CN114937043B - 基于人工智能的设备缺陷检测方法、装置、设备及介质 - Google Patents
基于人工智能的设备缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114937043B CN114937043B CN202210881344.2A CN202210881344A CN114937043B CN 114937043 B CN114937043 B CN 114937043B CN 202210881344 A CN202210881344 A CN 202210881344A CN 114937043 B CN114937043 B CN 114937043B
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- fault
- detected
- appearance
- 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 218
- 230000007547 defect Effects 0.000 title claims abstract description 155
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000003466 welding Methods 0.000 claims description 64
- 230000009467 reduction Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 40
- 238000011217 control strategy Methods 0.000 claims description 37
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013024 troubleshooting Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013209 evaluation strategy Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 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
- 230000008439 repair process Effects 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于人工智能的设备缺陷检测方法、装置、设备及介质。本发明公开了:根据待检测设备的零件信息确定待检测设备中各零件的外观检测项目和运行检测项目,将各零件的目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,根据运行检测项目控制待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,根据外观特征信息和运行状态信息对各零件进行故障评价,根据故障评价结果确定各零件中的故障零件,根据故障零件信息生成待检测设备对应的缺陷检测结果;由于本发明通过分别对待检测设备中的各零件的外观和运行状态进行故障评价,从而准确地检测出设备存在的缺陷,有效地提升了设备缺陷检测的效率。
Description
技术领域
本发明涉及缺陷检测技术领域,尤其涉及一种基于人工智能的设备缺陷检测方法、装置、设备及介质。
背景技术
随着科学技术的发展,电子设备的工艺越来越复杂,因此电子设备内部的元器件集成度也越来越高,当电子设备存在缺陷时,目前无法准确地检测出设备缺陷的具体原因,导致无法有效地对设备的缺陷进行修复。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于人工智能的设备缺陷检测方法、装置、设备及介质,旨在解决现有技术无法准确地检测出设备缺陷的具体原因,导致无法有效地对设备的缺陷进行修复的技术问题。
为实现上述目的,本发明提供了一种基于人工智能的设备缺陷检测方法,所述方法包括以下步骤:
根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目;
根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息;
根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
根据所述外观特征信息和所述运行状态信息对各零件进行故障评价;
根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息;
根据故障零件信息生成所述待检测设备对应的缺陷检测结果。
可选地,所述根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,包括:
根据所述零件信息确定各零件的故障权重;
根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略;
根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息。
可选地,所述根据所述零件信息确定各零件的故障权重,包括:
根据所述零件信息确定各零件对应的运行模块;
获取所述运行模块对应的兼容性信息;
根据所述兼容性信息对所述运行模块进行兼容性测试;
根据兼容性测试结果确定各零件的故障权重。
可选地,所述根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略,包括:
根据所述故障权重确定各零件的排查次序;
根据所述排查次序对各零件进行负载运行排序;
根据负载运行排序结果和所述运行检测项目生成待检测设备的负载运行控制策略。
可选地,所述根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,包括:
根据所述外观检测项目对各零件进行图像采集,获得各零件的初始图像信息;
对所述初始图像信息进行灰度处理,获得灰度后的候选图像信息;
将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息;
将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
可选地,所述将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息,包括:
将所述候选图像信息输入至预设降噪模型进行降噪处理;
根据降噪处理后的所述候选图像信息确定各零件的待识别区域,以及所述待识别区域的边缘信息;
根据所述边缘信息对降噪处理后的所述候选图像信息进行边缘增强,获得目标图像信息。
可选地,所述根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,包括:
将所述外观特征信息输入至预设焊点标记模型,获得各零件的当前焊点信息;
根据所述零件信息获取各零件的标准焊点信息;
将所述当前焊点信息与所述标准焊点信息进行相似度匹配;
根据相似度匹配结果和所述运行状态信息对各零件进行故障评价。
此外,为实现上述目的,本发明还提出一种基于人工智能的设备缺陷检测装置,所述基于人工智能的设备缺陷检测装置包括:
项目获取模块,用于根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目;
外观检测模块,用于根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息;
运行检测模块,用于根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
零件评价模块,用于根据所述外观特征信息和所述运行状态信息对各零件进行故障评价;
故障确定模块,用于根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息;
缺陷检测模块,用于根据故障零件信息生成所述待检测设备对应的缺陷检测结果。
此外,为实现上述目的,本发明还提出一种基于人工智能的设备缺陷检测设备,所述基于人工智能的设备缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工智能的设备缺陷检测程序,所述基于人工智能的设备缺陷检测程序配置为实现如上文所述的基于人工智能的设备缺陷检测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于人工智能的设备缺陷检测程序,所述基于人工智能的设备缺陷检测程序被处理器执行时实现如上文所述的基于人工智能的设备缺陷检测方法的步骤。
本发明根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目,根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息,根据故障零件信息生成所述待检测设备对应的缺陷检测结果;由于本发明通过对待检测设备中的各零件分别进行外观检测和运行状态检测,从而准确地获得了各零件的外观特征信息和运行状态信息,再根据外观特征信息和运行状态信息对各零件进行故障评价,从而根据故障评价结果准确地确定了各零件中存在故障的故障零件,获取故障零件的故障零件信息,根据故障零件信息生成待检测设备对应的缺陷检测结果,从而实现了对待检测设备缺陷原因的准确检测,有效地提升了设备缺陷的检测效率,从而可以使用户针对缺陷原因有效地对设备进行修复。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于人工智能的设备缺陷检测设备的结构示意图;
图2为本发明基于人工智能的设备缺陷检测方法第一实施例的流程示意图;
图3为本发明基于人工智能的设备缺陷检测方法第二实施例的流程示意图;
图4为本发明基于人工智能的设备缺陷检测方法第三实施例的流程示意图;
图5为本发明基于人工智能的设备缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于人工智能的设备缺陷检测设备结构示意图。
如图1所示,该基于人工智能的设备缺陷检测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM),也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于人工智能的设备缺陷检测设备的限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及基于人工智能的设备缺陷检测程序。
在图1所示的基于人工智能的设备缺陷检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明基于人工智能的设备缺陷检测设备中的处理器1001、存储器1005可以设置在基于人工智能的设备缺陷检测设备中,所述基于人工智能的设备缺陷检测设备通过处理器1001调用存储器1005中存储的基于人工智能的设备缺陷检测程序,并执行本发明实施例提供的基于人工智能的设备缺陷检测方法。
本发明实施例提供了一种基于人工智能的设备缺陷检测方法,参照图2,图2为本发明一种基于人工智能的设备缺陷检测方法第一实施例的流程示意图。
本实施例中,所述基于人工智能的设备缺陷检测方法包括以下步骤:
步骤S10:根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目。
需要说明的是,本实施例应用于在需要对设备进行检测时,根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目,根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息,根据故障零件信息生成所述待检测设备对应的缺陷检测结果。
与现有技术无法准确地检测出设备缺陷的具体原因,导致无法有效地对设备的缺陷进行修复相比,本实施例通过对待检测设备中的各零件分别进行外观检测和运行状态检测,从而准确地获得了各零件的外观特征信息和运行状态信息,再根据外观特征信息和运行状态信息对各零件进行故障评价,从而根据故障评价结果准确地确定了各零件中存在故障的故障零件,获取故障零件的故障零件信息,根据故障零件信息生成待检测设备对应的缺陷检测结果,从而实现了对待检测设备缺陷原因的准确检测,有效地提升了设备缺陷的检测效率,从而可以使用户针对缺陷原因有效地对设备进行修复。
应当理解的是,本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的基于人工智能的设备缺陷检测设备,例如计算机等,或者是其他能够实现相同或相似功能的装置或设备,此处以上述基于人工智能的设备缺陷检测设备(以下简称缺陷检测设备)为例进行说明。
需要说明的是,待检测设备可以是疑似存在缺陷的设备,也可以是需要进行缺陷检测的设备。零件可以是待检测设备中的元器件或模块等,由于待检测设备中可集成有多个零件,因此为了准确地检测出待检测设备存在的缺陷,本实施例缺陷检测设备需要对待检测设备中的各个零件分别进行检测,从而确定各零件中存在故障的零件。
上述外观检测项目可以是对各零件的结构外观进行检测的项目,外观检测项目可以是对各零件的焊点形状、焊点数量和焊点大小进行检测,也可以是对各零件的外观是否存在破损进行检测,本实施例不加以限定。上述运行检测项目可以是控制待检测设备进行模拟运行,然后检测各零件在运行过程中的运行状态是否异常,例如检测各零件在运行过程中是否异常发热,或是否正常工作等。
应当理解的是,为了准确地检测出待检测设备存在的具体缺陷原因,本实施例缺陷检测设备获取待检测设备的设备信息,根据设备信息确定待检测设备中各零件的零件信息,根据零件信息确定待检测设备中各零件的外观检测项目和运行检测项目,从而对各零件的外观和运行状态进行检测,以确定各零件的外观是否正常,以及运行过程中的运行状态是否异常。
步骤S20:根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
需要说明的是,目标图像信息可以是各零件的零件结构的外观图像信息,上述预设特征提取模型可以是预先构建的用于提取零件的图像信息中的外观特征的神经网络模型。上述外观特征信息可以是各零件的外观中需要进行检测的外观特征。
应当理解的是,为了准确地对待检测设备的外观进行检测,本实施例缺陷检测设备根据外观检测项目对各零件进行图像采集,获得各零件的目标图像信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中需要进行检测的特征进行提取,从而获得各零件的外观特征信息,有效地提升了对各零件的外观检测效率。
在具体实现中,缺陷检测设备根据外观检测项目确定各零件的图像采集区域,根据图像采集区域对各零件进行图像采集,获得各零件的目标图像信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中需要进行检测的特征进行提取,从而获得各零件的外观特征信息。
例如,缺陷检测设备根据外观检测项目确定各零件的图像采集区域为A区域,对A区域进行图像采集,获得各零件的目标图像信息,根据外观检测项目确定各零件的待检测外观特征为焊点特征信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中的焊点特征信息进行提取,获得各零件的焊点的外观特征信息。
步骤S30:根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息。
需要说明的是,运行状态信息可以是待检测设备运行过程中,各零件的实际运行状态的相关信息,例如运行状态信息可以是各零件在运行过程中的运行功率、运行温度和运行电压等信息。
应当理解的是,为了准确地检测出各零件是否存在运行问题,本实施例缺陷检测设备根据运行检测项目控制待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,从而准确地判断各零件在运行过程中是否正常。
在具体运行中,缺陷检测设备根据运行检测项目生成运行控制策略,根据运行控制策略控制待检测设备进行负载运行,并获取各零件在负载运行的过程中的运行状态信息。
例如,缺陷检测设备根据运行检测项目生成运行控制策略,根据运行控制策略控制待检测设备进行负载运行,并获取各零件在负载运行的过程中的运行功率、运行温度和运行电压,从而可以准确地确定各零件在运行过程中是否功率异常、是否温度异常以及是否电压异常。
步骤S40:根据所述外观特征信息和所述运行状态信息对各零件进行故障评价。
需要说明的是,故障评价可以是缺陷检测设备对各零件的外观特征信息和运行状态信息分别进行评价,从而确定各零件的外观特征是否存在故障(例如,外观是否破损或焊点是否异常等),以及确定各零件在负载运行过程中,运行状态是否异常。
进一步地,为了准确地对各零件进行故障评价,从而确定各零件中存在故障的零件,上述步骤S40,可包括:
将所述外观特征信息输入至预设焊点标记模型,获得各零件的当前焊点信息;
根据所述零件信息获取各零件的标准焊点信息;
将所述当前焊点信息与所述标准焊点信息进行相似度匹配;
根据相似度匹配结果和所述运行状态信息对各零件进行故障评价。
需要说明的是,上述预设焊点标记模型可以是预先构建的用于标记零件焊点的神经网络模型。上述标准焊点信息可以是各零件的预先标定的正确焊点信息,例如标准焊点信息可包括标准焊点形状、标准焊点大小和标准焊点数量等信息。上述当前焊点信息可以是各零件的当前存在的焊点的相关信息,例如当前焊点信息可包括当前焊点形状、当前焊点大小和当前焊点数量等信息。上述相似度匹配结果可以是各零件的当前焊点信息与标准焊点信息之间的相似程度。
应当理解的是,为了准确地确定各零件中存在的故障零件,本实施例缺陷检测设备将所述外观特征信息输入至预设焊点标记模型,获得各零件的焊点标识,根据焊点标识确定当前焊点信息,根据所述零件信息获取各零件的标准焊点信息,将所述当前焊点信息与所述标准焊点信息进行相似度匹配,从而确定各零件的当前焊点信息与标准焊点信息之间的差异程度和相似程度,根据相似度匹配结果和所述运行状态信息对各零件进行故障评价。
步骤S50:根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息。
需要说明的是,故障评价结果可以是对各零件的外观特征信息和运行状态进行评价的结果,缺陷检测设备可根据故障评价结果确定各零件中存在外观故障或/和运行故障的故障零件。上述故障零件可以是各零件中存在外观或/和运行故障的零件,上述故障零件信息可以是故障零件对应的零件信息,例如故障零件信息可以是故障零件的零件编码和零件类型等信息。
在具体实现中,缺陷检测设备根据零件信息确定各零件的外观评价策略和运行评价策略,根据外观评价策略对各零件的外观特征信息进行外观评价,从而确定各零件中存在外观故障的零件,根据运行评价策略对各零件的运行状态信息进行评价,从而确定各零件中存在运行故障的零件,将存在外观故障的零件和存在运行故障的零件作为故障零件,并获取故障零件的故障零件信息。
步骤S60:根据故障零件信息生成所述待检测设备对应的缺陷检测结果。
需要说明的是,缺陷检测结果可以是缺陷检测设备对待检测设备存在的缺陷进行评价后生成的检测结果,上述缺陷检测结果可包括待检测设备中存在故障的故障零件的故障零件信息,以及缺陷原因。
在具体实现中,缺陷检测设备根据故障零件信息确定故障零件对应的模块信息,根据模块信息确定待检测设备中存在缺陷的故障模块,根据故障模块和故障模块的模块信息对待检测设备的缺陷进行评价,从而得到待检测设备的缺陷检测结果。
例如,缺陷检测设备根据故障零件信息确定故障零件为模块C中的零件A,根据模块C的模块信息对待检测设备的缺陷进行评价,从而得到待检测设备的缺陷检测结果,确定待检测设备的模块C中的零件A存在缺陷。
本实施例根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目,根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息,根据故障零件信息生成所述待检测设备对应的缺陷检测结果;由于本发明通过对待检测设备中的各零件分别进行外观检测和运行状态检测,从而准确地获得了各零件的外观特征信息和运行状态信息,再根据外观特征信息和运行状态信息对各零件进行故障评价,从而根据故障评价结果准确地确定了各零件中存在故障的故障零件,获取故障零件的故障零件信息,根据故障零件信息生成待检测设备对应的缺陷检测结果,从而实现了对待检测设备缺陷原因的准确检测,有效地提升了设备缺陷的检测效率,从而可以使用户针对缺陷原因有效地对设备进行修复。
参考图3,图3为本发明一种基于人工智能的设备缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S30,包括:
步骤S301:根据所述零件信息确定各零件的故障权重。
需要说明的是,故障权重可以是各零件存在故障的概率的比例,例如待检测设备存在零件A、零件B和零件C,其中零件A存在故障的概率为10%,故障B存在故障的概率为30%,故障C存在故障的概率为60%,因此各零件的故障权重分别为,零件A为0.1,零件B为0.3,零件C为0.6。
在具体实现中,缺陷检测设备根据零件信息查找预设零件故障数据库,根据查找结果获取各零件的故障案例,根据故障案例确定各零件的故障概率,根据故障概率确定各零件的故障权重。
进一步地,为了准确地获取各零件的故障权重,上述步骤S301,可包括:
步骤S3011:根据所述零件信息确定各零件对应的运行模块;
步骤S3012:获取所述运行模块对应的兼容性信息;
步骤S3013:根据所述兼容性信息对所述运行模块进行兼容性测试;
步骤S3014:根据兼容性测试结果确定各零件的故障权重。
需要说明的是,运行模块可以是待检测设备中的各个模块,待检测设备中存在至少一个运行模块,即待检测设备由至少一个运行模块组成,而运行模块中存在至少一个零件,即运行模块由至少一个零件组成。不同的运行模块,其功能可以是不同的,因此不同的运行模块存在故障可以是不同的,不同的运行模块存在故障的概率也可以是不同的。
上述兼容性信息可以是各运行模块与待检测设备之间的理论兼容性关系,运行模块与待检测设备之间的兼容性越低,运行模块存在故障的概率越高,反之,运行模块与待检测设备之间的兼容性越高,运行模块存在故障的概率越低。例如,待检测设备中存在运行模块A、运行模块B和运行模块C,其中,运行模块A与待检测设备之间的兼容性为90%,运行模块B与待检测设备之间的兼容性为70%,运行模块C与待检测设备之间的兼容性为95%,因此判定运行模块B的故障概率最高,运行模块A的故障概率次之,运行模块C的故障概率最低。上述兼容性测试可以是对运行模块与待检测设备之间的交互和运行功能进行测试,从而根据兼容性测试结果确定运行模块与待检测设备之间的实际兼容性信息。
步骤S302:根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略。
需要说明的是,负载运行控制策略可以是控制待检测设备负载运行的控制策略,在待检测设备负载运行的过程中,各零件也会负载运行,缺陷检测设备可通过获取各零件在负载运行过程中的运行状态信息,从而确定各零件在负载运行过程中的运行异常。
应当理解的是,为了有序的控制各零件进行负载运行,从而提升对各零件的运行状态检测效率,本实施例缺陷检测设备根据故障权重确定了各零件的故障概率,根据故障概率确定各零件的运行次序,以使故障概率大的零件优先进行负载运行,从而可以优先地对故障概率大的零件进行运行状态检测,根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略,从而有效地提升了对各零件运行状态检测的效率。
例如,缺陷检测设备确定零件A的故障权重为0.3,零件B的故障权重为0.1,零件C的故障权重为0.4,零件D的故障权重为0.2,根据各零件的故障权重确定各零件的负载运行次序,负载运行次序由先到后分别是零件C、零件A、零件D、零件B,根据负载运行次序和运行检测项目生成待检测设备的负载运行控制策略。
进一步地,为了准确地生成负载运行控制策略,以实现对各零件进行有序控制,上述步骤S302,可包括:
步骤S3021:根据所述故障权重确定各零件的排查次序;
步骤S3022:根据所述排查次序对各零件进行负载运行排序;
步骤S3023:根据负载运行排序结果和所述运行检测项目生成待检测设备的负载运行控制策略。
需要说明的是,排查次序可以是对各零件进行运行故障排查的排列次序,其中,零件的故障权重越高,其排查次序越靠前,例如零件A的故障权重为0.3,零件B的故障权重为0.7,根据故障权重确定零件A的排查次序靠后,零件B的排查次序靠前。
在具体实现中,缺陷检测设备根据故障权重确定各零件的故障概率,根据故障概率确定各零件的排查次序,根据排查次序对各零件进行负载运行排序,从而使故障概率较大的零件优先进行负载运行,根据负载运行排序结果和所述运行检测项目生成待检测设备的负载运行控制策略,从而提升了运行检测效率。
步骤S303:根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息。
需要说明的是,运行状态信息可以是待检测设备运行过程中,各零件的实际运行状态的相关信息,例如运行状态信息可以是各零件在运行过程中的运行功率、运行温度和运行电压等信息。
应当理解的是,为了准确地检测出各零件是否存在运行问题,本实施例缺陷检测设备根据运行检测项目控制待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,从而准确地判断各零件在运行过程中是否正常。
在具体运行中,缺陷检测设备根据运行检测项目生成运行控制策略,根据运行控制策略控制待检测设备进行负载运行,并获取各零件在负载运行的过程中的运行状态信息。
本实施例通过根据所述零件信息确定各零件的故障权重,根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略,根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;由于本发明根据零件信息确定各零件的故障权重,从而根据故障权重确定了各零件的运行次序,根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略,从而准确地生成了负载运行控制策略,提升了对各零件进行运行状态检测效率,根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,从而实现了对各零件的运行状态的检测,提升了运行状态检测的效率。
参考图4,图4为本发明一种基于人工智能的设备缺陷检测方法第三实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S20,包括:
步骤S201:根据所述外观检测项目对各零件进行图像采集,获得各零件的初始图像信息。
需要说明的是,初始图像信息可以是缺陷检测设备通过内部集成或外部连接的图像传感器初次采集到的各零件的图像信息。
应当理解的是,为了准确地采集到各零件需要进行外观检测的区域的图像,本实施例缺陷检测设备根据外观检测项目确定各零件的待检测区域,对各零件的待检测区域进行图像采集,获得各零件的初始图像信息。
步骤S202:对所述初始图像信息进行灰度处理,获得灰度后的候选图像信息。
需要说明的是,候选图像信息可以是初始图像信息经过灰度处理后的各零件的灰度图像信息。
应当理解的是,为了提升后续图像处理的效率,本实施例缺陷检测设备对初始图像信息进行灰度处理,从而获得灰度后的各零件的灰度图像信息。
步骤S203:将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息。
需要说明的是,预设降噪模型可以是预先构建的用于消除候选图像信息中的无效信息的神经网络模型。上述目标图像信息可以是候选图像信息经过降噪处理,去除无效信息后的各零件的图像信息。
应当理解的是,为了提升后续特征提取的效率,本实施例缺陷检测设备将候选图像信息输入至预设降噪模型,通过预设降噪模型消除候选图像信息中的无效信息,仅保留关键信息,从而获得目标图像信息。
进一步地,为了准确地获得目标图像,上述步骤S203,可包括:
步骤S2031:将所述候选图像信息输入至预设降噪模型进行降噪处理;
步骤S2032:根据降噪处理后的所述候选图像信息确定各零件的待识别区域,以及所述待识别区域的边缘信息;
步骤S2033:根据所述边缘信息对降噪处理后的所述候选图像信息进行边缘增强,获得目标图像信息。
需要说明的是,待识别区域可以是候选图像信息中需要进行外观检测的区域。上述边缘信息可以是待识别区域的轮廓边缘的相关信息。
应当理解的是,为了增强候选图像中的特征信息,降低候选图像信息中的干扰信息,本实施例缺陷检测设备将所述候选图像信息输入至预设降噪模型进行降噪处理,根据降噪处理后的所述候选图像信息确定各零件的待识别区域,以及所述待识别区域的边缘信息,根据所述边缘信息对降噪处理后的所述候选图像信息进行边缘增强,获得目标图像信息。
步骤S204:将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
需要说明的是,预设特征提取模型可以是预先构建的用于提取目标图像信息中的外观特征的神经网络模型。外观特征信息可以是各零件中需要进行过外观检测的外观结构的特征信息。
例如,缺陷检测设备根据外观检测项目确定需要对各零件的焊点信息进行检测,对各零件的焊点区域进行图像采集后,获得焊点区域的初始图像信息,对初始图像信息经过灰度处理后,再输入至预设降噪模型进行降噪处理,获得目标图像信息,将目标图像信息输入至预设特征提取模型,获得各零件的焊点形状、焊点数量和焊点形状等焊点外观特征信息。
本实施例通过根据所述外观检测项目对各零件进行图像采集,获得各零件的初始图像信息,对所述初始图像信息进行灰度处理,获得灰度后的候选图像信息,将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息;由于本发明根据外观检测项目对各零件进行图像采集,获得各零件中需要进行外观检测区域的初始图像信息,对初始图像信息进行灰度处理,获得绘图后的候选图像信息,将候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息,从而提升了各零件的图像的精准度,有效地降低了图像中无效的信息,提升了特征提取效率,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,从而准确地提取了各零件的外观特征信息,提升了外观检测效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于人工智能的设备缺陷检测程序,所述基于人工智能的设备缺陷检测程序被处理器执行时实现如上文所述的基于人工智能的设备缺陷检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图5,图5为本发明基于人工智能的设备缺陷检测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的基于人工智能的设备缺陷检测装置包括:
项目获取模块10,用于根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目。
需要说明的是,待检测设备可以是疑似存在缺陷的设备,也可以是需要进行缺陷检测的设备。零件可以是待检测设备中的元器件或模块等,由于待检测设备中可集成有多个零件,因此为了准确地检测出待检测设备存在的缺陷,本实施例项目获取模块需要对待检测设备中的各个零件分别进行检测,从而确定各零件中存在故障的零件。
上述外观检测项目可以是对各零件的结构外观进行检测的项目,外观检测项目可以是对各零件的焊点形状、焊点数量和焊点大小进行检测,也可以是对各零件的外观是否存在破损进行检测,本实施例不加以限定。上述运行检测项目可以是控制待检测设备进行模拟运行,然后检测各零件在运行过程中的运行状态是否异常,例如检测各零件在运行过程中是否异常发热,或是否正常工作等。
应当理解的是,为了准确地检测出待检测设备存在的具体缺陷原因,本实施例项目获取模块获取待检测设备的设备信息,根据设备信息确定待检测设备中各零件的零件信息,根据零件信息确定待检测设备中各零件的外观检测项目和运行检测项目,从而对各零件的外观和运行状态进行检测,以确定各零件的外观是否正常,以及运行过程中的运行状态是否异常。
外观检测模块20,用于根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
需要说明的是,目标图像信息可以是各零件的零件结构的外观图像信息,上述预设特征提取模型可以是预先构建的用于提取零件的图像信息中的外观特征的神经网络模型。上述外观特征信息可以是各零件的外观中需要进行检测的外观特征。
应当理解的是,为了准确地对待检测设备的外观进行检测,本实施例外观检测模块根据外观检测项目对各零件进行图像采集,获得各零件的目标图像信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中需要进行检测的特征进行提取,从而获得各零件的外观特征信息,有效地提升了对各零件的外观检测效率。
在具体实现中,外观检测模块根据外观检测项目确定各零件的图像采集区域,根据图像采集区域对各零件进行图像采集,获得各零件的目标图像信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中需要进行检测的特征进行提取,从而获得各零件的外观特征信息。
例如,外观检测模块根据外观检测项目确定各零件的图像采集区域为A区域,对A区域进行图像采集,获得各零件的目标图像信息,根据外观检测项目确定各零件的待检测外观特征为焊点特征信息,将目标图像信息输入至预设特征提取模型,对目标图像信息中的焊点特征信息进行提取,获得各零件的焊点的外观特征信息。
运行检测模块30,用于根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息。
需要说明的是,运行状态信息可以是待检测设备运行过程中,各零件的实际运行状态的相关信息,例如运行状态信息可以是各零件在运行过程中的运行功率、运行温度和运行电压等信息。
应当理解的是,为了准确地检测出各零件是否存在运行问题,本实施例运行检测模块根据运行检测项目控制待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,从而准确地判断各零件在运行过程中是否正常。
在具体运行中,运行检测模块根据运行检测项目生成运行控制策略,根据运行控制策略控制待检测设备进行负载运行,并获取各零件在负载运行的过程中的运行状态信息。
例如,运行检测模块根据运行检测项目生成运行控制策略,根据运行控制策略控制待检测设备进行负载运行,并获取各零件在负载运行的过程中的运行功率、运行温度和运行电压,从而可以准确地确定各零件在运行过程中是否功率异常、是否温度异常以及是否电压异常。
零件评价模块40,用于根据所述外观特征信息和所述运行状态信息对各零件进行故障评价。
需要说明的是,故障评价可以是零件评价模块对各零件的外观特征信息和运行状态信息分别进行评价,从而确定各零件的外观特征是否存在故障(例如,外观是否破损或焊点是否异常等),以及确定各零件在负载运行过程中,运行状态是否异常。
故障确定模块50,用于根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息。
需要说明的是,故障评价结果可以是对各零件的外观特征信息和运行状态进行评价的结果,故障确定模块可根据故障评价结果确定各零件中存在外观故障或/和运行故障的故障零件。上述故障零件可以是各零件中存在外观或/和运行故障的零件,上述故障零件信息可以是故障零件对应的零件信息,例如故障零件信息可以是故障零件的零件编码和零件类型等信息。
在具体实现中,故障确定模块根据零件信息确定各零件的外观评价策略和运行评价策略,根据外观评价策略对各零件的外观特征信息进行外观评价,从而确定各零件中存在外观故障的零件,根据运行评价策略对各零件的运行状态信息进行评价,从而确定各零件中存在运行故障的零件,将存在外观故障的零件和存在运行故障的零件作为故障零件,并获取故障零件的故障零件信息。
缺陷检测模块60,用于根据故障零件信息生成所述待检测设备对应的缺陷检测结果。
需要说明的是,缺陷检测结果可以是缺陷检测模块对待检测设备存在的缺陷进行评价后生成的检测结果,上述缺陷检测结果可包括待检测设备中存在故障的故障零件的故障零件信息,以及缺陷原因。
在具体实现中,缺陷检测模块根据故障零件信息确定故障零件对应的模块信息,根据模块信息确定待检测设备中存在缺陷的故障模块,根据故障模块和故障模块的模块信息对待检测设备的缺陷进行评价,从而得到待检测设备的缺陷检测结果。
例如,缺陷检测模块根据故障零件信息确定故障零件为模块C中的零件A,根据模块C的模块信息对待检测设备的缺陷进行评价,从而得到待检测设备的缺陷检测结果,确定待检测设备的模块C中的零件A存在缺陷。
进一步地,所述运行检测模块30,还用于根据所述零件信息确定各零件的故障权重;根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略;根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息。
进一步地,所述运行检测模块30,还用于根据所述零件信息确定各零件对应的运行模块;获取所述运行模块对应的兼容性信息;根据所述兼容性信息对所述运行模块进行兼容性测试;根据兼容性测试结果确定各零件的故障权重。
进一步地,所述运行检测模块30,还用于根据所述故障权重确定各零件的排查次序;根据所述排查次序对各零件进行负载运行排序;根据负载运行排序结果和所述运行检测项目生成待检测设备的负载运行控制策略。
进一步地,所述外观检测模块20,还用于根据所述外观检测项目对各零件进行图像采集,获得各零件的初始图像信息;对所述初始图像信息进行灰度处理,获得灰度后的候选图像信息;将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息;将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
进一步地,所述外观检测模块20,还用于将所述候选图像信息输入至预设降噪模型进行降噪处理;根据降噪处理后的所述候选图像信息确定各零件的待识别区域,以及所述待识别区域的边缘信息;根据所述边缘信息对降噪处理后的所述候选图像信息进行边缘增强,获得目标图像信息。
进一步地,所述零件评价模块40,还用于将所述外观特征信息输入至预设焊点标记模型,获得各零件的当前焊点信息;根据所述零件信息获取各零件的标准焊点信息;将所述当前焊点信息与所述标准焊点信息进行相似度匹配;根据相似度匹配结果和所述运行状态信息对各零件进行故障评价。
本实施例根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目,根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息,根据故障零件信息生成所述待检测设备对应的缺陷检测结果;由于本发明通过对待检测设备中的各零件分别进行外观检测和运行状态检测,从而准确地获得了各零件的外观特征信息和运行状态信息,再根据外观特征信息和运行状态信息对各零件进行故障评价,从而根据故障评价结果准确地确定了各零件中存在故障的故障零件,获取故障零件的故障零件信息,根据故障零件信息生成待检测设备对应的缺陷检测结果,从而实现了对待检测设备缺陷原因的准确检测,有效地提升了设备缺陷的检测效率,从而可以使用户针对缺陷原因有效地对设备进行修复。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的基于人工智能的设备缺陷检测方法,此处不再赘述。
此外,需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于人工智能的设备缺陷检测方法,其特征在于,所述基于人工智能的设备缺陷检测方法包括:
根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目;
根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息;
根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
根据所述外观特征信息和所述运行状态信息对各零件进行故障评价;
根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息;
根据故障零件信息生成所述待检测设备对应的缺陷检测结果;
所述根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息,包括:
根据所述零件信息确定各零件的故障权重;
根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略;
根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
所述根据所述零件信息确定各零件的故障权重,包括:
根据所述零件信息确定各零件对应的运行模块;
获取所述运行模块对应的兼容性信息;
根据所述兼容性信息对所述运行模块进行兼容性测试;
根据兼容性测试结果确定各零件的故障权重。
2.如权利要求1所述的基于人工智能的设备缺陷检测方法,其特征在于,所述根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略,包括:
根据所述故障权重确定各零件的排查次序;
根据所述排查次序对各零件进行负载运行排序;
根据负载运行排序结果和所述运行检测项目生成待检测设备的负载运行控制策略。
3.如权利要求1所述的基于人工智能的设备缺陷检测方法,其特征在于,所述根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息,包括:
根据所述外观检测项目对各零件进行图像采集,获得各零件的初始图像信息;
对所述初始图像信息进行灰度处理,获得灰度后的候选图像信息;
将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息;
将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息。
4.如权利要求3所述的基于人工智能的设备缺陷检测方法,其特征在于,所述将所述候选图像信息输入至预设降噪模型进行降噪处理,获得目标图像信息,包括:
将所述候选图像信息输入至预设降噪模型进行降噪处理;
根据降噪处理后的所述候选图像信息确定各零件的待识别区域,以及所述待识别区域的边缘信息;
根据所述边缘信息对降噪处理后的所述候选图像信息进行边缘增强,获得目标图像信息。
5.如权利要求1至4中任一项所述的基于人工智能的设备缺陷检测方法,其特征在于,所述根据所述外观特征信息和所述运行状态信息对各零件进行故障评价,包括:
将所述外观特征信息输入至预设焊点标记模型,获得各零件的当前焊点信息;
根据所述零件信息获取各零件的标准焊点信息;
将所述当前焊点信息与所述标准焊点信息进行相似度匹配;
根据相似度匹配结果和所述运行状态信息对各零件进行故障评价。
6.一种基于人工智能的设备缺陷检测装置,其特征在于,所述基于人工智能的设备缺陷检测装置包括:
项目获取模块,用于根据待检测设备的零件信息确定所述待检测设备中各零件的外观检测项目和运行检测项目;
外观检测模块,用于根据所述外观检测项目获取各零件的目标图像信息,将所述目标图像信息输入至预设特征提取模型,获得各零件的外观特征信息;
运行检测模块,用于根据所述运行检测项目控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
零件评价模块,用于根据所述外观特征信息和所述运行状态信息对各零件进行故障评价;
故障确定模块,用于根据故障评价结果确定各零件中的故障零件,并获取所述故障零件的故障零件信息;
缺陷检测模块,用于根据故障零件信息生成所述待检测设备对应的缺陷检测结果;
所述运行检测模块,还用于根据所述零件信息确定各零件的故障权重;根据所述故障权重和所述运行检测项目生成待检测设备的负载运行控制策略;根据所述负载运行控制策略控制所述待检测设备进行负载运行,并获取负载运行过程中各零件的运行状态信息;
所述运行检测模块,还用于根据所述零件信息确定各零件对应的运行模块;获取所述运行模块对应的兼容性信息;根据所述兼容性信息对所述运行模块进行兼容性测试;根据兼容性测试结果确定各零件的故障权重。
7.一种基于人工智能的设备缺陷检测设备,其特征在于,所述基于人工智能的设备缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于人工智能的设备缺陷检测程序,所述基于人工智能的设备缺陷检测程序配置为实现如权利要求1至5中任一项所述的基于人工智能的设备缺陷检测方法。
8.一种存储介质,其特征在于,所述存储介质上存储有基于人工智能的设备缺陷检测程序,所述基于人工智能的设备缺陷检测程序被处理器执行时实现如权利要求1至5任一项所述的基于人工智能的设备缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881344.2A CN114937043B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的设备缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881344.2A CN114937043B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的设备缺陷检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114937043A CN114937043A (zh) | 2022-08-23 |
CN114937043B true CN114937043B (zh) | 2022-10-25 |
Family
ID=82867713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881344.2A Active CN114937043B (zh) | 2022-07-26 | 2022-07-26 | 基于人工智能的设备缺陷检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937043B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117092933B (zh) * | 2023-07-26 | 2024-04-16 | 天津通信广播集团有限公司 | 转动机械设备控制方法、装置、设备和计算机可读介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN105741048A (zh) * | 2016-02-23 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备的报警方法和装置 |
CN109145134A (zh) * | 2018-07-27 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种检测设备故障的方法及装置 |
CN113708493A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 基于云边协同的配电终端运维方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8924033B2 (en) * | 2010-05-12 | 2014-12-30 | Alstom Grid Inc. | Generalized grid security framework |
-
2022
- 2022-07-26 CN CN202210881344.2A patent/CN114937043B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063873A (zh) * | 2014-07-08 | 2014-09-24 | 华东交通大学 | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 |
CN105741048A (zh) * | 2016-02-23 | 2016-07-06 | 安徽容知日新信息技术有限公司 | 一种设备的报警方法和装置 |
CN109145134A (zh) * | 2018-07-27 | 2019-01-04 | 郑州云海信息技术有限公司 | 一种检测设备故障的方法及装置 |
CN113708493A (zh) * | 2021-08-26 | 2021-11-26 | 广东电网有限责任公司 | 基于云边协同的配电终端运维方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114937043A (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375945B (zh) | 物联网设备的固件版本探测方法及漏洞修复率评估方法 | |
CN109885499B (zh) | 一种机器人自动化测试***及测试方法 | |
CN110221933B (zh) | 代码缺陷辅助修复方法及*** | |
CN114937043B (zh) | 基于人工智能的设备缺陷检测方法、装置、设备及介质 | |
CN116611074A (zh) | 安全信息审查方法、设备、存储介质及装置 | |
CN113282513B (zh) | 接口测试案例的生成方法、装置、计算机设备及存储介质 | |
CN110287104A (zh) | 测试用例生成方法、装置、终端及计算机可读存储介质 | |
CN112052169A (zh) | 测试管理方法、***、设备以及计算机可读存储介质 | |
CN111693089A (zh) | 装配线的产品质量控制方法、装置、设备及存储介质 | |
CN112363920A (zh) | 测试用例的修复方法、装置、计算机设备和存储介质 | |
CN112328499A (zh) | 一种测试数据生成方法、装置、设备及介质 | |
CN111124898B (zh) | 问答***测试方法、装置、计算机设备和存储介质 | |
CN117590278A (zh) | 基于动力柜的变压器故障检测方法、装置、设备及介质 | |
CN116431522A (zh) | 一种低代码对象存储网关自动化测试方法及*** | |
JP2020126603A (ja) | 自動候補修正パッチ生成 | |
CN113722238B (zh) | 一种实现对源码文件快速开源成分检测的方法和*** | |
CN114139853A (zh) | 一种基于大数据的钢结构产品清单处理方法和装置 | |
CN110633204B (zh) | 一种程序缺陷检测方法及装置 | |
CN112363933A (zh) | 字段落表的自动化验证方法、装置、计算机设备及存储介质 | |
CN108763063B (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 | |
CN115049084B (zh) | 基于区块链的故障设备溯源方法、装置、设备及存储介质 | |
CN110865939A (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
CN112148536A (zh) | 检测深度学习芯片的方法、装置、电子设备和计算机存储介质 | |
CN117129480B (zh) | 基于机器视觉的计算机主板元器件智能检测方法及装置 | |
CN112583840B (zh) | 终端框架安全检测方法、设备、存储介质及装置 |
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 |