CN117169286B - 一种视觉辅助下的工业线束质量检测方法 - Google Patents
一种视觉辅助下的工业线束质量检测方法 Download PDFInfo
- Publication number
- CN117169286B CN117169286B CN202311452065.5A CN202311452065A CN117169286B CN 117169286 B CN117169286 B CN 117169286B CN 202311452065 A CN202311452065 A CN 202311452065A CN 117169286 B CN117169286 B CN 117169286B
- Authority
- CN
- China
- Prior art keywords
- harness
- damage
- target
- test current
- corrosion damage
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 185
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 230000006378 damage Effects 0.000 claims abstract description 429
- 230000007797 corrosion Effects 0.000 claims abstract description 251
- 238000005260 corrosion Methods 0.000 claims abstract description 251
- 238000012360 testing method Methods 0.000 claims abstract description 221
- 239000013598 vector Substances 0.000 claims abstract description 123
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 18
- 238000013139 quantization Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 35
- 230000004927 fusion Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000003902 lesion Effects 0.000 description 26
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000006735 deficit Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000001351 cycling effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及质量检测领域,公开了一种视觉辅助下的工业线束质量检测方法,用于提高工业线束质量检测的准确率。方法包括:基于多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到目标线束图像;将目标线束图像输入腐蚀损伤检测模型进行腐蚀损伤检测,得到腐蚀损伤检测结果;对腐蚀损伤检测结果进行检测指标量化分析,得到腐蚀损伤指标数据;进行曲线拟合,得到电流腐蚀损伤关系曲线;进行特征提取,得到多个损伤关系特征点,并对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;将目标损伤关系特征向量输入工业线束寿命预测模型进行工业线束寿命预测,得到线束寿命预测数据。
Description
技术领域
本发明涉及质量检测领域,尤其涉及一种视觉辅助下的工业线束质量检测方法。
背景技术
电子线束是由多股导线和连接器组成的网络,用于传输电力和信号。然而,由于工作环境的多样性以及长期使用引起的各种问题,工业线束受到损伤,其中腐蚀是一个常见的问题。
传统的线束质量检测方法通常依赖于人工检查,这不仅费时费力,而且无法发现微小的损伤。因此,引入视觉辅助和自动化技术成为解决这一问题的关键。
发明内容
本发明提供了一种视觉辅助下的工业线束质量检测方法,用于提高工业线束质量检测的准确率。
本发明第一方面提供了一种视觉辅助下的工业线束质量检测方法,所述视觉辅助下的工业线束质量检测方法包括:
基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;
分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;
对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
结合第一方面,在本发明第一方面的第一种实现方式中,所述基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像,包括:
获取待测试目标工业线束的工作电流范围,并对所述工作电流范围进行梯度划分,得到多个测试电流数据;
通过所述多个测试电流数据,分别对所述目标工业线束进行线束测试,并对所述目标工业线束进行测试图像采集,得到每个测试电流数据的初始线束图像;
分别对每个测试电流数据的初始线束图像进行图像降噪,得到每个测试电流数据的标准线束图像;
分别对每个测试电流数据的标准线束图像进行图像分辨率处理,得到每个测试电流数据的目标线束图像。
结合第一方面,在本发明第一方面的第二种实现方式中,所述分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果,包括:
分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型,所述腐蚀损伤检测模型包括:显著感知层、腐蚀损伤特征提取层以及结果输出层;
通过所述显著感知层分别对每个测试电流数据的目标线束图像进行线束区域显著感知,得到每个目标线束图像的显著感知参考权重;
根据所述显著感知参考权重,并通过所述腐蚀损伤特征提取层分别对每个测试电流数据的目标线束图像进行腐蚀损伤特征区域提取,得到每个目标线束图像的腐蚀损伤特征区域;
通过所述结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测,输出每个测试电流数据的腐蚀损伤检测结果,其中,所述腐蚀损伤检测结果为带有损伤信息的腐蚀损伤区域图像,所述损伤信息包括损伤位置和损伤程度。
结合第一方面,在本发明第一方面的第三种实现方式中,所述分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据,包括:
分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算,得到每个测试电流数据的损伤区域像素数量;
分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度,得到每个测试电流数据的线束损伤深度数据;
基于预置的形状描述符,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析,得到每个测试电流数据的线束损伤形状信息;
分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息提取,得到每个测试电流数据的损伤区域分布信息;
对所述损伤区域像素数量进行检测指标量化,得到第一量化指标数据,对所述线束损伤深度数据进行检测指标量化,得到第二量化指标数据,并对所述线束损伤形状信息进行检测指标量化,得到第三量化指标数据,以及对所述损伤区域分布信息进行检测指标量化,得到第四量化指标数据;
根据预置的指标权重数据,对所述第一量化指标数据、所述第二量化指标数据、所述第三量化指标数据以及所述第四量化指标数据进行检测指标加权融合,得到每个测试电流数据的腐蚀损伤指标数据。
结合第一方面,在本发明第一方面的第四种实现方式中,所述对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线,包括:
将所述多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据映射至预置的数据分布空间;
对所述数据分布空间进行线性关系分析,得到目标线性关系,并根据所述目标线性关系对所述多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到初始腐蚀损伤关系曲线;
对所述初始腐蚀损伤关系曲线进行曲线优化,得到电流腐蚀损伤关系曲线。
结合第一方面,在本发明第一方面的第五种实现方式中,所述对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量,包括:
对所述电流腐蚀损伤关系曲线进行曲线特征点提取,得到对应的多个候选曲线特征点;
对所述电流腐蚀损伤关系曲线进行均值和标准差计算,得到目标均值和目标标准差;
对所述多个候选曲线特征点和所述目标均值进行比较,得到每个候选曲线特征点的第一比较结果;
对所述多个候选曲线特征点和所述目标标准差进行比较,得到每个候选曲线特征点的第二比较结果;
根据所述第一比较结果以及所述第二比较结果对所述多个候选曲线特征点进行特征点筛选,得到多个损伤关系特征点;
对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量。
结合第一方面,在本发明第一方面的第六种实现方式中,所述将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据,包括:
将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型,其中,所述工业线束寿命预测模型包括双向门限循环单元、多个单向门限循环单元以及全连接层;
通过所述双向门限循环单元对所述目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量;
将所述第一隐藏关系特征向量分别输入所述多个单向门限循环单元进行高维特征提取,得到每个单向门限循环单元的第二隐藏关系特征向量;
对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合,得到目标融合关系特征向量;
将所述目标融合关系特征向量输入所述全连接层进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
本发明第二方面提供了一种视觉辅助下的工业线束质量检测装置,所述视觉辅助下的工业线束质量检测装置包括:
采集模块,用于基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
检测模块,用于分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;
分析模块,用于分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;
拟合模块,用于对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
映射模块,用于对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
预测模块,用于将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
本发明第三方面提供了一种视觉辅助下的工业线束质量检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述视觉辅助下的工业线束质量检测设备执行上述的视觉辅助下的工业线束质量检测方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的视觉辅助下的工业线束质量检测方法。
本发明提供的技术方案中,基于多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到目标线束图像;将目标线束图像输入腐蚀损伤检测模型进行腐蚀损伤检测,得到腐蚀损伤检测结果;对腐蚀损伤检测结果进行检测指标量化分析,得到腐蚀损伤指标数据;进行曲线拟合,得到电流腐蚀损伤关系曲线;进行特征提取,得到多个损伤关系特征点,并对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;将目标损伤关系特征向量输入工业线束寿命预测模型进行工业线束寿命预测,得到线束寿命预测数据,本发明采用多个测试电流数据和测试图像采集,确保对目标工业线束的全面覆盖。通过引入腐蚀损伤检测模型,可以准确地识别线束上的损伤位置和程度。使用显著感知和腐蚀损伤特征提取层,能够在图像中定位损伤并提取关键特征。对腐蚀损伤检测结果进行多方面的量化分析,包括像素数量计算、线束损伤深度计算和形状分析。这提供了更丰富的损伤信息,有助于全面评估线束的质量。通过曲线拟合,建立了电流和腐蚀损伤之间的关系曲线。这使得对电流和损伤关系的理解更为直观,有助于捕捉潜在的模式和趋势。特征提取和向量映射进一步提炼了损伤关系的关键特征,为后续的分析和预测提供了更有信息量的数据。通过输入目标损伤关系特征向量到工业线束寿命预测模型,能够精确地预测线束的寿命。这为及时的维护和替换提供了有针对性的信息,进而提高了工业线束质量检测的准确率。
附图说明
图1为本发明实施例中视觉辅助下的工业线束质量检测方法的一个实施例示意图;
图2为本发明实施例中腐蚀损伤检测的流程图;
图3为本发明实施例中检测指标量化分析的流程图;
图4为本发明实施例中曲线拟合的流程图;
图5为本发明实施例中视觉辅助下的工业线束质量检测装置的一个实施例示意图;
图6为本发明实施例中视觉辅助下的工业线束质量检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种视觉辅助下的工业线束质量检测方法,用于提高工业线束质量检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中视觉辅助下的工业线束质量检测方法的一个实施例包括:
S101、基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
可以理解的是,本发明的执行主体可以为视觉辅助下的工业线束质量检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,获取待测试目标工业线束的工作电流范围。因为不同的电流范围会导致线束的不同质量问题。工作电流范围的确定可以根据具体应用和需求来制定。根据工作电流范围进行梯度划分。将工作电流范围分成多个不同的电流区间,以便对每个区间进行单独的测试。这有助于更精细地检测线束在不同电流条件下的性能。以汽车线束为例,服务器将工作电流范围分成低速、高速、急停等不同区间。通过上述梯度划分,服务器得到了多个测试电流数据。每个测试电流数据对应一个特定的电流区间。服务器使用这些测试电流数据分别对目标工业线束进行线束测试。在每个电流区间内对线束进行测试,模拟不同工作条件下的性能。测试时,还需要进行测试图像的采集,以获取每个测试电流数据的初始线束图像。这些初始线束图像反映了线束在各个电流区间下的初始状态。针对每个测试电流数据的初始线束图像,需要进行图像降噪处理。这是为了减少图像中的噪声,以获得更清晰和可分析的图像。降噪方法可以采用各种图像处理技术,如中值滤波、高斯滤波等。通过降噪处理,服务器得到每个测试电流数据的标准线束图像,这些图像是经过清理和优化的,以便后续处理。对每个测试电流数据的标准线束图像进行图像分辨率处理。这一步骤有助于调整图像的分辨率,以满足后续的分析和检测需求。分辨率处理可以包括图像缩放、插值等技术,以确保图像具有适当的清晰度和细节。这一处理得到每个测试电流数据的目标线束图像,这些图像已经准备好用于进一步的分析。
S102、分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;
具体的,分别将每个测试电流数据的目标线束图像输入到预置的腐蚀损伤检测模型中。这个腐蚀损伤检测模型通常包括以下关键层次:显著感知层、腐蚀损伤特征提取层以及结果输出层。通过显著感知层,对每个测试电流数据的目标线束图像进行线束区域显著感知。这一步骤有助于模型识别图像中的主要线束区域,以便更集中地关注这些区域。显著感知参考权重用于确定图像中哪些部分是最值得关注的。这可以通过计算图像中各区域的显著性得分来实现。例如,如果在一个电力线束图像中,显著感知层会强调线束的核心区域,因为损伤通常发生在这些区域。基于显著感知参考权重,腐蚀损伤特征提取层用于从每个测试电流数据的目标线束图像中提取腐蚀损伤的特征区域。这一层的目标是确定潜在的腐蚀损伤区域,这些区域具有特定的纹理、形状或颜色特征。例如,在一个工业线束图像中,腐蚀损伤特征提取层会寻找异常的颜色变化或纹理不规则性,以标识潜在的腐蚀区域。通过结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测。这一层的目标是生成包含损伤信息的腐蚀损伤区域图像,其中包括损伤的位置和程度。这一步骤涉及图像分割、分类和程度评估技术。例如,对于一个目标线束图像,结果输出层可以生成一个标识出腐蚀损伤位置和程度的彩色图像,这有助于操作员或系统进一步的分析和决策。
S103、分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;
需要说明的是,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算。这一步骤旨在确定腐蚀损伤的像素数量,即腐蚀损伤区域的大小。这可以通过分析损伤检测结果中标识的腐蚀区域中的像素数量来实现。例如,如果腐蚀检测结果显示某个线束上有1000个受损像素,那么损伤区域像素数量就是1000。分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度分析。这一步骤旨在确定腐蚀的深度,即损伤从线束表面向内部的程度。深度可以通过分析损伤区域的像素亮度、颜色或其他特征来确定。例如,如果腐蚀损伤的深度为2毫米,那么线束损伤深度数据为2毫米。基于预置的形状描述符,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析。这一步骤旨在描述腐蚀损伤的形状,如是否呈圆形、椭圆形或不规则形状等。形状描述符可以是数学描述符,如椭圆度、矩形度等。例如,如果腐蚀损伤形状是不规则的,形状描述符将指示其为不规则形状。分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息提取。这一步骤有助于描述损伤在线束上的分布情况,如是否局部分布、均匀分布等。分布信息可以通过损伤区域的位置、密度和分布图生成。例如,如果损伤分布是局部集中的,分布信息将反映这一特点。对上述提取的信息进行检测指标量化。这包括将像素数量、线束损伤深度、形状信息和分布信息转化为数值指标。这可以采用不同的方法,例如归一化、标准化或采用特定的数学公式进行转换。这一步骤产生了第一量化指标数据、第二量化指标数据、第三量化指标数据和第四量化指标数据,分别对应损伤区域像素数量、线束损伤深度、损伤形状信息和损伤分布信息的数值表示。根据预置的指标权重数据,对这些量化指标数据进行检测指标加权融合。这是为了综合考虑不同指标的重要性,以获得最终的腐蚀损伤指标数据。权重数据可以根据特定应用和需求进行设置,以确保不同指标的贡献得到合理的考虑。这一步骤产生了每个测试电流数据的腐蚀损伤指标数据,该数据可以用于判定线束的质量和可维修性。
S104、对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
具体的,将多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据映射至预置的数据分布空间。这是为了将不同电流条件下的测试结果进行标准化,以便进行线性关系分析。映射可以采用各种方法,如归一化或标准化,以确保数据位于相似的尺度上。对映射后的数据分布空间进行线性关系分析。这一步骤的目标是找到电流与腐蚀损伤之间的线性关系。线性关系可以通过统计分析工具、回归分析等方法来确定。例如,线性关系表示为腐蚀损伤=m*电流+b,其中m和b是线性关系的斜率和截距。根据目标线性关系,对多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据进行曲线拟合。这一步骤旨在使用线性关系来拟合腐蚀损伤数据,以生成初始的腐蚀损伤关系曲线。拟合过程涉及数学优化技术,如最小二乘法,以最好地拟合数据点。对初始的腐蚀损伤关系曲线进行曲线优化。这一步骤有助于进一步改善曲线的拟合质量,使其更好地描述电流和腐蚀损伤之间的关系。优化可以包括平滑曲线、去除异常值或调整曲线参数,以使其更好地匹配数据。例如,假设服务器测试了不同电流条件下的10个工业线束,每个线束都有相应的腐蚀损伤指标数据。通过映射和线性关系分析,服务器找到了电流与腐蚀损伤之间的线性关系,表示为腐蚀损伤=0.2*电流+0.5。服务器使用这个线性关系对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合。这将产生初始的腐蚀损伤关系曲线,其中损伤随电流的变化是线性的。通过曲线优化,服务器调整曲线的参数,以更准确地反映实际数据的特点。
S105、对电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
具体的,对电流腐蚀损伤关系曲线进行曲线特征点提取。目的是从曲线中找到具有重要意义的数据点。曲线特征点可以包括曲线的最小值、最大值、拐点、斜率变化较大的点等。这些特征点反映了曲线的关键特性。对电流腐蚀损伤关系曲线进行均值和标准差计算。均值表示曲线的平均趋势,而标准差表示曲线的变化程度。这些统计数据有助于了解曲线的整体特征。将多个候选曲线特征点与目标均值进行比较,以获得每个候选曲线特征点的第一比较结果。这一步骤有助于确定哪些特征点与曲线的平均趋势相关,从而筛选出与电流和腐蚀损伤关系相关的特征点。同样,将多个候选曲线特征点与目标标准差进行比较,以获得每个候选曲线特征点的第二比较结果。这一步骤有助于确定哪些特征点反映了曲线的变化程度,从而筛选出与电流和腐蚀损伤关系相关的特征点。根据第一比较结果和第二比较结果对多个候选曲线特征点进行特征点筛选,得到多个损伤关系特征点。这些特征点反映了曲线中与电流和腐蚀损伤关系最为相关的数据点。这些特征点的选取可以根据应用的需求进行调整和优化。服务器将多个损伤关系特征点映射到一个向量空间中,以形成目标损伤关系特征向量。这可以通过简单地将这些特征点的数值数据组合成一个向量来实现。每个特征点对应向量中的一个维度,而特征点的数值数据成为该维度上的数值。这种映射可以使服务器更方便地使用数学工具和算法来分析和比较损伤关系特征。例如,假设在曲线上,服务器找到了几个候选特征点,包括最大值、最小值和一个拐点。服务器计算了曲线的均值和标准差。通过与均值和标准差的比较,服务器确定了最大值和拐点是与电流和腐蚀损伤关系相关的特征点。这些特征点可以映射到一个三维向量中,用于进一步的分析和建模,以预测线束的寿命和质量。
S106、将目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到目标工业线束的线束寿命预测数据。
具体的,将目标损伤关系特征向量输入预置的工业线束寿命预测模型。这个工业线束寿命预测模型通常基于深度学习技术,包括双向门限循环单元、多个单向门限循环单元以及全连接层。这些神经网络层可以协同工作,以从特征向量中提取信息并进行线束寿命的预测。通过双向门限循环单元对目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量。双向门限循环单元有助于捕获特征向量中的时序信息和关联性。这个第一隐藏关系特征向量将包含与目标工业线束的损伤关系相关的隐藏特征。将第一隐藏关系特征向量分别输入多个单向门限循环单元进行高维特征提取。每个单向门限循环单元将进一步提取和强化特征向量中的信息,以获得更加丰富的特征表示。每个单向门限循环单元的输出将是第二隐藏关系特征向量,它们分别对应于不同方面的特征提取。对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合,得到目标融合关系特征向量。向量融合可以采用各种方法,例如拼接、求和、平均值等,以将多个特征向量合并为一个单一的目标融合关系特征向量。这个向量将包含综合了不同方面特征的信息,以更好地描述工业线束的状态。将目标融合关系特征向量输入全连接层进行工业线束寿命预测。全连接层将利用整合的特征向量来预测线束的寿命。这个预测可以是一个数值,代表线束的寿命估计。这个值可以用于决策制定、维修计划和质量管理。例如,假设服务器已经提取了目标损伤关系特征向量,包括其与电流和腐蚀损伤之间的关系。通过输入这个特征向量到预置的工业线束寿命预测模型,服务器得到了线束寿命的预测数据,例如寿命估计为5000小时。这个数值可以帮助制定维修计划和决策,以确保工业线束的可靠性和寿命。
本发明实施例中,基于多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到目标线束图像;将目标线束图像输入腐蚀损伤检测模型进行腐蚀损伤检测,得到腐蚀损伤检测结果;对腐蚀损伤检测结果进行检测指标量化分析,得到腐蚀损伤指标数据;进行曲线拟合,得到电流腐蚀损伤关系曲线;进行特征提取,得到多个损伤关系特征点,并对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;将目标损伤关系特征向量输入工业线束寿命预测模型进行工业线束寿命预测,得到线束寿命预测数据,本发明采用多个测试电流数据和测试图像采集,确保对目标工业线束的全面覆盖。通过引入腐蚀损伤检测模型,可以准确地识别线束上的损伤位置和程度。使用显著感知和腐蚀损伤特征提取层,能够在图像中定位损伤并提取关键特征。对腐蚀损伤检测结果进行多方面的量化分析,包括像素数量计算、线束损伤深度计算和形状分析。这提供了更丰富的损伤信息,有助于全面评估线束的质量。通过曲线拟合,建立了电流和腐蚀损伤之间的关系曲线。这使得对电流和损伤关系的理解更为直观,有助于捕捉潜在的模式和趋势。特征提取和向量映射进一步提炼了损伤关系的关键特征,为后续的分析和预测提供了更有信息量的数据。通过输入目标损伤关系特征向量到工业线束寿命预测模型,能够精确地预测线束的寿命。这为及时的维护和替换提供了有针对性的信息,进而提高了工业线束质量检测的准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取待测试目标工业线束的工作电流范围,并对工作电流范围进行梯度划分,得到多个测试电流数据;
(2)通过多个测试电流数据,分别对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的初始线束图像;
(3)分别对每个测试电流数据的初始线束图像进行图像降噪,得到每个测试电流数据的标准线束图像;
(4)分别对每个测试电流数据的标准线束图像进行图像分辨率处理,得到每个测试电流数据的目标线束图像。
具体的,获取待测试目标工业线束的工作电流范围。因为不同电流条件下线束的性能和损伤情况会有所不同。电流范围通常是在工业设置中通过传感器或测量设备获得的。对工作电流范围进行梯度划分,以得到多个测试电流数据。梯度划分是将电流范围分成多个较小区间的过程,以便在每个区间内进行测试。这有助于捕获不同电流条件下的线束性能变化。例如,如果工作电流范围是100A到300A,可以将其分成多个区间,如100A-150A、150A-200A、200A-250A和250A-300A。通过多个测试电流数据,分别对目标工业线束进行线束测试。每个测试电流数据对应一个特定的电流范围。在每个电流范围内,对线束进行测试,检测线束的性能和潜在损伤。同时,对目标工业线束进行测试图像采集。这可以通过视觉传感器、摄像机或其他图像采集设备来完成。采集的图像将用于后续的分析和图像处理。分别对每个测试电流数据的初始线束图像进行图像降噪。图像降噪是一种处理图像的技术,旨在去除图像中的噪声和干扰,以获得更清晰的图像。这可以通过滤波、降采样等方法来实现,以减少图像中的视觉混淆。对每个测试电流数据的初始线束图像进行图像分辨率处理。这一步骤旨在调整图像的分辨率,以适应后续分析的需求。分辨率处理包括调整图像的大小、裁剪或插值等技术,以确保图像与后续的分析步骤兼容。经过这一系列处理步骤,服务器获得了多个测试电流数据的目标线束图像,这些图像已经去噪、处理过分辨率,准备好用于质量检测和进一步的分析。这些图像将作为输入数据,用于后续的损伤检测、特征提取和寿命预测等工业线束质量检测的步骤。
在一具体实施例中,如图2所示,执行步骤S102的过程可以具体包括如下步骤:
S201、分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型,腐蚀损伤检测模型包括:显著感知层、腐蚀损伤特征提取层以及结果输出层;
S202、通过显著感知层分别对每个测试电流数据的目标线束图像进行线束区域显著感知,得到每个目标线束图像的显著感知参考权重;
S203、根据显著感知参考权重,并通过腐蚀损伤特征提取层分别对每个测试电流数据的目标线束图像进行腐蚀损伤特征区域提取,得到每个目标线束图像的腐蚀损伤特征区域;
S204、通过结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测,输出每个测试电流数据的腐蚀损伤检测结果,其中,腐蚀损伤检测结果为带有损伤信息的腐蚀损伤区域图像,损伤信息包括损伤位置和损伤程度。
具体的,将每个测试电流数据的目标线束图像分别输入预置的腐蚀损伤检测模型。这个模型旨在检测线束图像中的腐蚀损伤,包括损伤的位置和程度。模型包括显著感知层、腐蚀损伤特征提取层和结果输出层。显著感知层用于对每个测试电流数据的目标线束图像进行线束区域显著感知。显著感知是一种图像处理技术,用于确定图像中哪些区域是最显著或引人注目的。这一步骤可以帮助模型聚焦于出现腐蚀损伤的区域。每个目标线束图像都会生成显著感知参考权重。基于显著感知参考权重,通过腐蚀损伤特征提取层对每个测试电流数据的目标线束图像进行腐蚀损伤特征区域提取。这一步骤旨在从显著感知的区域中提取腐蚀损伤相关的特征。腐蚀损伤特征可以包括纹理、颜色变化和边缘信息等。这些特征用于进一步的损伤检测。通过结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测,并输出腐蚀损伤检测结果。这个结果是一个图像,其中包含了损伤的位置和程度信息。损伤位置可以在图像上用边界框或标记来表示,而损伤程度可以通过颜色、灰度或其他指标来表示。
在一具体实施例中,如图3所示,执行步骤S103的过程可以具体包括如下步骤:
S301、分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算,得到每个测试电流数据的损伤区域像素数量;
S302、分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度,得到每个测试电流数据的线束损伤深度数据;
S303、基于预置的形状描述符,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析,得到每个测试电流数据的线束损伤形状信息;
S304、分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息提取,得到每个测试电流数据的损伤区域分布信息;
S305、对损伤区域像素数量进行检测指标量化,得到第一量化指标数据,对线束损伤深度数据进行检测指标量化,得到第二量化指标数据,并对线束损伤形状信息进行检测指标量化,得到第三量化指标数据,以及对损伤区域分布信息进行检测指标量化,得到第四量化指标数据;
S306、根据预置的指标权重数据,对第一量化指标数据、第二量化指标数据、第三量化指标数据以及第四量化指标数据进行检测指标加权融合,得到每个测试电流数据的腐蚀损伤指标数据。
具体的,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算。识别和计算图像中腐蚀损伤区域的像素数量。这可以通过分割腐蚀损伤区域,并计算像素的数量来实现。损伤区域的像素数量是一个重要的量化指标,可用于评估损伤的严重程度。分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度的计算。这需要分析损伤区域的深度,以确定损伤的程度。线束损伤深度通常可以通过测量损伤区域与线束表面的距离来计算。这个指标有助于了解损伤对线束的影响程度。基于预置的形状描述符,对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析。对损伤区域的形状进行详细分析,以获得有关损伤的形状信息。形状描述符可以包括面积、周长、轮廓等。这些信息有助于理解损伤的形状特征。分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息的提取。这一步骤旨在确定损伤在线束上的分布情况。损伤分布在不同的位置和区域,因此了解损伤的分布信息对进一步的评估和修复决策至关重要。将损伤区域像素数量、线束损伤深度、损伤形状信息和损伤区域分布信息进行检测指标量化。这将产生第一量化指标数据、第二量化指标数据、第三量化指标数据和第四量化指标数据。这些指标是损伤特性的量化表示,有助于进一步的分析和比较。根据预置的指标权重数据,将第一量化指标数据、第二量化指标数据、第三量化指标数据和第四量化指标数据进行检测指标加权融合。这将产生每个测试电流数据的腐蚀损伤指标数据,综合了损伤区域像素数量、线束损伤深度、损伤形状和分布信息。这些指标可用于确定线束的损伤程度,支持维修决策和预测线束的寿命。
在一具体实施例中,如图4所示,执行步骤S104的过程可以具体包括如下步骤:
S401、将多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据映射至预置的数据分布空间;
S402、对数据分布空间进行线性关系分析,得到目标线性关系,并根据目标线性关系对多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到初始腐蚀损伤关系曲线;
S403、对初始腐蚀损伤关系曲线进行曲线优化,得到电流腐蚀损伤关系曲线。
具体的,将多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据映射至预置的数据分布空间。这一步骤旨在将数据投射到一个共同的空间,以便进行后续的分析。数据分布空间可以是多维空间,其中每个维度代表一个特定的数据特征。这有助于将不同测试条件下的数据进行比较和分析。对数据分布空间进行线性关系分析。通过统计分析和数据挖掘技术,寻找不同测试条件下腐蚀损伤指标数据之间的线性关系。线性关系可以帮助服务器理解不同因素对腐蚀损伤的影响,并提供基础知识来建立腐蚀损伤关系曲线。基于线性关系的分析结果,可以得到目标线性关系。这个目标线性关系反映了腐蚀损伤指标数据随测试电流数据变化的趋势。这是建立腐蚀损伤关系曲线的关键基础。根据目标线性关系对多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据进行曲线拟合。曲线拟合是一种数学技术,用于找到最适合数据的曲线模型。曲线模型将用于描述腐蚀损伤指标数据的变化趋势。这可以是线性、多项式或其他类型的函数。对初始腐蚀损伤关系曲线进行曲线优化。曲线优化是一个迭代过程,通过调整曲线参数,使其更好地拟合腐蚀损伤指标数据。这可以通过最小二乘法或其他优化技术来实现。得到的电流腐蚀损伤关系曲线将更准确地反映测试电流和腐蚀损伤之间的关系。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)对电流腐蚀损伤关系曲线进行曲线特征点提取,得到对应的多个候选曲线特征点;
(2)对电流腐蚀损伤关系曲线进行均值和标准差计算,得到目标均值和目标标准差;
(3)对多个候选曲线特征点和目标均值进行比较,得到每个候选曲线特征点的第一比较结果;
(4)对多个候选曲线特征点和目标标准差进行比较,得到每个候选曲线特征点的第二比较结果;
(5)根据第一比较结果以及第二比较结果对多个候选曲线特征点进行特征点筛选,得到多个损伤关系特征点;
(6)对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量。
具体的,对电流腐蚀损伤关系曲线进行曲线特征点提取。从曲线中找到那些在损伤信息变化方面具有显著意义的点。这些点可以代表损伤的特定特征,如损伤开始、损伤加速阶段或损伤稳定阶段。对电流腐蚀损伤关系曲线进行均值和标准差计算。均值代表了曲线的平均趋势,而标准差反映了数据点分布的离散程度。这些统计量有助于理解曲线的整体特征。对多个候选曲线特征点和目标均值进行比较。这比较有助于确定哪些特征点与整体曲线的平均趋势一致。这些一致的特征点代表了曲线中的重要变化。同样,对多个候选曲线特征点和目标标准差进行比较。这有助于确定哪些特征点与曲线的离散程度相关。离散程度与损伤的变化有关。根据第一比较结果和第二比较结果,可以对多个候选曲线特征点进行特征点筛选。在这一步骤中,服务器筛选出那些与曲线整体特性相关且在损伤变化中具有显著意义的特征点。对多个损伤关系特征点进行向量映射。这一步骤旨在将这些特征点表示为一个向量,以便后续的分析和使用。这个向量可以包含特征点的坐标、斜率、曲率或其他相关特性,以完整地描述损伤关系特征。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将目标损伤关系特征向量输入预置的工业线束寿命预测模型,其中,工业线束寿命预测模型包括双向门限循环单元、多个单向门限循环单元以及全连接层;
(2)通过双向门限循环单元对目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量;
(3)将第一隐藏关系特征向量分别输入多个单向门限循环单元进行高维特征提取,得到每个单向门限循环单元的第二隐藏关系特征向量;
(4)对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合,得到目标融合关系特征向量;
(5)将目标融合关系特征向量输入全连接层进行工业线束寿命预测,得到目标工业线束的线束寿命预测数据。
具体的,服务器将目标损伤关系特征向量输入工业线束寿命预测模型。这个模型通常是一个深度学习模型,包括双向门限循环单元、多个单向门限循环单元以及全连接层。这些层级的结合允许模型从输入的损伤关系特征中提取有关线束寿命的信息。通过双向门限循环单元对目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量。这一步骤有助于模型捕获特征向量中的时间相关性和序列信息。将第一隐藏关系特征向量分别输入多个单向门限循环单元。每个单向门限循环单元都可以视作一个特征提取器,用于捕获不同级别的特征。每个单向门限循环单元都生成第二隐藏关系特征向量。对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合。将多个隐藏特征向量合并成一个更全面的融合关系特征向量。这有助于综合考虑不同层次的特征。将融合关系特征向量输入全连接层进行工业线束寿命预测。全连接层用于建立从特征向量到线束寿命的映射。模型的输出是目标工业线束的线束寿命预测数据,这提供了有关线束寿命的估计。
上面对本发明实施例中视觉辅助下的工业线束质量检测方法进行了描述,下面对本发明实施例中视觉辅助下的工业线束质量检测装置进行描述,请参阅图5,本发明实施例中视觉辅助下的工业线束质量检测装置一个实施例包括:
采集模块501,用于基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
检测模块502,用于分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;
分析模块503,用于分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;
拟合模块504,用于对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
映射模块505,用于对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
预测模块506,用于将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
通过上述各个组成部分的协同合作,基于多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到目标线束图像;将目标线束图像输入腐蚀损伤检测模型进行腐蚀损伤检测,得到腐蚀损伤检测结果;对腐蚀损伤检测结果进行检测指标量化分析,得到腐蚀损伤指标数据;进行曲线拟合,得到电流腐蚀损伤关系曲线;进行特征提取,得到多个损伤关系特征点,并对多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;将目标损伤关系特征向量输入工业线束寿命预测模型进行工业线束寿命预测,得到线束寿命预测数据,本发明采用多个测试电流数据和测试图像采集,确保对目标工业线束的全面覆盖。通过引入腐蚀损伤检测模型,可以准确地识别线束上的损伤位置和程度。使用显著感知和腐蚀损伤特征提取层,能够在图像中定位损伤并提取关键特征。对腐蚀损伤检测结果进行多方面的量化分析,包括像素数量计算、线束损伤深度计算和形状分析。这提供了更丰富的损伤信息,有助于全面评估线束的质量。通过曲线拟合,建立了电流和腐蚀损伤之间的关系曲线。这使得对电流和损伤关系的理解更为直观,有助于捕捉潜在的模式和趋势。特征提取和向量映射进一步提炼了损伤关系的关键特征,为后续的分析和预测提供了更有信息量的数据。通过输入目标损伤关系特征向量到工业线束寿命预测模型,能够精确地预测线束的寿命。这为及时的维护和替换提供了有针对性的信息,进而提高了工业线束质量检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的视觉辅助下的工业线束质量检测装置进行详细描述,下面从硬件处理的角度对本发明实施例中视觉辅助下的工业线束质量检测设备进行详细描述。
图6是本发明实施例提供的一种视觉辅助下的工业线束质量检测设备的结构示意图,该视觉辅助下的工业线束质量检测设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对视觉辅助下的工业线束质量检测设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在视觉辅助下的工业线束质量检测设备600上执行存储介质630中的一系列指令操作。
视觉辅助下的工业线束质量检测设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的视觉辅助下的工业线束质量检测设备结构并不构成对视觉辅助下的工业线束质量检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种视觉辅助下的工业线束质量检测设备,所述视觉辅助下的工业线束质量检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述视觉辅助下的工业线束质量检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述视觉辅助下的工业线束质量检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种视觉辅助下的工业线束质量检测方法,其特征在于,所述视觉辅助下的工业线束质量检测方法包括:
基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;具体包括:分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型,所述腐蚀损伤检测模型包括:显著感知层、腐蚀损伤特征提取层以及结果输出层;通过所述显著感知层分别对每个测试电流数据的目标线束图像进行线束区域显著感知,得到每个目标线束图像的显著感知参考权重;根据所述显著感知参考权重,并通过所述腐蚀损伤特征提取层分别对每个测试电流数据的目标线束图像进行腐蚀损伤特征区域提取,得到每个目标线束图像的腐蚀损伤特征区域;通过所述结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测,输出每个测试电流数据的腐蚀损伤检测结果,其中,所述腐蚀损伤检测结果为带有损伤信息的腐蚀损伤区域图像,所述损伤信息包括损伤位置和损伤程度;
分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;具体包括:分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算,得到每个测试电流数据的损伤区域像素数量;分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度,得到每个测试电流数据的线束损伤深度数据;基于预置的形状描述符,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析,得到每个测试电流数据的线束损伤形状信息;分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息提取,得到每个测试电流数据的损伤区域分布信息;对所述损伤区域像素数量进行检测指标量化,得到第一量化指标数据,对所述线束损伤深度数据进行检测指标量化,得到第二量化指标数据,并对所述线束损伤形状信息进行检测指标量化,得到第三量化指标数据,以及对所述损伤区域分布信息进行检测指标量化,得到第四量化指标数据;根据预置的指标权重数据,对所述第一量化指标数据、所述第二量化指标数据、所述第三量化指标数据以及所述第四量化指标数据进行检测指标加权融合,得到每个测试电流数据的腐蚀损伤指标数据;
对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;具体包括:对所述电流腐蚀损伤关系曲线进行曲线特征点提取,得到对应的多个候选曲线特征点;对所述电流腐蚀损伤关系曲线进行均值和标准差计算,得到目标均值和目标标准差;对所述多个候选曲线特征点和所述目标均值进行比较,得到每个候选曲线特征点的第一比较结果;对所述多个候选曲线特征点和所述目标标准差进行比较,得到每个候选曲线特征点的第二比较结果;根据所述第一比较结果以及所述第二比较结果对所述多个候选曲线特征点进行特征点筛选,得到多个损伤关系特征点;对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据;具体包括:将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型,其中,所述工业线束寿命预测模型包括双向门限循环单元、多个单向门限循环单元以及全连接层;通过所述双向门限循环单元对所述目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量;将所述第一隐藏关系特征向量分别输入所述多个单向门限循环单元进行高维特征提取,得到每个单向门限循环单元的第二隐藏关系特征向量;对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合,得到目标融合关系特征向量;将所述目标融合关系特征向量输入所述全连接层进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
2.根据权利要求1所述的视觉辅助下的工业线束质量检测方法,其特征在于,所述基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像,包括:
获取待测试目标工业线束的工作电流范围,并对所述工作电流范围进行梯度划分,得到多个测试电流数据;
通过所述多个测试电流数据,分别对所述目标工业线束进行线束测试,并对所述目标工业线束进行测试图像采集,得到每个测试电流数据的初始线束图像;
分别对每个测试电流数据的初始线束图像进行图像降噪,得到每个测试电流数据的标准线束图像;
分别对每个测试电流数据的标准线束图像进行图像分辨率处理,得到每个测试电流数据的目标线束图像。
3.根据权利要求1所述的视觉辅助下的工业线束质量检测方法,其特征在于,所述对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线,包括:
将所述多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据映射至预置的数据分布空间;
对所述数据分布空间进行线性关系分析,得到目标线性关系,并根据所述目标线性关系对所述多个测试电流数据以及每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到初始腐蚀损伤关系曲线;
对所述初始腐蚀损伤关系曲线进行曲线优化,得到电流腐蚀损伤关系曲线。
4.一种视觉辅助下的工业线束质量检测装置,其特征在于,所述视觉辅助下的工业线束质量检测装置包括:
采集模块,用于基于预设的多个测试电流数据对目标工业线束进行线束测试,并对目标工业线束进行测试图像采集,得到每个测试电流数据的目标线束图像;
检测模块,用于分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型进行腐蚀损伤检测,得到每个测试电流数据的腐蚀损伤检测结果;具体包括:分别将每个测试电流数据的目标线束图像输入预置的腐蚀损伤检测模型,所述腐蚀损伤检测模型包括:显著感知层、腐蚀损伤特征提取层以及结果输出层;通过所述显著感知层分别对每个测试电流数据的目标线束图像进行线束区域显著感知,得到每个目标线束图像的显著感知参考权重;根据所述显著感知参考权重,并通过所述腐蚀损伤特征提取层分别对每个测试电流数据的目标线束图像进行腐蚀损伤特征区域提取,得到每个目标线束图像的腐蚀损伤特征区域;通过所述结果输出层,对每个目标线束图像的腐蚀损伤特征区域进行损伤检测,输出每个测试电流数据的腐蚀损伤检测结果,其中,所述腐蚀损伤检测结果为带有损伤信息的腐蚀损伤区域图像,所述损伤信息包括损伤位置和损伤程度;
分析模块,用于分别对每个测试电流数据的腐蚀损伤检测结果进行检测指标量化分析,得到每个测试电流数据的腐蚀损伤指标数据;具体包括:分别对每个测试电流数据的腐蚀损伤检测结果进行损伤区域像素数量计算,得到每个测试电流数据的损伤区域像素数量;分别对每个测试电流数据的腐蚀损伤检测结果进行线束损伤深度,得到每个测试电流数据的线束损伤深度数据;基于预置的形状描述符,分别对每个测试电流数据的腐蚀损伤检测结果进行损伤形状分析,得到每个测试电流数据的线束损伤形状信息;分别对每个测试电流数据的腐蚀损伤检测结果进行损伤分布信息提取,得到每个测试电流数据的损伤区域分布信息;对所述损伤区域像素数量进行检测指标量化,得到第一量化指标数据,对所述线束损伤深度数据进行检测指标量化,得到第二量化指标数据,并对所述线束损伤形状信息进行检测指标量化,得到第三量化指标数据,以及对所述损伤区域分布信息进行检测指标量化,得到第四量化指标数据;根据预置的指标权重数据,对所述第一量化指标数据、所述第二量化指标数据、所述第三量化指标数据以及所述第四量化指标数据进行检测指标加权融合,得到每个测试电流数据的腐蚀损伤指标数据;
拟合模块,用于对每个测试电流数据的腐蚀损伤指标数据进行曲线拟合,得到电流腐蚀损伤关系曲线;
映射模块,用于对所述电流腐蚀损伤关系曲线进行特征提取,得到多个损伤关系特征点,并对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;具体包括:对所述电流腐蚀损伤关系曲线进行曲线特征点提取,得到对应的多个候选曲线特征点;对所述电流腐蚀损伤关系曲线进行均值和标准差计算,得到目标均值和目标标准差;对所述多个候选曲线特征点和所述目标均值进行比较,得到每个候选曲线特征点的第一比较结果;对所述多个候选曲线特征点和所述目标标准差进行比较,得到每个候选曲线特征点的第二比较结果;根据所述第一比较结果以及所述第二比较结果对所述多个候选曲线特征点进行特征点筛选,得到多个损伤关系特征点;对所述多个损伤关系特征点进行向量映射,得到目标损伤关系特征向量;
预测模块,用于将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据;具体包括:将所述目标损伤关系特征向量输入预置的工业线束寿命预测模型,其中,所述工业线束寿命预测模型包括双向门限循环单元、多个单向门限循环单元以及全连接层;通过所述双向门限循环单元对所述目标损伤关系特征向量进行隐藏特征提取,得到第一隐藏关系特征向量;将所述第一隐藏关系特征向量分别输入所述多个单向门限循环单元进行高维特征提取,得到每个单向门限循环单元的第二隐藏关系特征向量;对每个单向门限循环单元的第二隐藏关系特征向量进行向量融合,得到目标融合关系特征向量;将所述目标融合关系特征向量输入所述全连接层进行工业线束寿命预测,得到所述目标工业线束的线束寿命预测数据。
5.一种视觉辅助下的工业线束质量检测设备,其特征在于,所述视觉辅助下的工业线束质量检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述视觉辅助下的工业线束质量检测设备执行如权利要求1-3中任一项所述的视觉辅助下的工业线束质量检测方法。
6.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-3中任一项所述的视觉辅助下的工业线束质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452065.5A CN117169286B (zh) | 2023-11-03 | 2023-11-03 | 一种视觉辅助下的工业线束质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311452065.5A CN117169286B (zh) | 2023-11-03 | 2023-11-03 | 一种视觉辅助下的工业线束质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117169286A CN117169286A (zh) | 2023-12-05 |
CN117169286B true CN117169286B (zh) | 2024-01-12 |
Family
ID=88937998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311452065.5A Active CN117169286B (zh) | 2023-11-03 | 2023-11-03 | 一种视觉辅助下的工业线束质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169286B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202330355U (zh) * | 2011-11-16 | 2012-07-11 | 深圳市润渤船舶与石油工程技术有限公司 | 系泊钢缆无损检测装置 |
WO2021224893A1 (en) * | 2020-05-08 | 2021-11-11 | Sun Chi Chun | Systems and methods for artificial intelligence powered inspections and predictive analyses |
KR102567163B1 (ko) * | 2022-06-27 | 2023-08-16 | (재) 한국건설품질연구원 | 촬영 장치 운용, 구조물 손상 분석 및 평가 시스템 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12021726B2 (en) * | 2021-07-15 | 2024-06-25 | Level 3 Communications, Llc | Systems and methods for identifying defects in local loops |
-
2023
- 2023-11-03 CN CN202311452065.5A patent/CN117169286B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202330355U (zh) * | 2011-11-16 | 2012-07-11 | 深圳市润渤船舶与石油工程技术有限公司 | 系泊钢缆无损检测装置 |
WO2021224893A1 (en) * | 2020-05-08 | 2021-11-11 | Sun Chi Chun | Systems and methods for artificial intelligence powered inspections and predictive analyses |
KR102567163B1 (ko) * | 2022-06-27 | 2023-08-16 | (재) 한국건설품질연구원 | 촬영 장치 운용, 구조물 손상 분석 및 평가 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN117169286A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549522B (zh) | 基于目标检测的纺织品质量检测方法 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
Buza et al. | Pothole detection with image processing and spectral clustering | |
JP6870346B2 (ja) | データ分析システム、データ分析方法およびプログラム | |
EP3220353A1 (en) | Image processing apparatus, image processing method, and recording medium | |
CN115982602B (zh) | 一种光伏变压器电故障检测方法 | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
CN116453438B (zh) | 一种显示屏参数检测方法、装置、设备及存储介质 | |
CN115828170B (zh) | 一种基于掘进机电控数据的故障检测方法 | |
CN117271683A (zh) | 一种测绘数据的智能分析评价方法 | |
CN116664551B (zh) | 基于机器视觉的显示屏检测方法、装置、设备及存储介质 | |
CN116704733A (zh) | 铝合金电缆的老化预警方法和系统 | |
CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN117169286B (zh) | 一种视觉辅助下的工业线束质量检测方法 | |
CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
JP7239824B2 (ja) | 画像検査システム、画像検査装置及び画像検査プログラム | |
CN116754467B (zh) | 一种天然橡胶老化性能的测评方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
Wodecki et al. | Condition monitoring of loading-haulage-dumping machines based on long-term analysis of temperature data | |
CN117593301B (zh) | 基于机器视觉的内存条损伤快速检测方法及系统 | |
CN117745730B (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法及系统 | |
CN115496931B (zh) | 一种工业机器人健康监测方法及系统 |
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 |