一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法、系统、终端及介质与流程

摘要: 本发明涉及智能仪表,尤其涉及一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法、系统、终端及介质。背景技术:1、随着智能水务建设的推进,户外仪表的安装量逐...
一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法、系统、终端及介质与流程

本发明涉及智能仪表,尤其涉及一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法、系统、终端及介质。

背景技术:

1、随着智能水务建设的推进,户外仪表的安装量逐年增长。仪表作为贸易结算的关键计量器具,其安装质量直接影响计量准确性和使用寿命。同时,仪表在运行过程中会出现各类故障(如漏水、黑屏、电池欠压、通信故障等),需要售后人员及时排查处理。

2、目前仪表行业的安装质量检测和故障诊断主要存在以下现状:

3、(1)安装质量依赖人工肉眼检查:仪表安装完成后,由质检人员或监理人员现场核对安装方向、位置、密封情况、接线规范性等,检查标准因人而异,容易出现漏检和误判。

4、(2)型号核对全靠人工比对:安装人员需要对照工单确认仪表型号是否匹配,人工核对铭牌信息效率低,且容易在光线不足或铭牌污损时出错。

5、(3)故障排查依赖经验判断:售后人员上门维修时,主要依靠个人经验观察和简单测试来判断故障类型,新手容易误诊,导致维修不彻底或多次往返。

6、(4)户外环境恶劣,检测难度大:仪表井内光线暗、空间狭小、有水渍灰尘,拍照质量不稳定,传统图像处理方法难以适应。

7、(5)缺乏标准化的数据沉淀:每次安装和维修的数据分散在不同人员手中,没有形成可复用的知识库,同类问题反复出现。

8、因此,现有技术还有待改进。

技术实现思路

1、针对现有技术的上述缺陷,本发明提供一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法、系统、终端及介质。本发明所采用的技术方案如下:

2、第一方面,本发明提供一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法,所述方法包括:

3、采集仪表现场的图像数据,基于预先训练的深度学习模型可对所述图像数据进行检测任务分析,得到每一项检测任务的初步检测结果,其中,所述检测任务包括:安装质量检测任务,型号校验任务以及故障诊断任务;

4、将所述初步检测结果以及所述图像数据上传至云端,基于所述云端搭载的ai分析服务,对所述初步检测结果进行二次确认,得到最终检测结果;

5、将所述最终检测结果进行结构化存储,并传输至后台数据管理系统,基于所述最终检测结果进行数据管理与复用。

6、在一种实现方式中,采集仪表现场的图像数据,基于预先训练的深度学习模型可对所述图像数据进行检测任务分析,得到每一项检测任务的初步检测结果,包括:

7、采用单张拍照模式、短视频模式以及批量拍照模式中的任意一种方式获取仪表现场的图像数据,并且,在拍摄图像数据时,通过ar引导框提示用户调整拍摄角度和距离,以提升所述图像数据的质量;

8、对所述图像数据进行预处理,所述预处理包括光照校正处理、去雾去水处理、透视校正处理以及质量筛选处理中的任意一种或多种;

9、将预处理后的所述图像数据输入至的所述深度学习模型,基于所述深度学习模型分别执行所述安装质量检测任务,型号校验任务以及故障诊断任务。

10、在一种实现方式中,基于所述深度学习模型分别执行所述安装质量检测任务,型号校验任务以及故障诊断任务,包括:

11、在进行安装质量检测任务时,利用所述深度学习模型,对预处理后的图像数据中的关键部位进行检测,得到关键部位检测结果,所述关键部位包括:仪表本体、两端接头、铅封、接线端子、铭牌中的任意一种或者多种;

12、通过对预处理后的图像数据中的表盘区域进行分割,通过最小外接矩形计算倾斜角度,并基于所述倾斜角度,确定安装方向检测结果;

13、识别预处理后的图像数据中的异常特征,得到异常特征检测结果,所述异常特征包括渗漏水渍或裂纹;

14、基于所述关键部位检测结果、所述安装方向检测结果以及所述异常特征检测结果,输出安装质量检测结果。

15、在一种实现方式中,基于所述关键部位检测结果、所述安装方向检测结果以及所述异常特征检测结果,输出安装质量检测结果,包括:

16、对所述关键部位检测结果、所述安装方向检测结果以及所述异常特征检测结果进行评分,得到对应的评分结果;

17、基于所述评分结果进行加权处理,得到综合评分,并基于所述综合评分确定安装质量检测结果,所述安装质量检测结果包括用于反映安装是否合格的结论以及不合格的位置与原因。

18、在一种实现方式中,基于所述深度学习模型分别执行所述安装质量检测任务,型号校验任务以及故障诊断任务,包括:

19、在进行型号校验任务时,基于所述深度学习模型,提取对预处理后的图像数据中的仪表外观特征进行提取,并将提取的仪表外观特征与产品型号特征库进行相似度匹配,得到外观匹配结果,所述外观匹配结果包括若干候选型号;

20、获取预处理后的图像数据中的铭牌区域,识别所述铭牌区域的字符,得到字符识别结果,所述字符识别结果包括产品型号信息;

21、获取预处理后的图像数据中的二维码或条码,并对所述二维码或条码进行解析,得到解析结果;

22、将所述外观匹配结果、所述字符识别结果以及所述解析结果,结合工单中记录的型号信息进行交叉验证,得到对应的验证结果,输出型号校验结果,所述型号校验结果包括型号校验的准确率以及检测出的型号。

23、在一种实现方式中,基于所述深度学习模型分别执行所述安装质量检测任务,型号校验任务以及故障诊断任务,包括:

24、在进行故障诊断任务时,基于所述深度学习模型对预处理后的图像数据进行故障识别,确定故障类型,所述故障类型包括:漏水、渗水、表镜起雾或进水、表盘破损、黑屏或无显示、电池仓异常、接线故障、铅封异常中的任意一种或多种;

25、基于所述故障类型,自动匹配对应的维修方案, 并将所述维修方案进行推送。

26、在一种实现方式中,所述方法还包括:

27、获取仪表编号,基于所述仪表编号自动调取仪表的历史维修记录、安装记录、出厂信息;

28、将所述图像数据与历史故障案例进行相似度匹配,确定故障类型;

29、基于所述故障类型、历史维修记录、安装记录、出厂信息,确定同型号仪表的故障统计数据,并给出辅助诊断建议。

30、第二方面,本发明实施例还提供一种基于深度学习的户外仪表安装质量核验与故障智能诊断系统,其中,所述系统用于实现上述方案任一项所述的基于深度学习的户外仪表安装质量核验与故障智能诊断方法的步骤,所述系统包括:

31、初步检测模块,用于采集仪表现场的图像数据,基于预先训练的深度学习模型可对所述图像数据进行检测任务分析,得到每一项检测任务的初步检测结果,其中,所述检测任务包括:安装质量检测任务,型号校验任务以及故障诊断任务;

32、云端分析模块,用于将所述初步检测结果以及所述图像数据上传至云端,基于所述云端搭载的ai分析服务,对所述初步检测结果进行二次确认,得到最终检测结果;

33、结果存储模块,用于将所述最终检测结果进行结构化存储,并传输至后台数据管理系统,基于所述最终检测结果进行数据管理与复用。

34、第三方面,本发明实施例还提供一种终端,其中,所述终端包括存储器、处理器及存储在存储器中并可在处理器上运行的基于深度学习的户外仪表安装质量核验与故障智能诊断程序,处理器执行基于深度学习的户外仪表安装质量核验与故障智能诊断程序时,实现上述方案中任一项的基于深度学习的户外仪表安装质量核验与故障智能诊断方法的步骤。

35、第四方面,本发明实施例还提供一种计算机可读存储介质,其中,计算机可读存储介质上存储有基于深度学习的户外仪表安装质量核验与故障智能诊断程序,所述基于深度学习的户外仪表安装质量核验与故障智能诊断程序在所述计算机可读存储介质上实现上述方案中任一项所述的基于深度学习的户外仪表安装质量核验与故障智能诊断方法的步骤。

36、有益效果:与现有技术相比,本发明提供了一种基于深度学习的户外仪表安装质量核验与故障智能诊断方法,首先采集仪表现场的图像数据,基于预先训练的深度学习模型可对所述图像数据进行检测任务分析,得到每一项检测任务的初步检测结果,其中,所述检测任务包括:安装质量检测任务,型号校验任务以及故障诊断任务。然后, 将所述初步检测结果以及所述图像数据上传至云端,基于所述云端搭载的ai分析服务,对所述初步检测结果进行二次确认,得到最终检测结果。接着,将所述最终检测结果进行结构化存储,并传输至后台数据管理系统,基于所述最终检测结果进行数据管理与复用。

37、本发明可提升对户外仪表的质检效率,消除人工判断的主观性差异,提升故障诊断的准确率,尤其是对新手售后人员有显著帮助,适用于户外复杂光照、水渍、污损等场景,鲁棒性强。此外,本发明的最终检测结果自动结构化存储,形成企业知识库,有利于实现深度学习模型的迭代优化。