CN116069964B - 设备工作状态检测方法、装置、电子设备及存储介质 - Google Patents
设备工作状态检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116069964B CN116069964B CN202310197797.8A CN202310197797A CN116069964B CN 116069964 B CN116069964 B CN 116069964B CN 202310197797 A CN202310197797 A CN 202310197797A CN 116069964 B CN116069964 B CN 116069964B
- Authority
- CN
- China
- Prior art keywords
- detection network
- target detection
- equipment
- pool
- preset
- 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 356
- 238000012549 training Methods 0.000 claims abstract description 222
- 238000011156 evaluation Methods 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 66
- 238000012216 screening Methods 0.000 claims description 47
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 239000003921 oil Substances 0.000 description 10
- 238000005086 pumping Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101000836345 Homo sapiens Protein SETSIP Proteins 0.000 description 1
- 102100027173 Protein SETSIP Human genes 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/535—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Library & Information Science (AREA)
Abstract
本发明实施例提供了一种设备工作状态检测方法、装置、电子设备及存储介质,涉及计算机技术领域,包括:获取训练池和评估池中的设备数据;采用训练池中设备图片及对应类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及训练池中设备图片及对应类别标签;采用更新后的设备图片及对应类别标签进行训练,以基于训练好的目标检测网络检测工作状态,从而对预设目标检测网络的模型参数、训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而及时检测设备停机,提高采油的工作效率。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及一种设备工作状态检测方法、一种设备工作状态检测装置、一种电子设备和一种计算机可读存储介质。
背景技术
抽油机是油田开采使用的重要设备之一,主要用于原油的抽取,在油田中被广泛使用,具有结构简单、制造容易、方便使用的特点。油田管理者可以根据油田的具体情况选择不同类型的抽油机进行抽油生产,由于油田分布在人员稀少的偏僻地带,还需对抽油机是否正常工作进行实时监控。
通常可以采用人工的方式进行对抽油机的状态进行检测,即由巡井工人依次检测抽油机的工作状态,但存在人工强度大,效率低等问题。另外,可以采用基于人工智能的检测方法,然而,因四季变化、光照、阴雨等条件的影响,需要人工去手动去采集、标注、训练,然后更新模型参数,工作量很大,更新的效率也比较低下,在抽油机因故障停机时,若未及时检测出抽油机停机,会严重影响采油的工作效率。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种设备工作状态检测方法、一种设备工作状态检测装置、一种电子设备和一种计算机可读存储介质。
为了解决上述问题,本发明实施例公开了一种设备工作状态检测方法,所述方法包括:
获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
可选地,所述预设目标检测网络包括第一预设目标检测网络和第二预设目标检测网络,在所述获取训练池和评估池中的设备数据之前,还包括:
获取设备图片;
将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
可选地,所述根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选,包括:
判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;
若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;
若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
可选地,所述将所述设备图片输入第一预设目标检测网络进行处理,得到所述第一预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,包括:
对所述设备图片进行图片预处理;
将预处理后的图片输入特征提取网络进行处理,得到设备特征图;
基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
可选地,所述对所述设备图片进行图片预处理,包括:
对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;
对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
可选地,所述基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数,包括:
将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;
将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;
将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签,包括:
根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;
将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;
根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数,包括:
根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选;
采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,包括:
采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;
根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率,包括:
采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;
采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
可选地,所述根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选,包括:
计算所述第一平均准确率和所述第二平均准确率的准确率平均值;
根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选,包括:
判断所述准确率平均值是否大于预设准确率阈值;
若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;
若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选,包括:
判断训练池中设备图片对应的类别标签是否为空;
若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
可选地,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值,包括:
将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;
将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;
根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
可选地,所述根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值,包括:
根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;
根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
可选地,所述根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签,包括:
判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;
根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
可选地,所述参数更新后的预设目标检测网络输出的目标框数据包括目标框对应的标签,所述根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新,包括:
若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
本发明实施例还公开了一种设备工作状态检测装置,所述装置包括:
获取模块,用于获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
训练模块,用于采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
更新模块,用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
检测模块,用于采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
可选地,所述装置还包括:
图片获取模块,用于获取设备图片;
处理模块,用于将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
筛选模块,用于根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
加入模块,用于将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
可选地,所述筛选模块,还用于判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
可选地,所述处理模块,还用于对所述设备图片进行图片预处理;将预处理后的图片输入特征提取网络进行处理,得到设备特征图;基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
可选地,所述处理模块,还用于对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
可选地,所述处理模块,还用于将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
可选地,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
可选地,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选;采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
可选地,所述更新模块,还用于采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述更新模块,还用于采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
可选地,所述更新模块,还用于计算所述第一平均准确率和所述第二平均准确率的准确率平均值;根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述更新模块,还用于判断所述准确率平均值是否大于预设准确率阈值;若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
可选地,所述更新模块,还用于判断训练池中设备图片对应的类别标签是否为空;若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
可选地,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述更新模块,还用于将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
可选地,所述更新模块,还用于根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
可选地,所述更新模块,还用于判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
可选地,所述更新模块,还用于若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
本发明实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的设备工作状态检测方法的步骤。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的设备工作状态检测方法的步骤。
本发明实施例包括以下优点:
在本发明实施例中,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。
附图说明
图1是本发明实施例提供的一种设备工作状态检测方法的步骤流程图;
图2是本发明实施例提供的另一种设备工作状态检测方法的步骤流程图;
图3是本发明实施例提供的一种第一预设目标检测网络输出目标框数据的流程示意图;
图4是本发明实施例提供的一种设备工作状态检测方法的流程示意图;
图5是本发明实施例提供的一种设备工作状态检测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
可以采用基于人工智能的检测方法检测设备的工作状态,然而,因四季变化、光照、阴雨等条件的影响,需要人工去手动去采集、标注、训练,然后更新模型参数,工作量很大,更新的效率也比较低下,在设备因故障停机时,若未及时检测出设备停机,会严重影响采油的工作效率。
本发明实施例的核心构思之一在于,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。
参照图1,示出了本发明实施例提供的一种设备工作状态检测方法的步骤流程图,所述方法具体可以包括如下步骤:
步骤101,获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签。
在具体实现中,本发明实施例中的设备可以是机电设备,机电设备可以为抽油机、钻井机等等,本发明实施例对此不加以限制。
类别标签可以包括工作状态类别和非工作状态类别。在本发明实施例中,训练池中的设备数据可以包括设备图片及设备图片对应的类别标签,评估池中的设备数据可以包括设备图片及设备图片对应的类别标签,其中评估池中的设备数据用于评估采用训练池中的设备数据进行训练的模型。
步骤102,采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数。
在本发明实施例中,可以采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,从而确定训练完毕的目标检测网络的模型参数。
步骤103,根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签。
在本发明实施例中,在确定训练完毕的目标检测网络的模型参数后,可以根据训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新。
步骤104,采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
在具体实现中,可以采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,实时获取针对设备拍摄的视频流,从视频流中确定待检测的设备图片,并将待检测的设备图片输入训练好的目标检测网络检测设备工作状态,从而确定设备的工作状态为工作状态还是非工作状态。
在本发明实施例中,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。
参照图2,示出了本发明实施例提供的另一种设备工作状态检测方法的步骤流程图,所述方法具体可以包括如下步骤:
步骤201,获取设备图片。
步骤202,将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数。
在一种可选的实施例中,所述步骤203可以包括以下子步骤S11-S13:
子步骤S11,对所述设备图片进行图片预处理。
在一种可选的实施例中,所述子步骤S11可以包括以下子步骤S111-S112:
子步骤S111,对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸。
在具体实现中,可以首先设置训练的batchsize,提取图片,接着进行图片预处理,取出图片中的噪点,将图片大小缩放到预设尺寸。具体的,可以设置尺寸为640*640,即在进行图片大小缩放过程中,不改变图片的长宽比例进行缩放,将最大边缩放至640大小,小边进行灰度填充。
子步骤S112,对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
在具体实现中,可以对缩放后的图片进行LBP(Local Binary Pattern,局部二值模式)特征处理,并采用Mosaic和MixUp进行图片的数据增强。
子步骤S12,将预处理后的图片输入特征提取网络进行处理,得到设备特征图。
在具体实现中,可以预处理后的图片依次输入ResNet50网络、FPN((FeaturePyramid Networks,特征金字塔网络)进行处理,得到设备特征图。
子步骤S13,基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
在一种可选的实施例中,所述子步骤S13可以包括以下子步骤S131-S133:
子步骤S131,将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域。
子步骤S132,将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域。
子步骤S133,将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
在具体实现中,可以将设备特征图输入RPN(Region Proposal Network,区域推荐)网络进行处理得到设备特征图的目标推荐区域,将目标推荐区域输入head层进行处理得到目标检测区域,将目标检测区域输入全连接层进行处理得到目标框、目标框对应的类别标签以及类别标签分数。
在具体实现中,第二预设目标检测网络可以采用YOLOV5网络模型进行训练。
参照图3,示出了本发明实施例提供的一种第一预设目标检测网络输出目标框数据的流程示意图,主要流程如下:
STEP1:设置训练的batchsize,提取图片;
STEP2:进行图片预处理,取出图片中的噪点,将图片大小缩放到特定尺寸;
STEP3:将处理后的图像进行LBP特征处理;
STEP4:进行训练数据的特征增强;
STEP5:经过处理后的图片进入ResNet50网络;
STEP6:图片进入FPN网络,提取特征图;
STEP7:将提取的特征图进行RPN网络得到图片的目标推荐区域;
STEP8:将推荐区域经过head层得到目标检测区域;
STEP9:目标检测网络经过全连接层,分别得到目标框、分类和得分情况。
步骤203,根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选。
在一种可选的实施例中,所述步骤203可以包括以下子步骤S21-S23:
子步骤S21,判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值。
子步骤S22,若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签。
子步骤S23,若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
在具体实现中,可以获取第一预设目标检测网络和第二预设目标检测网络的所有目标框及其类别标签分数,判断同一目标在第一预设目标检测网络和第二预设目标检测网络中的得分是否都大于设定阈值,若该目标的得分均大于设定的阈值,则将该图片及其对应的标签加入训练池中,否则删除该目标对应的类别标签。
步骤204,将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
步骤205,获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签。
步骤206,采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数。
步骤207,根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签。
在一种可选的实施例中,所述步骤207可以包括以下子步骤S31-S33:
子步骤S31,根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数。
在一种可选的实施例中,所述子步骤S31可以包括以下子步骤S311-S312:
子步骤S311,根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述子步骤S311可以包括以下子步骤S3111-S3112:
子步骤S3111,采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率。
在一种可选的实施例中,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述子步骤S3111可以包括以下子步骤S31111-S31112:
子步骤S31111,采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率。
子步骤S31112,采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
在具体实现中,可以采用训练好的第一目标检测网络的模型参数,预测评估池中数据的MAP(mean average precision,平均准确率),作为第一平均准确率;采用训练好的第二目标检测网络的模型参数,预测评估池中数据的MAP,作为第二平均准确率。
子步骤S3112,根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述子步骤S3112可以包括以下子步骤S31121-S31122:
子步骤S31121,计算所述第一平均准确率和所述第二平均准确率的准确率平均值。
子步骤S31122,根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述子步骤S31122可以包括以下子步骤S311221-S311223:
子步骤S311221,判断所述准确率平均值是否大于预设准确率阈值。
子步骤S311222,若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签。
子步骤S311223,若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述子步骤S311223可以包括:判断训练池中设备图片对应的类别标签是否为空;若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
在具体实现中,可以计算训练好的第一目标检测网络和训练好的第二目标检测网络的MAP的平均值,判定MAP的平均值是否都大于设定阈值,若都大于设定阈值,则将图片和对应标签,保留在训练池中;否则判断目标对应标签是否为空,若不为空,则将图片和对应标签,保留在训练池中,为空则删除图片及其标签文档。
子步骤S312,采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
在本发明实施例中,可以将预设目标检测网络的模型参数,更新替换为训练完毕的目标检测网络的模型参数。
子步骤S32,将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值。
在一种可选的实施例中,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述子步骤S32可以包括以下子步骤S321-S323:
子步骤S321,将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置。
子步骤S322,将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置。
子步骤S323,根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
在本发明实施例中,可以将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到参数更新后的第一预设目标检测网络输出的第一目标框位置。接着将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到参数更新后的第二预设目标检测网络输出的第二目标框位置。
子步骤S323,根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
在一种可选的实施例中,所述子步骤S323可以包括以下子步骤S3231-S3232:
子步骤S3231,根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值。
子步骤S3232,根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
在本发明实施例中,在具体实现中,可以根据第一目标框位置和评估池中的实际目标框位置,预测第一位置偏差值;根据第二目标框位置和评估池中的实际目标框位置,预测第二位置偏差值。
子步骤S33,根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
在一种可选的实施例中,所述子步骤S33可以包括以下子步骤S331-S332:
子步骤S331,判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值。
子步骤S332,根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
在一种可选的实施例中,所述子步骤S332可以包括以下子步骤S3321-S3323:
子步骤S3321,若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
子步骤S3322,若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
子步骤S3323,若所述第一位置偏差值大于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
在具体实现中,可以判定第一位置偏差值和第二位置偏差值,是否大于设定的阈值;若第一位置偏差值大于设定阈值,第二位置偏差值小于设定阈值,则则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签更新训练池中图片的标签;若第一位置偏差值大于设定阈值,第二位置偏差值大于设定阈值,则直接结束程序;若第一位置偏差值小于等于设定阈值,第二位置偏差值小于等于设定阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标和参数更新后的第一预设目标检测网络输出的目标框对应的标签签更新训练池中图片的标签;若第一位置偏差值小于设定阈值,第二位置偏差值大于设定阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签更新训练池中图片的标签。
步骤208,采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
在本发明实施例中,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。
为了使本领域技术人员更好地理解本发明实施例,下面通过一个例子加以说明。参照图4,为本发明实施例提供的一种设备工作状态检测方法的流程示意图。
STEP1:将输入的视频流,提取成图片信息;
STEP2:图片经过目标检测网络A,得到网络A的目标及其得分;
STEP3:图片经过目标检测网络B,得到网络B的目标及其得分;
STEP4:获取网络A和网络B的所有目标及其得分;
STEP5:判断同一目标在网络A和网络B中的得分是否都大于设定阈值,如该目标的得分均大于设定的阈值,则执行STEP7,否则执行STEP6;
STEP6:如该目标在网络A和网络B中的得分不全大于设定阈值,则删除该目标对应的标签;
STEP7:将该图片及其对应的标签加入训练池中;
STEP8:用训练池中的数据,训练网络A和网络B;
STEP9:用训练好的网络A的模型参数,预测评估池中数据的MAP;
STEP10:用训练好的网络B的模型参数,预测评估池中数据的MAP;
STEP11:计算网络A和网络B的MAP的平均值;
STEP12:判定MAP的平均值是否大于设定阈值,如是则执行STEP15,否则继续执行;
STEP13:判断目标对应标签是否为空,不为空,则继续执行,为空则删除图片及其标签文档,程序结束;
STEP14:删除该图片中对应类别的标签,返回STEP7;
STEP15:将图片和对应标签,保留在训练池中;
STEP16:更新网络A和网络B的模型参数;
STEP17:网络A预测评估池中的标签位置与实际偏差偏差EEA;
SETP18:网络B预测评估池中的标签位置与实际偏差偏差EEB;
STEP19:判定EEA和EEB,是否大于设定的阈值;
若EEA小于等于设定阈值,EEB大于设定阈值,则执行A+B-节点;
若EEA大于设定阈值,EEB大于设定阈值,则执行A-B-节点;
若EEA小于等于设定阈值,EEB小于等于设定阈值,则执行A+B+节点;
若EEA大于设定阈值,EEB小于等于设定阈值,则执行A-B+节点;
STEP20:若执行A+B-节点,用网络A更新训练池中图片的标签;
若执行A-B-节点,则直接结束程序;
若执行A+B+节点,则用网络A和网络B的平均值更新训练池中图片的标签;
若执行A-B+节点,则用网络B更新训练池中图片的标签;
STEP21:程序结束。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了本发明实施例提供的一种设备工作状态检测装置的结构框图,具体可以包括如下模块:
获取模块501,用于获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
训练模块502,用于采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
更新模块503,用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
检测模块504,用于采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
在一种可选的实施例中,所述装置还包括:
图片获取模块,用于获取设备图片;
处理模块,用于将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
筛选模块,用于根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
加入模块,用于将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
在一种可选的实施例中,所述筛选模块,还用于判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
在一种可选的实施例中,所述处理模块,还用于对所述设备图片进行图片预处理;将预处理后的图片输入特征提取网络进行处理,得到设备特征图;基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
在一种可选的实施例中,所述处理模块,还用于对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
在一种可选的实施例中,所述处理模块,还用于将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
在一种可选的实施例中,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
在一种可选的实施例中,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选;采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
在一种可选的实施例中,所述更新模块,还用于采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述更新模块,还用于采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
在一种可选的实施例中,所述更新模块,还用于计算所述第一平均准确率和所述第二平均准确率的准确率平均值;根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述更新模块,还用于判断所述准确率平均值是否大于预设准确率阈值;若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
在一种可选的实施例中,所述更新模块,还用于判断训练池中设备图片对应的类别标签是否为空;若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
在一种可选的实施例中,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述更新模块,还用于将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
在一种可选的实施例中,所述更新模块,还用于根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
在一种可选的实施例中,所述更新模块,还用于判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
在一种可选的实施例中,所述更新模块,还用于若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
在本发明实施例中,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,包括:
包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述设备工作状态检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储计算机程序,计算机程序被处理器执行时实现上述设备工作状态检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端设备不仅包括那些要素,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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的设备工作状态检测方法、装置、电子设备及存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (18)
1.一种设备工作状态检测方法,其特征在于,所述方法包括:
获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态;
其中,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签,包括:
根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;
其中,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,包括:
采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选;
其中,所述根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选,包括:
判断准确率平均值是否大于预设准确率阈值;
若准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;
将所述评估池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置;
根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
2.根据权利要求1所述的方法,其特征在于,所述预设目标检测网络包括第一预设目标检测网络和第二预设目标检测网络,在所述获取训练池和评估池中的设备数据之前,还包括:
获取设备图片;
将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选,包括:
判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;
若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;
若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
4.根据权利要求2所述的方法,其特征在于,所述将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,包括:
对所述设备图片进行图片预处理;
将预处理后的图片输入特征提取网络进行处理,得到设备特征图;
基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
5.根据权利要求4所述的方法,其特征在于,所述对所述设备图片进行图片预处理,包括:
对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;
对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
6.根据权利要求5所述的方法,其特征在于,所述基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数,包括:
将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;
将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;
将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
7.根据权利要求1所述的方法,其特征在于,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数,包括:
采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
8.根据权利要求1所述的方法,其特征在于,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率,包括:
采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;
采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
9.根据权利要求8所述的方法,其特征在于,所述根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选,包括:
计算所述第一平均准确率和所述第二平均准确率的准确率平均值;
根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
10.根据权利要求9所述的方法,其特征在于,所述根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选,还包括:
若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
11.根据权利要求10所述的方法,其特征在于,所述判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选,包括:
判断训练池中设备图片对应的类别标签是否为空;
若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
12.根据权利要求1所述的方法,其特征在于,所述将所述评估池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值,包括:
将所述评估池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;
将所述评估池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;
根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
13.根据权利要求12所述的方法,其特征在于,所述根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值,包括:
根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;
根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
14.根据权利要求13所述的方法,其特征在于,所述根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签,包括:
判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;
根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
15.根据权利要求14所述的方法,其特征在于,所述参数更新后的预设目标检测网络输出的目标框数据包括目标框对应的标签,所述根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新,包括:
若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
16.一种设备工作状态检测装置,其特征在于,所述装置包括:
获取模块,用于获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
训练模块,用于采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
更新模块,用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
检测模块,用于采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态;
其中,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;其中,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,包括:采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选;其中,所述根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选,包括:判断准确率平均值是否大于预设准确率阈值;若准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;将所述评估池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置;根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
17.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-15中任一项所述的设备工作状态检测方法的步骤。
18.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至15中任一项所述的设备工作状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197797.8A CN116069964B (zh) | 2023-03-03 | 2023-03-03 | 设备工作状态检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197797.8A CN116069964B (zh) | 2023-03-03 | 2023-03-03 | 设备工作状态检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116069964A CN116069964A (zh) | 2023-05-05 |
CN116069964B true CN116069964B (zh) | 2023-08-15 |
Family
ID=86173222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197797.8A Active CN116069964B (zh) | 2023-03-03 | 2023-03-03 | 设备工作状态检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069964B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298386A (zh) * | 2019-06-10 | 2019-10-01 | 成都积微物联集团股份有限公司 | 一种基于图像内容的标签自动化定义方法 |
CN115100731A (zh) * | 2022-08-10 | 2022-09-23 | 北京万里红科技有限公司 | 一种质量评价模型训练方法、装置、电子设备及存储介质 |
CN115600109A (zh) * | 2022-10-26 | 2023-01-13 | 广州欢聚时代信息科技有限公司(Cn) | 样本集优化方法及其装置、设备、介质、产品 |
-
2023
- 2023-03-03 CN CN202310197797.8A patent/CN116069964B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110298386A (zh) * | 2019-06-10 | 2019-10-01 | 成都积微物联集团股份有限公司 | 一种基于图像内容的标签自动化定义方法 |
CN115100731A (zh) * | 2022-08-10 | 2022-09-23 | 北京万里红科技有限公司 | 一种质量评价模型训练方法、装置、电子设备及存储介质 |
CN115600109A (zh) * | 2022-10-26 | 2023-01-13 | 广州欢聚时代信息科技有限公司(Cn) | 样本集优化方法及其装置、设备、介质、产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116069964A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845890B (zh) | 一种基于视频监控的仓储监控方法及装置 | |
CN108961238A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
JP5388829B2 (ja) | 侵入物体検知装置 | |
CN112883921A (zh) | 一种垃圾桶满溢检测模型训练方法及垃圾桶满溢检测方法 | |
CN109064446A (zh) | 显示屏质量检测方法、装置、电子设备及存储介质 | |
CN116385948B (zh) | 一种预警铁路边坡异常的***和方法 | |
AU2021364403A1 (en) | Rail feature identification system | |
CN116563969B (zh) | 一种设备巡检方法、装置、设备和存储介质 | |
CN113947571A (zh) | 车辆损伤检测模型的训练方法及车辆损伤识别方法 | |
CN116343436A (zh) | 一种山体滑坡检测的方法、装置、设备及介质 | |
CN105005852A (zh) | 一种基于图像分析的宿舍环境智能监测*** | |
CN109579934A (zh) | 水浸多重监测方法及*** | |
CN116069964B (zh) | 设备工作状态检测方法、装置、电子设备及存储介质 | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
CN114494845A (zh) | 一种用于施工项目现场人工智能隐患排查***及其排查方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN117726991A (zh) | 一种高空吊篮安全带检测方法及终端 | |
CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
CN117274177A (zh) | 一种基于图像识别的输电线路防外破方法及装置 | |
CN116886874A (zh) | 一种生态园安防监控预警数据的采集方法及其*** | |
CN113450385B (zh) | 一种夜间工作工程机械视觉跟踪方法、装置及存储介质 | |
CN105243355A (zh) | 一种基于事件驱动的煤层气井站异常场景远程无线安全监测方法 | |
CN112132218B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN103810691A (zh) | 一种基于视频的自动柜员机监控场景检测方法和装置 | |
CN113379683A (zh) | 物体检测方法、装置、设备及介质 |
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 |