[发明专利]一种基于深度学习的工业故障检测方法以及设备

权利要求书

1.一种基于深度学习的工业故障检测方法，包括步骤：

构建神经网络模型；

将包含带标签的故障图片的训练集和测试集存储在预设位置；

读取存储在预设位置的训练集和测试集，以对所述神经网络模型进行训练和测试；

利用故障采集装置按照预设频率采集潜在故障位置的图片，并直接传输到训练好的神经网络模型中；

利用所述训练好的神经网络模型对所述潜在故障位置的图片进行推理，得到并输出故障类型。

2.如权利要求1所述的工业故障检测方法，其特征在于，所述构建神经网络模型进一步包括：

依次构建卷积神经网络模型、区域提议网络模型、感兴趣网络模型。

3.如权利要求1所述的工业故障检测方法，其特征在于，将包含带标签的故障图片的训练集和测试集存储在预设位置进一步包括：

将所述训练集和测试集中的图片及对应的标签输入到预设位置；

响应于接收到格式转换信号，将所述训练集和测试集中的图片转换为VOC格式并识别所述标签的格式；

响应于识别到的所述标签的格式不是xml格式，则将所述标签的格式转换为xml格式。

4.如权利要求2所述的工业故障检测方法，其特征在于，对所述神经网络模型进行训练和测试进一步包括利用所述训练集和测试集分别通过以下步骤进行训练和测试：

利用所述卷积神经网络模型，提取卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型，获取区域特征；

利用所述感兴趣网络模型对区域特征进行池化后，进行分类和回归。

5.如权利要求2所述的工业故障检测方法，其特征在于，对所述潜在故障位置图片进行推理进一步包括步骤：

将所述潜在故障位置的图片输入到所述训练好的卷积神经网络模型中，得到卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型，获取区域特征；

利用所述感兴趣网络模型对区域特征进行池化后，进行分类和回归，以得到故障类型。

6.一种计算机设备，包括：

至少一个处理器；以及

存储器，所述存储器存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时执行以下步骤：

构建神经网络模型；

将包含带标签的故障图片的训练集和测试集存储在预设位置；

读取存储在预设位置的训练集和测试集，以对所述神经网络模型进行训练和测试；

利用故障采集装置按照预设频率采集潜在故障位置的图片，并直接传输到训练好的神经网络模型中；

利用所述训练好的神经网络模型对所述潜在故障位置的图片进行推理，得到并输出故障类型。

7.如权利要求6所述的计算机设备，其特征在于，所述构建神经网络模型进一步包括：

依次构建卷积神经网络模型、区域提议网络模型、感兴趣网络模型。

8.如权利要求6所述的计算机设备，其特征在于，所述将包含带标签的故障图片的训练集和测试集存储在预设位置进一步包括：

将所述训练集和测试集中的图片及对应的标签输入到预设位置；

响应于接收到格式转换信号，将所述训练集和测试集中的图片转换为VOC格式并识别所述标签的格式；

响应于识别到的所述标签的格式不是xml格式，则将所述标签的格式转换为xml格式。

9.如权利要求7所述的计算机设备，其特征在于，所述对所述神经网络模型进行训练和测试进一步包括利用所述训练集和测试集分别通过以下步骤进行训练和测试：

利用所述卷积神经网络模型CNN，提取卷积特征图；

将所述卷积特征图输入到所述区域提议网络模型RPN，获取区域特征；

利用所述感兴趣网络模型ROI对区域特征进行池化后，进行分类和回归。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行权利要求1-5任意一项所述的方法。