本发明涉及计算机,特别是涉及一种设备工作状态检测方法、一种设备工作状态检测装置、一种电子设备和一种计算机可读存储介质。
背景技术:
1、抽油机是油田开采使用的重要设备之一,主要用于原油的抽取,在油田中被广泛使用,具有结构简单、制造容易、方便使用的特点。油田管理者可以根据油田的具体情况选择不同类型的抽油机进行抽油生产,由于油田分布在人员稀少的偏僻地带,还需对抽油机是否正常工作进行实时监控。
2、通常可以采用人工的方式进行对抽油机的状态进行检测,即由巡井工人依次检测抽油机的工作状态,但存在人工强度大,效率低等问题。另外,可以采用基于人工智能的检测方法,然而,因四季变化、光照、阴雨等条件的影响,需要人工去手动去采集、标注、训练,然后更新模型参数,工作量很大,更新的效率也比较低下,在抽油机因故障停机时,若未及时检测出抽油机停机,会严重影响采油的工作效率。
技术实现思路
1、鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种设备工作状态检测方法、一种设备工作状态检测装置、一种电子设备和一种计算机可读存储介质。
2、为了解决上述问题,本发明实施例公开了一种设备工作状态检测方法,所述方法包括:
3、获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
4、采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
5、根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
6、采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
7、可选地,所述预设目标检测网络包括第一预设目标检测网络和第二预设目标检测网络,在所述获取训练池和评估池中的设备数据之前,还包括:
8、获取设备图片;
9、将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
10、根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
11、将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
12、可选地,所述根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选,包括:
13、判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;
14、若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;
15、若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
16、可选地,所述将所述设备图片输入第一预设目标检测网络进行处理,得到所述第一预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,包括:
17、对所述设备图片进行图片预处理;
18、将预处理后的图片输入特征提取网络进行处理,得到设备特征图;
19、基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
20、可选地,所述对所述设备图片进行图片预处理,包括:
21、对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;
22、对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
23、可选地,所述基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数,包括:
24、将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;
25、将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;
26、将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
27、可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签,包括:
28、根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;
29、将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;
30、根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
31、可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数,包括:
32、根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选;
33、采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
34、可选地,所述根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,包括:
35、采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;
36、根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
37、可选地,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率,包括:
38、采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;
39、采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
40、可选地,所述根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选,包括:
41、计算所述第一平均准确率和所述第二平均准确率的准确率平均值;
42、根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
43、可选地,所述根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选,包括:
44、判断所述准确率平均值是否大于预设准确率阈值;
45、若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;
46、若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
47、可选地,所述判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选,包括:
48、判断训练池中设备图片对应的类别标签是否为空;
49、若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
50、可选地,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值,包括:
51、将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;
52、将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;
53、根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
54、可选地,所述根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值,包括:
55、根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;
56、根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
57、可选地,所述根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签,包括:
58、判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;
59、根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
60、可选地,所述参数更新后的预设目标检测网络输出的目标框数据包括目标框对应的标签,所述根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新,包括:
61、若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
62、若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;
63、若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
64、本发明实施例还公开了一种设备工作状态检测装置,所述装置包括:
65、获取模块,用于获取训练池和评估池中的设备数据;所述设备数据包括设备图片及对应的类别标签;
66、训练模块,用于采用所述训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;
67、更新模块,用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,更新所述预设目标检测网络的模型参数,以及更新所述训练池中的设备图片及对应的类别标签;
68、检测模块,用于采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。
69、可选地,所述装置还包括:
70、图片获取模块,用于获取设备图片;
71、处理模块,用于将所述设备图片分别输入第一预设目标检测网络和第二预设目标检测网络进行处理,得到所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数;
72、筛选模块,用于根据所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框、目标框对应的类别标签以及类别标签分数,对所述目标框对应的类别标签进行筛选;
73、加入模块,用于将所述设备图片和筛选后的目标框对应的类别标签加入训练池中。
74、可选地,所述筛选模块,还用于判断所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,是否都大于预设分数阈值;若所述第一预设目标检测网络,和/或,所述第二预设目标检测网络输出的目标框对应的类别标签分数,小于预设分数阈值,则删除所述目标框对应的类别标签;若所述第一预设目标检测网络和所述第二预设目标检测网络输出的目标框对应的类别标签分数,都大于预设分数阈值,则将所述设备图片以及所述目标框对应的类别标签加入训练池中。
75、可选地,所述处理模块,还用于对所述设备图片进行图片预处理;将预处理后的图片输入特征提取网络进行处理,得到设备特征图;基于所述设备特征图,输出目标框、目标框对应的类别标签以及类别标签分数。
76、可选地,所述处理模块,还用于对所述设备图片进行图片噪点处理,并将噪点处理后的图片缩放至预设尺寸;对缩放后的图片进行图片局部纹理特征提取,并进行特征增强。
77、可选地,所述处理模块,还用于将所述设备特征图输入区域推荐网络进行处理,得到所述设备特征图的目标推荐区域;将所述目标推荐区域输入目标检测运算网络进行处理,得到目标检测区域;将所述目标检测区域输入全连接层进行处理,得到目标框、目标框对应的类别标签以及类别标签分数。
78、可选地,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选,并更新所述预设目标检测网络的模型参数;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的预设目标检测网络进行处理,得到所述参数更新后的预设目标检测网络输出的目标框数据,并基于所述输出的目标框数据和所述评估池中的数据,确定偏差值;根据所述偏差值,更新所述训练池中的设备图片及对应的类别标签。
79、可选地,所述更新模块,还用于根据所述训练完毕的目标检测网络的模型参数和所述评估池中的设备数据,对所述训练池中设备图片对应的类别标签进行筛选;采用所述训练完毕的目标检测网络的模型参数,更新所述预设目标检测网络的模型参数。
80、可选地,所述更新模块,还用于采用训练完毕的目标检测网络的模型参数,预测评估池中的设备数据的平均准确率;根据所述平均准确率,对所述训练池中设备图片对应的类别标签进行筛选。
81、可选地,所述训练完毕的目标检测网络包括训练完毕的第一目标检测网络和训练完毕的第二目标检测网络,所述更新模块,还用于采用训练完毕的第一目标检测网络的模型参数,预测评估池中的设备数据的第一平均准确率;采用训练完毕的第二目标检测网络的模型参数,预测评估池中的设备数据的第二平均准确率。
82、可选地,所述更新模块,还用于计算所述第一平均准确率和所述第二平均准确率的准确率平均值;根据所述准确率平均值,对所述训练池中设备图片对应的类别标签进行筛选。
83、可选地,所述更新模块,还用于判断所述准确率平均值是否大于预设准确率阈值;若所述准确率平均值大于预设准确率阈值,则保留所述训练池中设备图片对应的类别标签;若所述准确率平均值小于等于预设准确率阈值,则判断训练池中设备图片对应的类别标签是否为空,并基于判断结果对所述训练池中设备图片对应的类别标签进行筛选。
84、可选地,所述更新模块,还用于判断训练池中设备图片对应的类别标签是否为空;若训练池中设备图片对应的类别标签为空,则删除所述训练池中设备图片及对应的类别标签。
85、可选地,所述目标框数据包括目标框位置,所述评估池中的数据包括实际目标框位置,所述更新模块,还用于将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第一预设目标检测网络进行处理,得到所述参数更新后的第一预设目标检测网络输出的第一目标框位置;将筛选后的训练池中设备图片对应的类别标签,输入参数更新后的第二预设目标检测网络进行处理,得到所述参数更新后的第二预设目标检测网络输出的第二目标框位置;根据所述第一目标框位置、所述第二目标框位置和所述评估池中的实际目标框位置,确定位置偏差值。
86、可选地,所述更新模块,还用于根据所述第一目标框位置和所述评估池中的实际目标框位置,确定第一位置偏差值;根据所述第二目标框位置和所述评估池中的实际目标框位置,确定第二位置偏差值。
87、可选地,所述更新模块,还用于判断所述第一位置偏差值和所述第二位置偏差值是否大于预设偏差值阈值;根据判断结果对所述训练池中的设备图片及对应的类别标签进行更新。
88、可选地,所述更新模块,还用于若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值大于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值小于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第一预设目标检测网络输出的目标框对应的标签,和参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新;若所述第一位置偏差值大于等于预设偏差值阈值,所述第二位置偏差值小于等于预设偏差值阈值,则采用参数更新后的第二预设目标检测网络输出的目标框对应的标签,对所述训练池中的设备图片及对应的类别标签进行更新。
89、本发明实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的设备工作状态检测方法的步骤。
90、本发明实施例还公开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计算机程序,所述计算机程序被处理器执行时实现如上所述的设备工作状态检测方法的步骤。
91、本发明实施例包括以下优点:
92、在本发明实施例中,可以获取训练池和评估池中的设备数据;设备数据包括设备图片及对应的类别标签;采用训练池中的设备图片及对应的类别标签,对预设目标检测网络进行训练,确定训练完毕的目标检测网络的模型参数;根据训练完毕的目标检测网络的模型参数和评估池中的设备数据,更新预设目标检测网络的模型参数,以及更新训练池中的设备图片及对应的类别标签;采用更新后的设备图片及对应的类别标签,对目标检测网络进行训练,以基于训练好的目标检测网络检测设备工作状态。本发明实施例基于训练完毕的目标检测网络的模型参数和评估池中的设备数据,可以对预设目标检测网络的模型参数进行自动更新,以及对训练池中的设备图片及对应的类别标签进行自动更新,使得神经网络可以根据最新的标签进行训练,优化网络参数,从而可以在设备因故障停机时,及时检测出设备停机,提高采油的工作效率。