一种基于深度学习的废弃数据存储设备检测方法及系统与流程

本发明涉及计算机视觉，尤其涉及一种基于深度学习的废弃数据存储设备检测方法及系统。

背景技术：

1、随着数据中心扩容、终端设备更新和电子废弃物回收规模增长，针对废弃数据存储设备的外观损伤检测与状态评估技术受到广泛关注。现有检测方式主要依赖人工目视检查、单视角图像识别或普通卷积网络的表面缺陷分割，但是在实际应用中普遍存在以下问题：

2、废弃数据存储设备的壳体、接口和封装区域结构复杂，不同部件之间存在遮挡、尺度差异及方向变化，单视角图像难以完整呈现裂纹、变形和烧蚀区域，容易造成损伤漏检及位置偏差；现有深度学习检测模型通常依赖大量真实损伤样本进行训练，废弃设备损伤形态分散且样本标注成本较高，简单粘贴或随机扰动生成的异常图像缺乏部件连接关系和损伤传播规律，导致训练数据与真实损伤机理不一致；传统特征差异方法多关注对应像素或局部纹理变化，难以描述部件之间的位置距离与连接方向变化，同时缺少跨视角异常响应持续性分析，易将反光、污渍及局部阴影识别为损伤，影响损伤区域分割、损伤类型判定及损伤等级评估的准确性。

3、因此，如何提供一种基于深度学习的废弃数据存储设备检测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于深度学习的废弃数据存储设备检测方法及系统，本发明采用多视角图像分析和改进型destseg模型，结合损伤势能传播、结构关系编码及观测轨道持久量完成损伤区域分割、类型识别和等级评估，具备检测准确率高、误检率低和适应性强的优点。

2、根据本发明实施例的一种基于深度学习的废弃数据存储设备检测方法，包括如下步骤：

3、步骤一：采集废弃数据存储设备多视角图像及正常样本图像，生成图像集；

4、步骤二：对图像集执行空间配准和尺度归一，提取部件边界及连接关系，生成部件结构记录与局部坐标域；

5、步骤三：依据部件结构记录确定损伤起点，沿部件连接方向传播损伤势能，生成损伤传播掩膜与机理约束异常图像；

6、步骤四：构建改进型destseg模型，将正常样本图像和机理约束异常图像分别输入教师网络与去噪学生网络，生成教师特征与学生特征；

7、步骤五：将教师特征与学生特征映射至局部坐标域，编码位置距离和连接方向，生成教师结构关系张量与学生结构关系张量；

8、步骤六：计算教师结构关系张量与学生结构关系张量的关系差异，结合教师特征与学生特征的特征差异生成单视图异常图；

9、步骤七：将单视图异常图映射至局部坐标域，沿视角序列记录异常响应的位置变化和保持区间，生成观测轨道持久量；

10、步骤八：依据观测轨道持久量重标定单视图异常图，分割损伤区域，生成损伤类型及对应位置和损伤等级。

11、可选的，所述步骤一具体为：

12、将废弃数据存储设备固定于旋转载台，设定成像距离、焦距、照明强度和采集角度间隔，标定旋转载台的旋转轴线与图像采集坐标系；

13、驱动旋转载台围绕旋转轴线完成一周旋转，按照采集角度间隔获取废弃数据存储设备图像，记录设备标识和采集方位，生成废弃数据存储设备多视角图像；

14、按照成像距离、焦距、照明强度和采集方位采集无损同型号数据存储设备图像，依据设备标识归集各采集方位对应的图像，生成正常样本图像；

15、依据设备标识和采集方位关联废弃数据存储设备多视角图像与正常样本图像，生成图像集。

16、可选的，所述步骤二具体为：

17、从图像集中选取一幅废弃数据存储设备多视角图像作为基准图像，提取基准图像与剩余废弃数据存储设备多视角图像中的对应特征点，依据对应特征点的坐标偏差计算空间变换参数；

18、依据空间变换参数将废弃数据存储设备多视角图像与正常样本图像映射至基准图像坐标范围，按照统一像素尺寸调整映射图像的像素间距，生成配准图像集；

19、对配准图像集执行边缘响应提取和闭合区域划分，根据闭合区域确定部件边界，计算部件边界之间的接触长度与间隔距离，依据接触长度阈值和间隔距离阈值确定连接关系；

20、为部件边界配置部件标识，将部件标识、部件边界坐标和连接关系写入部件结构记录，以部件边界中心为坐标原点，以部件边界主方向为横轴建立局部坐标域。

21、可选的，所述步骤三具体为：

22、读取部件结构记录中的部件标识、部件边界坐标和连接关系，依据部件边界坐标计算边界曲率，依据连接关系计算连接距离和连接方向偏差，根据边界曲率、连接距离和连接方向偏差生成损伤起点评分；

23、按照损伤起点评分对部件边界坐标进行排序，将损伤起点评分最大值对应的部件边界坐标确定为损伤起点，并为损伤起点配置初始损伤势能；

24、以损伤起点为传播源，沿连接关系对应的部件连接方向传播损伤势能，根据连接距离和连接方向偏差计算势能衰减量，逐级更新部件边界坐标对应的损伤势能；

25、将损伤势能达到传播阈值的部件边界坐标标记为损伤传播位置，根据损伤传播位置和对应损伤势能生成损伤传播掩膜，将损伤传播掩膜映射至正常样本图像，并依据对应损伤势能调整像素值，生成机理约束异常图像。

26、可选的，所述步骤四具体为：

27、建立包含教师网络和去噪学生网络的改进型destseg模型，将教师网络设置为参数冻结的特征编码结构，将去噪学生网络设置为参数更新的编码解码结构，并使教师网络与去噪学生网络具有相同的特征输出层级和特征通道数量；

28、依据设备标识和采集方位，将正常样本图像、基于正常样本图像生成的机理约束异常图像及对应损伤传播掩膜进行关联，统一正常样本图像、机理约束异常图像及损伤传播掩膜的像素尺寸，生成训练样本；

29、将正常样本图像输入教师网络进行分层特征编码，将机理约束异常图像输入去噪学生网络进行分层特征编码和特征解码，从相同特征输出层级提取教师中间特征与学生中间特征；

30、按照教师中间特征与学生中间特征的空间尺寸缩放损伤传播掩膜，依据缩放后的损伤传播掩膜确定损伤传播位置，计算损伤传播位置内教师中间特征与学生中间特征的去噪恢复偏差，并计算损伤传播位置外教师中间特征与学生中间特征的一致性偏差；

31、依据去噪恢复偏差和一致性偏差更新去噪学生网络参数，重复输入训练样本，直至相邻训练轮次的去噪恢复偏差变化量不大于收敛阈值，固定去噪学生网络参数，将教师中间特征归集为教师特征，将学生中间特征归集为学生特征。

32、可选的，所述步骤五具体为：

33、按照特征输出层级将教师特征与学生特征映射至局部坐标域，依据部件边界坐标为教师特征位置和学生特征位置配置部件标识，生成教师局部特征表与学生局部特征表；

34、读取部件结构记录中的连接关系，筛选具有连接关系的部件标识，按照筛选结果从教师局部特征表与学生局部特征表中提取特征位置，建立教师特征位置对与学生特征位置对；

35、计算教师特征位置对在局部坐标域中的坐标距离和相对横轴的方向角，生成教师位置距离矩阵与教师连接方向矩阵，计算学生特征位置对在局部坐标域中的坐标距离和相对横轴的方向角，生成学生位置距离矩阵与学生连接方向矩阵；

36、按照部件标识和特征输出层级统一矩阵索引，将教师位置距离矩阵与教师连接方向矩阵写入教师结构关系张量，将学生位置距离矩阵与学生连接方向矩阵写入学生结构关系张量。

37、可选的，所述步骤六具体为：

38、按照部件标识和特征输出层级对齐教师结构关系张量与学生结构关系张量，分别计算对应张量位置的位置距离差值和连接方向差值，对位置距离差值与连接方向差值进行归一化，按照设定权重融合归一化结果，生成关系差异张量；

39、依据关系差异张量对应的部件标识和特征输出层级，将关系差异张量中的关系差异值映射至局部坐标域，按照特征位置归集关系差异值，生成关系差异图；

40、按照特征输出层级对齐教师特征与学生特征，计算对应特征位置的通道特征差值，对通道特征差值的绝对值求平均，将平均结果映射至局部坐标域，生成特征差异图；

41、将关系差异图与特征差异图调整至统一空间尺寸，对关系差异图与特征差异图进行数值归一化，按照设定融合权重计算对应特征位置的异常响应，依据采集方位归集异常响应，生成单视图异常图。

42、可选的，所述步骤七具体为：

43、依据采集方位读取单视图异常图，按照部件标识确定异常响应所属部件，将异常响应位置由图像坐标转换为局部坐标，按照局部坐标排列异常响应，生成局部异常图；

44、按照采集方位递增顺序排列局部异常图，形成视角序列，计算相邻采集方位中部件标识一致的异常响应位置之间的局部坐标距离，将局部坐标距离不大于跟踪阈值的异常响应依次连接，生成异常响应轨迹；

45、沿视角序列计算异常响应轨迹中相邻异常响应位置的横坐标差和纵坐标差，根据横坐标差与纵坐标差生成位置变化，记录异常响应轨迹连续存在的起始采集方位和终止采集方位，生成保持区间；

46、依据异常响应轨迹的位置变化计算位置变化平均值，依据起始采集方位与终止采集方位计算保持区间长度，对位置变化平均值进行反向归一化，对保持区间长度进行正向归一化，按照设定权重融合归一化结果，生成观测轨道持久量。

47、可选的，所述步骤八具体为：

48、依据异常响应轨迹将观测轨道持久量映射至采集方位对应的单视图异常图，利用观测轨道持久量重标定异常响应，生成重标定单视图异常图；

49、依据分割阈值筛选重标定单视图异常图中的损伤位置，连接局部坐标相邻且部件标识一致的损伤位置，生成损伤区域；

50、提取损伤区域的区域面积、边界长宽比、相对部件边界主方向的延伸角度和重标定异常响应，依据边界长宽比和延伸角度确定损伤类型，依据区域面积和重标定异常响应生成损伤程度值；

51、依据损伤区域的部件标识和中心坐标确定对应位置，依据损伤程度值对应的等级区间确定损伤等级，生成损伤类型及对应位置和损伤等级。

52、根据本发明实施例的一种基于深度学习的废弃数据存储设备检测系统，包括：

53、图像采集模块，用于采集废弃数据存储设备多视角图像及正常样本图像，生成图像集；

54、配准建模模块，用于对图像集执行空间配准和尺度归一，提取部件边界及连接关系，生成部件结构记录与局部坐标域；

55、异常构造模块，用于确定损伤起点并沿部件连接方向传播损伤势能，生成损伤传播掩膜与机理约束异常图像；

56、特征提取模块，用于构建改进型destseg模型，将正常样本图像和机理约束异常图像分别输入教师网络与去噪学生网络，生成教师特征与学生特征；

57、关系编码模块，用于将教师特征与学生特征映射至局部坐标域，编码位置距离和连接方向，生成教师结构关系张量与学生结构关系张量；

58、差异融合模块，用于计算教师结构关系张量与学生结构关系张量的关系差异，结合教师特征与学生特征的特征差异生成单视图异常图；

59、轨道分析模块，用于将单视图异常图映射至局部坐标域，沿视角序列记录异常响应的位置变化和保持区间，生成观测轨道持久量；

60、损伤输出模块，用于依据观测轨道持久量重标定单视图异常图，分割损伤区域，生成损伤类型及对应位置和损伤等级。

61、本发明的有益效果是：

62、本发明通过采集废弃数据存储设备多视角图像与正常样本图像，执行空间配准和尺度归一，并依据部件边界及连接关系建立部件结构记录与局部坐标域，使不同采集方位下的设备图像能够在统一结构基准内进行比较。依据边界曲率、连接距离和连接方向偏差确定损伤起点，并沿部件连接方向传播损伤势能，可生成符合设备结构及损伤扩展规律的损伤传播掩膜与机理约束异常图像，减少对大量真实损伤样本的依赖，提升训练样本与实际损伤形态之间的一致性。

63、本发明通过改进型destseg模型提取教师特征与学生特征，并在局部坐标域中编码位置距离和连接方向，将结构关系差异与特征差异融合生成单视图异常图，能够增强对部件变形、裂纹及烧蚀区域的识别能力。沿视角序列分析异常响应的位置变化和保持区间，并利用观测轨道持久量重标定单视图异常图，可抑制反光、污渍及局部阴影形成的短时异常响应，提高损伤区域分割、损伤类型判定、对应位置确定和损伤等级评估的准确性与稳定性。