CN116309470A - 灯珠平面故障监测方法、装置、计算机设备和存储介质 - Google Patents

灯珠平面故障监测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116309470A
CN116309470A CN202310286853.5A CN202310286853A CN116309470A CN 116309470 A CN116309470 A CN 116309470A CN 202310286853 A CN202310286853 A CN 202310286853A CN 116309470 A CN116309470 A CN 116309470A
Authority
CN
China
Prior art keywords
lamp bead
plane
bead
lamp
life
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.)
Pending
Application number
CN202310286853.5A
Other languages
English (en)
Inventor
杨衍辰
冯云山
苏家男
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.)
Interface Optoelectronics Shenzhen Co Ltd
Interface Technology Chengdu Co Ltd
General Interface Solution Ltd
Original Assignee
Interface Optoelectronics Shenzhen Co Ltd
Interface Technology Chengdu Co Ltd
General Interface Solution 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 Interface Optoelectronics Shenzhen Co Ltd, Interface Technology Chengdu Co Ltd, General Interface Solution Ltd filed Critical Interface Optoelectronics Shenzhen Co Ltd
Priority to CN202310286853.5A priority Critical patent/CN116309470A/zh
Publication of CN116309470A publication Critical patent/CN116309470A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/44—Testing lamps
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种灯珠平面故障监测方法、装置、计算机设备和存储介质。所述方法包括：获取灯珠平面上灯珠亮起时的灯珠平面图像，确定所述灯珠平面图像上的待处理区域，对所述待处理区域进行灰度处理，得到灰度图像；对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于所述灰度图像和所述灯珠轮廓，确定所述灯珠平面上每一灯珠对应的灰度值；将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于所述预测剩余寿命和预设故障寿命阈值，确定所述灯珠平面上相应的灯珠是否发生故障。采用本方法能够提高灯珠平面故障监测的及时性和准确性。

Description

灯珠平面故障监测方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像识别技术领域，特别是涉及一种灯珠平面故障监测方法、装置、计算机设备和存储介质。
背景技术
针对通电的灯珠平面进行故障监测，通常使用的方式为观察通过灯珠平面的电流电压状态，而这种方式无法有效监测到灯珠平面上具体出现故障的灯珠，仍需人员定期查看灯珠平面，但人眼寻检既无法精确定位单颗灯珠故障状态，也无法实时发现异常。
因此，传统技术中的灯珠平面故障监测方式存在不及时且准确性不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高灯珠平面故障监测及时性和准确性的灯珠平面故障监测方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种灯珠平面故障监测方法。所述方法包括：
获取灯珠平面上灯珠亮起时的灯珠平面图像，确定所述灯珠平面图像上的待处理区域，对所述待处理区域进行灰度处理，得到灰度图像；
对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于所述灰度图像和所述灯珠轮廓，确定所述灯珠平面上每一灯珠对应的灰度值；
将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于所述预测剩余寿命和预设故障寿命阈值，确定所述灯珠平面上相应的灯珠是否发生故障。
在其中一个实施例中，所述灯珠寿命预测模型的训练过程，包括：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于所述对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
将所述目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到所述灯珠寿命预测模型。
在其中一个实施例中，所述模型评价参数包括差异系数和影响程度系数；所述模型评价参数的确定过程，包括：
基于所述初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到所述差异系数；
对所述参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于所述回归方程，确定所述影响程度系数。
在其中一个实施例中，所述预设故障寿命阈值的更新方式，包括：
在所述灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入所述灯珠寿命预测模型，得到所述发生故障的灯珠的第二参考剩余寿命；
基于所述第二参考剩余寿命，对所述预设故障寿命阈值进行更新。
在其中一个实施例中，所述方法还包括：
基于所述灯珠轮廓确定所述灰度图像上的灯珠数量，获取所述待处理区域的实际灯珠数量，在所述实际灯珠数量大于所述灯珠数量的情况下，确定所述灯珠平面上存在灯珠发生故障。
在其中一个实施例中，所述对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，包括：
对所述灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算所述滤波图像的梯度强度矩阵；
基于所述梯度强度矩阵，确定所述滤波图像上每一像素的梯度强度；
针对每一像素，以所述像素为中心，确定相邻像素的相邻梯度强度，若所述像素的梯度强度大于所述相邻梯度强度，则将所述像素作为待确定边缘点，若所述像素的梯度强度不大于所述相邻梯度强度，则将所述像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于所述预设低阈值且不大于所述预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于所述强边缘点确定灯珠轮廓。
第二方面，本申请还提供了一种灯珠平面故障监测装置。所述装置包括：
图像处理模块，用于获取灯珠平面上灯珠亮起时的灯珠平面图像，确定所述灯珠平面图像上的待处理区域，对所述待处理区域进行灰度处理，得到灰度图像；
灯珠识别模块，用于对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于所述灰度图像和所述灯珠轮廓，确定所述灯珠平面上每一灯珠对应的灰度值；
故障确定模块，用于将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于所述预测剩余寿命和预设故障寿命阈值，确定所述灯珠平面上相应的灯珠是否发生故障。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例中的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中的方法的步骤。
上述灯珠平面故障监测方法、装置、计算机设备和存储介质，通过确定灯珠平面上灯珠亮起时的灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值，将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。相比于传统技术中的灯珠平面故障监测方式存在不及时且准确性不高的问题而言，本申请确定灯珠平面图像上的待处理区域，能够缩小灯珠平面图像，减少数据处理量，提高灯珠平面故障监测的效率，对待处理区域进行灰度处理得到灰度图像，基于灰度图像进行灯珠轮廓识别，从而得到每一灯珠对应的灰度值，利用灰度值和灯珠寿命预测模型得到每一灯珠的预测剩余寿命，根据预设故障寿命阈值判断相应灯珠是否发生故障，能够实时对灯珠平面进行故障监测，且基于每一灯珠的预测剩余寿命和预设故障寿命阈值判断相应灯珠是否发生故障，提高了灯珠平面故障预测的准确性。
附图说明
图1为一个实施例中提供的灯珠平面故障监测方法的应用环境图；
图2为本申请实施例中提供的灯珠平面故障监测方法的流程示意图；
图3为一个实施例中提供的灯珠平面图像的示意图；
图4为一个实施例中确定灯珠平面图像上的待处理区域的示意图；
图5为一个实施例中得到灯珠轮廓的示意图；
图6为一个实施例中灯珠亮度变低导致灯珠平面故障的示意图；
图7为一个实施例中灯珠寿命预测模型的训练过程的流程示意图；
图8为一个实施例中预设故障寿命阈值的更新方式的流程示意图；
图9为一个实施例中灯珠平面上存在灯珠发生故障的示意图；
图10为一个实施例中提供的实际处理场景示例的示意图；
图11为本申请实施例中提供的一种灯珠平面故障监测装置的结构框图；
图12为本申请实施例中提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的灯珠平面故障监测方法应用于对灯珠平面进行故障监测，其中，灯珠平面上至少包括一个灯珠，灯珠的形状不作限定，灯珠平面用于照明或者固化等其他用途。以光固化机上的灯珠平面为例，灯珠平面故障监测方法的应用环境图，如图1所示，图1中的10为光固化机，20为输送带，30为检测镜头。待固化物体置于输送带上，通过光固化机面向输送带的灯珠平面照射待固化物体，使得待固化物体实现固化，通过检测镜头获取光固化机开始工作时的灯珠平面图像。若光固化机上的灯珠平面发生故障，将面临大批量待固化物体的重工甚至报废，传统技术中是由人员定期进行监测灯珠平面，既耗费人力也无法及时发现异常。
在本实施例中，提供了一种灯珠平面故障监测方法，本实施例以该方法应用于计算机设备进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括计算机设备和服务器的系统，并通过计算机设备和服务器的交互实现。
图2为本申请实施例中提供的灯珠平面故障监测方法的流程示意图，该方法应用于计算机设备中，在一个实施例中，如图2所示，包括以下步骤：
S201，获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像。
其中，灯珠平面图像为拍摄灯珠平面上灯珠亮起时的图像。待处理区域为灯珠平面图像上待进行灯珠轮廓识别的区域。确定灯珠平面图像上的待处理区域的方式可以通过计算机设备识别的方式，也可以通过人为圈定的方式。待处理区域的形状不作限定，可以是矩形、三角形、圆形或者多边形。
以拍摄光固化机上的灯珠平面为例，灯珠平面图像如图3所示，图3中的白色圆形区域表示灯珠，黑色区域表示背景区域，应当理解的是，附图3为黑白线条附图，具体灯珠的颜色不作限定。以图3为例，进一步地，确定灯珠平面图像上的待处理区域的示意图，如图4所示，图4中的待处理区域为一个多边形。待处理区域的确定方式为尽可能多的包含待进行灯珠轮廓识别的灯珠，排除背景区域的干扰，能够提高灯珠平面故障识别的准确性。
在一些实施例中，对待处理区域进行灰度处理的方式为根据CCIR(国际无线电咨询委员会)发布的Rec.601标准，将RGB灯珠平面图像的待处理区域转换为灰度图像的公式如下：gray＝R*0.299+G*0.587+B*0.114，其他可进行灰度处理的方式同样适用，具体不作限定。
S202，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值。
其中，灯珠轮廓为灯珠的边缘轮廓。以图4为例，对图4中的待处理区域进行灰度处理，得到灰度图像，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓的示意图，如图5所示，图5中的白色圆圈表示识别出灰度图像上的灯珠轮廓。
在一些实施例中，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值的方式为在灰度图像上确定每一灯珠的灯珠轮廓上所有像素点对应的灰度值，求取所有像素点对应灰度值的平均值作为该灯珠的灰度值。
S203，将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。
其中，灯珠寿命预测模型为基于灯珠对应的灰度值确定灯珠的预测剩余寿命的模型。预设故障寿命阈值为人为基于历史故障灯珠和灯珠寿命预测模型设定的寿命阈值。
在一些实施例中，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障的方式为若预测剩余寿命不大于预设故障寿命阈值，则灯珠平面上相应的灯珠发生故障。通常设定灯珠亮度越亮，对应的灰度值越大，剩余寿命越长。灯珠亮度变低导致灯珠平面故障的示意图，如图6所示，图6中的灰色圆形区域表示故障灯珠。
本实施例提供的灯珠平面故障监测方法，通过确定灯珠平面上灯珠亮起时的灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值，将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。相比于传统技术中的灯珠平面故障监测方式存在不及时且准确性不高的问题而言，本实施例确定灯珠平面图像上的待处理区域，能够缩小灯珠平面图像，减少数据处理量，提高灯珠平面故障监测的效率，对待处理区域进行灰度处理得到灰度图像，基于灰度图像进行灯珠轮廓识别，从而得到每一灯珠对应的灰度值，利用灰度值和灯珠寿命预测模型得到每一灯珠的预测剩余寿命，根据预设故障寿命阈值判断相应灯珠是否发生故障，能够实时对灯珠平面进行故障监测，且基于每一灯珠的预测剩余寿命和预设故障寿命阈值判断相应灯珠是否发生故障，提高了灯珠平面故障预测的准确性。
在一个实施例中，灯珠寿命预测模型的训练过程的流程示意图，如图7所示，包括以下步骤：
S701，获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命。
其中，样本灯珠平面为正常灯珠所处的灯珠平面。以固定采集频率采集每一灯珠对应的灰度值，得到灰度值与采集时间点之间的对应关系，直至灯珠不再发光，结束采集。目标灰度值的确定方式，可以将各采集时间点对应的灰度值作为目标灰度值，也可以将多个采集时间点的时间间隔作为采集间隔确定目标灰度值。目标灰度值对应的第一参考剩余寿命，为目标灰度值对应的当前时间点至结束采集对应的时间点间的时间间隔。
S702，将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
其中，模型评价参数用于指示灯珠寿命预测模型的效果和可信度。预设阈值可通过人为设定。
在本实施例中，通过训练初始灯珠寿命预测模型，得到的灯珠寿命预测模型的准确性较高。
在一个实施例中，模型评价参数包括差异系数和影响程度系数；模型评价参数的确定过程，包括：
基于初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到差异系数；
对参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于回归方程，确定影响程度系数。
其中，差异系数为参考预测剩余寿命偏离相应的第一参考剩余寿命的距离平方和的平均数。差异系数越小，灯珠寿命预测模型预测越准确。影响程度系数为1减去，第一参考剩余寿命与相应的参考预测剩余寿命的平方差之和除以第一参考剩余寿命与相应的目标灰度值均值的平方差之和得到的商。影响程度系数越接近于1，灯珠寿命预测模型拟合效果越好。回归方程可以为线性回归方程，也可以为非线性回归方程，通常使用非线性回归方程，准确性更高。
在本实施例中，使用差异系数和影响程度系数评价灯珠寿命预测模型的好坏，能够更加直观的反映灯珠寿命预测模型的好坏，便于提高灯珠寿命预测模型输出的准确度。
在一个实施例中，预设故障寿命阈值的更新方式的流程示意图，如图8所示，包括以下步骤：
S801，在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命。
S802，基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
具体的，若多个灯珠发生故障，得到对应的第二参考剩余寿命，求取多个第二参考剩余寿命的平均值，作为新的预设故障寿命阈值。
在本实施例中，能够基于实时判断的灯珠发生故障的情况，对预设故障寿命阈值进行更新，使得预设故障寿命阈值准确性提高，能够提高灯珠平面故障预测的准确性。
在一个实施例中，灯珠平面故障监测方法还包括：
基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
其中，实际灯珠数量为根据该灯珠平面生产信息得到的灯珠数量。在实际灯珠数量大于灯珠数量的情况下，该灯珠平面存在灯珠发生故障。以正常灯珠平面为图3为例，灯珠平面上存在灯珠发生故障的示意图，如图9所示，图9中有灯珠未亮起。
在一个实施例中，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，包括：
对灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算滤波图像的梯度强度矩阵；
基于梯度强度矩阵，确定滤波图像上每一像素的梯度强度；
针对每一像素，以像素为中心，确定相邻像素的相邻梯度强度，若像素的梯度强度大于相邻梯度强度，则将像素作为待确定边缘点，若像素的梯度强度不大于相邻梯度强度，则将像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于预设低阈值且不大于预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于强边缘点确定灯珠轮廓。
在本实施例中，对灰度图像进行灯珠轮廓识别，相比于对灯珠平面图像进行灯珠轮廓识别，更加简单，灰度图像中的灯珠轮廓更加明显，识别得到的灯珠轮廓更加准确性。
在这里，针对本申请提供的灯珠平面故障监测方法，结合实际处理场景示例的示意图，如图10所示，进行详细说明。图10中的S1为接收灯珠平面上灯珠亮起的指示信号的设备；S2为摄影机，用于获取灯珠平面图像；S3为计算机设备，用于确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值，将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障，基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障；S4为警报器，在灯珠平面上相应的灯珠发生故障或者存在灯珠发生故障的情况下发出警报；S5为服务器；S6为通讯网络；S7为手机，用于接收异常通知。
在一个具体的实施例中，首先训练得到灯珠寿命预测模型并设定预设故障寿命阈值为0，灯珠寿命预测模型的训练过程具体如下：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命，将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
在得到灯珠寿命预测模型之后，获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像；对灰度图像进行灯珠轮廓识别，得到灯珠轮廓。
基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值；将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命；基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
本实施例提供的灯珠平面故障监测方法，通过确定灯珠平面图像上的待处理区域，能够缩小灯珠平面图像，减少数据处理量，提高灯珠平面故障监测的效率，对待处理区域进行灰度处理得到灰度图像，基于灰度图像进行灯珠轮廓识别，从而得到每一灯珠对应的灰度值，利用灰度值和灯珠寿命预测模型得到每一灯珠的预测剩余寿命，根据预设故障寿命阈值判断相应灯珠是否发生故障，能够实时对灯珠平面进行故障监测，且基于每一灯珠的预测剩余寿命和预设故障寿命阈值判断相应灯珠是否发生故障，提高了灯珠平面故障预测的准确性，基于灯珠轮廓确定灰度图像上的灯珠数量，从而确定灯珠平面上是否存在灯珠发生故障，能够实时监测灯珠平面的故障情况，并在灯珠平面上相应的灯珠发生故障或者存在灯珠发生故障的情况下，及时发出警报给相应人员，以便相应人员做出维修或者更换的相应处理，减少因灯珠平面发生故障带来的其他损失。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的灯珠平面故障监测方法的灯珠平面故障监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个灯珠平面故障监测装置实施例中的具体限定可以参见上文中对于灯珠平面故障监测方法的限定，在此不再赘述。
参见图11，图11为本申请实施例中提供的一种灯珠平面故障监测装置的结构框图，该装置1100包括：图像处理模块1101、灯珠识别模块1102和故障确定模块1103，其中：
图像处理模块1101，用于获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像；
灯珠识别模块1102，用于对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值；
故障确定模块1103，用于将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。
本实施例提供的灯珠平面故障监测装置，通过确定灯珠平面上灯珠亮起时的灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像，对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值，将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。相比于传统技术中的灯珠平面故障监测方式存在不及时且准确性不高的问题而言，本实施例确定灯珠平面图像上的待处理区域，能够缩小灯珠平面图像，减少数据处理量，提高灯珠平面故障监测的效率，对待处理区域进行灰度处理得到灰度图像，基于灰度图像进行灯珠轮廓识别，从而得到每一灯珠对应的灰度值，利用灰度值和灯珠寿命预测模型得到每一灯珠的预测剩余寿命，根据预设故障寿命阈值判断相应灯珠是否发生故障，能够实时对灯珠平面进行故障监测，且基于每一灯珠的预测剩余寿命和预设故障寿命阈值判断相应灯珠是否发生故障，提高了灯珠平面故障预测的准确性。
可选的，故障确定模块1103包括：
对应关系获取单元，用于获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
模型训练单元，用于将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
可选的，模型评价参数包括差异系数和影响程度系数；模型训练单元包括：
第一参数确定子单元，用于基于初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到差异系数；
第二参数确定子单元，用于对参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于回归方程，确定影响程度系数。
可选的，故障确定模块1103包括：
剩余寿命确定单元，用于在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命；
寿命阈值更新单元，用于基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
可选的，故障确定模块1103还用于基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
可选的，灯珠识别模块1102包括：
滤波单元，用于对灰度图像进行高斯滤波，得到滤波图像；
梯度强度计算单元，用于利用图像梯度提取算子，计算滤波图像的梯度强度矩阵；
像素梯度强度确定单元，用于基于梯度强度矩阵，确定滤波图像上每一像素的梯度强度；
第一判断单元，用于针对每一像素，以像素为中心，确定相邻像素的相邻梯度强度，若像素的梯度强度大于相邻梯度强度，则将像素作为待确定边缘点，若像素的梯度强度不大于相邻梯度强度，则将像素作为非边缘点；
第二判断单元，用于在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于预设低阈值且不大于预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
第三判断单元，用于若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
灯珠轮廓确定单元，用于基于强边缘点确定灯珠轮廓。
上述灯珠平面故障监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种灯珠平面故障监测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述实施例提供的灯珠平面故障监测方法的步骤：
获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像；
对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值；
将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
模型评价参数包括差异系数和影响程度系数；基于初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到差异系数；
对参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于回归方程，确定影响程度系数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命；
基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算滤波图像的梯度强度矩阵；
基于梯度强度矩阵，确定滤波图像上每一像素的梯度强度；
针对每一像素，以像素为中心，确定相邻像素的相邻梯度强度，若像素的梯度强度大于相邻梯度强度，则将像素作为待确定边缘点，若像素的梯度强度不大于相邻梯度强度，则将像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于预设低阈值且不大于预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于强边缘点确定灯珠轮廓。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的灯珠平面故障监测方法的步骤：
获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像；
对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值；
将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
模型评价参数包括差异系数和影响程度系数；基于初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到差异系数；
对参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于回归方程，确定影响程度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命；
基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算滤波图像的梯度强度矩阵；
基于梯度强度矩阵，确定滤波图像上每一像素的梯度强度；
针对每一像素，以像素为中心，确定相邻像素的相邻梯度强度，若像素的梯度强度大于相邻梯度强度，则将像素作为待确定边缘点，若像素的梯度强度不大于相邻梯度强度，则将像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于预设低阈值且不大于预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于强边缘点确定灯珠轮廓。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述实施例提供的灯珠平面故障监测方法的步骤：
获取灯珠平面上灯珠亮起时的灯珠平面图像，确定灯珠平面图像上的待处理区域，对待处理区域进行灰度处理，得到灰度图像；
对灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于灰度图像和灯珠轮廓，确定灯珠平面上每一灯珠对应的灰度值；
将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于预测剩余寿命和预设故障寿命阈值，确定灯珠平面上相应的灯珠是否发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
将目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到灯珠寿命预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
模型评价参数包括差异系数和影响程度系数；基于初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到差异系数；
对参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于回归方程，确定影响程度系数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入灯珠寿命预测模型，得到发生故障的灯珠的第二参考剩余寿命；
基于第二参考剩余寿命，对预设故障寿命阈值进行更新。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于灯珠轮廓确定灰度图像上的灯珠数量，获取待处理区域的实际灯珠数量，在实际灯珠数量大于灯珠数量的情况下，确定灯珠平面上存在灯珠发生故障。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算滤波图像的梯度强度矩阵；
基于梯度强度矩阵，确定滤波图像上每一像素的梯度强度；
针对每一像素，以像素为中心，确定相邻像素的相邻梯度强度，若像素的梯度强度大于相邻梯度强度，则将像素作为待确定边缘点，若像素的梯度强度不大于相邻梯度强度，则将像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于预设低阈值且不大于预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于强边缘点确定灯珠轮廓。
上述实施例的实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种灯珠平面故障监测方法，其特征在于，所述方法包括：
获取灯珠平面上灯珠亮起时的灯珠平面图像，确定所述灯珠平面图像上的待处理区域，对所述待处理区域进行灰度处理，得到灰度图像；
对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于所述灰度图像和所述灯珠轮廓，确定所述灯珠平面上每一灯珠对应的灰度值；
将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于所述预测剩余寿命和预设故障寿命阈值，确定所述灯珠平面上相应的灯珠是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述灯珠寿命预测模型的训练过程，包括：
获取样本灯珠平面上每一灯珠对应的灰度值随时间变化的对应关系，基于所述对应关系确定每一灯珠在目标灰度值下对应的第一参考剩余寿命；
将所述目标灰度值以及对应的第一参考剩余寿命作为训练样本，对初始灯珠寿命预测模型进行持续训练，直至训练后的灯珠寿命预测模型中的模型评价参数达到预设阈值的情况下，结束训练，得到所述灯珠寿命预测模型。
3.根据权利要求2所述的方法，其特征在于，所述模型评价参数包括差异系数和影响程度系数；所述模型评价参数的确定过程，包括：
基于所述初始灯珠寿命预测模型输出的参考预测剩余寿命与相应的第一参考剩余寿命间的差异程度，得到所述差异系数；
对所述参考预测剩余寿命和相应的目标灰度值进行拟合，得到回归方程，基于所述回归方程，确定所述影响程度系数。
4.根据权利要求1所述的方法，其特征在于，所述预设故障寿命阈值的更新方式，包括：
在所述灯珠平面上相应的灯珠发生故障的情况下，将发生故障的灯珠对应的灰度值输入所述灯珠寿命预测模型，得到所述发生故障的灯珠的第二参考剩余寿命；
基于所述第二参考剩余寿命，对所述预设故障寿命阈值进行更新。
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述方法还包括：
基于所述灯珠轮廓确定所述灰度图像上的灯珠数量，获取所述待处理区域的实际灯珠数量，在所述实际灯珠数量大于所述灯珠数量的情况下，确定所述灯珠平面上存在灯珠发生故障。
6.根据权利要求1至4任意一项所述的方法，其特征在于，所述对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，包括：
对所述灰度图像进行高斯滤波，得到滤波图像；
利用图像梯度提取算子，计算所述滤波图像的梯度强度矩阵；
基于所述梯度强度矩阵，确定所述滤波图像上每一像素的梯度强度；
针对每一像素，以所述像素为中心，确定相邻像素的相邻梯度强度，若所述像素的梯度强度大于所述相邻梯度强度，则将所述像素作为待确定边缘点，若所述像素的梯度强度不大于所述相邻梯度强度，则将所述像素作为非边缘点；
在存在待确定边缘点的梯度强度大于预设高阈值的情况下，将相应的待确定边缘点作为强边缘点，在存在待确定边缘点的梯度强度小于预设低阈值的情况下，将相应的待确定边缘点作为非边缘点，在存在待确定边缘点的梯度强度不小于所述预设低阈值且不大于所述预设高阈值的情况下，将相应的待确定边缘点作为弱边缘点；
若存在弱边缘点的八邻域像素中存在强边缘点，则将相应的弱边缘点更新为强边缘点；
基于所述强边缘点确定灯珠轮廓。
7.一种灯珠平面故障监测装置，其特征在于，所述装置包括：
图像处理模块，用于获取灯珠平面上灯珠亮起时的灯珠平面图像，确定所述灯珠平面图像上的待处理区域，对所述待处理区域进行灰度处理，得到灰度图像；
灯珠识别模块，用于对所述灰度图像进行灯珠轮廓识别，得到灯珠轮廓，基于所述灰度图像和所述灯珠轮廓，确定所述灯珠平面上每一灯珠对应的灰度值；
故障确定模块，用于将每一灯珠对应的灰度值输入灯珠寿命预测模型，输出相应灯珠的预测剩余寿命，基于所述预测剩余寿命和预设故障寿命阈值，确定所述灯珠平面上相应的灯珠是否发生故障。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310286853.5A 2023-03-22 2023-03-22 灯珠平面故障监测方法、装置、计算机设备和存储介质 Pending CN116309470A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310286853.5A CN116309470A (zh) 2023-03-22 2023-03-22 灯珠平面故障监测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310286853.5A CN116309470A (zh) 2023-03-22 2023-03-22 灯珠平面故障监测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116309470A true CN116309470A (zh) 2023-06-23

Family

ID=86790173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310286853.5A Pending CN116309470A (zh) 2023-03-22 2023-03-22 灯珠平面故障监测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116309470A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113102A (zh) * 2023-09-04 2023-11-24 贵州省机械电子产品质量检验检测院(贵州省农业机械质量鉴定站) 一种电子元器件寿命预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113102A (zh) * 2023-09-04 2023-11-24 贵州省机械电子产品质量检验检测院(贵州省农业机械质量鉴定站) 一种电子元器件寿命预测方法
CN117113102B (zh) * 2023-09-04 2024-04-16 贵州省机械电子产品质量检验检测院(贵州省农业机械质量鉴定站) 一种电子元器件寿命预测方法

Similar Documents

Publication Publication Date Title
US11587219B2 (en) Method and apparatus for detecting pixel defect of optical module, and device
EP3104327B1 (en) Anomalous pixel detection
JP4657869B2 (ja) 欠陥検出装置、イメージセンサデバイス、イメージセンサモジュール、画像処理装置、デジタル画像品質テスタ、欠陥検出方法、欠陥検出プログラム、およびコンピュータ読取可能な記録媒体
KR20200004825A (ko) 디스플레이 장치 품질 검사 방법, 장치, 전자 장치 및 저장 매체
RU2640673C1 (ru) Способ и устройство для детектирования дефектов на шинах в процессе производства шин
CN113379680B (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN107515481B (zh) 一种显示面板的检测方法和装置
CN116309470A (zh) 灯珠平面故障监测方法、装置、计算机设备和存储介质
CN116503414B (zh) 屏幕缺陷检测方法、装置、计算机设备和存储介质
CN111598889A (zh) 均压环倾斜故障的识别方法、装置、计算机设备
CN114241358A (zh) 基于数字孪生变电站的设备状态展示方法、装置和设备
CN112364740A (zh) 一种基于计算机视觉的无人机房监控方法及系统
US20240095983A1 (en) Image augmentation techniques for automated visual inspection
CN108107611B (zh) 一种自适应缺陷检测方法、装置及电子设备
CN113469293B (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
CN115880204A (zh) 图像检测方法、装置、终端设备及可读存储介质
JP2020135051A (ja) 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル
CN105631881A (zh) 目标检测方法及装置
CN112017065A (zh) 车辆定损理赔方法、装置及计算机可读存储介质
CN115512098B (zh) 一种桥梁电子化巡检系统及巡检方法
US9536165B2 (en) Flash characterization for camera
CN114782405A (zh) 基于图像识别及机器视觉的桥梁裂纹检测方法及装置
CN114627435A (zh) 基于图像识别的智能灯光调节方法、装置、设备及介质
KR20200140954A (ko) 디스플레이 검사 장치 및 그 방법
CN115527161B (zh) 异常放电监测方法、装置、计算机设备和存储介质

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