一种工业设备状态判断方法及装置与流程

1.本技术涉及工业设备状态检测技术领域，尤其涉及一种工业设备状态判断方法及装置。


背景技术：

2.随着现代工业的迅猛发展，智能制造作为融合了先进制造技术与信息通信技术的新型生产方式，已成为现代工业的发展方向。其中，设备状态管理任务是现代工业中最为常见的场景之一，在智能制造的背景下，逐渐用巡检机器人替代了传统的人工对设备的状态进行管理。搭载了机器视觉检测算法的巡检机器人能够24小时不间断的在恶劣生产环境中，完成对设备的巡检任务，并将潜在或已发生的故障情况及时报送出来，达到多个设备状态管理的目标，同时节省了人力成本。
3.然而，在工业设备状态管理场景中也存在较多问题无法通过机器视觉算法完全解决。由于巡检环境恶劣，且容易存在遮挡、光线变化等问题，难以确保算法对每个设备的识别能力达到最佳效果，例如在钢铁厂，环境温度50多度，需要防爆相机才能进行工作，而无法使用高清拍摄装备，导致图片清晰度受到很大影响，而且巡检机器人在运动中进行图像拍摄，会导致画面不清晰，出现故障点定位困难、画面出现重影等问题。近年来，尽管国内外提出了一些以降低人力成本为目标的业务系统巡检方法，但是并未讨论在工业生产中因恶劣环境影响产生的算法结果不稳定问题。


技术实现要素：

4.有鉴于此，本技术提供了一种工业设备状态判断方法及装置，旨在降低因角度偏差、光线影响、图片不清晰等原因导致的巡检机器人对工业设备的状态识别的影响，提升巡检结果的报警准确性，降低误报概率。
5.第一方面，本技术提供了一种工业设备状态判断方法，所述方法包括：
6.巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个；
7.所述巡检机器人对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片；
8.对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。
9.可选的，所述巡检机器人根据预设路径进行运动之前，所述方法还包括：
10.对所述巡检机器人进行配置，确定与所述待检测工业设备状态判断相关的多个影响因子，对所述多个影响因子分别设定初始化权重；
11.根据所述初始化权重设定异常容忍度指标，所述异常容忍度指标为对当前设备零
件被判别为异常状态时的接受程度。
12.可选的，所述方法还包括：当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。
13.可选的，所述重新计算所述异常容忍度指标的值包括：
14.获取与所述待检测设备型号相同的设备的历史数据，所述历史数据中包括代表设备异常的图片比例及设备状态标签；
15.利用预先设定的权重调整策略，调节所述影响因子的权重，得到新的异常容忍度指标值；
16.将所述历史数据中的所述代表设备异常的图片比例与所述新的异常容忍度指标值进行比较，得到新的判断结果，并统计在所述新的异常容忍度指标值下，所述历史数据中判断结果的正确率；
17.将所述正确率与预设正确率阈值进行比较，若所述正确率小于所述预设正确率阈值，则利用所述预先设定的权重调整策略，对所述影响因子的权重进行调整，直到所述正确率大于所述预设正确率阈值。
18.可选的，对于不同型号的待检测工业设备，所述巡检机器人设置有不同的行驶路径以及不同的拍照方式。
19.第二方面，本技术提供了一种工业设备状态判断装置，所述装置包括：
20.拍照模块，用于当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个；
21.识别模块，用于对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片；
22.分析模块，用于对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。
23.可选的，所述装置还包括：配置模块，用于对所述巡检机器人进行配置，确定与所述待检测工业设备状态判断相关的多个影响因子，对所述多个影响因子分别设定初始化权重；
24.根据所述初始化权重设定异常容忍度指标，所述异常容忍度指标为对当前设备零件被判别为异常状态时的接受程度。
25.可选的，所述装置还包括：计算模块，用于当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。
26.可选的，所述计算模块具体用于，获取与所述待检测设备型号相同的设备的历史数据，所述历史数据中包括代表设备异常的图片比例及设备状态标签；
27.利用预先设定的权重调整策略，调节所述影响因子的权重，得到新的异常容忍度指标值；
28.将所述历史数据中的所述代表设备异常的图片比例与所述新的异常容忍度指标值进行比较，得到新的判断结果，并统计在所述新的异常容忍度指标值下，所述历史数据中判断结果的正确率；
29.将所述正确率与预设正确率阈值进行比较，若所述正确率小于所述预设正确率阈值，则利用所述预先设定的权重调整策略，对所述影响因子的权重进行调整，直到所述正确率大于所述预设正确率阈值。
30.可选的，对于不同型号的待检测工业设备，所述巡检机器人设置有不同的行驶路径以及不同的拍照方式。
31.第三方面，本技术提供了一种计算设备，所述计算设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面任一项所述的方法。
32.第四方面，本技术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中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述的方法。
33.本技术提供了一种工业设备状态判断方法。在执行所述方法时，首先巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个，然后所述巡检机器人对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片，最后对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。这样，通过巡检机器人对待检测工业设备进行多角度拍照，然后根据对拍照所得的多张图片进行分析，并与预设异常容忍度指标阈值进行比较，使得最后输出的代表工业设备的状态的结果更加准确，降低了在巡检环境恶劣、视觉算法识别能力难以提升的工业设备状态管理场景下，对工业设备状态的误报率。
附图说明
34.为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
35.图1为本技术实施例提供的一种工业设备状态判断方法流程图；
36.图2为本技术实施例提供的一种工业设备状态判断装置的结构示意图。
具体实施方式
37.参见图1，图1为本技术实施例提供的一种工业设备状态判断方法流程图，包括：
38.s101、巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个。
39.在巡检机器人进行巡检之前，需要以工业设备管理目标为依据，基于待巡检设备的特征完成设备零件信息的录入和异常判断方式的配置。对于不同的工业设备，需要紧密贴合其检测特征，才能设计出真正符合安全管理需要的巡检策略。通常而言，对工业设备进
行巡检的目标一般是易于识别或探测的设备外部零件特征，如阀门的打开或闭合，陀杆的拉起或落下等。在本技术中，需要准确设置巡检需求，具体包括但不限于，巡检设备名称、巡检设备个数、巡检目标(零部件)、零件状态集合等能够明确巡检内容的信息。
40.工业设备管理的最终目的是通过巡检过程及时发现厂区设备的故障或异常，因此在巡检机器人得到待检测工业设备的零件状态后，需要对设备的异常判断方式进行制定，确保设备零件状态与异常标签建立紧密且唯一的关联性。例如设定阀门打开代表设备为正常状态，阀门闭合则代表设备处于异常状态，或者陀杆拉起代表设备状态正常，则陀杆落下则代表设备的状态为异常等。
41.此外，巡检机器人对工业设备进行巡检时可以检测单个或多个设备，在这过程中，不同场景下机器人的巡检移动方式会存在差异，为对不同设备进行准确的巡检，在巡检机器人进行巡检之前需要预先配置巡检方式，包括但不限于移动路径，以及与设备位置有关的预设拍照点位置，可以在设备周围设置多个拍照点，以实现在不同的拍照点拍摄不同的照片或视频，及避免设备距离近、设备位置分布不均匀等情况，导致机器人巡检过程拍的图片难以精准匹配巡检设备，因此，需要提供配置巡检移动特征的方式，以便采集到的图片与设备名称精准对应。巡检移动特征包括但不限于：“在每台设备附近停留时间”、“每次拍照的拍摄照片数量”、“每台设备上不同位置进行编码”等，在得到相关配置后，可精确的匹配采集到的图片和对应的设备，以免出现因图片归属错误导致的对工业设备状态误报的情况。
42.s102、所述巡检机器人对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片。
43.本技术中所述巡检机器人搭载了机器视觉检测算法，在巡检机器人巡检完成后，获取机器人巡检过程中采集到的每一张图片，对图片中的设备零件状态进行识别并得到结果，将代表设备正常的图片和代表设备异常的图片分别进行存储。
44.机器人在巡检过程中拍照得到照片之后，视觉算法会根据零件识别的需要，根据所得照片中零件的状态对巡检目标进行状态识别，例如判断照片中某设备的某个陀杆为抬起或者落下状态，进一步根据零件的状态判断设备为正常或异常状态。本实施例中的方法会自动获取机器人巡检过程中每一张图片的算法识别结果和时间，确保算法传出的信息能够完整接收并存储到临时设备状态数据库中。除此之外，还可根据机器人巡检移动特征配置，将多张照片与时间归纳到对应设备的图片存储信息库中，并将算法识别出的多个设备零件状态存储到对应设备的当前设备零件状态数据库中。
45.其中，机器人巡检移动的方式不同，图片和识别结果的归集方式也会随之发生变化。下面以巡检方式设定为“停留时间”、“拍摄照片数量”以及“每台设备编码位置”为例，说明归集方式：若机器人巡检过程中，可按照固定时间停留在某个设备的一定区域内进行拍照或录像检测，即以“停留时间”为巡检特征，那么以线性时间为标准，预设时间内拍摄的照片为待检测设备的照片，这部分照片对应的算法识别结果归集为待检测设备的检测结果；若巡检过程中以“拍摄照片数量”为巡检特征，那么以照片张数为标准，预设张数内的照片为待检测设备的照片，这部分照片对应的算法识别结果也归集为待检测设备的结果；若巡检过程中以“每台设备编码位置”为巡检特征，那么锁定位于设备正中所在位置的编码或设
备交界处的编码，以编码为依据，整合出每个设备对应的采图区间，若给出正中位置编码，可自定义左右区间编码范围，得出采图区间，在机器人巡检过程中，处于特定采图编码区间的照片会自动归集为待检测设备的照片，这部分照片对应的算法识别结果也归集为待检测设备的结果。
46.s103、对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。
47.对所述代表设备正常的图片和所述代表设备异常的图片进行分析之前，可以设置一个投票策略，设定与设备状态判断相关的多个影响因子，包括但不限于历史故障频率、算法信任度等因子，并为这些影响因子设定初始化权重；然后采用加权平均法构造出异常容忍度指标，该指标可理解为对当前设备零件被判别为异常状态时的接受程度，根据代表设备异常的图片出现的比例判断设备的状态，若所述比例大于预设异常容忍度指标的阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常，即当超过一定比例的图片识别结果推理出零部件异常时，才会将该零部件异常的状态进行存储；否则认定该零部件正常。同时，定义各个影响因子的权重调整策略，包括权重调整幅度、权重调整范围、权重调整方向等信息，生成完整的投票权重调整方案，可用于在后续过程中优化异常容忍度指标公式中的各项因子权重，进而提升投票算法的能力。
48.具体的，可设置多种影响因子，结合实际巡检业务进行适应性配置，包括但不限于以下内容：
49.历史故障频率，可针对每一种故障类型，填入巡检历史上对应类型的发生频率或直接使用系统中录入的历史异常发生数据，可作为调节异常容忍度的一项内容；经验判断因子，历史故障频率统计缺失的情况下，可以定义一个异常发生频率的预期值，作为权重配置参考；算法异常信任度，视觉算法对每一台巡检设备的多个角度图片都进行了零部件状态判别，但由于环境遮挡、角度变化、光线异常等情况，算法的识别精度在每一张图片上的呈现是不均衡的，因此不能百分百信任算法的识别结果，需要设定算法的异常信任度，即当算法认定图片中零件状态为异常时，该结果能被信任的程度。
50.异常容忍度指标的设置过程具体为，针对每一种设备的异常类型，设定巡检业务对设备零件异常状态判别结果的接受程度。实现过程具体为，在大多数情况下，可假定异常发生频率较低，在较少情况下会发生异常，因此可设置异常容忍度指标阈值，当超过一定比例的图片识别结果推理出零部件异常时，才会将该零部件异常的状态进行存储；否则认定该零部件正常。本技术以对上述例子中的影响因子的权重进行加权平均的方式进行举例，自动计算异常容忍度值，定义如下：
51.to lerance＝w1×
history+w2×
human+w3×
a lg o+...+wn×
othern52.其中，tolerance是异常容忍度值，wi是每个调节依据的权重，i＝1,2,3，
…
，n，且w1+w2+...+wn＝1，history是历史故障频率值，
human
是人为经验预期值，a lg o是算法的信任度，other是可定义其他调节依据，均为影响因子。需要注意的是，所有的影响因子值的波动范围应为(0,1)之间的小数。
53.完成异常容忍度指标定义后，可对所有影响因子的权重进行初始化定义，并逐个针对每一个影响因子配置调整策略，包括权重调整幅度、权重调整范围以及权重调整方向
等信息。例如，算法信任度指标的权重定义为0.8，权重调整幅度设定为0.1，那么该影响因子的可调整的范围为[0.3-0.9]。
[0054]
当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。可由现场工作人员进行判定代表该设备状态结果是否正确。若判断正确，则结束当前设备的检测；若判断失误，则由工作人员输入正确的设备零件状态，同时自动开启下一步权重优化流程。优化过程为当异常设备状态被错判为正常时，权重调整方向为降低权重；反之则提高权重。具体包括：获取与所述待检测设备型号相同的设备的历史数据，所述历史数据中包括代表设备异常的图片比例及设备状态标签，利用预先设定的权重调整策略，调节所述影响因子的权重，得到新的异常容忍度指标值，将所述历史数据中的所述代表设备异常的图片比例与所述新的异常容忍度指标值进行比较，得到新的判断结果，并统计在所述新的异常容忍度指标值下，所述历史数据中判断结果的正确率，将所述正确率与预设正确率阈值进行比较，若所述正确率小于所述预设正确率阈值，则利用所述预先设定的权重调整策略，对所述影响因子的权重进行调整，直到所述正确率大于所述预设正确率阈值。
[0055]
基于预设的投票策略，开启对单个设备多张图片的零件状态分析。在某些简单业务的场景下，单个零部件的状态能够直接反馈出当前设备是否处于异常状态，此种异常可理解为仅从图片中可直观识别出不符合正常零件状态的情况，如阀门应当保持开启状态时，照片中的阀门状态指示为关闭。在这种情况下，需要将所有照片的算法识别结果进行整合，根据照片上的零部件状态直接判断当前照片是否指示设备异常；再结合先前设定的异常容忍度，对当前所有照片的结果进行投票，即判断当前设备所有图片识别结果中，异常状态图片的比例是否大于异常容忍度值，若大于则判定为设备状态异常；否则判定设备状态为正常。最后根据投票结果，若判定设备状态为正常，则以当前设备零件为正常的结果为当前设备输出的最终结果，反之则以当前设备零件为异常的结果作为输出。
[0056]
在某些复杂业务的场景下，单个零部件的状态不能直接反馈出是否存在异常状态，需要经过整个图片中所有零部件的识别结果进行整合才能得出结论，例如某设备有一对陀杆，只有两个陀杆同时落下或拉起时，才是正常状态，否则该设备的状态为异常。在这种情况下，需要针对每一张图片判断是否存在异常，即每一张图片都可对设备的零部件状态进行投票，再利用异常容忍度，判断设备应处于的状态为异常或正常，即多张设备图片中，异常状态图片的比例大于异常容忍度值，则当前设备状态判定为异常，否则当前设备状态判定为正常；当设备状态被判定为异常(或正常)时，从多个判定异常(或正常)的图片识别结果中，选出出现频率最高或历史出现最高频率的组合，作为该设备当前巡检出的零部件状态进行录入。
[0057]
在得到零部件的状态后，可获得当前设备的唯一状态结果，然后可由现场工作人员进行判定该结果是否正确。若判断正确，则结束当前设备的检测，若检测结果判断有误，则由工作人员输入正确的设备零件状态，同时自动开启下一步权重优化过程。
[0058]
具体为，遍历投票权重调整策略，自动调节各影响因子的权重，并将调整后的权重组合应用于下一次巡检。自动开始整合所有能收集到的同类型设备相关历史数据，即具有相同零件、零件状态集合以及异常判断依据的历史巡检数据。所有的历史数据应包含所有设备、所有检测图片的判断标签(正常或异常)。结合预设权重调整策略，依次对影响因子进
行权重调整，按照预先制定的调整幅度、限定范围、调整方向执行。若影响因子的权重定义出现矛盾，比如全部影响因子的权重相加不再等于1，那么就自动进行数值处理，确保最终权重的之和为1。例如，异常容忍度指标中定义了“算法信任度”和“历史故障频率”两个影响因子，初始化权重设置中，“算法信任度”的权重配置为0.8，“历史故障频率”的权重配置为0.2。此时，当前设备状态判断有误，判断状态为异常，实际为正常。那么开启权重优化过程，预先设定“算法信任度”权重向下调整一个单位幅度(0.1)，“历史故障频率”向上调整一个单位幅度(0.2)，那么按照预先设定，“算法信任度”的权重向下调整，变成权重为0.7，“历史故障频率”的权重配置为0.4，那么需要利用以下公式对两个权重做一次修正：
[0059][0060]
其中，wi是每个影响因子的初始权重，是所有影响因子调整权重后的结果之和，w
′i是每个影响因子调整后的权重。那么此时可以确保所有权重相加为1，且权重得到适当调整。
[0061]
权重调整完成后，基于异常容忍度指标的公式进行指标值的计算，再将历史数据中的异常标签比例与异常容忍度值进行比较，判断每条历史数据中设备的状态，再与真实的设备状态进行对比，确认所有历史数据的正确率。例如，当前共有10条设备巡检历史，统计每一条历史数据中异常图片出现的比例，若该比例大于异常容忍度值则判定为异常，反之则为正常。得到算法推断结果后，再逐条对比真实结果，统计出应用了最新异常容忍度指标值的情况下，这10条历史记录中的正确率。按照此方法，逐个遍历所有的权重配置组合，直到所有影响因子的权重实现在限定范围内的所有组合为止，此时已得到所有组合下的正确率，以最高的判断正确率对应的异常容忍度指标及其影响因子权重组合作为最后的输出，可以自动替换各个影响因子的初始权重，在下一次巡检开始时进行应用。
[0062]
上述实施例提供了一种工业设备状态判断方法。在执行所述方法时，先巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个，然后所述巡检机器人对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片，最后对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。这样，通过巡检机器人对待检测工业设备进行多角度拍照，然后根据对拍照所得的多张图片进行分析，并与预设异常容忍度指标阈值进行比较，使得最后输出的代表工业设备的状态的结果更加准确，降低了在巡检环境恶劣、视觉算法识别能力难以提升的工业设备状态管理场景下，对工业设备状态的误报率。
[0063]
以上为本技术实施例提供的一种工业设备状态判断方法的一些具体实现方式，基于此，本技术还提供了对应的装置。下面将从功能模块化的角度对本技术实施例提供的装置进行介绍。
[0064]
参见图2所示的一种工业设备状态判断装置200的结构示意图，该装置200包括：
[0065]
拍照模块210，用于当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个；
[0066]
识别模块220，用于对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片；
[0067]
分析模块230，用于对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。
[0068]
在本技术实施例的一种实现方式中，所述装置还包括：配置模块，用于对所述巡检机器人进行配置，确定与所述待检测工业设备状态判断相关的多个影响因子，对所述多个影响因子分别设定初始化权重；
[0069]
根据所述初始化权重设定异常容忍度指标，所述异常容忍度指标为对当前设备零件被判别为异常状态时的接受程度。
[0070]
在本技术实施例的一种实现方式中，所述装置还包括：计算模块，用于当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。
[0071]
在本技术实施例的一种实现方式中，所述计算模块具体用于，获取与所述待检测设备型号相同的设备的历史数据，所述历史数据中包括代表设备异常的图片比例及设备状态标签；
[0072]
利用预先设定的权重调整策略，调节所述影响因子的权重，得到新的异常容忍度指标值；
[0073]
将所述历史数据中的所述代表设备异常的图片比例与所述新的异常容忍度指标值进行比较，得到新的判断结果，并统计在所述新的异常容忍度指标值下，所述历史数据中判断结果的正确率；
[0074]
将所述正确率与预设正确率阈值进行比较，若所述正确率小于所述预设正确率阈值，则利用所述预先设定的权重调整策略，对所述影响因子的权重进行调整，直到所述正确率大于所述预设正确率阈值。
[0075]
在本技术实施例的一种实现方式中，对于不同型号的待检测工业设备，所述巡检机器人设置有不同的行驶路径以及不同的拍照方式。
[0076]
本技术实施例还提供了对应的设备以及计算机存储介质，用于实现本技术实施例提供的方案。
[0077]
其中，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行本技术任一实施例所述的方法。
[0078]
所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本技术任一实施例所述的方法。
[0079]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，
本技术的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，rom)/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0080]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0081]
还需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0082]
以上所述，仅为本技术的一种具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种工业设备状态判断方法，其特征在于，所述方法包括：巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个；所述巡检机器人对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片；对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。2.根据权利要求1所述的方法，其特征在于，所述巡检机器人根据预设路径进行运动之前，所述方法还包括：对所述巡检机器人进行配置，确定与所述待检测工业设备状态判断相关的多个影响因子，对所述多个影响因子分别设定初始化权重；根据所述初始化权重设定异常容忍度指标，所述异常容忍度指标为对当前设备零件被判别为异常状态时的接受程度。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。4.根据权利要求3所述的方法，其特征在于，所述重新计算所述异常容忍度指标的值包括：获取与所述待检测设备型号相同的设备的历史数据，所述历史数据中包括代表设备异常的图片比例及设备状态标签；利用预先设定的权重调整策略，调节所述影响因子的权重，得到新的异常容忍度指标值；将所述历史数据中的所述代表设备异常的图片比例与所述新的异常容忍度指标值进行比较，得到新的判断结果，并统计在所述新的异常容忍度指标值下，所述历史数据中判断结果的正确率；将所述正确率与预设正确率阈值进行比较，若所述正确率小于所述预设正确率阈值，则利用所述预先设定的权重调整策略，对所述影响因子的权重进行调整，直到所述正确率大于所述预设正确率阈值。5.根据权利要求1所述的方法，其特征在于，对于不同型号的待检测工业设备，所述巡检机器人设置有不同的行驶路径以及不同的拍照方式。6.一种工业设备状态判断装置，其特征在于，所述装置包括：拍照模块，用于当所述巡检机器人到达预设位置后，对待检测工业设备进行一次拍照，所述预设位置包括至少一个；识别模块，用于对拍照所得的每张图片进行识别，分别针对所述每张图片中的设备特征与预设正常设备对应的特征进行比较，根据比较结果对所述每张图片进行分类，得到代表设备正常的图片和代表设备异常的图片；分析模块，用于对所述代表设备正常的图片和所述代表设备异常的图片进行分析，自
动统计所述代表设备异常的图片出现的比例，若所述比例大于预设异常容忍度指标阈值，则输出所述待检测工业设备的状态异常，否则输出所述待检测工业设备的状态正常。7.根据权利要求6所述的装置，其特征在于，所述装置还包括：配置模块，用于对所述巡检机器人进行配置，确定与所述待检测工业设备状态判断相关的多个影响因子，对所述多个影响因子分别设定初始化权重；根据所述初始化权重设定异常容忍度指标，所述异常容忍度指标为对当前设备零件被判别为异常状态时的接受程度。8.根据权利要求6所述的装置，其特征在于，所述装置还包括：计算模块，用于当输出的所述待检测工业设备的状态与所述待检测工业设备的实际情况不符时，重新计算所述异常容忍度指标的值。9.一种计算设备，其特征在于，所述计算设备包括：存储器、处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序实现如权利要求1至5任一项所述的步骤。10.一种计算机可读存储介质，其特征在于，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如权利要求1至5任一项所述方法的步骤。

技术总结
本申请提供了一种工业设备状态判断方法。巡检机器人根据预设路径进行运动，当所述巡检机器人到达预设位置后，对待检测工业设备拍照，然后对拍照所得的图片进行识别，基于预设的设备特征产生比较结果，并以此对图片进行分类，得到代表设备正常的图片和代表设备异常的图片，自动统计代表设备异常的图片出现的比例，若比例大于预设异常容忍度指标阈值，则输出待检测工业设备的状态异常，否则输出待检测工业设备的状态正常。通过该方法使得最后输出的代表工业设备的状态的结果更加准确，降低了在巡检环境恶劣、视觉算法识别能力难以提升的工业设备状态管理场景下，对工业设备状态结果的误报率。的误报率。的误报率。


技术研发人员：阮志坚 姚炜 罗玉雪 安冬冬
受保护的技术使用者：蓝卓数字科技有限公司
技术研发日：2023.05.15
技术公布日：2023/7/22