CN117095000A - 一种设备检测方法及装置 - Google Patents
一种设备检测方法及装置 Download PDFInfo
- Publication number
- CN117095000A CN117095000A CN202311355853.2A CN202311355853A CN117095000A CN 117095000 A CN117095000 A CN 117095000A CN 202311355853 A CN202311355853 A CN 202311355853A CN 117095000 A CN117095000 A CN 117095000A
- Authority
- CN
- China
- Prior art keywords
- region
- target
- divided
- units
- area
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 129
- 230000011218 segmentation Effects 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims description 30
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 8
- 230000000740 bleeding effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种设备检测方法及装置,涉及计算机技术领域,包括:获取待检测区域的目标采集图像,基于图像配准算法及预先创建的参考模板对应的模板特征匹配区域确定目标采集图像的目标特征匹配区域,以及目标特征匹配区域对应的目标坐标;根据目标坐标以及预先确定的相对位置坐标确定目标采集图像对应的需要检测的目标感兴趣区域;基于目标感兴趣区域截取目标采集图像中的目标图像,基于预设的分割模型对应的分割参数对目标图像进行分割,得到目标分割图形区域集合;基于目标分割图形区域集合与参考模板对应的模板分割区域集合检测异常区域,根据检测结果执行相应的操作。由此,本申请能够精确、快速地对设备进行识别。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种设备检测方法及装置。
背景技术
设备跑冒滴漏的检测在流程行业中具有重要性,安全保障:设备跑冒滴漏可能导致液体或气体泄漏,引发事故和安全隐患。通过及时检测和识别设备的跑冒滴漏情况,可以预防事故的发生,保障工作场所的安全。生产质量:跑冒滴漏的设备可能导致产品质量问题,例如液体泄漏到产品中,影响产品的性能或质量。通过检测设备跑冒滴漏,可以及时发现并解决问题,确保产品质量符合标准和要求。资源利用和节约:跑冒滴漏意味着设备正处于不正常状态,导致资源的浪费和能源的消耗增加。通过及时检测和修复设备的跑冒滴漏问题,可以减少资源的浪费,提高能源利用效率,降低生产成本。环境保护:跑冒滴漏可能导致有害物质的泄漏到环境中,对生态系统和环境造成污染和危害。通过设备跑冒滴漏的检测,可以预防环境污染,保护生态环境,实现可持续发展。维护和预防性维修:及时检测设备的跑冒滴漏问题可以帮助维护人员及时发现设备的故障和损坏,进行维修和保养。通过预防性维修,可以减少设备的故障率和停机时间,提高设备的可靠性和生产效率。
综上所述,设备跑冒滴漏的检测对于流程行业来说是非常重要的,它直接关系到工作场所的安全、产品质量、资源利用、环境保护以及设备维护等方面。通过有效的跑冒滴漏检测和管理,可以提高生产效率、降低生产成本,并确保可持续发展和企业的长期竞争力。
设备跑冒滴漏检测是指通过一系列方法和技术来检测设备在运行过程中是否存在漏液、冒烟或滴水等异常情况,包括计算机视觉、压力检测、热成像检测、声音检测、化学检测等,其中计算机视觉方式成本低、范围广、泛化能力强等特点,在检测设备跑冒滴漏得到广泛应用。
利用计算机视觉进行设备跑冒滴漏(Equipment Leakage and Drip Detection)是一种常见的应用场景,但在实际应用中可能面临以下一些问题:
1、图像质量:计算机视觉算法对于输入图像的质量要求较高。如果图像模糊、光照不足、噪点干扰等,可能会导致算法无法准确地检测设备的跑冒滴漏情况。
2、多样性和复杂性:设备的跑冒滴漏形态各异,涉及不同的材料、颜色、形状和纹理。算法需要具备足够的泛化能力,能够适应各种设备和情况,以实现准确的检测。
3、实时性:某些应用场景对于设备跑冒滴漏的检测需要实时响应,即时发现问题。在这种情况下,算法需要在较短的时间内对图像进行处理和分析,以及作出准确的判断。
4、数据标注:计算机视觉算法通常需要大量标注好的数据进行训练,以学习设备跑冒滴漏的特征。然而,标注数据的获取可能需要大量的人力和时间成本,并且标注的质量对算法性能有很大影响。
5、环境因素:设备跑冒滴漏的检测通常需要考虑环境因素,例如背景干扰、遮挡物、光照变化等。这些因素可能会对算法的准确性和鲁棒性造成挑战,需要通过合适的预处理或者改进算法的方式来应对。
6、效率和可扩展性:在一些实际应用中,需要同时检测大量的设备,因此算法需要具备高效的计算能力和良好的可扩展性,以满足实际生产环境中的需求。
在CV(Computer Vision,计算机视觉技术)领域通用分割预训练模型表现出了很好的性能,且可以对不熟悉的物体和图像进行零镜头泛化,而无需额外的训练。自Meta研究团队发布以来,SAM(Segment Anything Model,分割一切模型)以其出色的零样本迁移性能和与其他模型的高度兼容性引起了广泛关注,用于高级视觉应用程序,如具有细粒度控制的图像编辑。此处通用分割预训练模型包括Meta公司的Segment Anything、SegGPT(Segment Everything in Context,通用分割模型)等,以及扩展模型如Fast-SAM(FastSegment Anything,图像分割的快速模型)、hq-sam(Segment Anything in High Quality,高质量分割一切模型)、mobilesam(适合移动设备的分割一切模型)等类似通用分割模型。如何利用该类模型的特性并结合图像处理方法实现对工厂中设备及管道跑冒滴漏及类似设备状态的检测是目前亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种设备检测方法及装置,能够分割模型并结合图像处理方法对设备进行检测。其具体方案如下:
第一方面,本申请公开了一种设备检测方法,包括:
基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;
根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;
基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;
基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
可选的,所述基于预设监控设备获取待检测区域的目标采集图像之前,还包括:
根据所述待检测区域对所述预设监控设备进行调整;所述调整包括全方位移动、镜头变倍以及变焦控制其中的一种或几种的组合。
可选的,所述基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域之前,还包括:
在不同光线以及不同天气状况的条件下,采集不存在跑冒滴漏情况的设备图像;
选取所述设备图像中符合预设标志性特征条件的区域作为所述参考模板对应的所述模板特征匹配区域。
可选的,所述基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域之前,还包括:
选取所述参考模板对应的模板感兴趣区域,基于所述模板感兴趣区域截取不存在跑冒滴漏情况的设备图像中的模板图像,并基于所述预设分割模型对所述模板图像进行分割,以获取所述分割参数以及所述模板分割区域集合。
可选的,所述基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,包括:
确定所述模板分割区域集合中的各第一分割区域单元以及所述目标分割图形区域集合中的各第二分割区域单元;
将各所述第一分割区域单元分别与各所述第二分割区域单元进行匹配,从所述第二分割区域单元中确定出与所述第一分割区域单元重合度最大的目标区域;
基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域。
可选的,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果,并确定所述并集结果与所述目标区域之间的差值;
确定所述差值与预设区域差异像素阈值之间的第一大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第一数量大小关系;
基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域。
可选的,所述基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值小于所述预设区域差异像素阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值大于所述预设区域差异像素阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
可选的,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元的之间的并集结果;
确定所述并集结果或所述目标区域与预设交并比系数阈值之间的第二大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第二数量大小关系;
基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域。
可选的,所述基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域小于所述预设交并比系数阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域大于所述预设交并比系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
可选的,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元与所述第二分割区域单元的相加结果;
确定所述相加结果或预设倍数的所述目标区域与预设戴斯相似系数阈值之间的第三大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第三数量大小关系;
基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域。
可选的,所述基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域小于所述预设戴斯相似系数阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域大于所述预设戴斯相似系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
可选的,所述根据检测结果执行相应的操作,包括:
若存在所述异常区域,则在发送相应的报警通知之后进行下一个设备或下一轮的检测;
若不存在所述异常区域,则直接进行下一个设备或下一轮的检测。
第二方面,本申请公开了一种设备检测装置,包括:
区域及坐标确定模块,用于基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;
感兴趣区域确定模块,用于根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;
集合获取模块,用于基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;
异常区域检测模块,用于基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现前述公开的所述的设备检测方法的步骤。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的所述的设备检测方法的步骤。
本申请在进行设备检测时,首先基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;之后根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;然后基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;最后基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。由此可见,本申请通过对于监控设备及感兴趣区域的调整能够适用于较复杂大规模场景,允许进行拆分简化检测场景,提高识别准确率,使用图像配准算法确定目标特征匹配区域能够补偿摄像机重复误差或微量移动产生的偏差,同时,利用分割模型进行全局分割能够实现适应不同场景,不需要特定负样本进行训练的效果。
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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种设备检测方法流程图;
图2为本申请公开的一种设备检测方法流程图;
图3为本申请公开的一种参考模板图像示意图;
图4为本申请公开的一种参考模板的分割区域示意图;
图5为本申请公开的一种实际采集图像示意图;
图6为本申请公开的一种实际采集图像的分割区域示意图;
图7为本申请公开的一种异常区域标记示意图;
图8为本申请公开的一种具体的设备检测方法流程图;
图9为本申请公开的一种具体的设备检测方法流程图;
图10为本申请公开的一种具体的设备检测方法流程图;
图11为本申请公开的一种设备检测装置结构示意图;
图12为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,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。
目前技术中,一般通过构建机理模型;数据进行标注,数据驱动模型;对模型值直接预测,并在此基础上回归问题;使用深度学习时间序列模型进行分类或回归。但是传统图像处理方法存在许多缺点:容错能力差,对于环境因素干扰敏感,一般需要稳定环境(光照条件),难以符合实际工厂情况。不同工程应用现场需要专业的算法人员针对性设计开发算法,算法开发成本大周期长,当工厂内检测场景复杂多样的情况下难以工程化。泛化能力差,算法人员没有考虑的情况无法进行检测。基于神经网络的计算机视觉的目标检测及分割算法。需要大量异常样本数据,在工业应用场景十分难以获取。人工标注成本高,其中分割算法尤其突出。模型训练成本高,需要反复针对不同模型以及调整模型参数,以达到理想效果;训练需要GPU(graphics processing unit,图像处理器)及AI(ArtificialIntelligence,人工智能)芯片等硬件资源;当模型进行调整时,需要重新进行训练。针对不同检测目标,需要不同的模型运行实例,占用较多硬件资源。为此,本申请公开了一种设备检测方法,能够有效高效解决上述技术问题。
参见图1所示,本发明实施例公开了一种设备检测方法,包括:
步骤S11、基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标。
本实施例中,如图2所示,本申请在进行设备检测之前,要创建与待检测设备对应的模型,在设置模型时,首先选择需要检测的区域,设置球机PTZ(Pan/Tilt/Zoom,云台全方位(左右/上下)移动及镜头变倍、变焦控制),使摄像机视野覆盖检测区域。(非球机可调节Z(变焦控制)),之后根据不同光线、天气等场景,针对进行正常且不含跑冒滴漏异常情况采集图像。并在不同场景图像选择稳定且标志性特征区域作为匹配定位区域。并选取需要跑冒滴漏等ROI(region of interest,感兴趣区域)区域/>,并记录ROI区域与定位区域的相对位置(Δx,Δy),要求对ROI区域相对单一以方便进行识别,如场景负责可设置多个ROI区域。需要指出的是,机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,ROI。在一些机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI,并进行图像的下一步处理。最后参考模板ROI区域/>截取图像,并使用SAM及扩展SAM模型(hq-sam及fast-sam等)进行全分割调整参数,能够对模板设备进行清晰分割,并保存参数/>及分割图像区域,A为参考模板ROI区域分割区域集合,/>为区域。由此便获取了参考模型以及如图3所示的参考模板图像及图4所示的SAM分割区域。
接下来对设备进行检测,基于预设监控设备获取待检测区域的目标采集图像之前,还包括:根据所述待检测区域对所述预设监控设备进行调整;所述调整包括全方位移动、镜头变倍以及变焦控制其中的一种或几种的组合。这样使视野覆盖检测区域。并抓取当前的摄像机图像如图5所示,使用特征匹配算法,比较模板匹配定位区域与图像中匹配区域/>及坐标(x,y),也就是基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标。
步骤S12、根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标。
本实施例中,在确定目标坐标后,便要根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;也就是根据所得坐标(x,y)及已知(Δx,Δy)获得当前图像对应的ROI区域/>。
步骤S13、基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割一切模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合。
本实施例中,根据所述目标感兴趣区域截取所述目标采集图像中的目标图像,换句话说,根据当前图像ROI区域截取图像,并使用与预设模型相同的SAM或扩展SAM模型(hq-sam及fast-sam等)根据参数/>进行全分割调整参数,得到如图6所示的分割图像区域/>,B为当前图像ROI区域分割区域集合,/>为区域。需要指出的是,SAM分割模型可以扩展到类似功能通用分割预训练模型,包括SegGPT、FastSAM、HQ-SAM、MobileSAM等。且参数/>在设置模板时,可以根据实际情况进行调整,允许现场参数化配置以满足现场定制场景,易于进行工程化推广。
步骤S14、基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
本实施例中,将参考模板ROI分割区域,及/>进行算法规则检测异常区域。确定所述模板分割区域集合中的各第一分割区域单元以及所述目标分割图形区域集合中的各第二分割区域单元;将各所述第一分割区域单元分别与各所述第二分割区域单元进行匹配,从所述第二分割区域单元中确定出与所述第一分割区域单元重合度最大的目标区域;基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域。若存在所述异常区域,如图7所示,则对所述异常区域进行标记,发送相应的报警通知之后进行下一个设备或下一轮的检测;若不存在所述异常区域,则直接进行下一个设备或下一轮的检测。这样一来,在同一参数的情况下,可以使用同一运行实例。并且,应用场景除设备管道等跑冒滴漏场景,也可扩展至设备保温层破坏、灰尘覆盖、污染物、设备状态等流程行业引用场景。
由上可知,本申请在进行设备检测时,首先基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;之后根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;然后基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;最后基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。由此可见,本申请通过对于监控设备及感兴趣区域的调整能够适用于较复杂大规模场景,允许进行拆分简化检测场景,提高识别准确率,使用图像配准算法确定目标特征匹配区域能够补偿摄像机重复误差或微量移动产生的偏差,同时,利用分割模型进行全局分割能够实现适应不同场景,不需要特定负样本进行训练的效果。
基于上述实施例可知,本申请可以基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域。接下来,将针对基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域的过程进行具体的描述。参见图8所示,本申请实施例公开了一种具体的设备检测方法,包括:
步骤S21、确定目标区域对应的第一分割区域单元以及第二分割区域单元之间的并集结果,并确定所述并集结果与所述目标区域之间的差值。
本实施例,要基于分割区域像素数量差异对异常区域进行检测,从参考模板分割区域区域集中依次所有分割区域/>,从当前图像分割区域区域集中找到能与/>形成最大重合的区域/>,即max(|/>∩/>|),其中|/>∩/>|表示目标区域。确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域的并集结果,并确定所述并集结果与所述目标区域之间的差值,简单来说,就是确定|/>∪/>|-|/>∩/>|的差值。
步骤S22、确定所述差值与预设区域差异像素阈值之间的第一大小关系。
本实施例中,要确定|∪/>|-|/>∩/>|与/>(预设区域差异像素阈值)之间的大小关系。
步骤S23、确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第一数量大小关系。
本实施例中,再确定与/>中分割区域单元m和n的数量大小关系。
步骤S24、基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域。
本实施例中,在确定出所述第一数量大小关系以及所述第一大小关系后,若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值小于所述预设区域差异像素阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值大于所述预设区域差异像素阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。也就是说,若m=n,A区域集中元素与B区域集中元组一一对应时且|∪|-|/>∩/>|</>,则认为无故障;若m≠n或m=n不能一一对应时,将B中不能映射的区域进行标记视为检测异常区域;当A、B中一一对应映射区域元素|/>∪/>|-|/>∩/>|>时,则将标记|/>∪/>|-|/>∩/>|区域,并将|/>∪/>|-|/>∩/>|所表示的区域视为检测异常区域。
可见,本申请通过利用分割模型的特性并结合图像处理方法实现对设备的检测,能够提高检测的建准行,并可以适用于多种复杂场景。
参见图9所示,本申请实施例公开了一种具体的设备检测方法,包括:
步骤S31、确定目标区域对应的第一分割区域单元以及第二分割区域单元的之间的并集结果。
本实施例中,要基于分割区域的IOU(Intersection over Union,交并比)系数对异常区域进行检测,从参考模板分割区域区域集中依次所有分割区域/>,从当前图像分割区域/>区域集中找到能与/>形成最大重合的区域/>,即max(|/>∩/>|),其中|/>∩/>|表示目标区域。之后要确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元的之间的并集结果,即确定|/>∪/>|。
步骤S32、确定所述并集结果或所述目标区域与预设交并比系数阈值之间的第二大小关系。
本实施例中,在得到|∪/>|后,确定目标区域(|/>∩/>|)或|/>∪/>|与预设交并比系数阈值之间的第二大小关系。
步骤S33、确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第二数量大小关系。
本实施例中,再确定与/>中分割区域单元m和n的数量大小关系。
步骤S34、基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域。
本实施例中,在确定出所述第二数量大小关系以及所述第二大小关系后,若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域小于所述预设交并比系数阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域大于所述预设交并比系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。也就是说,若m=n,A区域集中元素与B区域集中元组一一对应时且|∩/>|/|/>∪/>|</>,/>为IoU系数阈值时,则认为无故障。当m≠n或m=n不能一一对应时,将B中不能映射的区域进行标记视为检测异常区域;当A、B中一一对应映射区域元素|/>∩/>|/|/>∪/>|>/>时,则将标记|/>∪/>|-|∩/>|区域,并将|/>∪/>|-|/>∩/>|所表示的区域视为检测异常区域。
可见,本申请通过利用分割模型的特性并结合图像处理方法实现对设备的检测,能够提高检测的建准行,并可以适用于多种复杂场景。
参见图10所示,本申请实施例公开了一种具体的设备检测方法,包括:
步骤S41、确定目标区域对应的第一分割区域单元与第二分割区域单元的相加结果。
本实施例中,要基于区域的Dice(dice similarity coefficient,戴斯相似系数)系数对异常区域进行检测,从参考模板分割区域区域集中依次所有分割区域/>,从当前图像分割区域/>区域集中找到能与/>形成最大重合的区域/>即max(|/>∩/>|),其中|/>∩/>|表示目标区域。之后要确定所述目标区域对应的所述第一分割区域单元与所述第二分割区域单元的相加结果,即确定|/>|+|/>|。其中,Dice系数是基于集合论的相似度计算方法。它可以用于度量两个样本集合的相似度,其值的范围在0和1之间。0表示两个集合没有交集;1表示两个集合完全重合。
步骤S42、确定所述相加结果或预设倍数的所述目标区域与预设戴斯相似系数阈值之间的第三大小关系。
本实施例中,在得到||+|/>|后,确定预设倍数的所述目标区域(2*|/>∩/>|)或(|/>|+|/>|)与预设戴斯相似系数阈值之间的第三大小关系。
步骤S43、确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第三数量大小关系。
本实施例中,再确定与/>中分割区域单元m和n的数量大小关系。
步骤S44、基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域。
本实施例中,在确定出所述第三数量大小关系以及所述第三大小关系后,若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域小于所述预设戴斯相似系数阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域大于所述预设戴斯相似系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。也就是说,若m=n,A区域集中元素与B区域集中元组一一对应时且(2*|∩/>|)/(|/>|+|/>|)</>,/>为预设戴斯相似系数阈值,/>与/>为对应分割区域时,则认为无故障。若m≠n或m=n不能一一对应时,将B中不能映射的区域进行标记视为检测异常区域;当A、B中一一对应映射区域元素(2*|/>∩/>|)/(|/>|+|/>|)</>时,则将标记|/>∪/>|-|/>∩/>|区域,并将|/>∪/>|-|/>∩/>|所表示的区域视为检测异常区域。/>
可见,本申请通过利用分割模型的特性并结合图像处理方法实现对设备的检测,能够提高检测的建准行,并可以适用于多种复杂场景。
参见图11所示,本发明实施例公开了一种设备检测装置,包括:
区域及坐标确定模块11,用于基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;
感兴趣区域确定模块12,用于根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;
集合获取模块13,用于基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割一切模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;
异常区域检测模块14,用于基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
在一些具体的实施例中,所述区域及坐标确定模块11,还可以包括:
监控设备调整单元,用于根据所述待检测区域对所述预设监控设备进行调整;所述调整包括全方位移动、镜头变倍以及变焦控制其中的一种或几种的组合。
在一些具体的实施例中,所述区域及坐标确定模块11,还可以包括:
图像采集单元,用于在不同光线以及不同天气状况的条件下,采集不存在跑冒滴漏情况的设备图像;
匹配区域确定单元,用于选取所述设备图像中符合预设标志性特征条件的区域作为所述参考模板对应的所述模板特征匹配区域。
在一些具体的实施例中,所述异常区域检测模块14,还可以包括:
模板图像获取单元,用于选取所述参考模板对应的模板感兴趣区域,基于所述模板感兴趣区域截取不存在跑冒滴漏情况的设备图像中的模板图像;
模板分割区域集合获取单元,用于基于所述预设分割模型对所述模板图像进行分割,以获取所述分割参数以及所述模板分割区域集合。
在一些具体的实施例中,所述异常区域检测模块14,具体可以包括:
区域单元确定子模块,用于确定所述模板分割区域集合中的各第一分割区域单元以及所述目标分割图形区域集合中的各第二分割区域单元;
目标区域确定子模块,用于将各所述第一分割区域单元分别与各所述第二分割区域单元进行匹配,从所述第二分割区域单元中确定出与所述第一分割区域单元重合度最大的目标区域;
异常区域检测子模块,用于基于所述目标区域以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域。
在一些具体的实施例中,所述异常区域检测子模块,具体可以包括:
差值确定单元,用于确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果,并确定所述并集结果与所述目标区域之间的差值;
第一大小关系确定单元,用于确定所述差值与预设区域差异像素阈值之间的第一大小关系;
第一数量大小关系确定单元,用于确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第一数量大小关系;
第一异常区域确定单元,用于基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域。
在一些具体的实施例中,所述第一异常区域确定单元,具体可以用于若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值小于所述预设区域差异像素阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值大于所述预设区域差异像素阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
在一些具体的实施例中,所述异常区域检测子模块,具体可以包括:
并集结果确定单元,用于确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元的之间的并集结果;
第二大小关系确定单元,用于确定所述并集结果或所述目标区域与预设交并比系数阈值之间的第二大小关系;
第二数量大小关系确定单元,用于确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第二数量大小关系;
第二异常区域确定单元,用于基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域。
在一些具体的实施例中,所述第二异常区域确定单元,具体可以用于若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域小于所述预设交并比系数阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域大于所述预设交并比系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
在一些具体的实施例中,所述异常区域检测子模块,具体可以包括:
相加结果确定单元,用于确定所述目标区域对应的所述第一分割区域单元与所述第二分割区域单元的相加结果;
第三大小关系确定单元,用于确定所述相加结果或预设倍数的所述目标区域与预设戴斯相似系数阈值之间的第三大小关系;
第三数量大小关系确定单元,用于确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第三数量大小关系;
第三异常区域确定单元,用于基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域。
在一些具体的实施例中,所述第三异常区域确定单元,具体可以用于若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域小于所述预设戴斯相似系数阈值,则判定不存在所述异常区域;若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域大于所述预设戴斯相似系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
在一些具体的实施例中,所述异常区域检测模块14,具体可以包括:
通知发送单元,用于若存在所述异常区域,则在发送相应的报警通知之后进行下一个设备或下一轮的检测;
检测单元,用于若不存在所述异常区域,则直接进行下一个设备或下一轮的检测。
进一步的,本申请实施例还公开了一种电子设备,图12是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图12为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的设备检测方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进 行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、 磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222 等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的设备检测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的设备检测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (13)
1.一种设备检测方法,其特征在于,包括:
基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;
根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;
基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;
基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
2.根据权利要求1所述的设备检测方法,其特征在于,所述基于预设监控设备获取待检测区域的目标采集图像之前,还包括:
根据所述待检测区域对所述预设监控设备进行调整;所述调整包括全方位移动、镜头变倍以及变焦控制其中的一种或几种的组合。
3.根据权利要求1所述的设备检测方法,其特征在于,所述基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域之前,还包括:
在不同光线以及不同天气状况的条件下,采集不存在跑冒滴漏情况的设备图像;
选取所述设备图像中符合预设标志性特征条件的区域作为所述参考模板对应的所述模板特征匹配区域。
4.根据权利要求1所述的设备检测方法,其特征在于,所述基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域之前,还包括:
选取所述参考模板对应的模板感兴趣区域,基于所述模板感兴趣区域截取不存在跑冒滴漏情况的设备图像中的模板图像,并基于所述分割模型对所述模板图像进行分割,以获取所述分割参数以及所述模板分割区域集合。
5.根据权利要求1所述的设备检测方法,其特征在于,所述基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,包括:
确定所述模板分割区域集合中的各第一分割区域单元以及所述目标分割图形区域集合中的各第二分割区域单元;
将各所述第一分割区域单元分别与各所述第二分割区域单元进行匹配,从所述第二分割区域单元中确定出与所述第一分割区域单元重合度最大的目标区域;
基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域。
6.根据权利要求5所述的设备检测方法,其特征在于,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果,并确定所述并集结果与所述目标区域之间的差值;
确定所述差值与预设区域差异像素阈值之间的第一大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第一数量大小关系;
基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域。
7.根据权利要求6所述的设备检测方法,其特征在于,所述基于所述第一数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值小于所述预设区域差异像素阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述差值大于所述预设区域差异像素阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
8.根据权利要求5所述的设备检测方法,其特征在于,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元的之间的并集结果;
确定所述并集结果或所述目标区域与预设交并比系数阈值之间的第二大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第二数量大小关系;
基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域。
9.根据权利要求8所述的设备检测方法,其特征在于,所述基于所述第二数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第二大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域小于所述预设交并比系数阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述并集结果或所述目标区域大于所述预设交并比系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
10.根据权利要求5所述的设备检测方法,其特征在于,所述基于所述目标区域、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的大小关系检测异常区域,包括:
确定所述目标区域对应的所述第一分割区域单元与所述第二分割区域单元的相加结果;
确定所述相加结果或预设倍数的所述目标区域与预设戴斯相似系数阈值之间的第三大小关系;
确定所述第一分割区域单元的数量与所述第二分割区域单元的数量之间的第三数量大小关系;
基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域。
11.根据权利要求10所述的设备检测方法,其特征在于,所述基于所述第三数量大小关系、各所述第一分割区域单元与各所述第二分割区域单元的对应关系以及所述第三大小关系确定是否存在异常区域,包括:
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,同时所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域小于所述预设戴斯相似系数阈值,则判定不存在所述异常区域;
若所述第一分割区域单元的数量不等于所述第二分割区域单元的数量,或所述第一分割区域单元的数量等于所述第二分割区域单元的数量但所述第一分割区域单元不能与所述第二分割区域单元一一对应,则将不能对应的所述第二分割区域单元标记为所述异常区域;
若所述第一分割区域单元的数量等于所述第二分割区域单元的数量,所述第一分割区域单元与所述第二分割区域单元一一对应,且所述相加结果或预设倍数的所述目标区域大于所述预设戴斯相似系数阈值,则判定存在所述异常区域,并将所述目标区域对应的所述第一分割区域单元以及所述第二分割区域单元之间的并集结果与所述目标区域之间的差值表征的区域标记为所述异常区域。
12.根据权利要求6至11任一项所述的设备检测方法,其特征在于,所述根据检测结果执行相应的操作,包括:
若存在所述异常区域,则在发送相应的报警通知之后进行下一个设备或下一轮的检测;
若不存在所述异常区域,则直接进行下一个设备或下一轮的检测。
13.一种设备检测装置,其特征在于,包括:
区域及坐标确定模块,用于基于预设监控设备获取待检测区域的目标采集图像,并基于图像配准算法以及预先创建的参考模板对应的模板特征匹配区域确定所述目标采集图像的目标特征匹配区域,以及所述目标特征匹配区域对应的目标坐标;
感兴趣区域确定模块,用于根据所述目标坐标以及预先确定的相对位置坐标确定所述目标采集图像对应的需要检测设备跑冒滴漏的目标感兴趣区域;所述相对位置坐标为所述参考模板对应的模板感兴趣区域与所述模板特征匹配区域之间的相对位置坐标;
集合获取模块,用于基于所述目标感兴趣区域截取所述目标采集图像中的目标图像,并基于预设的分割模型对应的分割参数对所述目标图像进行分割,以得到目标分割图形区域集合;
异常区域检测模块,用于基于所述目标分割图形区域集合与所述参考模板对应的模板分割区域集合检测异常区域,并根据检测结果执行相应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311355853.2A CN117095000B (zh) | 2023-10-19 | 2023-10-19 | 一种设备检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311355853.2A CN117095000B (zh) | 2023-10-19 | 2023-10-19 | 一种设备检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095000A true CN117095000A (zh) | 2023-11-21 |
CN117095000B CN117095000B (zh) | 2024-01-26 |
Family
ID=88773802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311355853.2A Active CN117095000B (zh) | 2023-10-19 | 2023-10-19 | 一种设备检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095000B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
CN112734706A (zh) * | 2020-12-31 | 2021-04-30 | 富泰华精密电子(郑州)有限公司 | 电子装置及焊点检测方法 |
CN112837302A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 模具的状态监测方法、装置、工控机、存储介质及系统 |
CN114708262A (zh) * | 2022-06-02 | 2022-07-05 | 深圳市海蓝智能科技有限公司 | 一种连接器针脚的视觉检测方法 |
CN116309344A (zh) * | 2023-02-14 | 2023-06-23 | 广东电网有限责任公司 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
-
2023
- 2023-10-19 CN CN202311355853.2A patent/CN117095000B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
CN112419299A (zh) * | 2020-12-04 | 2021-02-26 | 中冶建筑研究总院(深圳)有限公司 | 一种螺栓缺失检测方法、装置、设备及存储介质 |
CN112734706A (zh) * | 2020-12-31 | 2021-04-30 | 富泰华精密电子(郑州)有限公司 | 电子装置及焊点检测方法 |
CN112837302A (zh) * | 2021-02-09 | 2021-05-25 | 广东拓斯达科技股份有限公司 | 模具的状态监测方法、装置、工控机、存储介质及系统 |
CN114708262A (zh) * | 2022-06-02 | 2022-07-05 | 深圳市海蓝智能科技有限公司 | 一种连接器针脚的视觉检测方法 |
CN116309344A (zh) * | 2023-02-14 | 2023-06-23 | 广东电网有限责任公司 | 一种绝缘子异常检测方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117095000B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488294B2 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
Yang et al. | Vision-based tower crane tracking for understanding construction activity | |
CN104282011A (zh) | 一种检测视频图像中干扰条纹的方法及装置 | |
CN111881970A (zh) | 一种基于深度学习的外破图像智能识别方法 | |
CN114972421A (zh) | 车间物料识别追踪与定位方法、系统 | |
CN117095000B (zh) | 一种设备检测方法及装置 | |
CN115019254A (zh) | 一种输电区域异物入侵检测方法、装置、终端及存储介质 | |
Guo et al. | Intelligent vision-enabled detection of water-surface targets for video surveillance in maritime transportation | |
Zhang et al. | Belt Deviation Detection System Based on Deep Learning under Complex Working Conditions | |
CN112183264B (zh) | 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 | |
CN116432160A (zh) | 基于rpa和lbp特征的滑块验证码识别方法及系统 | |
CN114827455A (zh) | 一种摄像头动态实时追踪方法 | |
Yang et al. | Design and Implementation of License Plate Recognition System Based on Android | |
Chen et al. | Mobile asset tracking for dynamic 3D crane workspace generation in real time | |
Zhang et al. | Research on Dangerous Area Monitoring and Early Warning System Based on Image Processing | |
He et al. | Automatic accurate longitudinal location of structural defects in sewer pipes via monocular ranging | |
Murthy et al. | Video surveillance-based insulator condition monitoring analysis for substation monitoring system (SMS) | |
CN115146686B (zh) | 一种确定目标对象安装位置的方法、装置、设备及介质 | |
CN112633157B (zh) | 一种agv工作区域安全性的实时检测方法及系统 | |
US20230306572A1 (en) | Flange Integrity Classification Using Artificial Intelligence | |
Gupta et al. | A Novel Design and Development model for people counting in a Closed Environment with Machine Learning Approach | |
Liao et al. | Study on High-Efficient Derusting Method for Vision-Based Derusting Robot | |
Lin et al. | Optimization and Verification of Artificial Intelligence Image Recognition Algorithm for Transmission Line Defects | |
Liu et al. | A Complete Piping Identification Solution for Piping and Instrumentation Diagrams |
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 |