CN114943884B - 基于深度学习的设备保护方法 - Google Patents

基于深度学习的设备保护方法 Download PDF

Info

Publication number
CN114943884B
CN114943884B CN202210656368.8A CN202210656368A CN114943884B CN 114943884 B CN114943884 B CN 114943884B CN 202210656368 A CN202210656368 A CN 202210656368A CN 114943884 B CN114943884 B CN 114943884B
Authority
CN
China
Prior art keywords
damaged
equipment
image
damage
deep learning
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
CN202210656368.8A
Other languages
English (en)
Other versions
CN114943884A (zh
Inventor
余丹
乔孟阳
兰雨晴
邢智涣
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.)
China Standard Intelligent Security Technology Co Ltd
Original Assignee
China Standard Intelligent Security 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 China Standard Intelligent Security Technology Co Ltd filed Critical China Standard Intelligent Security Technology Co Ltd
Priority to CN202210656368.8A priority Critical patent/CN114943884B/zh
Publication of CN114943884A publication Critical patent/CN114943884A/zh
Application granted granted Critical
Publication of CN114943884B publication Critical patent/CN114943884B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例公开基于深度学习的设备保护方法，涉及图像识别技术领域。所述方法，包括：采集目标环境中待监测设备的设备图像；通过深度学习算法识别各设备图像内的设备是否损坏；若识别出设备损坏，则向目标人员发送报警信息。本发明能够通过深度学习算法智能的识别出各设备图像内的设备损坏情况，并能自动的向维修人员进行报警，有效地提高了损坏设备修复效率。

Description

基于深度学习的设备保护方法
技术领域
本发明属于图像识别技术领域，尤其涉及基于深度学习的设备保护方法。
背景技术
随着机械技术和信息化技术的发展，利用设备提高生产的效率，保证生活环境安全等方面，都得到了广泛的认可，如消防栓、监控摄像头、门禁闸机等等。在设备的使用过程中，难免会有设备会损坏，一旦设备损坏，相关的业务就会受到影响，如门禁闸机损坏，将导致人员不能正常的进出相关的场所，所以需要及时的发现设备损坏故障并开展维修工作，让设备可以快速的修复。
设备及时修复的首要任务就是及时的发现设备损坏，目前设备损坏情况发现方法，还是靠人工定期的对设备进行检查，此方法虽然能发现设备的损坏情况，但是存在着不能及时的发现设备损坏情况，导致设备故障修复时间较晚，有时还容易因设备损坏造成坏的社会、经济影响，同时设备巡检工作也比较费时费力。
发明内容
有鉴于此，本发明实施例提供基于深度学习的设备保护方法，用于解决现有设备损坏情况发现方法，不能及时发现设备损坏情况，费时费力的问题。本发明能够通过深度学习算法智能的识别出各设备图像内的设备损坏情况，并能自动的向维修人员进行报警，有效地提高了损坏设备修复效率。
本发明实施例提供基于深度学习的设备保护方法，其特征在于，包括：
采集目标环境中待监测设备的设备图像；
通过深度学习算法识别各设备图像内的设备是否损坏；
若识别出设备损坏，则向目标人员发送报警信息。
在一可选实施例中，在所述采集目标环境中待监测设备的设备图像之前，还包括：
基于大数据获取各种设备的损坏数据；所述损坏数据至少包括设备损坏图像；
从设备的损坏数据中提取各种设备的损坏特征，作为训练数据；
构造深度学习神经网络模型；
以所述训练数据训练所述深度学习神经网络模型；
所述通过深度学习算法识别各设备图像内的设备是否损坏，包括：
通过训练好的深度学习神经网络模型识别各设备图像内的设备是否损坏。
在一可选实施例中，所述目标环境中有多个待监测的设备；
所述采集目标环境中待监测设备的设备图像，包括：
通过至少一个图像采集装置采集每个待监测设备的设备图像。
在一可选实施例中，当通过多个图像采集装置采集同一个第一设备的设备图像时，所述通过深度学习算法识别各设备图像内的设备是否损坏，还包括：
若通过深度学习算法在第一设备对应的多张设备图像中的至少一张设备图像中识别出所述第一设备损坏，则确定所述第一设备损坏。
在一可选实施例中，所述若识别出设备损坏，则向目标人员发送报警信息，包括：
根据设备图像中设备的损坏面积，确定每个损坏的设备的损坏程度占比；
根据每个损坏的设备的损坏程度占比、每个损坏的设备与周围同类型的未损坏的设备之间的距离、每个损坏的设备与周围其它损坏的设备之间的距离，确定每个损坏的设备的优先修理等级；
根据每个损坏的设备的优先修理等级生成报警信息，从而提醒目标人员对损坏的设备进行更换或修理。
在一可选实施例中，所述根据每个损坏的设备的优先修理等级生成报警信息，包括：
从预先存储的图像采集装置标识和对应设备的经纬度坐标之间的对应关系表中，获取本次识别出的损坏的设备的经纬度坐标；
根据每个损坏的设备的优先修理等级及经纬度坐标，生成每个损坏的设备的报警信息。
在一可选实施例中，所述根据设备图像中设备的损坏面积，确定每个损坏的设备的损坏程度占比，包括：
若通过深度学习算法在第一设备对应的多张设备图像中的至少两张设备图像中识别出所述第一设备损坏，则根据识别出所述第一设备损坏的每张设备图像中第一设备的损坏面积，确定识别出所述第一设备损坏的每张设备图像中第一设备的损坏程度占比；
将识别出所述第一设备损坏的所有设备图像中第一设备的损坏程度占比最高的那张设备图像作为所述第一设备对应的设备图像。
在一可选实施例中，所述确定每个损坏的设备的损坏程度占比，包括：
根据第一公式计算每个损坏的设备的损坏程度占比；
所述根据每个损坏的设备的损坏程度占比、每个损坏的设备与周围同类型的未损坏的设备之间的距离、每个损坏的设备与周围其他损坏的设备之间的距离，确定每个损坏的设备的优先修理等级，包括：
根据第二公式计算每个损坏的设备的优先修理等级；
所述根据每个损坏的设备的优先修理等级及经纬度坐标，生成每个损坏的设备的报警信息，包括：
根据第三公式生成每个损坏的设备的ASCII码形式的报警信息；
其中，所述第一公式为：
Figure BDA0003688052840000031
所述第一公式中，R(i)表示第i个损坏的设备的损坏程度占比；F[Di(a,b)]表示第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点的检测值，若第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点则F[Di(a,b)]＝1，反之F[Di(a,b)]＝0；B{F[Di(a,b)]}表示第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点的检测值，若通过深度学习算法检测到第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点则B{F[Di(a,b)]}＝1，反之B{F[Di(a,b)]}＝0；
a＝1,2,…,n；b＝1,2,…,m；n表示第i个损坏的设备的设备图像中每一列像素点的总个数；m表示第i个损坏的设备的设备图像中每一行像素点的总个数；i＝1,2,…,G；G表示所述目标环境中识别出的损坏的设备总数；
所述第二公式为：
Figure BDA0003688052840000041
所述第二公式中，H(i)表示第i个损坏的设备的优先修理等级值；L(i,k)表示所述目标环境中第i个损坏的设备与第k个未损坏的设备之间的距离；L0表示预设的距离阈值；k＝1,2,…,W；W表示所述目标环境中未损坏的设备总数；Z[]表示判断函数，若括号内的算式成立则函数值为1，反之则函数值为0；L(i,j)表示所述目标环境中第i个损坏的设备与第j个损坏的设备之间的距离，其中j≠i；
所述第三公式为：
Figure BDA0003688052840000042
所述第三公式中，Y(i)表示第i个损坏的设备的报警信息；(N(i),E(i))表示第i个损坏的设备的经纬度坐标；ascii[]表示将括号内的数据转换为ASCII码形式。
本发明提供的基于深度学习的设备保护方法，首先采集待监测设备的设备图像，然后通过深度学习算法智能的识别出各设备图像内的设备损坏情况，最后识别出设备损坏时，自动的向维修人员进行报警，本方明能够智能识别出设备损坏情况，自动地进行报警，有效地提高了损坏设备修复效率，避免了设备损坏带来的不良影响。
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它的附图。
图1为本发明实施例提供的基于深度学习的设备保护方法流程示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于深度学习的设备保护方法流程示意图。参见图1，该方法包括如下步骤S101-S103：
S101：采集目标环境中待监测设备的设备图像；
S102：通过深度学习算法识别各设备图像内的设备是否损坏，是则执行步骤S103；
S103：向目标人员发送报警信息。
上述技术方案的有益效果为：本发明实施例提供的基于深度学习的设备保护方法，首先采集待监测设备的设备图像，然后通过深度学习算法智能的识别出各设备图像内的设备损坏情况，最后识别出设备损坏时，自动的向维修人员进行报警，便于后续及时开展设备更换或修理，可以最大限度的保证在需要这些设备的时候，能够保证设备不出问题，不耽误相关行动。本方明能够智能识别出设备损坏情况，自动地进行报警，有效地提高了损坏设备修复效率，避免了设备损坏带来的不良影响。
作为一可选实施例，步骤S101之前，还可以包括如下步骤S201-S204：
S201：基于大数据获取各种设备的损坏数据；所述损坏数据至少包括设备损坏图像；
S202：从设备的损坏数据中提取各种设备的损坏特征，作为训练数据；
S203：构造深度学习神经网络模型；
S204：以所述训练数据训练所述深度学习神经网络模型。
本实施例中，所述步骤S102，具体包括：通过S204训练好的深度学习神经网络模型识别各设备图像内的设备是否损坏，是则执行步骤S103。
上述技术方案的有益效果为：本发明实施例提供的基于深度学习的设备保护方法，通过大数据技术获取设备的损坏数据来训练深度学习神经网络模型，保证了设备损坏自动、智能识别的精确度。
作为一可选实施例，所述步骤S101，包括：通过至少一个图像采集设备采集每个待监测设备的设备图像。
上述技术方案的有益效果为：在目标环境中，可能会有多个待监测设备，采集每个待监测设备的设备图像的图像采集设备的数量，可进行灵活配置，如可通过一个360度的摄像头监控摄像头四周的环境图像；也可以分别安装多个与目标环境中待检测设备一一对应的摄像头，通过各摄像头分别采集每个待监测设备各个方位的设备图像；或者，对于位置比较集中的待检测设备，可以通过1个摄像头采集2-3个待检测设备图像等，图像采集设备设置方式灵活，尽可能利用一个摄像头采集尽量多的待检测设备图像能有效地的降低实施成本。
作为一可选实施例，当通过多个图像采集装置采集同一个第一设备的设备图像时，所述步骤S102，还包括：若通过深度学习算法在第一设备对应的多张设备图像中的至少一张设备图像中识别出所述第一设备损坏，则确定所述第一设备损坏。
上述技术方案的有益效果为：对于某些重要待监测设备，由于对其单方位拍摄的图像有可能不能识别出该设备损坏，需要多方位进行监测，则可以设置多个图像采集装置采集同一待监测的第一设备的设备图像，根据第一设备多方位的图像信息，通过深度学习算法识别第一设备损坏信息，达到了全方位的了解第一设备损坏的情况，只要有一张设备图像中识别出第一设备损坏，即可判定第一设备损坏，提高了设备损坏识别的准确性和可靠性。
作为一可选实施例，步骤S103，可以包括如下步骤S301-S303：
S301：根据设备图像中设备的损坏面积，确定每个损坏的设备的损坏程度占比；
S302：根据每个损坏的设备的损坏程度占比、每个损坏的设备与周围同类型的未损坏的设备之间的距离、每个损坏的设备与周围其它损坏的设备之间的距离，确定每个损坏的设备的优先修理等级；
S303：根据每个损坏的设备的优先修理等级生成报警信息，从而提醒目标人员对损坏的设备进行更换或修理。
上述技术方案的有益效果为：根据设备图像中设备的损坏面积，依次确定设备的损坏程度占比，优先修理等级，并将每个损坏设备的优先修理等级生成报警信息来提醒维修人员进行更换或修理，使得维修人员可以参考优先修理等级进行设备的先后维修，保证了在发生故障时，在维修人员有限的时间内，可以及时维修重要位置的设备，把设备损坏的影响降至最低。
作为一可选实施例，步骤S303，可以包括以下步骤S401-S402：
S401：从预先存储的图像采集装置标识和对应设备的经纬度坐标之间的对应关系表中，获取本次识别出的损坏的设备的经纬度坐标；
本步骤，当识别出某张设备图像A中的设备损坏，则可获取采集该设备图像A的图像采集装置标识，随后即可从预先存储的图像采集装置标识和对应设备的经纬度坐标之间的对应关系表中，获取采集该设备图像A的图像采集装置标识对应设备的经纬度坐标。
S402：根据每个损坏的设备的优先修理等级及经纬度坐标，生成每个损坏的设备的报警信息，从而提醒目标人员对损坏的设备进行更换或修理。
上述技术方案的有益效果为：提供给维修人员的损坏设备的报警信息包括了损坏设备的优先修理等级和经纬度坐标，便于维修人员根据优先修理等级开展设备维修，在维修的过程中，经纬度坐标提供了设备的具体位置，节约了定位设备的时间，保证了重要设备得到快速修复，也提高了设备修复效率。
作为一可选实施例，所述步骤S301，可以包括以下步骤S501-S502：
S501：若通过深度学习算法在第一设备对应的多张设备图像中的至少两张设备图像中识别出所述第一设备损坏，则根据识别出所述第一设备损坏的每张设备图像中第一设备的损坏面积，确定识别出所述第一设备损坏的每张设备图像中第一设备的损坏程度占比；
S502：将识别出所述第一设备损坏的所有设备图像中第一设备的损坏程度占比最高的那张设备图像作为所述第一设备对应的设备图像。
上述技术方案的有益效果为：当存在多张设备图像中识别出同一第一设备损坏后，分别计算每张设备图像中损坏设备的损坏程度占比，将计算出的损坏程度占比最高的设备图像作为该第一设备对应的设备图像，从而更能客观的反映第一设备的故障程度，提高后续步骤S302-S303计算的准确性。
作为一可选实施例，所述步骤S301，可以包括：根据第一公式计算每个损坏的设备的损坏程度占比；
所述步骤S302，可以包括：根据第二公式计算每个损坏的设备的优先修理等级；
所述步骤S402，可以包括：根据第三公式生成每个损坏的设备的ASCII码形式的报警信息，从而提醒目标人员对损坏的设备进行更换或修理；
其中，所述第一公式为：
Figure BDA0003688052840000081
所述第一公式中，R(i)表示第i个损坏的设备的损坏程度占比；F[Di(a，b)]表示第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点的检测值，一张设备图片中存在设备的像素点和设备所在环境的像素点，通过对设备进行识别将设备的像素点和环境的像素点进行区分，若第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点则F[Di(a,b)]＝1，反之F[Di(a,b)]＝0；B{F[Di(a,b)]}表示第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点的检测值，若通过深度学习算法检测到第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点则B{F[Di(a,b)]}＝1，反之B{F[Di(a,b)]}＝0；a＝1,2,…,n；b＝1,2,…,m；n表示第i个损坏的设备的设备图像中每一列像素点的总个数；m表示第i个损坏的设备的设备图像中每一行像素点的总个数；i＝1,2,…,G；G表示所述目标环境中识别出的损坏的设备总数；
所述第二公式为：
Figure BDA0003688052840000082
所述第二公式中，H(i)表示第i个损坏的设备的优先修理等级值；L(i,k)表示所述目标环境中第i个损坏的设备与第k个未损坏的设备之间的距离；L0表示预设的距离阈值，小于此阈值表示在损坏设备的附件；k＝1,2,…,W；W表示所述目标环境中未损坏的设备总数；Z[]表示判断函数，若括号内的算式成立则函数值为1，反之则函数值为0；L(i,j)表示所述目标环境中第i个损坏的设备与第j个损坏的设备之间的距离，其中j≠i；
所述第三公式为：
Figure BDA0003688052840000091
所述第三公式中，Y(i)表示第i个损坏的设备的报警信息，此信息格式为ASCII码；(N(i),E(i))表示第i个损坏的设备的经纬度坐标；ascii[]表示将括号内的数据转换为ASCII码形式。
上述技术方案的有益效果为：利用第一公式(1)根据每个损坏设备的损坏面积得到每个损坏设备的损坏程度占比，从而将每个故障设备的故障程度进行量化，便于后续对维修人员的维修顺序提供参考；然后利用第二公式(2)根据每个损坏设备的损坏程度占比，结合每个损坏设备与周围同类型的未损坏设备之间的距离以及每个损坏设备与周围其他损坏设备之间的距离得到每个损坏设备的优先修理等级，从而让维修人员优先维修周围故障设备较多、正常设备较少且损坏较大的设备；最后利用第三公式(3)根据每个损坏设备的优先修理等级生成报警信息，从而提醒相关人员进行更换或修理，进而可根据经纬度坐标及时找到故障设备，并且参考优先修理等级值进行设备的先后维修，最大限度的保证在需要这些设备的时候，能够保证设备不出问题，不耽误相关行动，在发生故障时可以及时维修重要位置的设备，确保设备最大程度的进行工作。
从上述实施例的内容可知，利用深度学习算法，针对一些特殊场景或者特殊场合需要使用的设备，比如消防栓等，自动检测其是否损坏，在检测到场景中存在损坏的设备时，首先根据每个损坏设备的损坏面积得到每个损坏设备的损坏程度占比，然后再结合每个损坏设备与周围同类型的未损坏设备之间的距离以及每个损坏设备与周围其他损坏设备之间的距离得到每个损坏设备的优先修理等级，并获得损坏设备的经纬度位置信息，最后将损坏设备优先修理等级及位置信息发送给维修人员进行故障维修，使得损坏设备能得到及时修复，保证了设备使用时能正常工作。
本发明是参照根据本发明实施例的方法、设备(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方法的装置。
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方法。
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方法的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.基于深度学习的设备保护方法，其特征在于，包括：
采集目标环境中待监测设备的设备图像；
通过深度学习算法识别各设备图像内的设备是否损坏；
若识别出设备损坏，则向目标人员发送报警信息；
其中，所述若识别出设备损坏，则向目标人员发送报警信息，包括：
根据设备图像中设备的损坏面积，确定每个损坏的设备的损坏程度占比；
根据每个损坏的设备的损坏程度占比、每个损坏的设备与周围同类型的未损坏的设备之间的距离、每个损坏的设备与周围其它损坏的设备之间的距离，确定每个损坏的设备的优先修理等级；
根据每个损坏的设备的优先修理等级生成报警信息，从而提醒目标人员对损坏的设备进行更换或修理；
其中，所述根据每个损坏的设备的优先修理等级生成报警信息，包括：
从预先存储的图像采集装置标识和对应设备的经纬度坐标之间的对应关系表中，获取本次识别出的损坏的设备的经纬度坐标；
根据每个损坏的设备的优先修理等级及经纬度坐标，生成每个损坏的设备的报警信息；
其中，所述根据设备图像中设备的损坏面积，确定每个损坏的设备的损坏程度占比，包括：
若通过深度学习算法在第一设备对应的多张设备图像中的至少两张设备图像中识别出所述第一设备损坏，则根据识别出所述第一设备损坏的每张设备图像中第一设备的损坏面积，确定识别出所述第一设备损坏的每张设备图像中第一设备的损坏程度占比；
将识别出所述第一设备损坏的所有设备图像中第一设备的损坏程度占比最高的那张设备图像作为所述第一设备对应的设备图像；
其中，所述确定每个损坏的设备的损坏程度占比，包括：
根据第一公式计算每个损坏的设备的损坏程度占比；
所述根据每个损坏的设备的损坏程度占比、每个损坏的设备与周围同类型的未损坏的设备之间的距离、每个损坏的设备与周围其他损坏的设备之间的距离，确定每个损坏的设备的优先修理等级，包括：
根据第二公式计算每个损坏的设备的优先修理等级；
所述根据每个损坏的设备的优先修理等级及经纬度坐标，生成每个损坏的设备的报警信息，包括：
根据第三公式生成每个损坏的设备的ASCII码形式的报警信息；
其中，所述第一公式为：
Figure FDA0003863375850000021
所述第一公式中，R(i)表示第i个损坏的设备的损坏程度占比；F[Di(a，b)]表示第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点的检测值，若第i个损坏的设备对应的设备图像中第a行第b列像素点是属于设备的像素点则F[Di(a，b)]＝1，反之F[Di(a，b)]＝0；B{F[Di(a，b)]}表示第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点的检测值，若通过深度学习算法检测到第i个损坏的设备对应的设备图像中第a行第b列像素点是设备的损坏像素点则B{F[Di(a，b)]}＝1，反之B{F[Di(a，b)]}＝0；
a＝1，2，...，n；b＝1，2，...，m；n表示第i个损坏的设备的设备图像中每一列像素点的总个数；m表示第i个损坏的设备的设备图像中每一行像素点的总个数；i＝1，2，...，G；G表示所述目标环境中识别出的损坏的设备总数；
所述第二公式为：
Figure FDA0003863375850000022
所述第二公式中，H(i)表示第i个损坏的设备的优先修理等级值；L(i，k)表示所述目标环境中第i个损坏的设备与第k个未损坏的设备之间的距离；L0表示预设的距离阈值；k＝1，2，...，W；W表示所述目标环境中未损坏的设备总数；Z[]表示判断函数，若括号内的算式成立则函数值为1，反之则函数值为0；L(i，j)表示所述目标环境中第i个损坏的设备与第j个损坏的设备之间的距离，其中j≠i；
所述第三公式为：
Figure FDA0003863375850000031
所述第三公式中，Y(i)表示第i个损坏的设备的报警信息；(N(i),E(i))表示第i个损坏的设备的经纬度坐标；ascii[]表示将括号内的数据转换为ASCII码形式。
2.如权利要求1所述的基于深度学习的设备保护方法，其特征在于，在所述采集目标环境中待监测设备的设备图像之前，还包括：
基于大数据获取各种设备的损坏数据；所述损坏数据至少包括设备损坏图像；
从设备的损坏数据中提取各种设备的损坏特征，作为训练数据；
构造深度学习神经网络模型；
以所述训练数据训练所述深度学习神经网络模型；
所述通过深度学习算法识别各设备图像内的设备是否损坏，包括：
通过训练好的深度学习神经网络模型识别各设备图像内的设备是否损坏。
3.如权利要求1所述的基于深度学习的设备保护方法，其特征在于，所述目标环境中有多个待监测的设备；
所述采集目标环境中待监测设备的设备图像，包括：
通过至少一个图像采集装置采集每个待监测设备的设备图像。
4.如权利要求3所述的基于深度学习的设备保护方法，其特征在于，当通过多个图像采集装置采集同一个第一设备的设备图像时，所述通过深度学习算法识别各设备图像内的设备是否损坏，还包括：
若通过深度学习算法在第一设备对应的多张设备图像中的至少一张设备图像中识别出所述第一设备损坏，则确定所述第一设备损坏。
CN202210656368.8A 2022-06-10 2022-06-10 基于深度学习的设备保护方法 Active CN114943884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210656368.8A CN114943884B (zh) 2022-06-10 2022-06-10 基于深度学习的设备保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210656368.8A CN114943884B (zh) 2022-06-10 2022-06-10 基于深度学习的设备保护方法

Publications (2)

Publication Number Publication Date
CN114943884A CN114943884A (zh) 2022-08-26
CN114943884B true CN114943884B (zh) 2022-11-18

Family

ID=82909507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210656368.8A Active CN114943884B (zh) 2022-06-10 2022-06-10 基于深度学习的设备保护方法

Country Status (1)

Country Link
CN (1) CN114943884B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903507A (zh) * 2019-03-04 2019-06-18 上海海事大学 一种基于深度学习的火灾智能监控系统及其方法
EP3520051A1 (en) * 2017-04-11 2019-08-07 Alibaba Group Holding Limited Image-based vehicle damage determining method, apparatus, and electronic device
CN110674788A (zh) * 2019-10-09 2020-01-10 北京百度网讯科技有限公司 车辆定损方法和装置
CN111107327A (zh) * 2020-01-03 2020-05-05 国家电网有限公司 一种基于物联网的绝缘设备异常报警方法
CN111985457A (zh) * 2020-09-11 2020-11-24 北京百度网讯科技有限公司 交通设施损坏识别方法、装置、设备和存储介质
CN114298972A (zh) * 2021-11-26 2022-04-08 中用科技有限公司 一种道路路面损坏程度的计算方法
CN114358334A (zh) * 2021-12-28 2022-04-15 江苏道博信息技术有限公司 一种基于大数据的能源管理平台及其运行方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7908928B2 (en) * 2006-10-31 2011-03-22 Caterpillar Inc. Monitoring system
CN112381778A (zh) * 2020-11-10 2021-02-19 国网浙江嵊州市供电有限公司 一种基于深度学习的变电站安全管控平台
CN113177738A (zh) * 2021-05-26 2021-07-27 云南电网有限责任公司怒江供电局 一种电力自动化告警快速抢修调配方法
CN114360134A (zh) * 2021-12-08 2022-04-15 慧之安信息技术股份有限公司 基于深度学习的智能机房管理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3520051A1 (en) * 2017-04-11 2019-08-07 Alibaba Group Holding Limited Image-based vehicle damage determining method, apparatus, and electronic device
CN109903507A (zh) * 2019-03-04 2019-06-18 上海海事大学 一种基于深度学习的火灾智能监控系统及其方法
CN110674788A (zh) * 2019-10-09 2020-01-10 北京百度网讯科技有限公司 车辆定损方法和装置
CN111107327A (zh) * 2020-01-03 2020-05-05 国家电网有限公司 一种基于物联网的绝缘设备异常报警方法
CN111985457A (zh) * 2020-09-11 2020-11-24 北京百度网讯科技有限公司 交通设施损坏识别方法、装置、设备和存储介质
CN114298972A (zh) * 2021-11-26 2022-04-08 中用科技有限公司 一种道路路面损坏程度的计算方法
CN114358334A (zh) * 2021-12-28 2022-04-15 江苏道博信息技术有限公司 一种基于大数据的能源管理平台及其运行方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deep learning image-based defect detection in high voltage electrical equipment;lrfan Ullah等;《Energies 2020》;20200113;第13卷(第2期);第1-17页 *
基于深度学习的设备异常检测方法研究;周剑飞;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20190715;第C029-146页 *
基于重要度划分的设备维修方式决策;张毅;《兵工自动化》;20051231;第24卷(第6期);第23-24页 *
高速公路使用状况评估及路面修复技术案例分析;袁耀波;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170515;第C034-102页 *

Also Published As

Publication number Publication date
CN114943884A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN111310947A (zh) 基于5g的建筑设施运维方法、设备、存储介质及系统
CN113095132B (zh) 基于神经网络燃气现场识别方法、系统、终端及存储介质
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及系统
CN104899936B (zh) 一种基于图像识别的光伏组件故障提示方法及系统
CN111932709A (zh) 一种基于ai识别实现加油站巡检作业违规安全监管的方法
CN113029228B (zh) 一种楼层温湿度监控管理方法及系统
CN113343998A (zh) 电力机械表计读数监测系统、方法、计算机设备及应用
CN110853268A (zh) 一种基于管廊系统海量数据分析实现入侵检测漏洞实时扫描的方法
CN112688434A (zh) 输配电线路的监测预警方法、装置、计算机设备和介质
CN112862821A (zh) 基于图像处理的漏水检测方法、装置、计算设备和介质
CN115410112A (zh) 电梯异常停留识别方法、装置及存储介质
CN115841730A (zh) 视频监控系统、异常事件检测方法
KR20150044449A (ko) 플랜트 관리 지원 시스템
CN114943884B (zh) 基于深度学习的设备保护方法
CN117274177A (zh) 一种基于图像识别的输电线路防外破方法及装置
CN116052356A (zh) 一种智能工地监控平台
CN115187880A (zh) 基于图像识别的通信光缆缺陷检测方法、系统及存储介质
CN115185792A (zh) 故障硬件处理方法、装置和系统
CN113225525A (zh) 一种室内监控方法及系统
CN116633467B (zh) 一种结合人工智能技术的应急广播系统
CN111080161A (zh) 一种校园安全双重预防机制实施方法
CN117499621B (zh) 视频采集设备的检测方法、装置、设备及介质
CN118197027B (zh) 一种基于管道预警的无人机调度查验方法以及相关装置
CN116449761B (zh) 智能泵站智慧控制系统及方法
CN108491855B (zh) 一种信号机故障识别方法

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