基于二维码的智能维保系统的制作方法

1.本发明属于设备维保技术领域，尤其涉及一种基于二维码的智能维保系统。


背景技术：

2.在许多行业，如燃气行业，企业为了保障业务能持之以恒的运行，需要对关键固定设备进行维保。
3.目前，对设备的维保依赖于强人工，即由维保人员拍摄维保照片，并上传至后台，由审核人员在后台对维保照片进行审核，这种方式效率较低，并且维保的实施和审核是分离的，若出现维保不合规的情况，审核人员无法及时反馈给现场的维保人员，以使其正确完成维保，而维保是安全作业，完成越快，就越安全。


技术实现要素：

4.基于此，针对上述技术问题，提供一种高效、安全的基于二维码的智能维保系统。
5.为解决上述技术问题，本发明采用如下技术方案：
6.一种基于二维码的智能维保系统，其特征在于，包括用户终端、服务器以及与维保目标设备一一对应的二维码，所述二维码设于对应的维保目标设备处；
7.所述用户终端被配置为：
8.s101、响应于用户对所述二维码的扫码操作，从所述二维码获取维保目标设备的唯一识别信息，并跳转至维保界面；
9.s102、通过所述维保界面将用户提供的维保照片以及所述唯一识别信息，提交给所述服务器；
10.s103、接收所述服务器的反馈信息，根据所述反馈信息向用户提示维保成功或者失败；
11.所述服务器被配置为：
12.s201、接收所述用户终端上传的数据；
13.s202、根据所述数据中的唯一识别信息以及维保照片判断维保是否合规，将判断结果反馈给所述用户终端。
14.本发明以二维码为入口，把维保的实施与维保审核无缝联系到一起，在维保的实施过程中，可以及时的将维保审核结果反馈给维保人员，即使出现维保不合规的情况，维保人员也可以根据维保审核结果及时地正确完成维保，不仅提高了维保效率，还提高了企业业务运行的安全性。
附图说明
15.下面结合附图和具体实施方式对本发明进行详细说明：
16.图1为本发明的结构示意图；
17.图2为本发明的用户终端所配置步骤的流程图；
18.图3为本发明的服务器所配置步骤的流程图；
19.图4为本发明的深度学习模型的原理图。
具体实施方式
20.以下将结合说明书附图对本发明的实施方式予以说明。需要说明的是，本说明书中所涉及的实施方式不是穷尽的，不代表本发明的唯一实施方式。以下相应的实施例只是为了清楚的说明本发明专利的发明内容，并非对其实施方式的限定。对于该领域的普通技术人员来说，在该实施例说明的基础上还可以做出不同形式的变化和改动，凡是属于本发明的技术构思和发明内容并且显而易见的变化或变动也在本发明的保护范围之内。
21.如图1所示，本说明书实施例提供一种基于二维码的智能维保系统，包括用户终端11、服务器12以及与维保目标设备一一对应的二维码，二维码设于对应的维保目标设备处。
22.用户终端11为防爆手机，如图2所示，其被配置为：
23.s101、响应于用户对二维码的扫码操作，从二维码获取维保目标设备的唯一识别信息，并跳转至维保界面。
24.唯一识别信息用于区分不同的维保目标设备。
25.s102、通过维保界面将用户提供的维保照片以及唯一识别信息，提交给服务器12。
26.其中，维保界面具有拍照、照片指定功能，用户可以在维保界面使用防爆手机本身的拍照功能拍摄维保照片，然后在相册中指定需要提交的维保照片。具体地，维保界面具有提交按钮以及多个照片添加区域，每个照片添加区域均具有照片添加按钮。
27.在实际的维保场景中，对每个维保目标设备的维保通常需要多个关键步骤，每个关键步骤都需要对应的维保照片，并且有些设备可能还具有多个维保级别，如低级维保需要上传过滤器头部是否清洗的照片、阀门起闭是否灵活的照片、阀门内部橡胶圈是否更换的照片、设备的固定值是否正常的照片，中级维保需要对阀门或者过滤器进行拆卸检查，需要上传拆卸前的设备照片、拆卸后的设备照片、装好的设备照片。
28.因此，设置多个照片添加区域可以满足上述需求，将照片添加至照片添加区域后，维保界面可以对照片与照片添加区域进行关联，形成维保照片与照片添加区域的对应信息。
29.相应地，s102包括：
30.维保界面响应于用户对照片添加按钮的操作，启动拍照界面，供用户拍摄维保照片；将用户指定的维保照片添加入对应的照片添加区域；响应于用户对提交按钮的操作，将所有维保照片、各维保照片与照片添加区域的对应信息以及唯一识别信息提交给服务器。
31.当然，对于仅有一张维保照片的场景，维保照片与照片添加区域的对应信息也可以省略。
32.在实际使用场景中，用户到达现场后，使用防爆手机对维保目标设备处的二维码进行扫描，弹出维保界面，用户在维保界面，按维保施工标准对设备进行操作与拍照。当然，用户也可以通过更专业的拍照设备进行拍照，发送给用户终端11，然后，在添加照片时，从相册中指定图片。
33.s103、接收服务器12的反馈信息，根据反馈信息向用户提示维保成功或者失败。
34.这样，用户根据提示可以知道维保是否合规，如果不合规则可以及时调整。
35.如图3所示，服务器12被配置为：
36.s201、接收用户终端11上传的数据。
37.对于维保目标设备需要多张维保照片的场景，上述数据包括所有维保照片、各维保照片与照片添加区域的对应信息以及唯一识别信息。
38.s202、根据数据中的唯一识别信息以及维保照片判断维保是否合规，将判断结果反馈给用户终端11。
39.对于不同的维保目标设备，对其维保是否合规的判断是不同的，因此需要通过唯一识别信息来区分。在本实施例中，s202利用深度学习模型来判断维保是否合规，包括：
40.a、根据唯一识别信息，确定维保照片所对应的多张维保标准图片。
41.其中，用户可以访问服务器12的控制台，在控制台为某个维保目标设备创建二维码，二维码可以打印后设置在对应的维保目标设备处，用户可以在该二维码的管理页面上传该维保目标设备的维保标准图片，维保标准图片用于深度学习模型判断维保照片对应的维保是否合规。
42.假设某维保目标设备具有三个维保关键步骤，需要为每个步骤拍摄维保标准图片，并上传至服务器12，为了提高合规判断的准确性，对每个步骤拍摄多张维保标准图片，如不同角度、不同光线环境下的照片:
43.步骤1维保标准图片11维保标准图片12维保标准图片13....
44.步骤2维保标准图片21维保标准图片22维保标准图片23....
45.步骤3维保标准图片31维保标准图片32维保标准图片33....
46.对于有多个维保关键步骤的场景，可以根据唯一识别信息以及对应信息，分别确定各维保照片所对应的多张维保标准图片。其中，根据唯一识别信息确定当前所维保的是哪个设备，服务器12上预先可以将对应信息与维保关键步骤进行关联，这样就可以确定每张维保照片所对应的多张维保标准图片，如根据唯一识别信息确定当前所维保的是设备1，服务器12上预先关联了设备1的步骤1对应照片添加区域1、步骤2对应照片添加区域3、步骤3对应照片添加区域3。
47.b、判断维保照片对应的维保是否合规：
48.从维保照片所对应的多张维保标准图片中依次取一张图片，并与维保照片一起输入预训练的深度学习模型，得到多个相似度值，如当前的维保照片对应步骤1，则从维保标准图片11维保标准图片12维保标准图片13....中依次取一张图片与当前的维保照片一起输入预训练的深度学习模型，这样可以得到当前的维保照片相对于每张维保标准图片的相似度值。
49.判断每个相似度值是否大于阈值(如设置为0.6)，若是，代表一起输入深度学习模型的维保照片与维保标准图片匹配，反之，代表不匹配。
50.根据少数服从多数的原则，若匹配的数量大于等于不匹配的数量，则维保照片对应的维保合规，反之，不合规。
51.每张维保照片分别通过上述b来判断，可以确定对应的每个维保关键步骤是否合规。
52.在本实施例中，如图4所示，上述深度学习模型通过小样本学习算法被训练为：
53.1)分别提取一起输入的维保照片以及维保标准图片的图像特征。
54.2)计算维保照片的的图像特征与维保标准图片的图像特征的相似度值。
55.3)将相似度值输出。
56.训练上述深度学习模型所用的训练样本的采集包括：
57.1)采集合规图片和不合规图片：合规图片是指包含目标并且对目标操作合规的图片，目标是指对维保目标设备进行维保时需要进行操作的对象，如维保目标设备的某个零件；不合规图片是指包含目标但是操作不合规的图片，以及不包含目标的图片。
58.在本实施例中，合规图片采集6张，包含目标但是操作不合规的图片采集3张，不包含目标的图片采集3张。
59.2)对合规图片和不合规图片进行标注：
60.框选图片中的目标，框的要求是恰好选中目标，然后截取选中的目标图，对于不含目标的图片，就不需要框选操作。
61.3)对每一张标注后的合规图片进行数据增强处理，生成多张图片，形成正例样本集。
62.4)对每一张标注后的不合规图片进行数据增强处理，生成多张图片，形成负例样本集。
63.其中，数据增强处理的方式有：
64.1)对图像进行翻转，旋转，裁剪，变形，缩放等。
65.2)对图像进行像素颜色变换。
66.3)对图像随机叠加一些噪声。
67.4)减少图像各像素点值的差异实现图片模糊，实现像素的平滑化。
68.5)使用高斯内核模糊图像增强器。
69.6)通过向hsv空间中的每个像素添加或减少v值，修改色调和饱和度实现对比度转换。
70.7)rgb颜色扰动：将图片从rgb颜色空间转换到另一颜色空间，增加或减少颜色参数后返回rgb颜色空间。
71.8)超像素法(superpixels):在最大分辨率处生成图像的若干个超像素，并将其调整到原始大小，再将原始图像中所有超像素区域按一定比例替换为超像素，其他区域不改变。
72.9)锐化(sharpen)与浮雕(emboss):对图像执行某一程度的锐化或浮雕操作，通过某一通道将结果与图像融合。
73.由于深度学习依赖大量的样本，而维保场景无法提供大量训练样本。解决这个问题的方式，一是通过上述数据增强处理，二是采用小样本学习算法对模型进行训练，三是本实施例所设计的模型为小样本模型tinyresnet，该模型可以学习两张图片是否相似，而不是学习类别，学习类别任务对样本的要求比较多，而仅学习相似，则任务比较简单，所以对样本的要求比较少，通过以上措施可以很好的解决训练样本不足时，依然能得到很好的监督学习效果。
74.审核人员可以在后台检测深度学习模型的判断结果，可以抽样也可以全量检测，当发现深度学习模型对维保是否合规的判断出现错误时，可以对深度学习模型进行增强学习：
75.按照上述的标注方式，对出现错误相应的维保照片进行标注，对标注后的维保照片进行数据增强处理，生成多张图片，并加入正例样本集或者负例样本集，通过正例样本集和负例样本集对深度学习模型进行重新训练。
76.这样做的好处是，当深度学习模型识别不准的时候，可以自动对模型进行强化和纠正，使模型越来越准确。
77.但是，本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。