[發明專利]基于卷積神經網絡算法的設備形變檢測方法和裝置

在審

• 申請號: 202110013636.X
• 申請日: 2021-01-05
• 公開（公告）號: CN112833808A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 呂鑫;汪衛東
• 申請（專利權）人: 廈門銀江智慧城市技術股份有限公司
• 主分類號: G01B11/16
• 分類號: G01B11/16;G06N3/08
• 代理公司: 泉州市立航專利代理事務所(普通合伙) 35236
• 代理人: 何縣香

1.一種基于卷積神經網絡算法的設備形變檢測方法，其特征在于，包括以下步驟：

步驟一、獲取至少一個定點的攝像頭所拍攝的視頻數據，其中定點包括在設備上方的攝像頭所拍攝的單個視角的位置；

步驟二、提取視頻數據中的圖像，通過卷積神經網絡算法對圖像進行檢測，識別出設備細微形變并進行提示；

步驟三、對至少一個定點檢測到的的提示信息進行合并統計，得到設備細微形變信息。

2.如權利要求1所述的設備形變檢測方法，其特征在于，所述步驟一包括以下步驟：

a、通過對設備上方的攝像頭設置至少一個定點；

b、使攝像頭在至少一個定點上進行輪詢跟蹤監測，并實時獲得攝像頭在至少一個定點上所拍攝的視頻數據。

3.如權利要求1所述的設備形變檢測方法，其特征在于，所述步驟二包括以下步驟：

a、獲得圖像中的設備輪廓特征數據，將設備輪廓特征數據通過卷積神經網絡CNN進行訓練，得到訓練模型；

b、將設備輪廓特征數據在所述訓練模型中回測，檢測視頻數據圖像中的設備輪廓像素點的變化；

c、當設備輪廓像素點超過預設的閾值時，則判定設備發生形變并進行提示。

4.如權利要求1所述的設備形變檢測方法，其特征在于，所述卷積神經網絡CNN包括特征提取及分類識別，所述特征提取包括卷積層、激活函數層及池化層，所述分類識別包括全連接層；視頻數據中的圖像通過卷積層提取圖像的特征圖，特征圖經過激活函數層進行非線性化處理，再通過池化層將圖像進行縮小，減少像素信息。

5.如權利要求4所述的設備形變檢測方法，其特征在于，所述特征提取包括2個卷積層、2個激活函數層及2個池化層。

6.如權利要求1所述的設備形變檢測方法，其特征在于，所述步驟三包括以下步驟：

a、判斷提示是否是同一個攝像頭或同一類型的提示，若是，則累加攝像頭同一類型的提示次數；

b、計算出攝像頭的同一類型的提示和首次提示之間的時間差，得到提示持續時間；

c、合并展示出提示的地點，首次提示時間、類型及提示持續時間。

7.一種基于卷積神經網絡算法的設備形變檢測裝置，其特征在于，包括：

至少一攝像頭，所述攝像頭設置于定點上，其中定點包括在設備上方的攝像頭所拍攝的單個視角的位置；

視頻圖像采集模塊，所述視頻圖像采集模塊與所述攝像頭連接，用于獲取所述攝像頭所拍攝的視頻數據；

卷積神經網絡處理模塊，所述卷積神經網絡處理模塊與所述視頻圖像采集模塊連接，用于提取視頻數據中的圖像，通過卷積神經網絡算法對圖像進行檢測，識別出設備細微形變并進行提示；

結果接收模塊，所述結果接收模塊與所述卷積神經網絡處理模塊連接，用于對至少一個定點檢測得到的提示信息進行合并統計，得到設備細微形變信息。

8.如權利要求7所述的設備形變檢測裝置，其特征在于，所述設備形變檢測裝置還包括TTL/TCP通信模塊，所述TTL/TCP通信模塊與所述卷積神經網絡處理模塊連接，用于將所述卷積神經網絡處理模塊輸出的TTL信號轉換為TCP信號，使得后臺操作人員可遠程實現對所述設備形變檢測裝置進行控制。

9.一種計算機儲存介質，其特征在于，其上存儲有計算機程序，所述計算機程序被計算機執行時實現如權利要求1至5任一項所述方法的步驟。

10.一種電子設備，其特征在于，包括：一個或多個處理器；存儲裝置，用于存儲一個或多個程序；當所述一個或多個程序被所述一個或多個處理器執行時，使得一個或多個處理器實現如權利要求1至5中任一項所述方法的步驟。