CN117522855A - 基于图像的设备故障诊断方法、装置、电子设备和存储介质 - Google Patents
基于图像的设备故障诊断方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117522855A CN117522855A CN202311657732.3A CN202311657732A CN117522855A CN 117522855 A CN117522855 A CN 117522855A CN 202311657732 A CN202311657732 A CN 202311657732A CN 117522855 A CN117522855 A CN 117522855A
- Authority
- CN
- China
- Prior art keywords
- pixel
- pixels
- neighborhood
- image
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 230000002093 peripheral effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 208000037408 Device failure Diseases 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 abstract description 21
- 239000008280 blood Substances 0.000 abstract description 21
- 210000004369 blood Anatomy 0.000 abstract description 21
- 239000008103 glucose Substances 0.000 abstract description 21
- 238000012360 testing method Methods 0.000 abstract description 20
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理与故障诊断技术领域，公开了基于图像的设备故障诊断方法、装置、电子设备和存储介质，该方法包括：获取设备的原始图像；对原始图像进行增强处理，获得增强图像；采用特征采样矩阵对增强图像进行特征提取，获得初始特征像素；根据初始特征像素和初始特征像素对应的第一邻域像素，确定故障特征像素；根据故障特征像素确定原始图像中的设备故障位置。本公开基于图像的设备故障诊断方法减少了设备故障诊断流程的繁琐性，提高了血糖试纸生产设备故障诊断的效率性和准确性。
Description
技术领域
本公开涉及图像数据处理与故障诊断技术领域，尤其涉及基于图像的设备故障诊断方法、装置、电子设备和存储介质。
背景技术
随着医疗技术的发展，血糖检测在糖尿病患者的日常生活中变得越来越重要。血糖试纸是进行血糖检测的重要工具，其准确性和稳定性对产品质量具有至关重要的影响。然而，血糖试纸的生产设备会存在长时间运行会导致磨损和老化等问题。这些问题会导致血糖试纸生产设备出现各种故障，因此及时准确地分析这些故障对血糖试纸生产设备的维护和修复非常重要。传统的故障分析方法主要是通过人工观察和经验判断来实现，但这种方法存在主观性强和效率低下的问题。即便工作人员用肉眼观察设备运行情况，也难以根据经验快速判断设备是否存在故障。由于人的主观因素和经验水平的不同，常常会导致故障分析的不准确和耗时。此外，传统的故障分析方法还存在着对设备实时监测和故障诊断流程繁琐等问题。因此，本发明提出了一种基于图像的设备故障诊断方法。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种基于图像的设备故障诊断方法、装置、电子设备和存储介质，提高了血糖试纸生产设备故障诊断的效率性和准确性。
第一方面，本公开实施例提供了一种基于图像的设备故障诊断方法，该方法包括：
获取设备的原始图像；
对所述原始图像进行增强处理，获得增强图像；
采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；
根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；
根据所述故障特征像素确定所述原始图像中的设备故障位置。
第二方面，本公开实施例还提供了一种基于图像的设备故障诊断装置，该装置包括：
原始图像获取模块，用于获取设备的原始图像；
增强图像获取模块，用于对所述原始图像进行增强处理，获得增强图像；
初始特征像素获取模块，用于采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；
故障特征像素获取模块，用于根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；
故障位置获取模块，用于根据所述故障特征像素确定所述原始图像中的设备故障位置；
第三方面，本公开实施例还提供了一种电子设备，所述电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于图像的设备故障诊断方法。
第四方面，本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于图像的设备故障诊断方法。
本公开实施例提供的一种基于图像的设备故障诊断方法，通过获取血糖试纸生产设备的原始图像；对原始图像进行增强处理，获得增强图像；采用特征采样矩阵对增强图像进行特征提取，获得初始特征像素；根据初始特征像素和初始特征像素对应的第一邻域像素，确定故障特征像素；根据故障特征像素确定原始图像中的设备故障位置。本发明通过利用原始图像进行故障诊断，减少了传统设备人工故障诊断流程的繁琐度，并通过对原始图像进行增强以及特征提取等操作，提高了血糖试纸生产设备故障诊断的效率性和准确性。进而，提高了糖试纸生产设备的生产效率和生产品质。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例中的一种基于图像的设备故障诊断方法的流程图；
图2为本公开实施例中的一种目标像素与第二邻域像素位置关系的结构示意图；
图3为本公开实施例中的一种基于图像的设备故障诊断装置的结构示意图；
图4为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
针对上述问题，本公开实施例提供了一种基于图像的设备故障诊断方法，通过利用原始图像进行故障诊断，减少了传统设备人工故障诊断流程的繁琐度，并通过对原始图像进行增强以及特征提取等操作，提高了血糖试纸生产设备故障诊断的效率性和准确性。
图1为本公开实施例中的一种基于图像的设备故障诊断方法的流程图。该方法可以由基于图像的设备故障诊断装置执行，该装置可以采用软件和/或硬件的方式实现，该装置可配置于电子设备中。如图1所示，该方法具体可以包括如下步骤：
S110、获取设备的原始图像。
可以理解的是，设备可以是血糖试纸生产设备，原始图像为各类型传感器采集血糖试纸生产设备的图像。图像传感器包括手机、摄像机或者高分辨率的图像传感器等；需要说明的是，获取的原始图像是清晰、高质量的图像。
S120、对所述原始图像进行增强处理，获得增强图像。
具体的，将原始图像利用增强算法、图像的像素梯度以及增强权重可以对像素进行增强，以获得高质量和清晰度的图像。其中，增强图像可以使图像的细节更加清晰可见，方便观察故障像素。
在一实施例中，对原始图像进行增强处理，获得增强图像，包括：
根据所述原始图像的目标像素和所述目标像素对应的第二邻域像素，确定增强权重；
根据所述增强权重和所述目标像素，确定增强图像。
具体的，将构成原始图像的每个像素作为目标像素，将目标像素最邻近的像素作
为第二邻域像素，参考图2所示，目标像素为中心，与目标像素对应的第二邻域像素有
4个，分别是第二邻域像素，第二邻域像素，第二邻域像素和第二
邻域像素。之后再利用目标像素与各第二邻域像素确定像素权重。
在一实施例中，所述根据原始图像的目标像素和目标像素对应的第二邻域像素，确定增强权重，包括：
根据所述目标像素、所述第二邻域像素的梯度、边缘图像处理算子和所述原始图像的长宽,确定增强权重。
可以理解的，第二邻域像素的梯度可以分为方向的第二邻域像素的梯度和方
向的第二邻域像素的梯度，边缘图像处理算子可以是算法，也可以是算法。之
后利用目标像素、方向的第二邻域像素的梯度、方向的第二邻域像素的梯度、算法和原始图像的长和宽,计算增强权重，增强权重可以用表示，其增强权重的表达式为：
；
其中，为增强权重，为目标像素，为边缘图像处理算子，和分别
是原始图像的长和宽，和分别是和方向的第二邻域像素的梯度，为惩罚因子。
需要说明的是，当目标像素位于中心时，有4个第二邻域像素；当目标像素位于边
界时，可能存在2或3个第二邻域像素，目标像素的对应的第二邻域像素较少，因此，为了平
衡增强权重，需要利用原始图像的长和宽和惩罚因子对增强权重进行调节，其惩罚因
子为预先确定的已知量。
在一实施例中，所述根据所述增强权重和所述目标像素，确定增强图像，包括：
根据所述目标像素与所述第二邻域像素，确定像素方差；
根据所述目标像素和像素步长，确定周边像素；
根据所述目标像素和所述周边像素确定像素灰度差异；
根据所述目标像素、所述像素方差、所述增强权重、邻域像素灰度等级和所述像素灰度差异确定增强像素；
根据所述增强像素确定增强图像。
具体的，在上述实施例的基础上，参考图2所示，当目标像素对应的第二邻域
像素有4个，分别是第二邻域像素，第二邻域像素，第二邻域像素
和第二邻域像素。之后分别计算目标像素与各第二邻域像素之间的像素差，分别
获得像素差异、像素差异、像素差异和像素差异，再计
算目标像素和各像素差异的平均值，获得像素均值，像素均值可以用表示，其像素均
值的表达式为：；在得到像素
均值后，计算目标像素和各像素差异与像素均值之间的方差，得到像素方差，像素方差可以
用表示，
其像素方差的表达式为：
。
像素步长可以分为方向像素步长和方向像素步长,如图2所示，以目标像素为起
点,取方向像素步长和方向像素步长，确定周边像素，周边像素可以用表
示。目标像素与周边像素之间的像素灰度绝对差为像素灰度差异，像素
灰度差异可以用表示；邻域像素灰度等级为各第二邻域像素的像素灰
度的平均值所对应的像素灰度等级，可以用表示；之后利用目标像素像素方差
、像素灰度差异、邻域像素灰度等级和增强权重确定增强像素，
增强像素可以用表示，其增强像素的表达式为：
；
其中，为增强像素，为目标像素，为像素方差,为邻域像素灰度等
级，为增强权重，为缩放因子，为周边像素，为方向像素步长,为方
向像素步长，为像素灰度差异。
在得到增强像素后，将与原始图像的目标像素对应的增强像素构成增强图像。
需要说明的是，当目标像素对应的第二邻域像素不足4个时，也是参照上述公式计算增强像素，在此不进行赘述。
本实施例通过目标像素和第二邻域像素确定像素方差，进一步利用目标像素、像素方差、增强权重、邻域像素灰度等级和像素灰度差异确定增强像素，进而得到增强图像，其增强图像能够提高原始图像的质量，使得血糖试纸生产设备的图像更加清晰可见，有助于提高产品的检测准确性和可靠性。
S130、采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素。
具体的，特征采用矩阵是根据故障特征的规律和图像特性预先设置的，可以用表示；初始特征像素是与增强图像中增强像素所对应的像素，可以用表示。
在一实施例中，根据所述目标像素、所述增强图像中的所述增强像素、所述第二邻域像素的梯度以及特征采样矩阵，确定初始特征像素；
可以理解的，在上述实施例的基础上，可以利用目标像素、方向的第二邻域
像素的梯度、方向的第二邻域像素的梯度、增强像素以及特征采样矩阵，确定
初始特征像素，其初始特征像素的表达式为：
+；
其中，初始特征像素，*为矩阵乘法,为特征采样矩阵，为增
强像素，为目标像素，和分别是第二邻域像素在和方向的梯度，为增强像素的补偿系数，和分别为方向的梯度变化系数和方向的梯度变化系数。
S140、根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素。
具体的，第一邻域像素与第二邻域像素的确定方式一样，第一邻域像素是与初始特征像素最邻近的像素。之后根据初始特征像素和第一邻域像素确定故障特征像素，包括：
根据所述初始特征像素和所述第一邻域像素，确定邻域均值；
根据所述初始特征像素、所述第一邻域像素和所述邻域均值，确定邻域方差；
当所述初始特征像素与所述第一邻域像素的均值的绝对差大于所述邻域方差以及预设阈值的积时，将所述初始特征像素确定故障特征像素。
可以理解的，预设阈值是根据实际需求预先设置好的数值，例如可以取值为2，也
可以根据实际情况选取其他值，比如，3或5等。在上述实施例的基础上，初始特性像素可以
与目标像素相对应，初始特征像素也存在4个最近邻的第一邻域像素，4个最近邻的第
一邻域像素分别表示为第一邻域像素、第一邻域像素、第一邻域像素和第一邻域像素，计算初始特征像素与各第一邻域像素之间的特征
差，分别得到像素特征差异、像素特征差异、像素特征差异、像素
特征差异，再计算各像素特征差异的平均值作为邻域均值，邻域均值可以用
表示，其中邻域均值的表达式为:。在
得到邻域均值后，通过计算各像素特征差异与邻域均值之间的方差，得到邻域方差，邻域方
差可以用表示，其邻域方差表达式为：
，之
后利用初始特征像素、邻域方差、邻域均值以及预设阈值通过公式计算确定故障特征像素，
其故障特征像素的表达式为：
；
其中，为初始特征像素，为设定的阈值，为邻域均值，为邻域方
差。
当初始特征像素与邻域均值的绝对差大于邻域方差以及预设阈值的积时，将初始特征像素确定故障特征像素。
S150、根据所述故障特征像素确定所述原始图像中的设备故障位置。
可以理解的是，在得到故障特征像素后，可以利用所有故障特征像素的位置找到原始图像中对应目标像素的位置，将目标像素的位置确定为原始图像中的设备故障位置，进而，可以利用原始图像中的设备故障位置找到血糖试纸生产设备中与原始图像中的设备故障位置一致的故障区域。将故障区域作为血糖试纸生产设备的潜在故障区域，及时进行诊断和分析，提高血糖试纸产品的可靠性，减少血糖试纸故障生产设备发生的几率，并能够及时发现和解决血糖试纸故障生产设备故障，提高血糖试纸产品的品质和用户满意度。
本实施例提供的基于图像的设备故障诊断方法，通过对原始图像进行增强，提高了原始图像的质量，使得原始图像更加清晰可见，之后采用特征采样矩阵对增强图像进行特征提取，获得初始特征像素，通过特征采用矩阵的特征提取，进一步提高了故障特征的清晰度和对比度，方便确认设备故障位置，最后利用初始特征像素和第一邻域像素确定故障特征像素，再利用故障特征像素确定所述原始图像中的设备故障位置，提高产品的可靠性，减少故障发生的几率，并能够及时发现和解决设备故障，提高产品的品质和用户满意度。
图3为本公开实施例中的一种基于图像的设备故障诊断装置的结构示意图。如图3所示：该装置包括：
原始图像获取模块310，用于获取设备的原始图像；
增强图像获取模块320，用于对所述原始图像进行增强处理，获得增强图像；
初始特征像素获取模块330，用于采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；
故障特征像素获取模块340，用于根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；
故障位置获取模块350，用于根据所述故障特征像素确定所述原始图像中的设备故障位置。
可选的，增强图像获取模块320，还用于根据所述原始图像的目标像素和所述目标像素对应的第二邻域像素，确定增强权重；根据所述增强权重和所述目标像素，确定增强图像。
可选的，增强图像获取模块320，还用于根据所述目标像素、所述第二邻域像素的梯度、边缘图像处理算子和所述原始图像的长宽,确定增强权重；
其中，所述增强权重的表达式为：
；
其中，为增强权重，为目标像素，为边缘图像处理算子，和分别
是原始图像的长和宽，和分别是和方向的第二邻域像素的梯度，为惩罚因子。
可选的，增强图像获取模块320，还用于根据所述目标像素与所述第二邻域像素，确定像素方差；根据所述目标像素和像素步长，确定周边像素；根据所述目标像素和所述周边像素确定像素灰度差异；根据所述目标像素、所述像素方差、所述增强权重、邻域像素灰度等级和所述像素灰度差异确定增强像素；根据所述增强像素确定增强图像。
其中，所述增强像素的表达式为：
；
其中，为增强像素，为目标像素，为像素方差,为邻域像素灰
度等级，为增强权重，为缩放因子，为周边像素，为方向像素步
长,为方向像素步长，为像素灰度差异。
可选的，初始特征像素获取模块330，还用于根据所述目标像素、所述增强图像中的所述增强像素、所述第二邻域像素的梯度以及特征采样矩阵，确定初始特征像素；其中，所述初始特征像素的表达式为：
+；
其中，初始特征像素，*为矩阵乘法,为特征采样矩阵，为增
强像素，为目标像素，和分别是第二邻域像素在和方向的梯度，为增强像素的补偿系数，和分别为方向的梯度变化系数和方向的梯度变化系数。
可选的，故障特征像素获取模块340，还用于根据所述初始特征像素和所述第一邻域像素，确定邻域均值；根据所述初始特征像素、所述第一邻域像素和所述邻域均值，确定邻域方差；当所述初始特征像素与所述邻域均值的绝对差大于所述邻域方差以及预设阈值的积时，将所述初始特征像素确定故障特征像素。其中，所述故障特征像素的表达式为：
；
其中，为初始特征像素，为设定的阈值，为邻域均值，为邻域方
差。
本公开实施例提供的基于图像的设备故障诊断装置，可执行本公开方法实施例所提供的基于图像的设备故障诊断方法中的步骤，具备执行步骤和有益效果此处不再赘述。
图4为本公开实施例中的一种电子设备的结构示意图。下面具体参考图4，其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备500可以包括处理装置501、只读存储器（ROM）502、随机访问存储器（RAM）503、总线504、输入/输出（I/O）接口505、输入装置506、输出装置507、存储装置508以及通信装置509。处理装置（例如中央处理器、图形处理器等）501，其可以根据ROM502中的程序或者从存储装置508加载到RAM503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码，从而实现如上所述的基于图像的设备故障诊断方法。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取设备的原始图像；对所述原始图像进行增强处理，获得增强图像；采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；根据所述故障特征像素确定所述原始图像中的设备故障位置。
可选的，当上述一个或者多个程序被该电子设备执行时，该电子设备还可以执行上述实施例所述的其他步骤。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.基于图像的设备故障诊断方法，其特征在于，所述方法包括：
获取设备的原始图像；
对所述原始图像进行增强处理，获得增强图像；
采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；
根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；
根据所述故障特征像素确定所述原始图像中的设备故障位置。
2.根据权利要求1所述的方法，其特征在于，对原始图像进行增强处理，获得增强图像，包括：
根据所述原始图像的目标像素和所述目标像素对应的第二邻域像素，确定增强权重；
根据所述增强权重和所述目标像素，确定增强图像。
3.根据权利要求2所述的方法，其特征在于，所述根据原始图像的目标像素和目标像素对应的第二邻域像素，确定增强权重，包括：
根据所述目标像素、所述第二邻域像素的梯度、边缘图像处理算子和所述原始图像的长宽,确定增强权重；
其中，所述增强权重的表达式为：
；
其中，为增强权重，/>为目标像素，/>为边缘图像处理算子，/>和/>分别是原始图像的长和宽，/>和/>分别是/>和/>方向的第二邻域像素的梯度，/>为惩罚因子。
4.根据权利要求3所述的方法，其特征在于，所述根据所述增强权重和所述目标像素，确定增强图像，包括：
根据所述目标像素与所述第二邻域像素，确定像素方差；
根据所述目标像素和像素步长，确定周边像素；
根据所述目标像素和所述周边像素确定像素灰度差异；
根据所述目标像素、所述像素方差、所述增强权重、邻域像素灰度等级和所述像素灰度差异确定增强像素；
根据所述增强像素确定增强图像。
5.根据权利要求4所述的方法，其特征在于，所述增强像素的表达式为：
；
其中，为增强像素，/>为目标像素，/>为像素方差,/>为邻域像素灰度等级，/>为增强权重，/>为缩放因子，/>为周边像素，/>为/>方向像素步长,/>为/>方向像素步长，/>为像素灰度差异。
6.根据权利要求5所述的方法，其特征在于，所述采用特征采样矩阵对增强图像进行特征提取，获得初始特征像素，包括：
根据所述目标像素、所述增强图像中的所述增强像素、所述第二邻域像素的梯度以及特征采样矩阵，确定初始特征像素；
其中，所述初始特征像素的表达式为：
+/>；
其中，初始特征像素，*为矩阵乘法,/>为特征采样矩阵，/>为增强像素，/>为目标像素，/>和/>分别是/>和/>方向的第二邻域像素的梯度，/>为增强像素/>的补偿系数，/>和/>分别为/>方向的梯度变化系数和/>方向的梯度变化系数。
7.根据权利要求5所述的方法，其特征在于，所述根据初始特征像素和初始特征像素对应的第一邻域像素，确定故障特征像素，包括：
根据所述初始特征像素和所述第一邻域像素，确定邻域均值；
根据所述初始特征像素、所述第一邻域像素和所述邻域均值，确定邻域方差；
当所述初始特征像素与所述邻域均值的绝对差大于所述邻域方差以及预设阈值的积时，将所述初始特征像素确定故障特征像素。
8.基于图像的设备故障诊断装置，其特征在于，包括：
原始图像获取模块，用于获取设备的原始图像；
增强图像获取模块，用于对所述原始图像进行增强处理，获得增强图像；
初始特征像素获取模块，用于采用特征采样矩阵对所述增强图像进行特征提取，获得初始特征像素；
故障特征像素获取模块，用于根据所述初始特征像素和所述初始特征像素对应的第一邻域像素，确定故障特征像素；
故障位置获取模块，用于根据所述故障特征像素确定所述原始图像中的设备故障位置。
9.电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的方法。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657732.3A CN117522855B (zh) | 2023-12-06 | 2023-12-06 | 基于图像的设备故障诊断方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657732.3A CN117522855B (zh) | 2023-12-06 | 2023-12-06 | 基于图像的设备故障诊断方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117522855A true CN117522855A (zh) | 2024-02-06 |
| CN117522855B CN117522855B (zh) | 2024-06-21 |
Family
ID=89749303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657732.3A Active CN117522855B (zh) | 2023-12-06 | 2023-12-06 | 基于图像的设备故障诊断方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522855B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技（深圳）有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
| CN111079750A (zh) * | 2019-12-13 | 2020-04-28 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部区域聚类的电力设备故障区域提取方法 |
| US20200151496A1 (en) * | 2018-11-09 | 2020-05-14 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
| CN114298944A (zh) * | 2021-12-30 | 2022-04-08 | 上海闻泰信息技术有限公司 | 图像增强方法、装置、设备和存储介质 |
-
2023
- 2023-12-06 CN CN202311657732.3A patent/CN117522855B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019223067A1 (zh) * | 2018-05-25 | 2019-11-28 | 平安科技（深圳）有限公司 | 基于多重处理的虹膜图像增强方法、装置、设备及介质 |
| US20200151496A1 (en) * | 2018-11-09 | 2020-05-14 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
| CN111079750A (zh) * | 2019-12-13 | 2020-04-28 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于局部区域聚类的电力设备故障区域提取方法 |
| CN114298944A (zh) * | 2021-12-30 | 2022-04-08 | 上海闻泰信息技术有限公司 | 图像增强方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117522855B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
| CN115841434B (zh) | 一种用于气体浓度分析的红外图像增强方法 | |
| CN112348765A (zh) | 数据增强方法、装置、计算机可读存储介质及终端设备 | |
| CN112419292B (zh) | 病理图像的处理方法、装置、电子设备及存储介质 | |
| CN112102259A (zh) | 一种基于边界引导深度学习的图像分割算法 | |
| CN113439227A (zh) | 放大图像的捕获和存储 | |
| CN116883336A (zh) | 图像处理方法、装置、计算机设备及介质 | |
| CN115272182A (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
| CN117522855B (zh) | 基于图像的设备故障诊断方法、装置、电子设备和存储介质 | |
| CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
| CN111368823A (zh) | 一种指针式仪表读数识别方法及装置 | |
| CN115205163A (zh) | 一种标识图像的处理方法、装置、设备及存储介质 | |
| CN112967258B (zh) | 手表的显示缺陷检测方法、装置及计算机可读存储介质 | |
| CN114820488A (zh) | 一种样本成分分析方法、装置、设备及存储介质 | |
| CN111291259A (zh) | 一种数据筛选方法、装置、电子设备和存储介质 | |
| CN117893538B (zh) | 基于机器视觉的半导体器件质量检测方法、装置及系统 | |
| CN112712490A (zh) | 尿液检测方法、尿液检测设备及计算机可读存储介质 | |
| CN112712004B (zh) | 人脸检测系统及人脸检测方法、装置、电子设备 | |
| CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 | |
| CN116128863B (zh) | 一种医学图像处理方法、装置及设备 | |
| CN115239962B (zh) | 基于深层大感受野空间注意力的目标分割方法和装置 | |
| CN116433671B (zh) | 一种基于图像识别的胶体金检测方法、系统和存储介质 | |
| CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
| CN112257723B (zh) | 一种护栏提取的置信度评估方法及系统 | |
| CN118097428A (zh) | 矢量影像对齐模型的训练方法、装置及电子设备 |
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 |