CN115984265A - 一种用于轴承保持架的表面养护方法及设备 - Google Patents

Abstract

本申请提供了一种用于轴承保持架的表面养护方法及设备，本申请属于计算机技术领域，用于解决现有的表面养护成本高、效率低的问题。该方法获取来自图像采集设备的轴承保持架的第一图像信息集合；将第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合。基于预设的高斯马尔科夫随机场GMRF模型，确定第二图像划分集合中的若干第二图像的涂层病害信息。将涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定轴承保持架的表面养护信息；将表面养护信息及涂层病害信息发送至用户终端。上述方法能够对风机轴承保持架进行低成本、及时且高效地表面养护。

Description

一种用于轴承保持架的表面养护方法及设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种用于轴承保持架的表面养护方法及设备。

背景技术

轴承保持架是指部分地包裹全部或部分滚动体，并随之运动的轴承零件，用以隔离滚动体，通常还引导滚动体并将其保持在轴承内。风机变桨系统作为大型风电机组控制系统的核心部分之一，对机组安全、稳定、高效的运行具有十分重要的作用。风力发电机（风机）的风机变桨系统中包括变桨轴承，用于调整风机叶片的迎风角。

风机一般处于高寒地区、低温、易腐蚀、潮湿环境中，因此其轴承保持架需要进行浸塑涂层处理。若不进行浸塑涂层处理或涂层存在病害如裂纹、起泡、不均匀等，其轴承保持架与滚动体、内外圈在接触时，碰撞、摩擦磨损与发热严重，十分容易造成保持架烧伤和断裂，使得轴承不可继续使用，影响轴承的使用寿命。

目前，主要依赖人工检测轴承保持架的浸塑涂层处理效果，人工进行表面养护的方式，检测上述病害，并对存在病害的表面浸塑涂层进行养护，避免病害影响风机使用。一方面，风机轴承保持架的尺寸较大，人工对单个轴承保持架表面浸塑涂层检测时间长，批量检测效率低；另一方面，人工检测轴承保持架表面浸塑涂层的检测速度、检测准确率，过于依赖个人检测熟练度或能力，人工成本高，难以实现对轴承保持架的浸塑涂层的高效、低成本、低误差检测。进而，依靠人工检测、人工养护的方式，难以对已经浸塑涂层处理后的风机轴承保持架表面浸塑涂层进行准确、及时地表面养护处理。

发明内容

本申请实施例提供了一种用于轴承保持架的表面养护方法及设备，用于解决目前难以对风机轴承保持架进行低成本、及时且高效地表面养护的技术问题。

一方面，本申请实施例提供了一种用于轴承保持架的表面养护方法，该方法包括：

获取来自图像采集设备的轴承保持架的第一图像信息集合；其中，所述第一图像信息集合至少包括所述图像采集设备按照预定路径采集的所述轴承保持架的若干表面图像；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合；

基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息；

将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息；其中，所述表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式；

将所述表面养护信息及所述涂层病害信息发送至用户终端。

在本申请的一种实现方式中，基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息，具体包括：

将所述第二图像划分集合中的各第二图像，依次输入预先训练完成的所述GMRF模型；其中，各所述第二图像之间存在位置关联关系；

通过所述GMRF模型，确定各所述第二图像的纹理信息；

根据所述纹理信息，确定相应的纹理特征期望值及纹理特征方差；

基于所述纹理特征期望值及所述纹理特征方差，确定各所述第二图像的病害特征程度值；

将各所述病害特征程度值分别与第一预设阈值进行比对，并在所述病害特征程度值大于所述第一预设阈值的情况下，生成所述病害特征值对应的所述第二图像的所述涂层病害信息；所述涂层病害信息包括涂层病害图像、所述涂层病害图像的位置信息。

在本申请的一种实现方式中，将所述涂层病害信息与历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息之前，所述方法还包括：

获取若干涂层病害样本，并将各所述涂层病害样本输入预设病害分类模型；其中，所述涂层病害样本至少包括：历史涂层病害图像、病害标识、病害养护相关信息；所述病害分类模型基于预设聚类算法建立的；

通过所述病害分类模型及预设分组数量，将若干所述涂层病害样本聚类处理为N个病害分类集合；其中，所述N为自然数，且所述N等于所述预设分组数量；

根据各所述病害分类集合对应的病害标签，生成所述历史病害信息；所述历史病害信息至少包括：所述病害标签及相应的所述历史涂层病害图像、病害养护相关信息。

在本申请的一种实现方式中，通过所述病害分类模型及预设分组数量，将若干所述涂层病害样本聚类处理为N个病害分类集合之前，所述方法还包括：

按照预设自然数序列，将所述自然数序列的各元素值分别作为待选预设分组数量，以对所述涂层病害样本进行随机分组，并分别确定相应的各随机分组对应的若干聚类相关值；所述聚类相关值为各分组的聚类质心与同一分组内的其他样本数据的相关值；

基于各所述聚类相关值，确定同一所述待选预设分组数量的各分组对应的误差平方和；

基于各所述误差平方和与所述待选预设分组数量的对应关系曲线的斜率值，确定满足选中关系的所述斜率值对应的所述待选预设分组数量，为所述预设分组数量；其中，所述选中关系用于筛选小于第二预设阈值的斜率值。

在本申请的一种实现方式中，获取来自图像采集设备的轴承保持架的第一图像信息集合，具体包括：

接收所述图像采集设备采集的所述轴承保持架的若干表面扫描图像及相应的图像采集信息；其中，所述图像采集信息至少包括以下一项或多项：采集时刻、采集位置；

根据所述图像采集信息，确定各所述表面扫描图像的关联待定重叠区域及各关联待定重叠区域对应的拼接贴合数组；

确定各所述拼接贴合数组是否满足预设条件；所述预设条件为所述拼接贴合数组中的余弦相似度按照预设大小顺序排列；

若是，将相应的所述关联待定重叠区域作为重叠区域，以拼接相应的所述表面扫描图像；

否则，按照预设更新规则，更新所述关联待定重叠区域，以得到相应的更新后的拼接贴合数组，直至所述拼接贴合数组满足所述预设条件；

根据拼接后的所述表面扫描图像及所述图像采集信息，生成所述第一图像信息集合；所述第一图像信息集合包括各所述表面扫描图像的位置坐标。

在本申请的一种实现方式中，将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体包括：

根据所述图像分割模型，确定所述第一图像信息集合中拼接后的轴承保持架全景图像的划分区域模板；其中，所述划分区域模板包括若干不同形状、不同大小的划分区域窗口；所述划分区域窗口的大小与所述轴承保持架的表面涂层发生病害的风险相关；

根据所述轴承保持架全景图像相应的所述位置坐标，以所述划分区域模板，将拼接后的所述表面扫描图像划分为若干病害检测窗口图像；

将所述病害检测窗口图像作为所述第二图像，以得到所述第二图像划分集合。

在本申请的一种实现方式中，获取来自图像采集设备的轴承保持架的第一图像信息集合之前，所述方法还包括：

获取预设数据库中，若干安装环境信息下的所述轴承保持架的涂层病害样本；

基于同一所述安装环境信息下的所述涂层病害样本，确定相应的涂层病害区域及相应的区域风险值；所述区域风险值用于表征所述涂层病害区域的病害发生频率及病害严重程度；

将所述涂层病害区域的图像及相应的所述区域风险值作为训练样本标签，以训练所述图像分割模型的图像分割子模型；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体包括：

通过所述图像分割模型，识别所述第一图像信息集合匹配的所述安装环境信息；

匹配所述安装环境信息相应的所述图像分割子模型，以基于所述图像分割子模型，确定所述第二图像划分集合。

在本申请的一种实现方式中，将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息，具体包括：

将所述涂层病害信息与所述历史病害信息的若干历史病害数据进行向量编码，以得到所述涂层病害信息相应的第一特征向量及所述历史病害信息相应的若干第二特征向量；

计算所述第一特征向量与各所述第二特征向量的余弦相似度；

剔除所述余弦相似度小于第三预设阈值的所述第二特征向量，并建立由所述第一特征向量与剩余的所述第二特征向量的余弦相似度组成的病害近似序列；

确定与所述病害近似序列中的序列元素最大值对应的所述历史病害信息中的病害标签，为所述比对结果，以根据所述比对结果，确定所述轴承保持架的表面养护信息。

在本申请的一种实现方式中，将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息，具体包括：

根据所述涂层病害信息，确定所述轴承保持架的病害风险值；其中，所述病害风险值基于所述轴承保持架的各涂层病害区域的区域风险值的加权平均值确定；

确定所述病害标签相应的若干历史涂层病害图像对应的病害风险值，为待比对病害风险值；

通过冒泡排序算法，将所述病害风险值与各所述待比对病害风险值进行排序为风险值序列，并确定所述风险值序列中与所述病害风险值位置相邻的两个所述待比对病害风险值，为比对病害风险值；

确定两个所述比对病害风险值分别对应的病害养护相关信息中的涂镀参数及温度控制曲线；

根据两组所述涂镀参数及所述温度控制曲线，确定相应的均值涂镀参数、均值温度控制曲线为所述比对结果，以根据所述比对结果，确定所述轴承保持架的表面养护信息；所述均值涂镀参数根据两组相应的所述涂镀参数求平均值得到；所述均值温度控制曲线根据两组所述温度控制曲线对应横坐标值的纵坐标值求平均值得到。

另一方面，本申请实施例还提供了一种用于轴承保持架的表面养护设备，所述设备包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取来自图像采集设备的轴承保持架的第一图像信息集合；其中，所述第一图像信息集合至少包括所述图像采集设备按照预定路径采集的所述轴承保持架的若干表面图像；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合；

基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息；

将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息；其中，所述表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式；

将所述表面养护信息及所述涂层病害信息发送至用户终端。

本申请通过上述技术方案，可以通过机器视觉技术，实现轴承保持架的浸塑涂层的病害识别，并针对在不同应用环境下如高寒地区、低温等的轴承保持架浸塑涂层表面，进行病害识别。并能够提供相应的表面养护信息，从而对风机轴承保持架进行低成本、及时且高效地表面养护。进而通过病害涂层的表面养护，避免恶劣环境下轴承保持架涂层存在病害并继续使用时，会引发风机损坏或风机发电效率低的问题。

此外，通过上述技术方案得到进行轴承保持架养护的表面养护信息，能够完成涂镀工艺流程及自动化生产线布局和改造。上述技术方案可以延长轴承保持架的使用寿命，进而延长了变桨轴承的精度寿命和使用寿命，使整台风力发电机的运行风险大为降低，能有效延长整台风机的使用寿命，对整台风机的经济效益提高，提供了有力保障。

附图说明

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

图1为本申请实施例中一种用于轴承保持架的表面养护方法的流程示意图；

图2为本申请实施例中一种用于轴承保持架的表面养护设备的结构示意图。

部件和附图标记列表：

200为用于轴承保持架的表面养护设备；201为处理器；202为存储器。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本申请保护的范围。

针对高寒地区、海上低温耐腐蚀环境风电轴承保持架，需要进行表面涂镀工艺，如针对不同环境条件进行不同厚度的浸塑涂层，或采用不同的涂层材料。本申请实施例中的轴承保持架浸塑涂层可以采用尼龙涂层，并针对不同应用环境，可以具有不同厚度的浸塑涂层，以通过浸塑涂层延长轴承保持架的使用寿命。

风电使用的轴承保持架的表面涂层损坏，会使得轴承内部损坏，将使得风机变桨系统失灵，不能及时通过变桨系统进行叶片的迎风角调整，在按照迎击风速设计要求所设计的风机，若出现上述问题，由于迎风角调整不及时，其运行过程中的可迎击风速，或将急剧下滑，损坏风机，或当前作用于叶片上的风达不到催动叶轮转动的风速，造成风机发电效率低下。

又受限于风机及其使用环境的限制，风机轴承保持架损坏后，更换所耗资源成本及时间成本高，且更换保持架的等待时间过长，将影响风机发电工作的正常进展，影响正常生产效益，风机损坏还可能会给附近居民带来人身危险。

因此，需要采用严格的验收流程，避免轴承保持架在制造生成后，涂层存在病害，并在检测到病害时，进行表面养护。当前主要依靠人工检测病害、人工养护的方式，检测、养护效率低，同时容易出现检测误差，又需要大量的人工成本，给表面养护造成一系列的问题。

值得一提的是，浸塑涂层病害包括涂层不均匀、裂纹、起泡等，还包括在浸塑处理过程中，机械手抓取轴承保持架的抓点位置，该抓点位置易出现腐蚀，因此本申请将其列为病害的一种，关注抓点位置涂层状态。

进一步地，浸塑涂层具有易出现表面不均（如橘皮状态、凹凸不均）的缺陷，使得轴承保持架使用过程中易磨伤，对轴承保持架内部造成腐蚀。因此，急切通过用于轴承保持架的表面养护方法，检测并避免上述病害。

基于此，本申请实施例提供了一种用于轴承保持架的表面养护方法及设备，用来对风机轴承保持架进行低成本、及时且高效地表面养护。

以下结合附图，详细说明本申请的各个实施例。

本申请实施例提供了一种用于轴承保持架的表面养护方法，如图1所示，该方法可以包括步骤S101-S105：

S101，服务器获取来自图像采集设备的轴承保持架的第一图像信息集合。

其中，第一图像信息集合至少包括图像采集设备按照预定路径采集的轴承保持架的若干表面图像。

在本申请实施例中，图像采集设备可以是CCD相机、CMOS相机，还可以其他相机，本申请对此不作具体限定。图像采集设备可以连接于机械手臂或者由用户进行手持，按照用户规定的预定路径，对轴承保持架的表面依次拍摄图像，以使服务器得到包含轴承保持架各位置表面图像的第一图像信息集合。预定路径可以由用户进行设定，若图像采集设备连接于机械手臂，预定路径可以是用户预先设定好的移动路径。

需要说明的是，服务器作为用于轴承保持架的表面养护方法的执行主体，仅为示例性存在，执行主体不仅限于服务器，本申请对此不作具体限定。

此外，获取来自图像采集设备的轴承保持架的第一图像信息集合之前，方法还包括：

首先，服务器获取预设数据库中若干安装环境信息下的轴承保持架的涂层病害样本。

安装环境信息指的是轴承保持架将要安装的环境信息，例如海上、寒冷区域、大风区域的环境温度、湿度、风力等。涂层病害样本存储于与服务器连接预设数据库中，或者是服务器通过互联网，从预设数据库中获取的。

由于不同安装环境下，轴承保持架所面对的问题不一致，不同环境下涂层病害样本也存在差异，因此，依靠对应于不同安装环境信息的涂层病害样本所训练的模型，能够适应不同待安装环境的轴承保持架表面病害识别。更精准且快速地识别与安装环境信息关联的病害，针对性地进行表面养护，延长变桨轴承的精度寿命和使用寿命，使整台风机的运行风险大为降低，能有效延长整台风机的使用寿命，对整台风机的经济效益提高，提供了有力保障。

接着，服务器基于同一安装环境信息下的涂层病害样本，确定相应的涂层病害区域及相应的区域风险值。其中，区域风险值用于表征涂层病害区域的病害发生频率及病害严重程度。

对于同一安装环境下的涂层病害样本，服务器可以从中得到涂层病害区域的图像以及对应的区域风险值，区域风险值可以是用户根据涂层病害区域的病害发生频率及病害严重程度，进行计算得到的区域风险值。例如，第一安装环境下的涂层病害区域A，为轴承保持架与滚动体接触的窗口内侧，三个涂层病害样本在该涂层病害区域对应的病害发生频率为a1、a2、a3，病害严重程度用户指定为b1、b2、b3，那么第一安装环境下的涂层病害区域A有三个图像，区域风险值分别为m*a1+n*b1，m*a2+n*b2，m*a3+n*b3，m、n分别为病害发生频率与病害严重程度对应的区域风险值计算权重，由用户根据实际使用情况进行设定。

然后，服务器将涂层病害区域的图像及相应的区域风险值作为训练样本标签，以训练图像分割模型的图像分割子模型。

服务器可以通过上述涂层病害区域的图像及区域风险值，进行训练图像分割模型的图像分割子模型。其中，涂层病害样本还对应有安装环境的标识，用于区分不同的安装环境，服务器将安装环境标识及各涂层病害样本作为训练样本输入图像分割模型，以训练所述图像分割模型中前置图像识别子模型，使之能够识别输入图像对应的安装环境，进而通过图像分割子模型进行图像分割。图像分割模型可以为多个卷积神经网络模型组合的模型，卷积神经网络模型如AlexNet、VGGNet。图像分割模型包括前置图像识别子模型及若干图像分割子模型，前置图像识别子模型可以为用于输入图像，输出对应的安装环境标识的卷积神经网络，服务器根据安装环境标识选择与之匹配的图像分割子模型，进而对图像进行分割操作。

在本申请实施例中，获取来自图像采集设备的轴承保持架的第一图像信息集合，具体包括：

首先，服务器接收图像采集设备采集的轴承保持架的若干表面扫描图像及相应的图像采集信息。其中，图像采集信息至少包括以下一项或多项：采集时刻、采集位置。

其次，服务器根据图像采集信息，确定各表面扫描图像的关联待定重叠区域及各关联待定重叠区域对应的拼接贴合数组。

其中，关联待定重叠区域包括相邻两个表面扫描图像的待定重叠区域。该相邻基于图像采集信息确定，例如采集时刻、采集位置，采集位置可以是通过图像采集设备的位姿数据确定的，也可以是通过其他技术手段得到的各表面扫描图像对应的采集位置，该采集位置用于确定表面扫描图像相对于轴承保持架的位置坐标。拼接贴合数组为包括以预设顺序排列的，关联待定重叠区域的像素的余弦相似度及两个放缩关联待定重叠区域的像素的余弦相似度的三元组。放缩关联待定重叠区域为关联待定重叠区域的待定重叠区域按照预定方向移动预设步长得到的。

上述预设顺序可以为按照放缩关联待定重叠区域、关联待定重叠区域、放缩关联待定重叠区域的顺序进行排列，第一个放缩关联待定重叠区域为包含全部关联待定重叠区域的重叠区域，第二个放缩关联待定重叠区域为不包含全部关联待定重叠区域的重叠区域。拼接贴合数组包括通过余弦相似度计算公式，计算得到的关联待定重叠区域、两个放缩关联待定重叠区域的像素余弦相似度组成的三元组。上述预设步长可以由用户进行设定，例如一像素。

随后，服务器确定各拼接贴合数组是否满足预设条件。预设条件为拼接贴合数组中的余弦相似度按照预设大小顺序排列。

拼接贴合数组中的数值大小关系如以x、y、z进行举例说明，x大于y，y大于z，至少包括[x，x，x]、[y，x，x]、[z，y，x]等情况，预设条件可以是[y，x，x]。

在确定各拼接贴合数组满足预设条件的情况下，将相应的关联待定重叠区域作为重叠区域，以拼接相应的表面扫描图像。

否则，服务器按照预设更新规则，更新关联待定重叠区域，以得到相应的更新后的拼接贴合数组，直至拼接贴合数组满足预设条件。

预设更新规则可以是根据拼接贴合数组内数据的大小顺序，移动表面扫描图像，以更新关联待定重叠区域。不同大小顺序可以对应于不同的移动方向，例如上述[x，x，x]，可以向增大关联待定重叠区域的重叠像素的方向进行移动。

最后，服务器根据拼接后的表面扫描图像及图像采集信息，生成第一图像信息集合。第一图像信息集合包括各表面扫描图像的位置坐标。

也就是说，服务器在拼接表面扫描图像后，可以得到轴承保持架的全景图像，全景图像中包含位置坐标信息，进而得到了第一图像信息集合。

第一图像信息集合虽包含轴承保持架的完整的表面图像，但是轴承保持架的各个表面区域能够出现病害或者出现病害类型存在差异，若服务器一直以同样大小的窗口进行检测病害信息，可能出现检测误差或检测不到病害。使得最终带有病害的轴承保持架，没有被表面养护。因此，本申请提供了以下实施方案，具体参考如下实施例。

S102，服务器将第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合。

在本申请实施例中，服务器将第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体包括：

服务器通过图像分割模型，识别第一图像信息集合匹配的安装环境信息。匹配安装环境信息相应的图像分割子模型，以基于图像分割子模型，确定第二图像划分集合。

图像分割模型可以识别第一图像信息集合对应的安装环境信息，还可以将安装环境信息发送至用户终端，由用户终端进行确定识别的安装环境信息是否准确。用户终端也可以直接向服务器发送轴承保持架对应的安装环境信息，服务器利用用户终端发送的安装环境信息，匹配相应的图像分割子模型，以得到第二图像划分集合。

其中，将第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体还包括：

首先，服务器根据图像分割模型，确定第一图像信息集合中拼接后的轴承保持架全景图像的划分区域模板。

其中，划分区域模板包括若干不同形状、不同大小的划分区域窗口。划分区域窗口的大小与轴承保持架的表面涂层发生病害的风险相关。

换言之，图像分割模型的图像分割子模型经过训练后，可以根据第一图像信息集合中的表面扫描图像，对于不同位置设定不同大小的划分区域窗口，该划分区域窗口的大小可以与区域风险值相关，例如区域风险值大，划分区域窗口设定的比较小，区域风险值与划分区域窗口的大小可以为反比例关系，该反比例关系可以存在一关系权重，关系权重可以用户自行设定，本申请对此不作具体限定。划分区域窗口的形状可以由用户默认指定或者图像分割子模型训练完成后，得到对于轴承保持架表面不同位置的划分区域窗口形状，划分区域窗口形状可以与各表面扫描图像形状相同或相似，例如长方形、正方形、平行四边形、三角形等。

接着，服务器根据轴承保持架全景图像相应的位置坐标，以划分区域模板，将拼接后的表面扫描图像划分为若干病害检测窗口图像。

随后，服务器将病害检测窗口图像作为第二图像，以得到第二图像划分集合。

也就是说，服务器通过图像分割模型提供的划分区域模板，进而图像分割，得到第一图像信息集合的全景图像对应的若干病害检测窗口图像，各病害检测窗口图像的大小、形状存在差异。从而在不同位置的表面区域会出现病害或病害类型存在差异的情况下，更好地对病害进行检测。

S103，服务器基于预设的高斯马尔科夫随机场（Guassian Markov Random Field，GMRF）模型，确定第二图像划分集合中的若干第二图像的涂层病害信息。

在本申请实施例中，基于预设的高斯马尔科夫随机场GMRF模型，确定第二图像划分集合中的若干第二图像的涂层病害信息，具体包括：

首先，服务器将第二图像划分集合中的各第二图像，依次输入预先训练完成的GMRF模型。其中，各第二图像之间存在位置关联关系。

第二图像划分集合中的第二图像，具有位置信息。在利用GMRF模型进行确定纹理信息并输出涂层病害信息之前，本申请能够通过若干涂层病害纹理样本图像，训练GMRF模型，得到不同阶数下的模型参数及其最大似然估计的误差。通过比较各阶数下的模型参数及其最大似然估计的误差，确定GMRF模型的模型阶数。并利用若干涂层病害纹理样本图像，计算各图像的充分统计量、充分统计量期望值及方差，根据公式：

计算得到各图像的病害纹理统计量，其中，为病害纹理统计量，为充分统计量，为充分统计量的期望值，为充分统计量的方差。在病害纹理统计量大于一阈值（该统计量阈值由用户根据实际情况进行设定，本申请对此不作具体限定）的情况下，判定相应图像存在病害。将上述GMRF模型的输出结果与涂层病害纹理样本图像的真实病害纹理结果比对，在比对结果为GMRF模型的输出准确率大于准确率阈值时，得到训练完成的GMRF模型。准确率阈值是由用户根据经验或互联网爬取信息，设置的阈值，该准确率阈值用于得到训练完成的GMRF模型，对于准确率阈值的具体取值，本申请不作具体限定。

其次，服务器通过GMRF模型，确定各第二图像的纹理信息。

接着，服务器根据纹理信息，确定相应的纹理特征期望值及纹理特征方差。

纹理特征期望值及纹理特征方差即上述充分统计量的期望值及充分统计量的方差。

随后，服务器基于纹理特征期望值及纹理特征方差，确定各第二图像的病害特征程度值。

将上述病害纹理统计量作为病害特征程度值。

最后，服务器将各病害特征程度值分别与第一预设阈值进行比对，并在病害特征程度值大于第一预设阈值的情况下，生成病害特征值对应的第二图像的涂层病害信息。涂层病害信息包括涂层病害图像、涂层病害图像的位置信息。第一预设阈值可以由用户根据经验或者若干历史病害特征程度值的平均值进行设定，本申请对此不作具体限定。

S104，服务器将涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定轴承保持架的表面养护信息。

其中，表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式。

在本申请实施例中，将涂层病害信息与历史病害信息进行比对，以根据比对结果，确定轴承保持架的表面养护信息之前，方法还包括：

首先，服务器获取若干涂层病害样本，并将各涂层病害样本输入预设病害分类模型。

其中，涂层病害样本至少包括：历史涂层病害图像、病害标识、病害养护相关信息。病害分类模型基于预设聚类算法建立的。聚类算法可以为K均值聚类算法，也可以采用其他聚类算法，本申请对此不作具体限定。

接着，服务器通过病害分类模型及预设分组数量，将若干涂层病害样本聚类处理为N个病害分类集合。其中，N为自然数，且N等于预设分组数量。

具体地，服务器将病害标识作为各涂层病害样本的病害分类标签，并根据各病害分类标签及相应的历史涂层病害图像，确定各病害分类标签相应的病害分类子标签。将与各病害分类子标签相应的样本数据集合中，任意一个样本数据作为第一聚类质心，并计算第一聚类质心与样本数据集合中的各样本数据的聚类相关值。其中，聚类相关值表征第一聚类质心与其他样本数据的相关度，聚类相关值可以通过第一聚类质心与其他样本数据的欧式距离得到，也可以通过其他计算度量公式：马氏距离、曼哈顿距离等得到聚类相关值。再接着，基于预先获取的预设分组数量及各聚类相关值，确定样本数据集合中的第二聚类质心，并计算第二聚类质心与样本数据集合中的各样本数据的聚类相关值，直至得到第N聚类质心，以生成N个聚类质心对应的N个病害分类集合。其中，N为大于二的自然数，且N等于预设分组数量。病害分类集合至少包括一个聚类质心及若干样本数据。

本申请的样本数据集合可以包含若干样本数据，服务器从中任选一个作为第一聚类质心，并计算得到上述聚类相关值。通过上述聚类相关值及预设分组数量，服务器可以确定预设分组数量个聚类质心，并将聚类相关值最大的一个样本数据作为第二聚类质心，然后计算第二聚类质心与剩余样本数据对应的聚类相关值，直至得到第N聚类质心。

最后，服务器根据各病害分类集合对应的病害标签，生成历史病害信息。历史病害信息至少包括：病害标签及相应的历史涂层病害图像、病害养护相关信息。

换言之，服务器可以将各聚类质心对应的病害分类子标签，分别作为N个病害分类集合对应的病害标签，以生成历史病害信息。通过上述实施例，能够将得到被分类处理的历史病害信息，从而为后续比对得到涂层病害信息相应的用于表面养护的表面养护信息提供了基础。

在本申请实施例中，通过病害分类模型及预设分组数量，将若干涂层病害样本聚类处理为N个病害分类集合之前，需要确定预设分组数量，具体方法包括：

服务器按照预设自然数序列，将自然数序列的各元素值分别作为待选预设分组数量，以对涂层病害样本进行随机分组，并分别确定相应的各随机分组对应的若干聚类相关值。聚类相关值为各分组的聚类质心与同一分组内的其他样本数据的相关值。基于各聚类相关值，确定同一待选预设分组数量的各分组对应的误差平方和。基于各误差平方和与待选预设分组数量的对应关系曲线的斜率值，确定满足选中关系的斜率值对应的待选预设分组数量，为预设分组数量。其中，选中关系用于筛选小于第二预设阈值的斜率值。

第二预设阈值为用户根据经验进行设定的，如e，斜率值小于e的斜率值所对应的待选预设分组数量为预设分组数量，本申请对第二预设阈值的取值不作具体限定。

换言之，服务器以预设自然数序列，将样本数据集合中的样本数据，随机分割为T个分组集合。其中，T为自然数。

接着，根据第一聚类质心相应的各聚类相关值，分别确定T个分组集合的聚类相关值的中位数，并计算各中位数与相应的分组集合的剩余聚类相关值的欧式距离，作为簇内相关值。

随后，服务器基于各分组集合分别对应的各簇间相关值及预设误差权重，确定相应的簇内误差平方和及各分组集合相应的簇间误差平方和，簇间误差平方和为待选预设分组数量T的各分组对应的误差平方和。

随后，服务器将簇间误差平方和作为分组指标值，并将样本数据集合，分割为T+1个集合分组，以根据第一聚类质心相应的各聚类相关值，分别确定T+1个分组集合的聚类相关值的中位数，并计算各中位数与相应的分组集合的剩余聚类相关值的欧式距离，作为簇内相关值，以便得到T+1个集合分组相应的分组指标值，直至分组集合的数量大于预设值。预设值为预设自然数序列中的元素数量。例如自然数序列为[1，2，3，4，5]，预设值可以为4。

随后，服务器根据大于预设值的数量个分组集合的各分组指标值，生成分组误差曲线，即各误差平方和与待选预设分组数量的对应关系曲线。其中，分组误差曲线的横坐标为分组集合的数量，纵坐标为分组指标值。

也就是说，将各待选预设分组数量作为横坐标，各分组指标值作为纵坐标，生成关系曲线。

最后，服务器基于分组误差曲线的曲线切线斜率值与第二预设阈值的匹配结果，确定相应的分组集合的数量为预设分组数量，以便根据预设分组数量及各聚类相关值，确定样本数据集合中的第二聚类质心。

第二预设阈值为用户预先设定的，在分组误差曲线中按照横坐标，依次得到的曲线切线斜率值的序列。服务器按照横坐标顺序，确定序列中第一组相邻两个曲线切线斜率值的绝对值，均小于第二预设阈值的情况下，将两个曲线切线斜率值对应的曲线所包含的唯一待选预设分组数量，作为预设分组数量。

本申请通过上述方案，能够进行实现简便、高效且准确地确定K均值聚类算法中预设分组数量，即K值，节省服务器计算资源，以更好地得到历史病害信息。

在本申请实施例中，服务器将涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定轴承保持架的表面养护信息，具体包括：

首先，服务器将涂层病害信息与历史病害信息的若干历史病害数据进行向量编码，以得到涂层病害信息相应的第一特征向量及历史病害信息相应的若干第二特征向量。历史病害数据至少包含：历史涂层病害图像及其所处轴承保持架的位置信息。

接着，计算第一特征向量与各第二特征向量的余弦相似度。然后，剔除余弦相似度小于第三预设阈值的第二特征向量，并建立由第一特征向量与剩余的第二特征向量的余弦相似度组成的病害近似序列。最后，确定与病害近似序列中的序列元素最大值对应的历史病害信息中的病害标签，为比对结果，以根据比对结果，确定轴承保持架的表面养护信息。

上述第三预设阈值用于筛选第一特征向量与各第二特征向量计算得到的余弦相似度，该第三预设阈值由用户根据经验进行设定或调整，本申请对此不作具体限定。

换言之，服务器能够先对涂层病害信息及历史病害信息进行向量化，以便计算二者的相关度（余弦相似度），接着根据若干余弦相似度对应的病害近似序列，得到与涂层病害信息最相关的历史病害信息的病害标签。从而基于该病害标签对应的历史病害信息，进行表面养护信息的确定。

此外，在得到病害标签后，并不能很好地实现准确地表面养护，若能够根据不同的病害严重程度，采取不同的表面养护，将节省表面养护的时间，提高表面养护的效率。

基于此，本申请提供了以下实施例，具体如下：

服务器根据涂层病害信息，确定轴承保持架的病害风险值。其中，病害风险值基于轴承保持架的各涂层病害区域的区域风险值的加权平均值确定。接着，确定病害标签相应的若干历史涂层病害图像对应的病害风险值，为待比对病害风险值。通过冒泡排序算法，将病害风险值与各待比对病害风险值进行排序为风险值序列，并确定风险值序列中与病害风险值位置相邻的两个待比对病害风险值，为比对病害风险值。确定两个比对病害风险值分别对应的病害养护相关信息中的涂镀参数及温度控制曲线。根据两组涂镀参数及温度控制曲线，确定相应的均值涂镀参数、均值温度控制曲线为比对结果，以根据比对结果，确定轴承保持架的表面养护信息。均值涂镀参数根据两组相应的涂镀参数求平均值得到。均值温度控制曲线根据两组温度控制曲线对应横坐标值的纵坐标值求平均值得到。

换言之，轴承保持架的各涂层病害区域对应一区域风险值，服务器可以通过加权平均处理，得到该轴承保持架对应的病害风险值。加权平均处理的权重可以预先设定，本申请对于权重具体取值不作具体限定。将若干历史涂层病害图像对应的病害风险值作为待比对病害风险值，以得到与该轴承保持架的病害风险值最接近的两个待比对病害风险值。根据与比对病害风险值相对应的病害养护相关信息，得到用于养护该轴承保持架的养护相关信息，进而通过机械或人工方式，实现得到的养护相关信息的表面养护方案。

S105，服务器将表面养护信息及涂层病害信息发送至用户终端。

用户终端可以为手机、电脑等设备，本申请对此不作具体限定。在得到表面养护信息及涂层病害信息之后，服务器可以将其发送至用户终端进行展示，以供用户终端对表面养护信息及涂层病害信息进行确认，或进行表面养护方案的实现。给用户终端对应的表面养护人员或机械提供养护参考，降低病害检测误差，并提高表面养护效率。

本申请通过上述技术方案，可以通过机器视觉技术，实现轴承保持架的浸塑涂层的病害识别，在不同应用环境下、不同浸塑涂层表面病害进行识别，并提供相应的表面养护信息，从而对风机轴承保持架进行低成本、及时且高效地表面养护。通过病害涂层的表面养护，避免恶劣环境下轴承保持架涂层存在病害并继续使用时，会引发风机损坏或风机发电效率低的问题。

图2为本申请实施例提供的一种用于轴承保持架的表面养护设备200，该设备包括：

至少一个处理器201；以及，与至少一个处理器201通信连接的存储器202。其中，存储器202存储有可被至少一个处理器201执行的指令，指令被至少一个处理器201执行，以使至少一个处理器201能够：

获取来自图像采集设备的轴承保持架的第一图像信息集合。其中，第一图像信息集合至少包括图像采集设备按照预定路径采集的轴承保持架的若干表面图像。将第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合。基于预设的高斯马尔科夫随机场GMRF模型，确定第二图像划分集合中的若干第二图像的涂层病害信息。将涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定轴承保持架的表面养护信息。其中，表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式。将表面养护信息及涂层病害信息发送至用户终端。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。

还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种用于轴承保持架的表面养护方法，其特征在于，所述方法包括：

获取来自图像采集设备的轴承保持架的第一图像信息集合；其中，所述第一图像信息集合至少包括所述图像采集设备按照预定路径采集的所述轴承保持架的若干表面图像；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合；

基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息；

将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息；其中，所述表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式；

将所述表面养护信息及所述涂层病害信息发送至用户终端。

2.根据权利要求1所述方法，其特征在于，基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息，具体包括：

将所述第二图像划分集合中的各第二图像，依次输入预先训练完成的所述GMRF模型；其中，各所述第二图像之间存在位置关联关系；

通过所述GMRF模型，确定各所述第二图像的纹理信息；

根据所述纹理信息，确定相应的纹理特征期望值及纹理特征方差；

基于所述纹理特征期望值及所述纹理特征方差，确定各所述第二图像的病害特征程度值；

将各所述病害特征程度值分别与第一预设阈值进行比对，并在所述病害特征程度值大于所述第一预设阈值的情况下，生成所述病害特征值对应的所述第二图像的所述涂层病害信息；所述涂层病害信息包括涂层病害图像、所述涂层病害图像的位置信息。

3.根据权利要求1所述方法，其特征在于，将所述涂层病害信息与历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息之前，所述方法还包括：

获取若干涂层病害样本，并将各所述涂层病害样本输入预设病害分类模型；其中，所述涂层病害样本至少包括：历史涂层病害图像、病害标识、病害养护相关信息；所述病害分类模型基于预设聚类算法建立的；

通过所述病害分类模型及预设分组数量，将若干所述涂层病害样本聚类处理为N个病害分类集合；其中，所述N为自然数，且所述N等于所述预设分组数量；

根据各所述病害分类集合对应的病害标签，生成所述历史病害信息；所述历史病害信息至少包括：所述病害标签及相应的所述历史涂层病害图像、病害养护相关信息。

4.根据权利要求3所述方法，其特征在于，通过所述病害分类模型及预设分组数量，将若干所述涂层病害样本聚类处理为N个病害分类集合之前，所述方法还包括：

按照预设自然数序列，将所述自然数序列的各元素值分别作为待选预设分组数量，以对所述涂层病害样本进行随机分组，并分别确定相应的各随机分组对应的若干聚类相关值；所述聚类相关值为各分组的聚类质心与同一分组内的其他样本数据的相关值；

基于各所述聚类相关值，确定同一所述待选预设分组数量的各分组对应的误差平方和；

基于各所述误差平方和与所述待选预设分组数量的对应关系曲线的斜率值，确定满足选中关系的所述斜率值对应的所述待选预设分组数量，为所述预设分组数量；其中，所述选中关系用于筛选小于第二预设阈值的斜率值。

5.根据权利要求1所述方法，其特征在于，获取来自图像采集设备的轴承保持架的第一图像信息集合，具体包括：

接收所述图像采集设备采集的所述轴承保持架的若干表面扫描图像及相应的图像采集信息；其中，所述图像采集信息至少包括以下一项或多项：采集时刻、采集位置；

根据所述图像采集信息，确定各所述表面扫描图像的关联待定重叠区域及各关联待定重叠区域对应的拼接贴合数组；

确定各所述拼接贴合数组是否满足预设条件；所述预设条件为所述拼接贴合数组中的余弦相似度按照预设大小顺序排列；

若是，将相应的所述关联待定重叠区域作为重叠区域，以拼接相应的所述表面扫描图像；

否则，按照预设更新规则，更新所述关联待定重叠区域，以得到相应的更新后的拼接贴合数组，直至所述拼接贴合数组满足所述预设条件；

根据拼接后的所述表面扫描图像及所述图像采集信息，生成所述第一图像信息集合；所述第一图像信息集合包括各所述表面扫描图像的位置坐标。

6.根据权利要求5所述方法，其特征在于，将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体包括：

根据所述图像分割模型，确定所述第一图像信息集合中拼接后的轴承保持架全景图像的划分区域模板；其中，所述划分区域模板包括若干不同形状、不同大小的划分区域窗口；所述划分区域窗口的大小与所述轴承保持架的表面涂层发生病害的风险相关；

根据所述轴承保持架全景图像相应的所述位置坐标，以所述划分区域模板，将拼接后的所述表面扫描图像划分为若干病害检测窗口图像；

将所述病害检测窗口图像作为所述第二图像，以得到所述第二图像划分集合。

7.根据权利要求6所述方法，其特征在于，获取来自图像采集设备的轴承保持架的第一图像信息集合之前，所述方法还包括：

获取预设数据库中，若干安装环境信息下的所述轴承保持架的涂层病害样本；

基于同一所述安装环境信息下的所述涂层病害样本，确定相应的涂层病害区域及相应的区域风险值；所述区域风险值用于表征所述涂层病害区域的病害发生频率及病害严重程度；

将所述涂层病害区域的图像及相应的所述区域风险值作为训练样本标签，以训练所述图像分割模型的图像分割子模型；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合，具体包括：

通过所述图像分割模型，识别所述第一图像信息集合匹配的所述安装环境信息；

匹配所述安装环境信息相应的所述图像分割子模型，以基于所述图像分割子模型，确定所述第二图像划分集合。

8.根据权利要求1所述方法，其特征在于，将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息，具体包括：

将所述涂层病害信息与所述历史病害信息的若干历史病害数据进行向量编码，以得到所述涂层病害信息相应的第一特征向量及所述历史病害信息相应的若干第二特征向量；

计算所述第一特征向量与各所述第二特征向量的余弦相似度；

剔除所述余弦相似度小于第三预设阈值的所述第二特征向量，并建立由所述第一特征向量与剩余的所述第二特征向量的余弦相似度组成的病害近似序列；

确定与所述病害近似序列中的序列元素最大值对应的所述历史病害信息中的病害标签，为所述比对结果，以根据所述比对结果，确定所述轴承保持架的表面养护信息。

9.根据权利要求8所述方法，其特征在于，将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息，具体包括：

根据所述涂层病害信息，确定所述轴承保持架的病害风险值；其中，所述病害风险值基于所述轴承保持架的各涂层病害区域的区域风险值的加权平均值确定；

确定所述病害标签相应的若干历史涂层病害图像对应的病害风险值，为待比对病害风险值；

通过冒泡排序算法，将所述病害风险值与各所述待比对病害风险值进行排序为风险值序列，并确定所述风险值序列中与所述病害风险值位置相邻的两个所述待比对病害风险值，为比对病害风险值；

确定两个所述比对病害风险值分别对应的病害养护相关信息中的涂镀参数及温度控制曲线；

根据两组所述涂镀参数及所述温度控制曲线，确定相应的均值涂镀参数、均值温度控制曲线为所述比对结果，以根据所述比对结果，确定所述轴承保持架的表面养护信息；所述均值涂镀参数根据两组相应的所述涂镀参数求平均值得到；所述均值温度控制曲线根据两组所述温度控制曲线对应横坐标值的纵坐标值求平均值得到。

10.一种用于轴承保持架的表面养护设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取来自图像采集设备的轴承保持架的第一图像信息集合；其中，所述第一图像信息集合至少包括所述图像采集设备按照预定路径采集的所述轴承保持架的若干表面图像；

将所述第一图像信息集合输入预设图像分割模型，以得到第二图像划分集合；

基于预设的高斯马尔科夫随机场GMRF模型，确定所述第二图像划分集合中的若干第二图像的涂层病害信息；

将所述涂层病害信息与相应的历史病害信息进行比对，以根据比对结果，确定所述轴承保持架的表面养护信息；其中，所述表面养护信息至少包括：表面养护涂镀参数、温度控制曲线、养护方式；

将所述表面养护信息及所述涂层病害信息发送至用户终端。

Images