[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在审
申请号: | 201910521268.2 | 申请日: | 2019-06-17 |
公开(公告)号: | CN110246128A | 公开(公告)日: | 2019-09-17 |
发明(设计)人: | 龚湛 | 申请(专利权)人: | 苏州浪潮智能科技有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06N3/04;G06N3/08;G06N5/04 |
代理公司: | 北京连和连知识产权代理有限公司 11278 | 代理人: | 张涛 |
地址: | 215100 江苏省苏州市吴*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 神经网络模型 故障检测 潜在故障 预设位置 测试集 训练集 存储 读取 故障采集 输出故障 预设频率 直接传输 构建 推理 图片 标签 采集 测试 学习 | ||
本发明公开了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。本发明公开的方法能够较为准确的得到工业故障的位置和类型。
技术领域
本发明涉及工业领域,具体涉及一种基于深度学习的工业故障检测方法以及设备。
背景技术
目标检测作为计算机视觉技术的一个分支,就是对视场内的目标,如人或交通工具,进行检测,定位其位置。工业故障检测属于其中的一类具体的应用,由于设备质量或使用老化等可能出现故障导致安全隐患或影响生产效益,在这方面缺乏高效统一的检测方法。
发明内容
有鉴于此,为了克服上述问题的至少一个方面,本发明实施例的提出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。
在一些实施例中,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CNN、区域提议网络模型RPN、感兴趣网络模型ROI。
在一些实施例中,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。
在一些实施例中,对所述神经网络模型进行训练和测试进一步包括利用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。
在一些实施例中,对所述潜在故障位置的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CNN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,以得到故障类型。
基于同一发明构思,根据本发明的另一个方面,本发明的实施例还提供了一种计算机设备,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,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;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州浪潮智能科技有限公司,未经苏州浪潮智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910521268.2/2.html,转载请声明来源钻瓜专利网。