全部去判断机械装备是否破裂，而是从中提取出对机械装备破损检测有效的信息去确定管道是否破裂，不仅可以降低计算量，还可以提高检测的准确度。
实施例3
本施例提供一种计算机程序，所述计算机程序被处理器执行时实现上述实施例1所述的任一种机械装备破损人工智能检测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、系统、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种人工智能检测方法，其特征在于，包括以下步骤：
获取设置于待检测的机械装备上或附近预设区域内的声音采集装置采集的声音信息；
将所述声音信息分割成预设时长的信息单元；
针对每一所述信息单元，将所述信息单元按照时间、频率和/或幅度划分成多个信息块；
针对每一所述信息块，获取所述信息块的第一评分，所述第一评分用于指示所述信息块对破裂检测的有效程度；
针对每一所述信息块，获取所述信息块的第二评分，所述第二评分用于指示所述信息块对其他声音检测的有效程度，所述其他声音包括除所述机械装备破损时振动声音以外的一种或多种声音；
获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂；所述目标信息块的所述第一评分大于第一预设值且所述第二评分小于第二预设值。
2.根据权利要求1所述的方法，其特征在于，所述获取每一所述信息单元中的目标信息块，并将根据所述目标信息块得到的目标信息输入至机械装备破损检测模型中检测所述机械装备是否破裂，包括：
从所述目标信息块中提取特征向量，组成特征向量矩阵；
根据所述特征向量矩阵确定所述目标信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述特征向量矩阵确定所述目标信息包括：
使用预设的基矩阵，对所述特征向量矩阵进行非负矩阵分解，得到系数矩阵；
将所述系数矩阵作为所述目标信息；
其中，所述基矩阵是在所述机械装备破损检测模型训练阶段确定。
4.根据权利要求1所述的方法，其特征在于，所述机械装备破损检测模型包括输入层、隐藏层和输出层；
所述输入层用于接收所述目标信息并转发至所述隐藏层，所述输出层用于基于所述隐藏层的输出输出机械装备破损的检测结果；
所述隐藏层包括依次连接的第一卷积层、第二卷积层、第一全连接层、第二全连接层、扁平化层和分类层；
所述输出层包括softmax层。
5.根据权利要求2所述的方法，其特征在于，所述根据所述特征向量矩阵确定所述目标信息包括：
获取时间相邻的多个所述信息单元对应的多个协方差矩阵，所述协方差矩阵是根据所述多个所述信息单元对应的特征向量矩阵确定；
计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵；
将所述距离矩阵作为所述目标信息。
6.根据权利要求5所述的方法，其特征在于，所述计算所述多个协方差矩阵中每两个所述协方差矩阵之间的距离，获取距离矩阵，包括：
将两个所述协方差矩阵分别分解为对角矩阵和旋转矩阵；
根据所述对角矩阵和所述旋转矩阵计算对数协方差矩阵；
根据所述对数协方差矩阵确定对数协方差向量；
获取两个所述对数协方差向量之间的欧式距离作为两个所述协方差矩阵之间的距离。
7.一种人工智能检测系统，其特征在于，包括：声音采集装置和处理器；
所述声音采集装置用于设置于待检测的机械装备上或附近预设区域内，以采集声音信息；
所述处理器，用于实现如权利要求1-6中任一所述的人工智能检测方法。
8.一种计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的人工智能检测方法。
CN202111460901.5A 2021-12-03 2021-12-03 一种人工智能检测系统、方法和计算机程序 Active CN114155878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111460901.5A CN114155878B (zh) 2021-12-03 2021-12-03 一种人工智能检测系统、方法和计算机程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111460901.5A CN114155878B (zh) 2021-12-03 2021-12-03 一种人工智能检测系统、方法和计算机程序

Publications (2)

Publication Number Publication Date
CN114155878A CN114155878A (zh) 2022-03-08
CN114155878B true CN114155878B (zh) 2022-06-10

Family

ID=80455863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111460901.5A Active CN114155878B (zh) 2021-12-03 2021-12-03 一种人工智能检测系统、方法和计算机程序

Country Status (1)

Country Link
CN (1) CN114155878B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017097267A (ja) * 2015-11-27 2017-06-01 ヤマハ株式会社 技法判定装置
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN112229633A (zh) * 2020-09-03 2021-01-15 中国长江三峡集团有限公司福建分公司 一种基于多元特征融合的风机轴承故障诊断方法
CN113033490A (zh) * 2021-04-23 2021-06-25 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统
CN113111911A (zh) * 2021-03-12 2021-07-13 东南大学 基于主成分分析与门控循环单元网络的缺陷深度检测方法
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316649B (zh) * 2017-05-15 2020-11-20 百度在线网络技术（北京）有限公司 基于人工智能的语音识别方法及装置
CN113049922B (zh) * 2020-04-22 2022-11-15 青岛鼎信通讯股份有限公司 一种采用卷积神经网络的故障电弧信号检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017097267A (ja) * 2015-11-27 2017-06-01 ヤマハ株式会社 技法判定装置
CN111368890A (zh) * 2020-02-26 2020-07-03 珠海格力电器股份有限公司 故障检测方法及装置、信息物理融合系统
CN112229633A (zh) * 2020-09-03 2021-01-15 中国长江三峡集团有限公司福建分公司 一种基于多元特征融合的风机轴承故障诊断方法
CN113111911A (zh) * 2021-03-12 2021-07-13 东南大学 基于主成分分析与门控循环单元网络的缺陷深度检测方法
CN113033490A (zh) * 2021-04-23 2021-06-25 山东省计算中心（国家超级计算济南中心） 基于声音信号的工业设备通用故障检测方法及系统
CN113707176A (zh) * 2021-09-02 2021-11-26 国网安徽省电力有限公司铜陵供电公司 一种基于声信号及深度学习技术的变压器故障检测方法

Also Published As

Publication number Publication date
CN114155878A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
JP7199608B2 (ja) 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体
CN101739557B (zh) 基于运动周期分析的人体异常行为识别方法及装置
CN105841961A (zh) 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法
CN110108992B (zh) 基于改进随机森林算法的电缆局放故障识别方法、系统
CN105095624A (zh) 一种光纤传感振动信号的识别方法
JP2008040682A (ja) 異常監視装置
CN106934421A (zh) 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法
CN110120230B (zh) 一种声学事件检测方法及装置
CN113566948A (zh) 机器人化煤机故障音频识别及诊断方法
CN110082082B (zh) 一种基于振动信号主成分分析法的gis状态识别方法
CN105139029A (zh) 一种监狱服刑人员的行为识别方法及装置
CN112727710B (zh) 一种基于音频信号的风场落雷密度统计方法及系统
CN108711419B (zh) 一种人工耳蜗的环境声感知方法和系统
CN111583898B (zh) 一种空间环境多方位选择性降噪系统及方法
JP4760614B2 (ja) 信号識別装置の学習データの選択方法
CN115909675A (zh) 一种分布式边缘计算的电力设备声音监测方法
CN104280253B (zh) 一种基于免疫检测器的故障诊断方法及系统
CN113116361A (zh) 一种基于单导脑电的睡眠分期方法
CN111600878A (zh) 一种基于maf-adm的低速率拒绝服务攻击检测方法
CN114155878B (zh) 一种人工智能检测系统、方法和计算机程序
Madureira et al. A neural network seismic detector
CN106175822A (zh) 一种基于声音传感器的肠电图检测系统
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
Rana et al. A lightweight dnn for ecg image classification
Zhang et al. Automatic recognition of porcine abnormalities based on a sound detection and recognition system

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
CB02 Change of applicant information

Address after: Room 327, third floor, No. 2, Stadium South Road, Shijingshan District, Beijing 100043

Applicant after: Beijing Zhongke Zhiyi Technology Co.,Ltd.

Address before: Room 330, third floor, No. 2, Stadium South Road, Shijingshan District, Beijing 100043

Applicant before: Beijing Zhongke Zhiyi Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: Room 327, third floor, No. 2, Stadium South Road, Shijingshan District, Beijing 100043

Patentee after: Beijing Zhongke Zhiyi Technology Co.,Ltd.

Address before: Room 327, third floor, No. 2, Stadium South Road, Shijingshan District, Beijing 100043

Patentee before: Beijing Zhongke Zhiyi Technology Co.,Ltd.

CP01 Change in the name or title of a patent holder