设备状态监测方法、设备检测系统和计算机可读存储介质与流程

本技术涉及设备监测，特别涉及一种设备状态监测方法、设备检测系统和计算机可读存储介质。

背景技术：

1、在外观检测工序中，光学检测设备是保障产品加工精度与外观品质的检测装备之一，其中，光学检测设备的模板定位精度直接决定了缺陷检测的准确率与产品良率水平。相关技术中，光学检测设备的精度校验与异常诊断通常采用人工定期抽检与经验判断的离线排查方式，即通过现场运维人员人工抽取检测渲染图比对模板框线位置，凭借从业经验判定设备定位是否异常，且多以人工设定的模糊合格标准作为判定依据，以保障光学检测设备的基础检测精度。然而如此，无法实时持续感知设备各检测点位的定位精度变化与波动规律，也无法量化区分设备自身机械抖动的随机波动与模板基准漂移的系统性偏移这两类异常根因，故无法在设备运动模组老化、产线环境振动干扰加剧或模板基准发生漂移时，实现精度状态的动态监测与多厂区设备的统一对标管控，易导致设备因精度衰退未被及时发现而出现检测框偏移、缺陷漏检误判。

技术实现思路

1、本技术提供了一种设备状态监测方法、设备检测系统和计算机可读存储介质。

2、本技术实施方式提供一种设备状态监测方法，所述方法包括：

3、建立预设数据库，所述预设数据库包括多个检测设备在多个检测点位处的历史渲染图及标准模板渲染图；

4、获取多个所述检测设备的多张历史渲染图，并对基准模型进行训练，得到目标检测模型；

5、实时获取目标检测设备在目标检测点位生成的连续多张目标渲染图，并存储在所述预设数据库；

6、基于所述目标检测模型，分别对每张所述目标渲染图进行感兴趣区域检测，针对感兴趣区域进行裁剪，确定模板区域图像集，其中，所述模板区域图像集包括多张目标模板区域图像；

7、分别计算每张所述目标模板区域图像和目标标准模板渲染图的第一相似性指数，以确定第一相似性指数序列及与所述第一相似性指数序列对应的模板相似度指标，所述目标标准模板渲染图用于指示目标检测设备在目标检测点位的标准模板渲染图；

8、计算所述目标模板区域图像和对应历史模板区域图像间的第二相似性指数，以确定第二相似性指数序列及与所述第二相似性指数序列对应的稳定性指标；

9、根据所述模板相似度指标与第一预设阈值的比较结果，和/或所述稳定性指标与第二预设阈值的比较结果，判断所述目标检测设备的设备状态。

10、如此，本技术提供一种设备状态监测方法，通过建立预设数据库，预设数据库包括多个检测设备在多个检测点位处的历史渲染图及标准模板渲染图。接着，获取多个检测设备的多张历史渲染图，并对基准模型进行训练，得到目标检测模型。随后，实时获取目标检测设备在目标检测点位生成的连续多张目标渲染图，并存储在预设数据库。并且，基于目标检测模型，分别对每张目标渲染图进行感兴趣区域检测，针对感兴趣区域进行裁剪，确定模板区域图像集，其中，模板区域图像集包括多张目标模板区域图像。然后，分别计算每张目标模板区域图像和目标标准模板渲染图的第一相似性指数，以确定第一相似性指数序列及与第一相似性指数序列对应的模板相似度指标，目标标准模板渲染图用于指示目标检测设备在目标检测点位的标准模板渲染图。同时，计算目标模板区域图像和对应历史模板区域图像间的第二相似性指数，以确定第二相似性指数序列及与第二相似性指数序列对应的稳定性指标。最后，根据模板相似度指标与第一预设阈值的比较结果，和/或稳定性指标与第二预设阈值的比较结果，判断目标检测设备的设备状态。这样，能够通过模板相似度指标和/或稳定性指标，分别对设备状态进行评估，区分检测设备的系统性模板定位偏移与随机性自身定位波动两类异常根源，从而实现设备定位精度的自动化、精细化诊断，为设备运维工作提供明确的优化方向。同时，依托统一的量化评估标准与集中化的数据库管理，可实现跨厂区、多机台的检测精度横向对标，为全厂区的检测品质标准统一提供可靠的数据依据，保障不同产线、不同设备间的检测一致性，避免因设备精度差异导致的品质管控漏洞。

11、在某些实施方式中，所述实时获取目标检测设备在目标检测点位生成的连续多张目标渲染图，并存储在所述预设数据库，包括：

12、基于所述目标检测设备，于所述目标检测点位进行视觉定位并拍照，生成原始图像；

13、对所述原始图像进行模板框线叠加处理，生成所述目标渲染图，并将所述目标渲染图存储至所述预设数据库，其中，所述模板框线用于框定所述目标检测点位对应的待检测目标区域。

14、如此，能够使生成的目标渲染图同时承载部件实物的拍摄特征与检测设备的模板定位结果，直观反映设备在目标检测点位的视觉定位实际状态，确保后续相似度计算的分析对象直接对应设备的模板定位精度，而非单纯的图像内容差异，为后续计算提供统一、可靠的图像基准。

15、在某些实施方式中，所述预设数据库还存储有与每张所述渲染图相对应的加工信息，所述加工信息包括检测设备编号、产品型号、拍摄时间、检测点位编号和/或图像存储路径。

16、如此，能够实现渲染图数据的结构化和索引管理，为后续指标计算、状态研判与运维追溯提供清晰可靠的数据支撑。

17、在某些实施方式中，所述基准模型包括backbone模块、neck模块和head模块；

18、所述backbone模块由cbs卷积块、c3k2模块、sppf模块和c2psa模块组成，用于提取图像的基础特征；

19、所述neck模块包括上采样模块、特征拼接模块、c3k2模块和cbs卷积块，用于融合不同尺度的特征图；

20、所述head模块由cbs卷积块、dsc模块以及conv2d卷积层堆叠构成，用于输出预测边界框、置信度和类别信息。

21、如此，能够明确基准模型的架构与核心模块组成，能够确保目标检测模型对工业渲染图的特征提取能力与检测精度，其中，backbone的多类型卷积与注意力模块能够精准捕捉模板区域的视觉特征，neck的多尺度特征融合能够适配不同尺寸、不同视野的渲染图检测需求，head模块则能够输出精准的边界框定位结果。

22、在某些实施方式中，所述获取多个所述检测设备的多张历史渲染图，并对基准模型进行训练，得到目标检测模型，包括：

23、于所述基准模型中backbone模块的主干网络嵌入坐标注意力机制，并于neck模块中的特征融合网络增设多尺度细节保持路径；

24、根据所述基准模型，对所述历史渲染图进行感兴趣区域检测，标记出每张所述历史渲染图中的第一模板区域边界框；

25、根据所述第一模板区域边界框和所述标准模板渲染图中的第二模板区域边界框，确定边界框损失、分类损失和分布焦点损失；

26、基于预设权重，对所述边界框损失、所述分类损失和所述分布焦点损失进行加权求和，确定训练损失函数；

27、基于所述训练损失函数，对所述基准模型进行迭代优化，得到所述目标检测模型。

28、如此，能够通过网络架构的针对性优化与多维度损失函数的联合约束，提升目标检测模型对渲染图模板区域的定位精度、场景鲁棒性与工业工况适配性，进而为后续感兴趣区域的精准裁切提供稳定可靠的模型支撑。

29、在某些实施方式中，所述分别计算每张所述目标模板区域图像和目标标准模板渲染图的第一相似性指数，以确定第一相似性指数序列及与所述第一相似性指数序列对应的模板相似度指标，包括：

30、基于第一预设滑动窗口，对当前处理的所述目标模板区域图像和所述目标标准模板渲染图进行逐块计算，得到对应滑动窗口的第一局部相似值；

31、计算所有滑动窗口的第一局部相似值的平均值，确定当前处理的所述模板区域图像和所述目标标准模板渲染图的第一相似性指数；

32、根据所述第一相似性指数，确定所述第一相似性指数序列；

33、计算所述第一相似性指数序列中所有第一相似性指数的算术平均值，确定所述模板相似度指标。

34、如此，通过滑动窗口逐块计算再取均值的方式，能够有效降低局部噪声、微小杂点对相似度计算结果的干扰，提升相似性指数的稳定性与可靠性。同时，基于连续多张图像的相似性指数取算术平均值得到最终模板相似度指标，能够进一步抵消单次检测的随机波动影响，更准确地反映设备检测结果与标准模板之间的系统性偏差程度，避免因单张图像异常导致的误判。

35、在某些实施方式中，所述对当前处理的所述目标模板区域图像和所述目标标准模板渲染图进行逐块计算，得到对应滑动窗口的第一局部相似值，包括：

36、基于所述第一预设滑动窗口，计算当前处理的所述目标模板区域图像和所述目标标准模板渲染图间的第一局部均值、第一局部方差和第一局部协方差；

37、根据所述第一局部均值计算第一亮度分量；

38、根据所述第一局部方差计算第一对比度分量；

39、根据所述第一局部协方差计算第一结构分量；

40、将所述第一亮度分量、所述第一对比度分量和所述第一结构分量进行加权融合，得到所述第一局部相似值。

41、如此，通过从亮度、对比度、结构三个维度综合计算图像相似度，能够使局部相似值的计算逻辑更贴合人类视觉感知规律，也更适配工业检测场景的成像特性，进而能够有效规避传统像素级误差算法易受光照波动、随机噪点干扰而误判异常的缺陷。

42、在某些实施方式中，所述计算所述目标模板区域图像和对应历史模板区域图像间的第二相似性指数，以确定第二相似性指数序列及与所述第二相似性指数序列对应的稳定性指标，包括：

43、基于第二预设滑动窗口，对所述目标模板区域图像和所述对应历史模板区域图像进行计算，得到对应滑动窗口的第二局部相似值；

44、计算所有滑动窗口的第二局部相似值的平均值，确定当前模板区域图像和当前处理的所述历史模板区域图像的第二相似性指数；

45、根据所述第二相似性指数，确定所述第二相似性指数序列；

46、计算所述第二相似性指数序列中所有第二相似性指数的离散程度统计量，确定所述稳定性指标。

47、如此，通过全样本两两比对的统计方式与离散程度量化逻辑，能够刻画同一设备同一点位连续检测结果的波动特性，客观反映设备自身的定位稳定程度，为区分设备随机抖动类异常与模板系统性偏移类异常提供独立的量化评估维度。

48、在某些实施方式中，所述基于第二预设滑动窗口，对所述目标模板区域图像和所述对应历史模板区域图像进行计算，得到对应滑动窗口的第二局部相似值，包括：

49、基于所述第二预设滑动窗口，计算所述目标模板区域图像和所述对应历史模板区域图像的第二局部均值、第二局部方差和第二局部协方差；

50、根据所述第二局部均值计算第二亮度分量；

51、根据所述第二局部方差计算第二对比度分量；

52、根据所述第二局部协方差计算第二结构分量；

53、将所述第二亮度分量、所述第二对比度分量和所述第二结构分量进行加权融合，得到所述第二局部相似值。

54、如此，通过从亮度、对比度、结构三个维度综合计算图像相似度，能够使局部相似值的计算逻辑更贴合人类视觉感知规律，也更适配工业检测场景的成像特性，进而能够有效规避传统像素级误差算法易受光照波动、随机噪点干扰而误判异常的缺陷。

55、在某些实施方式中，所述根据所述模板相似度指标与第一预设阈值的比较结果，和/或所述稳定性指标与第二预设阈值的比较结果，判断所述目标检测设备的设备状态，包括：

56、在所述模板相似度指标小于等于所述第一预设阈值的情况下，判定所述目标标准模板渲染图与所述目标检测点位不匹配；和/或

57、在所述稳定性指标大于等于所述第二预设阈值的情况下，判定所述目标检测设备自身定位不稳定。

58、如此，通过双维度指标的独立阈值判定机制，能够精准区分模板定位适配性异常与设备自身性能异常两类不同根源的问题，为设备运维提供明确的故障指向，提升设备故障诊断的精准度与运维效率。

59、在某些实施方式中，所述方法还包括：

60、在所述目标检测设备自身定位不稳定或所述目标标准模板渲染图与所述目标检测点位不匹配的情况下，生成告警信息，所述告警信息包括异常类型、异常发生时间、所述目标检测设备的标识和/或所述目标检测点位的标识。

61、如此，通过主动告警功能，能够在设备精度异常被判定的第一时间通知运维人员，大幅缩短异常响应时间，避免因异常持续运行导致的批量产品不良，有效降低产品的品质风险与生产损失。

62、在某些实施方式中，所述方法还包括：

63、持续获取所述目标检测设备在所述目标检测点位的连续多个时间窗口的稳定性指标，形成稳定性趋势数据；

64、在预设时间段内所述稳定性趋势数据的变化率大于等于第三预设阈值的情况下，生成预警提示信息，所述预警提示信息包括异常预警时间、所述目标检测设备的标识和/或所述目标检测点位的标识。

65、如此，通过基于稳定性指标变化率的趋势预警功能，能够实现设备精度异常的前置预判，即能够在设备性能出现衰退趋势、但尚未引发不良品时就提前发出预警，指导运维人员适时开展预防性维护。

66、本技术实施方式还提供一种设备检测系统，所述设备检测系统包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

67、如此，本技术实施方式提供的设备检测系统，能够通过模板相似度指标和/或稳定性指标，分别对设备状态进行评估，区分检测设备的系统性模板定位偏移与随机性自身定位波动两类异常根源，从而实现设备定位精度的自动化、精细化诊断，为设备运维工作提供明确的优化方向。同时，依托统一的量化评估标准与集中化的数据库管理，可实现跨厂区、多机台的检测精度横向对标，为全厂区的检测品质标准统一提供可靠的数据依据，保障不同产线、不同设备间的检测一致性，避免因设备精度差异导致的品质管控漏洞。

68、本技术实施方式提供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有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。