CN117726322A - 一种探头测试设备智能管理方法及*** - Google Patents

Abstract

本发明涉及传感设备测试技术领域，特别是一种探头测试设备智能管理方法及***，根据最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于标准测试方案控制测试设备对目标探头进行测试；获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。通过本方法能够提高***的鲁棒性，从而提高测试效率，实现了全自动测试，提高经济效益。

Description

一种探头测试设备智能管理方法及***

技术领域

本发明涉及传感设备测试技术领域，特别是一种探头测试设备智能管理方法及***。

背景技术

探头即传感器的再封装形式，是把传感器的最基本单元，通过合理的电子电路与外部封装结构，对传感器进行封装，使它具有一些独立功能的一种部件，探头在精密检测领域有着广泛地应用。在探头包装出厂前，需要通过测试设备对探头进行测试，从而判断探头是否合规。在通过测试设备对探头进行测试时，现有探头测试设备的控制算法过于复杂，导致***难以调试和优化，从而降低测试效率；并且现有测试设备的智能化程度较低，往往无法根据探头的型号规格自动匹配对应的测试方案；此外，现有测试设备在对探头进行测试后，不具有故障溯源功能，导致后续在对不合格探头进行维修时，需要重新排查探头故障位置，再制定维修方案，大大降低生产效率。

发明内容

本发明克服了现有技术的不足，提供了一种探头测试设备智能管理方法及***。

为达到上述目的本发明采用的技术方案为：

本发明第一方面公开了一种探头测试设备智能管理方法，包括以下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。

进一步地，本发明的一个较佳实施例中，获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果，具体为：

S202：通过测试设备中的摄像机构获取目标探头铭牌区域位置的区域图像，并将所述区域图像均匀划分为K个超像素区域；其中，K是提前预设的超像素数目，每个超像素区域的中心即为超像素的初始中心；

S204：对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的坐标，根据所有像素的坐标计算得到每个超像素区域内所有像素的平均位置；对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的颜色，根据所有所有像素的颜色计算得到每个超像素区域内所有像素的平均颜色；

S206：将计算得到的平均位置与平均颜色作为相应超像素区域中超像素的新中心位置，并将各个超像素区域中超像素的新中心位置定义为超像素中心，得到若干个超像素中心；

S208：对于每个像素，计算其到所有超像素中心位置的距离；将像素分配给距离最近的超像素中心；分配完毕后，重复迭代S204至S206；直至迭代次数大于预设次数，则将最后一次迭代所得到的超像素中心作为最终超像素中心；其中，所述距离包括空间距离和颜色距离；

S210：根据最终的超像素中心位置，将区域图像分割为具有相似特征的超像素块，并生成图像分割结果。

进一步地，本发明的一个较佳实施例中，在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像，具体为：

在所述图像分割结果中提取出目标探头的初始铭牌图像，并将所述初始铭牌图像转化为图像矩阵；

引入奇异值分解算法，基于所述奇异值分解算法对所述图像矩阵进行奇异值分解，得到左奇异向量矩阵、对角矩阵以及右奇异向量矩阵；其中，对角矩阵中对角线上的元素为奇异值；

逐一将对角矩阵中各个奇异值与预设阈值进行比较，将奇异值小于预设阈值进行标记；比较完毕后，统计所有被标记奇异值数量，将被标记奇异值数量与总奇异值数量进行比较，得到初始铭牌图像的冗余度信息；

若所述冗余度信息不大于预设冗余度信息，则将所述初始铭牌图像作为最终铭牌图像输出；

若所述冗余度信息大于预设冗余度信息，则引入小波变换算法，通过小波变换算法将所述初始铭牌图像分解为高频子带与低率子带；其中，高频子带包含图像的细节和纹理，低频子带包含图像的整体结构；

将高频子带中低幅度的小波系数置零，保留大幅度的系数，并对小波系数进行量化，减小系数的精度，得到经过处理的小波系数；

将经过处理的小波系数重新合成图像，将合成后的小波系数进行逆小波变换，得到最终铭牌图像，并将最终铭牌图像输出。

进一步地，本发明的一个较佳实施例中，根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，具体为：

通过大数据网络获取不同型号探头所对应的标准铭牌图像，获取对不同型号探头进行测试时的标准测试方案，以及获取通过相应标准测试方案对不同型号探头进行测试后各种型号探头的各项标准测试数据；

将不同型号探头的标准铭牌图像、标准测试方案以及各项标准测试数据进行压缩绑定，得到若干个捆绑数据包；构建数据库，并将若干个捆绑数据包导入所述数据库中；以及定期更新所述数据库；

获取目标探头的最终铭牌图像，引入感知哈希算法，通过感知哈希算法计算最终铭牌图像与数据库中各标准铭牌图像之间的匹配度，得到多个匹配度；

将多个匹配度进行升序排序，排序完成后，提取出最大匹配度，获取与最大匹配度相对应的标准铭牌图像，并根据与最大匹配度相对应的标准铭牌图像在所述数据库检索出与目标探头相匹配的标准测试方案与各项标准测试数据。

进一步地，本发明的一个较佳实施例中，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格，具体为：

获取各项实际测试数据与标准测试数据中各数据的时间戳，以及获取各项实际测试数据与标准测试数据中各数据的数值；

以时间点为横坐标以及以测试数据数值为纵坐标，构建若干个平面直角坐标系；根据各项实际测试数据与标准测试数据中各数据的时间戳与数值，分别将各项实际测试数据与相对应的标准测试数据填入相对应的平面直角坐标系中，生成若干个实际-标准测试数据散点图；

计算各个实际-标准测试数据散点图中在各个相同时间点中两个数据点之间的欧氏距离，得到若干个欧氏距离；对各个实际-标准测试数据散点图中所计算得到的欧氏距离求和后取平均值处理，得到各个实际-标准测试数据散点图的平均欧氏距离；

将各个实际-标准测试数据散点图的平均欧氏距离与预设欧氏距离进行比较；将平均欧氏距离大于预设欧氏距离的实际-标准测试数据散点图标记为异常散点图；将平均欧氏距离不大于预设欧氏距离的实际-标准测试数据散点图标记为正常散点图；

统计是否存在异常散点图的情况，若存在，则将目标探头标记为不合格探头；若不存在，则将目标探头标记为合格探头。

进一步地，本发明的一个较佳实施例中，若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上，具体为：

获取目标探头中各零部件的功能信息，以及获取各项测试数据的数据特征信息；

基于灰色关联分析法分析各零部件的功能信息与各项测试数据的数据特征信息之间的关联性，将关联性大于预设关联性的零部件与相应的测试数据进行关联，得到若干个关联性文本；

构建知识图谱，并将若干个所述关联性文本导入所述知识图谱中；

若目标探头的测试结果为不合格探头，则获取与异常散点图所对应的实际测试数据，将与异常散点图所对应的实际测试数据定义为该不合格探头的异常测试数据；

将所述异常测试数据导入所述知识图谱中进行检索配对，得到与异常测试数据相关联零部件，并将与异常测试数据相关联零部件标记为故障部件；

获取所述故障部件的位置信息与部件名称信息，根据故障部件的位置信息与部件名称信息生成对该不合格探头的维修方案，并将所述维修方案与不合格探头输送至维修工作站上。

本发明第二方面公开了一种探头测试设备智能管理***，所述探头测试设备智能管理***包括存储器与处理器，所述存储器中存储有探头测试设备智能管理方法程序，当所述探头测试设备智能管理方法程序被所述处理器执行时，实现如下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。

本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：

根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。通过本方法能够提高***的鲁棒性，从而提高测试效率，实现了全自动测试，提高经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为一种探头测试设备智能管理方法的整体方法流程图；

图2为一种探头测试设备智能管理方法的部分方法流程图；

图3为一种探头测试设备智能管理***的***框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

如图1所示，本发明第一方面公开了一种探头测试设备智能管理方法，包括以下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。

需要说明的是，通过简单有效的算法对测试数据进行处理，能够提高***的鲁棒性，从而提高测试效率；能够自动匹配出与目标探头相适配的测试方案，实现了全自动测试；能够对不合格探头的故障位置进行溯源分析，从而自动地制定出相应的维修方案，从而有效提高探头维修效率，提高经济效益。

如图2所示，进一步地，本发明的一个较佳实施例中，获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果，具体为：

S202：通过测试设备中的摄像机构获取目标探头铭牌区域位置的区域图像，并将所述区域图像均匀划分为K个超像素区域；其中，K是提前预设的超像素数目，每个超像素区域的中心即为超像素的初始中心；

S204：对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的坐标，根据所有像素的坐标计算得到每个超像素区域内所有像素的平均位置；对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的颜色，根据所有所有像素的颜色计算得到每个超像素区域内所有像素的平均颜色；

S206：将计算得到的平均位置与平均颜色作为相应超像素区域中超像素的新中心位置，并将各个超像素区域中超像素的新中心位置定义为超像素中心，得到若干个超像素中心；

S208：对于每个像素，计算其到所有超像素中心位置的距离；将像素分配给距离最近的超像素中心；分配完毕后，重复迭代S204至S206；直至迭代次数大于预设次数，则将最后一次迭代所得到的超像素中心作为最终超像素中心；其中，所述距离包括空间距离和颜色距离；

S210：根据最终的超像素中心位置，将区域图像分割为具有相似特征的超像素块，并生成图像分割结果。

需要说明的是，当通过搭载在测试设备上的摄像机拍摄目标探头铭牌区域位置的区域图像后，区域图像中会存在一部分背景，因此通过SLIC算法对区域图像进行分割处理，从而将背景分割开来，得到单独的铭牌图像，以后续根据铭牌图像配对出当前待测试的探头的型号类型。SLIC（Simple Linear Iterative Clustering）算法是一种超像素分割算法，用于将图像划分为具有相似特征的超像素块。SLIC算法的特点是简单而有效，能够在保留图像结构的同时减少计算复杂度，通过控制超像素的数量，可以调整分割的粒度。通过本步骤能够快速得到单独的铭牌图像。

进一步地，本发明的一个较佳实施例中，在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像，具体为：

在所述图像分割结果中提取出目标探头的初始铭牌图像，并将所述初始铭牌图像转化为图像矩阵；

引入奇异值分解算法，基于所述奇异值分解算法对所述图像矩阵进行奇异值分解，得到左奇异向量矩阵、对角矩阵以及右奇异向量矩阵；其中，对角矩阵中对角线上的元素为奇异值；

逐一将对角矩阵中各个奇异值与预设阈值进行比较，将奇异值小于预设阈值进行标记；比较完毕后，统计所有被标记奇异值数量，将被标记奇异值数量与总奇异值数量进行比较，得到初始铭牌图像的冗余度信息；

若所述冗余度信息不大于预设冗余度信息，则将所述初始铭牌图像作为最终铭牌图像输出；

若所述冗余度信息大于预设冗余度信息，则引入小波变换算法，通过小波变换算法将所述初始铭牌图像分解为高频子带与低率子带；其中，高频子带包含图像的细节和纹理，低频子带包含图像的整体结构；

将高频子带中低幅度的小波系数置零，保留大幅度的系数，并对小波系数进行量化，减小系数的精度，得到经过处理的小波系数；

将经过处理的小波系数重新合成图像，将合成后的小波系数进行逆小波变换，得到最终铭牌图像，并将最终铭牌图像输出。

需要说明的是，尽管SLIC算法在许多情况下表现出色，但在某些情况下可能出现冗余度过高的问题。如当图像背景较为复杂，包含多个相似的纹理或颜色，SLIC算法可能难以准确地捕捉背景的细节，导致一些冗余区域；如当图像包含噪声或纹理较弱的区域，SLIC可能会在这些区域生成较大的超像素，导致分割结果在物体边界处存在冗余，导致冗余度过高。而分割得到的铭牌图像冗余度过高时，会大大影响匹配结果的可靠性，从而导致匹配出错误的标准测试方案与各项标准测试数据的情况发生，因此在匹配前，需要先通过奇异值分解算法判断分割得到的铭牌图像的冗余度是否过高，具体而言，通过分析奇异值的分布，奇异值通常按照从大到小排列，如果存在一些奇异值相对较小，那么这些较小的奇异值可能对应图像中的冗余信息。判断奇异值中哪些可以被认为是“接近零”的值，如果有很多接近零的奇异值，说明图像中存在大量冗余信息，冗余度较高。

若所述冗余度信息不大于预设冗余度信息，说明分割得到的铭牌图像不存在冗余度过高问题，则将所述初始铭牌图像作为最终铭牌图像输出。若所述冗余度信息大于预设冗余度信息，则对冗余度过高的铭牌图像进行降冗处理，从而提高后续的图像配对精度。通过本步骤能够弥补SLIC算法的自身缺陷问题，从而提高图像配对精度，从而配对得到可靠度高的标准测试方案与各项标准测试数据，提高测试结果精度。

进一步地，本发明的一个较佳实施例中，根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，具体为：

通过大数据网络获取不同型号探头所对应的标准铭牌图像，获取对不同型号探头进行测试时的标准测试方案，以及获取通过相应标准测试方案对不同型号探头进行测试后各种型号探头的各项标准测试数据；

将不同型号探头的标准铭牌图像、标准测试方案以及各项标准测试数据进行压缩绑定，得到若干个捆绑数据包；构建数据库，并将若干个捆绑数据包导入所述数据库中；以及定期更新所述数据库；

获取目标探头的最终铭牌图像，引入感知哈希算法，通过感知哈希算法计算最终铭牌图像与数据库中各标准铭牌图像之间的匹配度，得到多个匹配度；

将多个匹配度进行升序排序，排序完成后，提取出最大匹配度，获取与最大匹配度相对应的标准铭牌图像，并根据与最大匹配度相对应的标准铭牌图像在所述数据库检索出与目标探头相匹配的标准测试方案与各项标准测试数据。

需要说明的是，标准测试方案包括如测试位置、测试时间、测试电压、测试电流等。各项标准测试数据包括响应时间、功耗、灵敏度、分辨率等。通过本方法能够快速匹配到与目标探头相匹配的标准测试方案与各项标准测试数据。

进一步地，本发明的一个较佳实施例中，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格，具体为：

获取各项实际测试数据与标准测试数据中各数据的时间戳，以及获取各项实际测试数据与标准测试数据中各数据的数值；

以时间点为横坐标以及以测试数据数值为纵坐标，构建若干个平面直角坐标系；根据各项实际测试数据与标准测试数据中各数据的时间戳与数值，分别将各项实际测试数据与相对应的标准测试数据填入相对应的平面直角坐标系中，生成若干个实际-标准测试数据散点图；

计算各个实际-标准测试数据散点图中在各个相同时间点中两个数据点之间的欧氏距离，得到若干个欧氏距离；对各个实际-标准测试数据散点图中所计算得到的欧氏距离求和后取平均值处理，得到各个实际-标准测试数据散点图的平均欧氏距离；

将各个实际-标准测试数据散点图的平均欧氏距离与预设欧氏距离进行比较；将平均欧氏距离大于预设欧氏距离的实际-标准测试数据散点图标记为异常散点图；将平均欧氏距离不大于预设欧氏距离的实际-标准测试数据散点图标记为正常散点图；

统计是否存在异常散点图的情况，若存在，则将目标探头标记为不合格探头；若不存在，则将目标探头标记为合格探头。

需要说明的是，若某一实际-标准测试数据散点图的平均欧氏距离不大于预设欧氏距离，则说明该项实际测试数据与相对应的标准测试数据重合度较高，可以说明的是，该项实际测试数据正常；若某一实际-标准测试数据散点图的平均欧氏距离大于预设欧氏距离，则说明该项实际测试数据与相对应的标准测试数据重合度较低，其在相同时间点中两个数据点处于离散状态的数量较多，可以说明的是，该项实际测试数据异常。当比较完毕后，若目标探头不存在异常散点图的情况，则说明该目标探头在测试过程中各项数据均正常，则将目标探头标记为合格探头；若目标探头存在异常散点图的情况，则说明该目标探头在测试过程中某一项或多项数据异常，则将目标探头标记为不合格探头。通过本方法能够根据各项实际测试数据与标准测试数据从而判断出目标探头是否合格。

进一步地，本发明的一个较佳实施例中，若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上，具体为：

获取目标探头中各零部件的功能信息，以及获取各项测试数据的数据特征信息；

基于灰色关联分析法分析各零部件的功能信息与各项测试数据的数据特征信息之间的关联性，将关联性大于预设关联性的零部件与相应的测试数据进行关联，得到若干个关联性文本；

构建知识图谱，并将若干个所述关联性文本导入所述知识图谱中；

若目标探头的测试结果为不合格探头，则获取与异常散点图所对应的实际测试数据，将与异常散点图所对应的实际测试数据定义为该不合格探头的异常测试数据；

将所述异常测试数据导入所述知识图谱中进行检索配对，得到与异常测试数据相关联零部件，并将与异常测试数据相关联零部件标记为故障部件；

获取所述故障部件的位置信息与部件名称信息，根据故障部件的位置信息与部件名称信息生成对该不合格探头的维修方案，并将所述维修方案与不合格探头输送至维修工作站上。

需要说明的是，功能信息即是各部件的功能作用，如滤波器用于去除不需要的频率成分，提高信号质量；控制电路用于控制探头操作的电路；传感器用于转换物理量或化学量为电信号。测试数据的数据特征信息是指测试数据所具有的一些显著特点或属性，这些特点可以用于分析、评估或描述测试数据的性质，如整数、浮点数、字符串、日期、特殊字符和边界值等。基于灰色关联分析法分析各零部件的功能信息与各项测试数据的数据特征信息之间的关联性，将关联性大于预设关联性的零部件与相应的测试数据进行关联，从而生成知识图谱。将所述异常测试数据导入所述知识图谱中进行检索配对，得到与异常测试数据相关联零部件，并将与异常测试数据相关联零部件标记为故障部件，并且制定对该不合格探头相应的维修方案。通过本方法能够在根据测试数据进一步分析出探头的故障部件，从而有针对性地对不合格探头制定对应的维修方案，使得在后续维修工作站中能够根据特定的维修方案对该不合格探头进行快速维修，免去了后续对探测进行故障诊断定位的步骤，能够大大提高维修效率，进而提高生产效率，提高了探测生产测试过程中的合理性。

此外，本方法还包括以下步骤：

当对一批次的目标探头测试完毕后，获取该批次目标探测的测试结果信息，根据所述测试结果信息分析出该批次目标探头的品质等级，并将该批次目标探头的品质等级输送至云平台上；

在云平台上获取探头的各种订单信息，对各种订单信息进行特征提取，得到各种订单信息的品质等级偏好信息；

通过哈希算法计算该批次目标探头的品质等级与各种订单信息的品质等级偏好信息之间的哈希值，得到多个哈希值；

在多个哈希值中排序出最大哈希值，获取与最大哈希值对应的订单信息，将该批次目标探头入库至与最大哈希值对应的订单信息的储存仓库中。

需要说明的是，受原材料、加工设备、加工环境等因素的影响，在不同时间段所加工出来的探头质量等级也会有所不同，在本方法中，根据这一特性，结合工厂的各种订单信息，将不同等级的探头分别分配至匹配度最高的订单中，使得能够根据测试结果对不同批次探头进行合理分配，提高探头分配合理性。

此外，本方法还包括以下步骤：

获取测试设备在各种运行状态时所对应的历史运行数据，引入马尔科夫链，基于历史运行数据，通过马尔科夫链对测试设备进行状态转移概率计算，得到状态转移概率值，并根据状态转移概率值构建状态转移概率矩阵；其中，运行状态包括正常状态、故障状态以及不稳定状态；

基于深度学习网络构建运行状态评估模型，并将所述状态转移概率矩阵导入所述运行状态评估模型中进行训练，直至模型参数满足预设要求后，输出训练好的运行状态评估模型；

在预设时间节点获取测试设备的实时运行数据，将所述实时运行数据导入所述训练好的运行状态评估模型中进行预测，得到测试设备的状态转移概率；

若状态转移概率大于预设概率，则获取测试设备的状态转移类型，若状态转移类型为预设类型，控制测试设备停止测试。

需要说明的是，在通过测试设备对探头进行预测过程中，测试设备难免会发生故障，若发生故障，则有可能会导致测试结果发生错误，误将合格品判定为不合格品，传统的方式是采用人工方式对测试设备进行故障诊查，效率低下，且可靠性低，在本方法中，通过结合马尔科夫链构建运行状态评估模型，从而使得***能够实时的对测试设备进行状态评估，若状态转移类型为预设类型，机故障类型，则控制测试设备停止测试，避免发生误将合格品判定为不合格品的情况，提高可靠性。

如图3所示，本发明第二方面公开了一种探头测试设备智能管理***，所述探头测试设备智能管理***包括存储器11与处理器22，所述存储器11中存储有探头测试设备智能管理方法程序，当所述探头测试设备智能管理方法程序被所述处理器22执行时，实现如下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。

进一步地，本发明的一个较佳实施例中，获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果，具体为：

S202：通过测试设备中的摄像机构获取目标探头铭牌区域位置的区域图像，并将所述区域图像均匀划分为K个超像素区域；其中，K是提前预设的超像素数目，每个超像素区域的中心即为超像素的初始中心；

S204：对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的坐标，根据所有像素的坐标计算得到每个超像素区域内所有像素的平均位置；对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的颜色，根据所有所有像素的颜色计算得到每个超像素区域内所有像素的平均颜色；

S206：将计算得到的平均位置与平均颜色作为相应超像素区域中超像素的新中心位置，并将各个超像素区域中超像素的新中心位置定义为超像素中心，得到若干个超像素中心；

S208：对于每个像素，计算其到所有超像素中心位置的距离；将像素分配给距离最近的超像素中心；分配完毕后，重复迭代S204至S206；直至迭代次数大于预设次数，则将最后一次迭代所得到的超像素中心作为最终超像素中心；其中，所述距离包括空间距离和颜色距离；

S210：根据最终的超像素中心位置，将区域图像分割为具有相似特征的超像素块，并生成图像分割结果。

进一步地，本发明的一个较佳实施例中，在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像，具体为：

在所述图像分割结果中提取出目标探头的初始铭牌图像，并将所述初始铭牌图像转化为图像矩阵；

引入奇异值分解算法，基于所述奇异值分解算法对所述图像矩阵进行奇异值分解，得到左奇异向量矩阵、对角矩阵以及右奇异向量矩阵；其中，对角矩阵中对角线上的元素为奇异值；

逐一将对角矩阵中各个奇异值与预设阈值进行比较，将奇异值小于预设阈值进行标记；比较完毕后，统计所有被标记奇异值数量，将被标记奇异值数量与总奇异值数量进行比较，得到初始铭牌图像的冗余度信息；

若所述冗余度信息不大于预设冗余度信息，则将所述初始铭牌图像作为最终铭牌图像输出；

若所述冗余度信息大于预设冗余度信息，则引入小波变换算法，通过小波变换算法将所述初始铭牌图像分解为高频子带与低率子带；其中，高频子带包含图像的细节和纹理，低频子带包含图像的整体结构；

将高频子带中低幅度的小波系数置零，保留大幅度的系数，并对小波系数进行量化，减小系数的精度，得到经过处理的小波系数；

将经过处理的小波系数重新合成图像，将合成后的小波系数进行逆小波变换，得到最终铭牌图像，并将最终铭牌图像输出。

进一步地，本发明的一个较佳实施例中，根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，具体为：

通过大数据网络获取不同型号探头所对应的标准铭牌图像，获取对不同型号探头进行测试时的标准测试方案，以及获取通过相应标准测试方案对不同型号探头进行测试后各种型号探头的各项标准测试数据；

将不同型号探头的标准铭牌图像、标准测试方案以及各项标准测试数据进行压缩绑定，得到若干个捆绑数据包；构建数据库，并将若干个捆绑数据包导入所述数据库中；以及定期更新所述数据库；

获取目标探头的最终铭牌图像，引入感知哈希算法，通过感知哈希算法计算最终铭牌图像与数据库中各标准铭牌图像之间的匹配度，得到多个匹配度；

将多个匹配度进行升序排序，排序完成后，提取出最大匹配度，获取与最大匹配度相对应的标准铭牌图像，并根据与最大匹配度相对应的标准铭牌图像在所述数据库检索出与目标探头相匹配的标准测试方案与各项标准测试数据。

进一步地，本发明的一个较佳实施例中，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格，具体为：

获取各项实际测试数据与标准测试数据中各数据的时间戳，以及获取各项实际测试数据与标准测试数据中各数据的数值；

以时间点为横坐标以及以测试数据数值为纵坐标，构建若干个平面直角坐标系；根据各项实际测试数据与标准测试数据中各数据的时间戳与数值，分别将各项实际测试数据与相对应的标准测试数据填入相对应的平面直角坐标系中，生成若干个实际-标准测试数据散点图；

计算各个实际-标准测试数据散点图中在各个相同时间点中两个数据点之间的欧氏距离，得到若干个欧氏距离；对各个实际-标准测试数据散点图中所计算得到的欧氏距离求和后取平均值处理，得到各个实际-标准测试数据散点图的平均欧氏距离；

将各个实际-标准测试数据散点图的平均欧氏距离与预设欧氏距离进行比较；将平均欧氏距离大于预设欧氏距离的实际-标准测试数据散点图标记为异常散点图；将平均欧氏距离不大于预设欧氏距离的实际-标准测试数据散点图标记为正常散点图；

统计是否存在异常散点图的情况，若存在，则将目标探头标记为不合格探头；若不存在，则将目标探头标记为合格探头。

进一步地，本发明的一个较佳实施例中，若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上，具体为：

获取目标探头中各零部件的功能信息，以及获取各项测试数据的数据特征信息；

基于灰色关联分析法分析各零部件的功能信息与各项测试数据的数据特征信息之间的关联性，将关联性大于预设关联性的零部件与相应的测试数据进行关联，得到若干个关联性文本；

构建知识图谱，并将若干个所述关联性文本导入所述知识图谱中；

若目标探头的测试结果为不合格探头，则获取与异常散点图所对应的实际测试数据，将与异常散点图所对应的实际测试数据定义为该不合格探头的异常测试数据；

将所述异常测试数据导入所述知识图谱中进行检索配对，得到与异常测试数据相关联零部件，并将与异常测试数据相关联零部件标记为故障部件；

获取所述故障部件的位置信息与部件名称信息，根据故障部件的位置信息与部件名称信息生成对该不合格探头的维修方案，并将所述维修方案与不合格探头输送至维修工作站上。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例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中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种探头测试设备智能管理方法，其特征在于，包括以下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。

2.根据权利要求1所述的一种探头测试设备智能管理方法，其特征在于，获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果，具体为：

S202：通过测试设备中的摄像机构获取目标探头铭牌区域位置的区域图像，并将所述区域图像均匀划分为K个超像素区域；其中，K是提前预设的超像素数目，每个超像素区域的中心即为超像素的初始中心；

S204：对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的坐标，根据所有像素的坐标计算得到每个超像素区域内所有像素的平均位置；对于每个超像素区域，遍历其区域内的所有像素，并获取所有像素的颜色，根据所有所有像素的颜色计算得到每个超像素区域内所有像素的平均颜色；

S206：将计算得到的平均位置与平均颜色作为相应超像素区域中超像素的新中心位置，并将各个超像素区域中超像素的新中心位置定义为超像素中心，得到若干个超像素中心；

S208：对于每个像素，计算其到所有超像素中心位置的距离；将像素分配给距离最近的超像素中心；分配完毕后，重复迭代S204至S206；直至迭代次数大于预设次数，则将最后一次迭代所得到的超像素中心作为最终超像素中心；其中，所述距离包括空间距离和颜色距离；

S210：根据最终的超像素中心位置，将区域图像分割为具有相似特征的超像素块，并生成图像分割结果。

3.根据权利要求2所述的一种探头测试设备智能管理方法，其特征在于，在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像，具体为：

在所述图像分割结果中提取出目标探头的初始铭牌图像，并将所述初始铭牌图像转化为图像矩阵；

引入奇异值分解算法，基于所述奇异值分解算法对所述图像矩阵进行奇异值分解，得到左奇异向量矩阵、对角矩阵以及右奇异向量矩阵；其中，对角矩阵中对角线上的元素为奇异值；

逐一将对角矩阵中各个奇异值与预设阈值进行比较，将奇异值小于预设阈值进行标记；比较完毕后，统计所有被标记奇异值数量，将被标记奇异值数量与总奇异值数量进行比较，得到初始铭牌图像的冗余度信息；

若所述冗余度信息不大于预设冗余度信息，则将所述初始铭牌图像作为最终铭牌图像输出；

若所述冗余度信息大于预设冗余度信息，则引入小波变换算法，通过小波变换算法将所述初始铭牌图像分解为高频子带与低率子带；其中，高频子带包含图像的细节和纹理，低频子带包含图像的整体结构；

将高频子带中低幅度的小波系数置零，保留大幅度的系数，并对小波系数进行量化，减小系数的精度，得到经过处理的小波系数；

将经过处理的小波系数重新合成图像，将合成后的小波系数进行逆小波变换，得到最终铭牌图像，并将最终铭牌图像输出。

4.根据权利要求1所述的一种探头测试设备智能管理方法，其特征在于，根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，具体为：

通过大数据网络获取不同型号探头所对应的标准铭牌图像，获取对不同型号探头进行测试时的标准测试方案，以及获取通过相应标准测试方案对不同型号探头进行测试后各种型号探头的各项标准测试数据；

将不同型号探头的标准铭牌图像、标准测试方案以及各项标准测试数据进行压缩绑定，得到若干个捆绑数据包；构建数据库，并将若干个捆绑数据包导入所述数据库中；以及定期更新所述数据库；

获取目标探头的最终铭牌图像，引入感知哈希算法，通过感知哈希算法计算最终铭牌图像与数据库中各标准铭牌图像之间的匹配度，得到多个匹配度；

将多个匹配度进行升序排序，排序完成后，提取出最大匹配度，获取与最大匹配度相对应的标准铭牌图像，并根据与最大匹配度相对应的标准铭牌图像在所述数据库检索出与目标探头相匹配的标准测试方案与各项标准测试数据。

5.根据权利要求1所述的一种探头测试设备智能管理方法，其特征在于，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格，具体为：

获取各项实际测试数据与标准测试数据中各数据的时间戳，以及获取各项实际测试数据与标准测试数据中各数据的数值；

以时间点为横坐标以及以测试数据数值为纵坐标，构建若干个平面直角坐标系；根据各项实际测试数据与标准测试数据中各数据的时间戳与数值，分别将各项实际测试数据与相对应的标准测试数据填入相对应的平面直角坐标系中，生成若干个实际-标准测试数据散点图；

计算各个实际-标准测试数据散点图中在各个相同时间点中两个数据点之间的欧氏距离，得到若干个欧氏距离；对各个实际-标准测试数据散点图中所计算得到的欧氏距离求和后取平均值处理，得到各个实际-标准测试数据散点图的平均欧氏距离；

将各个实际-标准测试数据散点图的平均欧氏距离与预设欧氏距离进行比较；将平均欧氏距离大于预设欧氏距离的实际-标准测试数据散点图标记为异常散点图；将平均欧氏距离不大于预设欧氏距离的实际-标准测试数据散点图标记为正常散点图；

统计是否存在异常散点图的情况，若存在，则将目标探头标记为不合格探头；若不存在，则将目标探头标记为合格探头。

6.根据权利要求1所述的一种探头测试设备智能管理方法，其特征在于，若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上，具体为：

获取目标探头中各零部件的功能信息，以及获取各项测试数据的数据特征信息；

基于灰色关联分析法分析各零部件的功能信息与各项测试数据的数据特征信息之间的关联性，将关联性大于预设关联性的零部件与相应的测试数据进行关联，得到若干个关联性文本；

构建知识图谱，并将若干个所述关联性文本导入所述知识图谱中；

若目标探头的测试结果为不合格探头，则获取与异常散点图所对应的实际测试数据，将与异常散点图所对应的实际测试数据定义为该不合格探头的异常测试数据；

将所述异常测试数据导入所述知识图谱中进行检索配对，得到与异常测试数据相关联零部件，并将与异常测试数据相关联零部件标记为故障部件；

获取所述故障部件的位置信息与部件名称信息，根据故障部件的位置信息与部件名称信息生成对该不合格探头的维修方案，并将所述维修方案与不合格探头输送至维修工作站上。

7.一种探头测试设备智能管理***，其特征在于，所述探头测试设备智能管理***包括存储器与处理器，所述存储器中存储有探头测试设备智能管理方法程序，当所述探头测试设备智能管理方法程序被所述处理器执行时，实现如下步骤：

S102：获取目标探头铭牌区域位置的区域图像，基于SLIC算法对区域图像进行分割处理，得到图像分割结果；

S104：在所述图像分割结果中提取出目标探头的初始铭牌图像，并对所述初始铭牌图像进行冗余度分析处理，分析处理完毕后，输出最终铭牌图像；

S106：根据所述最终铭牌图像在数据库中匹配出目标探头的标准测试方案与各项标准测试数据，并基于所述标准测试方案控制测试设备对目标探头进行测试；

S108：获取目标探测的各项实际测试数据，将各项实际测试数据与相对应的标准测试数据进行比较分析，根据分析结果判断出目标探头是否合格；

S110：若目标探头的测试结果为合格探头，则将目标探头转移至包装工作站上；若目标探头的测试结果为不合格探头，则分析目标探头的故障部件，并生成维修方案，将维修方案与不合格探头输送至维修工作站上。