通風(fēng)機(jī)械儀表盤在復(fù)雜背景環(huán)境中視覺故障檢測與定位研究

周晟剛

(安徽省煤炭科學(xué)研究院，合肥 230001)

0 引言

通風(fēng)機(jī)械儀表盤作為重要的測量和監(jiān)控工具，在通風(fēng)系統(tǒng)中起著至關(guān)重要的作用。它可以準(zhǔn)確顯示和記錄通風(fēng)機(jī)械的各項(xiàng)參數(shù)，幫助維持通風(fēng)系統(tǒng)的運(yùn)行效率和安全性。隨著科技進(jìn)步和工業(yè)化進(jìn)程的推動(dòng)，通風(fēng)機(jī)械的種類和規(guī)模不斷增加，對儀表盤的標(biāo)準(zhǔn)和技術(shù)要求也在不斷提高。從傳統(tǒng)的機(jī)簡單指示器到現(xiàn)代智能儀表盤，通風(fēng)機(jī)械的監(jiān)測和調(diào)節(jié)變得更加智能化和精準(zhǔn)化。這使得通風(fēng)系統(tǒng)能夠提供更高效、安全、舒適的通風(fēng)環(huán)境[1]。然而，長期運(yùn)行或維護(hù)不當(dāng)可能導(dǎo)致通風(fēng)機(jī)械故障，進(jìn)而影響通風(fēng)系統(tǒng)的正常運(yùn)行和安全保障。因此，準(zhǔn)確并及時(shí)地定位故障的位置非常重要，這直接影響到維修行動(dòng)的迅速性。同時(shí)，故障定位的準(zhǔn)確性也對生產(chǎn)效率、成本和安全產(chǎn)生著重大影響。為了提高通風(fēng)機(jī)械故障的檢測精度和減少故障定位時(shí)間，可以采用高精度視覺檢測和定位方法，并結(jié)合圖像處理和機(jī)器學(xué)習(xí)技術(shù)。通過對儀表盤上的圖像進(jìn)行分析和識別，有效避免無計(jì)劃停機(jī)和減少維修成本[2]。因此，開展儀表區(qū)域高精度視覺識別的研究具有重要的背景和意義。

國內(nèi)相關(guān)故障檢測與定位研究研究有：文獻(xiàn)[3]中提出一種基于PLC用于電氣自動(dòng)化儀表的故障檢測系統(tǒng)。該系統(tǒng)的硬件模塊包括以下組成部分：數(shù)據(jù)采集模塊、PLC芯片選配與通信模塊、上位機(jī)程序模塊、數(shù)據(jù)集成模塊和儀表故障檢測模塊。這些模塊的協(xié)同工作保證了整個(gè)系統(tǒng)的穩(wěn)定運(yùn)行和高效性能。文獻(xiàn)[4]中提出了一種石油化工自動(dòng)化儀表故障診斷方法。該方法首先將信號分解為多個(gè)模態(tài)，并通過對每個(gè)模態(tài)的處理獲得準(zhǔn)確的頻率信息。通過使用合適的懲罰因子，可以減少在信號中存在的噪聲。然后，根據(jù)每個(gè)分解模態(tài)的基帶范圍計(jì)算關(guān)鍵參數(shù)，這些參數(shù)對故障檢測和診斷非常重要。最后，將故障信號與儀表故障特征參數(shù)進(jìn)行比較，以確定所觀察到的故障類型。

國外相關(guān)故障檢測與定位研究研究有：文獻(xiàn)[5]中提出了一種基于知識圖的故障診斷系統(tǒng)。研究RBT3-TextCNN模型和Jieba工具的預(yù)訓(xùn)練方法。這種方法使用文本卷積神經(jīng)網(wǎng)絡(luò)(TextCNN)和三層魯棒優(yōu)化變壓器雙向編碼器表示(RBT3)，可以同時(shí)提取實(shí)體和識別故障查詢意圖。此外，還開發(fā)了一個(gè)基于WebSocket協(xié)議的故障報(bào)警監(jiān)控模塊，可以自動(dòng)將出現(xiàn)的故障詳細(xì)信息發(fā)送給操作人員。文獻(xiàn)[6]中提出一種基于分布式滑模觀測器的MAS故障診斷方法，提出基于滑模的分布式未知輸入觀測器來估計(jì)擴(kuò)展?fàn)顟B(tài)，并引入自適應(yīng)律來調(diào)整觀測器參數(shù)。最后，通過數(shù)值仿真驗(yàn)證了該方法的有效性。

然而，上述方法應(yīng)用于通風(fēng)機(jī)械儀表故障區(qū)域定位工作中后，發(fā)現(xiàn)其故障區(qū)域定位結(jié)果與實(shí)際結(jié)果相差較大。對此，本文通過機(jī)器學(xué)習(xí)優(yōu)化的方式，設(shè)計(jì)了一種新的通風(fēng)機(jī)械儀表故障區(qū)域高精度視覺定位方法。在使用Kinect相機(jī)提取到通風(fēng)機(jī)械儀表圖像后，通過改進(jìn)直方圖均衡化的方式調(diào)節(jié)圖像的亮度與色調(diào)，并在此基礎(chǔ)上，引入局部圖像處理環(huán)節(jié)對圖像實(shí)施分塊式對比度增強(qiáng)處理，依次調(diào)節(jié)圖像的亮度與色調(diào)，從而增強(qiáng)通風(fēng)機(jī)械儀表圖像的局部對比度。對增強(qiáng)處理后的圖像進(jìn)行基于像素相關(guān)性的儀表故障區(qū)域分割提取，在劃分出通風(fēng)機(jī)械儀表故障區(qū)域后，利用深度卷積網(wǎng)絡(luò)檢測其中的目標(biāo)信息。最后，計(jì)算定位目標(biāo)的質(zhì)心坐標(biāo)，將質(zhì)心位置設(shè)成通風(fēng)機(jī)械儀表故障位置，通過實(shí)時(shí)投影完成高精度定位。

1 通風(fēng)機(jī)械故障儀表圖像采集與預(yù)處理

1.1 通風(fēng)機(jī)械儀表圖像的提取

Kinect相機(jī)是機(jī)器視覺領(lǐng)域常用的相機(jī)之一，Kinect相機(jī)具備追焦能力[7-8]。本研究中，使用Kinect相機(jī)提取通風(fēng)機(jī)械儀表所處環(huán)境圖像。圖1為Kinect相機(jī)成像示意圖。

圖1 Kinect相機(jī)成像原理圖

Kinect相機(jī)的成像如下。

1)連接Kinect相機(jī)：將Kinect相機(jī)通過USB接口與計(jì)算機(jī)連接。確保連接穩(wěn)定并符合硬件要求。

2)安裝驅(qū)動(dòng)程序：根據(jù)Kinect相機(jī)型號和計(jì)算機(jī)操作系統(tǒng)，安裝相應(yīng)的驅(qū)動(dòng)程序[9-10]。

3)啟動(dòng)相機(jī)：打開使用Kinect相機(jī)的圖像采集軟件或開發(fā)環(huán)境，調(diào)用相應(yīng)的API函數(shù)啟動(dòng)相機(jī)。

4)獲取彩色圖像：通過API函數(shù)，調(diào)用相機(jī)的彩色傳感器來獲取實(shí)時(shí)的彩色圖像。此時(shí)，相機(jī)會捕捉到前方環(huán)境的彩色圖像信息。

5)獲取深度圖像：通過API函數(shù)，調(diào)用相機(jī)的深度傳感器來獲取實(shí)時(shí)的深度圖像。深度圖像顯示場景中各個(gè)點(diǎn)距離相機(jī)的遠(yuǎn)近[11]。

1.2 通風(fēng)機(jī)械儀表圖像局部對比度增強(qiáng)處理

在得到通風(fēng)機(jī)械儀表圖像后，通過改進(jìn)直方圖均衡化的方式調(diào)節(jié)圖像的亮度與色調(diào)，把圖像中不同區(qū)域內(nèi)的亮度差異擴(kuò)大。通過對比度的增強(qiáng)，故障區(qū)域的邊緣和細(xì)節(jié)能夠更突出地顯示出來，有助于更準(zhǔn)確地分割故障輪廓[12]。

在全局直方圖均衡算法的基礎(chǔ)上，引入局部圖像處理環(huán)節(jié)對圖像實(shí)施分塊式對比度增強(qiáng)處理，依次調(diào)節(jié)圖像的亮度與色調(diào)，從而增強(qiáng)通風(fēng)機(jī)械儀表圖像的局部對比度。

在增強(qiáng)處理的過程，為了防止出現(xiàn)馬賽克問題，設(shè)置閾值約束各個(gè)像素塊的裁剪工作，把大于閾值的區(qū)域劃分至其他區(qū)域重新裁剪。閾值的變化對通風(fēng)機(jī)械儀表圖像增強(qiáng)作用也存在差異，閾值較大時(shí)，會導(dǎo)致圖像曝光率超標(biāo)，而閾值較小時(shí)，會導(dǎo)致圖像增強(qiáng)效果較差[13-14]。因此，合理的閾值是保證通風(fēng)機(jī)械儀表圖像增強(qiáng)效果的前提。為此，本文將自適應(yīng)閾值調(diào)整技術(shù)引入直方圖均衡化方法中，可以結(jié)合圖像的亮度信息自主設(shè)置合理的閾值，此時(shí)圖像暗部細(xì)節(jié)的增強(qiáng)效果便得到優(yōu)化，具體步驟如下：

1)對2.1小節(jié)采集到的通風(fēng)機(jī)械儀表圖像執(zhí)行分塊操作，保證各個(gè)像素塊大小一致，不存在重疊性[15]；

2)變換圖像色域，自RGB空間變成YUV空間；

3)分塊運(yùn)算頻率分布直方圖，提取其均值；

4)運(yùn)算動(dòng)態(tài)閾值，將像素塊的亮度均值設(shè)成邊界條件，運(yùn)算超過均值的直方圖面積。直方圖面積可體現(xiàn)直方圖的突兀水平，結(jié)合一個(gè)或多個(gè)直方圖的突兀水平，動(dòng)態(tài)設(shè)置差異的閾值，閾值將根據(jù)圖像灰度值的分布狀態(tài)實(shí)現(xiàn)自動(dòng)調(diào)節(jié)[16]；

5)根據(jù)閾值裁剪焊點(diǎn)區(qū)域圖像直方圖，大于閾值的區(qū)域?qū)嵤┣蠛吞幚?，均分至各個(gè)像素點(diǎn)的坐標(biāo)，并將大于閾值的像素量均分至每個(gè)灰度范圍中；

6)運(yùn)算像素累積分布函數(shù)Rh：

(1)

其中：m表示通風(fēng)機(jī)械儀表圖像的像素?cái)?shù)量，mh表示第h個(gè)像素，且j∈m；

7)使用一維低通濾波率，優(yōu)化像素平滑水平，過程如下：

(2)

其中：X(h)表示濾波后通風(fēng)機(jī)械儀表圖像的像素值；

8)為防止出現(xiàn)塊效應(yīng)，通過插值運(yùn)算方法計(jì)算塊和塊之間像素值。插值運(yùn)算方法如圖2所示[17]。

圖2 插值運(yùn)算方法

圖2中的黑色正方形區(qū)域代表通風(fēng)機(jī)械儀表運(yùn)行環(huán)境深度圖像的邊角區(qū)域像素，用于直接運(yùn)算映射函數(shù)，白色正方形區(qū)域是邊緣區(qū)域。通過線性插值方法運(yùn)算像素[18]，運(yùn)算方法如下：

(3)

其中：g(x，y)表示圖像素點(diǎn)數(shù)值；(x1，y1)、(x2，y2)依次表示近鄰像素塊中心坐標(biāo)，g1、g2表示子塊映射值[19]。

圖2中的白色圓形區(qū)域代表通風(fēng)機(jī)械儀表深度圖像的中間區(qū)域像素塊，以雙線性插值方法運(yùn)算獲取像素值，運(yùn)算方法過程如下：

(4)

9)融合原圖與增強(qiáng)后通風(fēng)機(jī)械儀表圖像：

g(x，y)=?×o″+(1-?)o

(5)

其中：?表示融合所用權(quán)值；o″、o依次表示增強(qiáng)前后的圖像。

2 通風(fēng)機(jī)械儀表圖像故障區(qū)域的分割和檢測方法

2.1 基于像素相關(guān)性的儀表故障區(qū)域分割提取

假設(shè)2.2小節(jié)增強(qiáng)處理后的通風(fēng)機(jī)械儀表圖像g(x，y)的像素集合為G={gi|i=1，2，...，m}，將集合G中像素設(shè)成中心像素點(diǎn)，然后設(shè)計(jì)檢索窗口，窗口中的像素集合為F={fj|j=1，2，...，m}。圖像的分割步驟如下。

輸入：增強(qiáng)后的圖像g(x，y)、局部窗口尺寸Mj。

輸出：g(x，y)的像素相關(guān)性關(guān)系R。

1)運(yùn)算檢索窗口中像素的中位數(shù)：

Nj=median(fj)

(6)

其中：median()表示MEDIAN函數(shù)。

2)假設(shè)Bj表示檢索窗口中像素的浮動(dòng)值，則存在：

Bj=abs(fj-Nj)

(7)

其中：abs()表示絕對值函數(shù)。

3)運(yùn)算像素中位絕對偏差是：

NAj=median(Bj)

(8)

4)分析檢索窗口中像素是否屬于噪聲像素，則存在：

(9)

其中：β表示閾值，Qjr表示像素決策概率值。當(dāng)Qjr的數(shù)值等于0時(shí)，代表檢索窗口中像素非噪聲；當(dāng)Qjr的數(shù)值等于1時(shí)，代表檢索窗口中像素是噪聲像素。

5)把集合F里噪聲像素點(diǎn)去除，獲取正常像素集合F′。然后根據(jù)檢索窗口中正常像素點(diǎn)之間灰度值的相似度D運(yùn)算像素間相關(guān)性關(guān)系，過程如下：

R=exp(mean(D)-D×Qjr)

(10)

基于像素之間的相關(guān)性，給出儀表圖像故障區(qū)域分割的步驟如下：

輸入：迭代最大值γ、模糊因子n、像素聚類數(shù)目A、像素聚類的局部窗口尺寸Mj。

輸出：通風(fēng)機(jī)械儀表圖像中的故障特征分割結(jié)果θ。

1)分析g(x，y)的像素中心，設(shè)計(jì)合理的像素檢索窗口，運(yùn)算窗口內(nèi)像素和中心像素的相關(guān)性。

2)在初始化模糊隸屬函數(shù)的前提下，計(jì)算像素聚類中心：

(11)

3)若迭代次數(shù)為最大值，便進(jìn)入4)，反之回到2)。

4)執(zhí)行去模糊處理，則圖像g(x，y)分割結(jié)果為：

θ=argmax{uj}

(12)

上述過程，通過利用改進(jìn)像素相關(guān)性分割算法對圖像進(jìn)行分割，將通風(fēng)機(jī)械儀表區(qū)域從背景中提取出來。這一步可以通過結(jié)合像素之間的相關(guān)性來判斷是否屬于通風(fēng)機(jī)械儀表的區(qū)域。

2.2 基于深度卷積網(wǎng)絡(luò)對分割圖像的故障判斷

利用深度卷積網(wǎng)絡(luò)(DCNN)對分割后的圖像進(jìn)行故障輪廓檢測。DCNN是一種強(qiáng)大的圖像分類和目標(biāo)檢測算法，在訓(xùn)練階段需要準(zhǔn)備故障樣本來進(jìn)行模型訓(xùn)練，以便能夠準(zhǔn)確地檢測和識別通風(fēng)機(jī)械儀表的故障情況。深度卷積網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖3 深度卷積網(wǎng)絡(luò)結(jié)構(gòu)圖

從圖3看出，深度卷積網(wǎng)絡(luò)是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，其中包括輸入層、轉(zhuǎn)換層、用于特征提取的卷積層和池化層、用于故障檢測的全連接層、輸出層[20]。

利用深度卷積網(wǎng)絡(luò)檢測通風(fēng)機(jī)械儀表圖像中故障輪廓的過程如下。

1)切割處理：根據(jù)上述經(jīng)過分割得到的通風(fēng)機(jī)械儀表區(qū)域圖像數(shù)據(jù)θ結(jié)果，進(jìn)行切割處理。該處理過程可以通過裁剪出分割區(qū)域的圖像塊或裁剪成更小的圖像片段，作為深度卷積網(wǎng)絡(luò)的輸入向量。這樣可以提取出每個(gè)故障區(qū)域的局部特征，更有利于深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練。處理參數(shù)為：

(13)

其中：h×z表示圖像分割區(qū)域的空間壓縮維度，這里的h代表影像增強(qiáng)參數(shù)，z代表訓(xùn)練次數(shù)。

2)深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練：使用上述經(jīng)過切割處理后的數(shù)據(jù)樣本作為輸入向量，對深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練目標(biāo)是使網(wǎng)絡(luò)能夠?qū)W習(xí)到故障樣本的特征，并能夠準(zhǔn)確地判斷通風(fēng)機(jī)械儀表圖像中的故障。

卷積層使用卷積驗(yàn)證從輸入訓(xùn)練數(shù)據(jù)中提取特征。DCNN通常具有多個(gè)卷積核，每個(gè)卷積核都可以提取不同的數(shù)據(jù)特征。將輸入的一維數(shù)據(jù)設(shè)為x，則經(jīng)卷積特征映射可表示為：

(14)

池化層對信號進(jìn)行降采樣，從而達(dá)到減少模型參數(shù)的數(shù)量的目的，在通道數(shù)量不增加的情況下對特征進(jìn)行選擇。一維卷積層的輸出一般為大小W×D的特征(W表示特征的長度、D表示通道數(shù)。平均池化和最大池化為常用的池化操作，采用平均池化操作，則經(jīng)池化操作后輸出變?yōu)椋?/p>

(15)

式中，yk+1表示池化后第k+1層輸出。

全連接層將前一層網(wǎng)絡(luò)的每一個(gè)節(jié)點(diǎn)連接到當(dāng)前層的所有網(wǎng)絡(luò)節(jié)點(diǎn)。在使用過程中，全連接層可由卷積運(yùn)算實(shí)現(xiàn)；卷積核為1×1的全連接層可轉(zhuǎn)換為卷積，而卷積核大小為W的全連接層層可轉(zhuǎn)換為全局卷積。

3)在完成對深度卷積網(wǎng)絡(luò)的訓(xùn)練后，輸入圖像分割結(jié)果，過程如下：

(16)

其中：(I，J)表示引用分割框的坐標(biāo)，p表示參照系目標(biāo)的概率，b表示回歸損失，s表示平衡參數(shù)。

在篩選深度卷積網(wǎng)絡(luò)輸出故障輪廓候選框的火車上，可以確定候選框的所述類別。將候選框與類別標(biāo)簽作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，可以得到故障輪廓的候選框和實(shí)際候選框。

4)將故障輪廓區(qū)域的數(shù)據(jù)集作為正類樣本，將非故障區(qū)域的數(shù)據(jù)集作為負(fù)類樣本，通過迭代訓(xùn)練形成完整的深卷積網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過程。

5)故障檢測層包括需要故障檢測回歸的N個(gè)任務(wù)。對于第個(gè)任務(wù)，使用兩個(gè)完全連接的層輸出。第一個(gè)調(diào)諧共享的卷積提取特征，第二個(gè)連接故障結(jié)果。全連接運(yùn)算定義表示為：

(17)

通風(fēng)機(jī)械儀表盤故障類型共分為5種，包括儀表讀數(shù)偏差、儀表指針脫落、儀表表面污染、儀表內(nèi)部出現(xiàn)故障、儀表盤安裝不當(dāng)。使用權(quán)重系數(shù)和故障類型的權(quán)重向量來計(jì)算故障類型的概率或分類得分。以下是判斷通風(fēng)機(jī)械儀表盤故障類型的表達(dá)式：

S(F)=∑(Wi*Pi)

(18)

式中，S(F)表示通風(fēng)機(jī)械儀表盤故障類型，W表示第i個(gè)任務(wù)對應(yīng)的權(quán)重系數(shù)，P表示故障類型F的權(quán)重向量的第i個(gè)元素。通過將式(18)應(yīng)用于式(17)中的全連接運(yùn)算，可以確定最終的故障類型。

3 基于目標(biāo)質(zhì)心計(jì)算完成儀表故障區(qū)域定位

在分割通風(fēng)機(jī)械儀表圖像并提取其中的故障輪廓后，計(jì)算故障區(qū)域的輪廓質(zhì)心橫、縱坐標(biāo)，過程如下：

(19)

其中：(xj，yj)表示第j個(gè)像素坐標(biāo)，T(xj，yj)表示第j個(gè)像素的灰度值。

圖4 投影成像空間坐標(biāo)示意圖

由于焊點(diǎn)目標(biāo)的質(zhì)心點(diǎn)具有固定性。因此，為準(zhǔn)確定位通風(fēng)機(jī)械儀表故障輪廓位置，通過將目標(biāo)點(diǎn)坐標(biāo)映射到投影成像空間坐標(biāo)系中，可以得到在實(shí)際空間中的位置，實(shí)現(xiàn)通風(fēng)機(jī)械儀表的故障區(qū)域定位。

(20)

其中：ρ、η表示目標(biāo)點(diǎn)坐標(biāo)在投影成像空間坐標(biāo)系中二維坐標(biāo)值，(x，y，z)表示目標(biāo)點(diǎn)在投影成像空間坐標(biāo)系中位置，(x0，y0，z0)表示相機(jī)坐標(biāo)原點(diǎn)在投影成像空間坐標(biāo)系中位置，x0、Δy表示用于在相機(jī)的水平和垂直方向上對每個(gè)像素進(jìn)行采樣的量化因子，ρ0、η0分別為在水平和垂直方向上采樣期間相機(jī)成像中心的位置偏移。通過上述過程即可獲取目標(biāo)點(diǎn)坐標(biāo)的二維坐標(biāo)值、基坐標(biāo)系位置，從而實(shí)現(xiàn)通風(fēng)機(jī)械儀表故障區(qū)域的精準(zhǔn)定位。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證性能上述設(shè)計(jì)的基于機(jī)器學(xué)習(xí)優(yōu)化的通風(fēng)機(jī)械儀表故障區(qū)域高精度視覺定位方法，進(jìn)行實(shí)驗(yàn)測試。為測試所設(shè)計(jì)系統(tǒng)的功能實(shí)現(xiàn)效果，本章節(jié)進(jìn)行系統(tǒng)實(shí)現(xiàn)與測試。為了驗(yàn)證本文方法的數(shù)據(jù)安全性能與共享時(shí)間效率，整個(gè)實(shí)驗(yàn)都需要在性能強(qiáng)大的服務(wù)器上完成，服務(wù)器為：5 TG的內(nèi)存、NVIDIA RTX 2080Ti 12G的顯卡，服務(wù)器的軟件環(huán)境為：Python 4.8的代碼編寫軟件平臺、Windows10操作系統(tǒng)的硬件環(huán)境。

4.2 圖像增強(qiáng)與目標(biāo)分割結(jié)果

對基于Kinect相機(jī)采集到的通風(fēng)機(jī)械儀表圖像進(jìn)行增強(qiáng)處理后，圖像信息熵變化如圖5所示。信息熵可體現(xiàn)圖像細(xì)節(jié)特征完備性，數(shù)值越接近于1，表示圖像細(xì)節(jié)特征越完備。

圖5 圖像增強(qiáng)前后信息熵變化

觀察圖5可知，本文方法對通風(fēng)機(jī)械儀表圖像增強(qiáng)后，圖像細(xì)節(jié)特征完備，信息熵超過0.9，說明本文方法對通風(fēng)機(jī)械儀表進(jìn)行圖像增強(qiáng)處理后，圖像細(xì)節(jié)特征的保存效果較好。

利用本文方法將圖像實(shí)施分割處理，有效分離圖像中的有效目標(biāo)和背景，分割效果如圖6所示。

圖6 通風(fēng)機(jī)械儀表目標(biāo)分割結(jié)果

4.3 通風(fēng)機(jī)械儀表故障檢測結(jié)果

基于上述通風(fēng)機(jī)械儀表目標(biāo)分割結(jié)果，對通風(fēng)機(jī)械儀表故障進(jìn)行檢測。實(shí)驗(yàn)中，將文獻(xiàn)[3]、文獻(xiàn)[4]方法作為對比方法，得到通風(fēng)機(jī)械儀表故障檢測對比結(jié)果如圖7所示。

圖7 通風(fēng)機(jī)械儀表故障檢測結(jié)果

觀察圖7可以發(fā)現(xiàn)，本文方法的通風(fēng)機(jī)械儀表故障檢測精度均高于90%，最高檢測精度為98%；文獻(xiàn)[3]方法的通風(fēng)機(jī)械儀表故障檢測精度低于本文方法，最高檢測精度僅為87%；文獻(xiàn)[4]方法的通風(fēng)機(jī)械儀表故障檢測精度低于文獻(xiàn)[3]方法，最高檢測精度僅為82%；由此可見，本文方法對通風(fēng)機(jī)械儀表故障檢查精度較高，具有有效性。

4.4 通風(fēng)機(jī)械儀表故障區(qū)域定位結(jié)果

基于上述是通風(fēng)機(jī)械儀表故障檢測結(jié)果，對通風(fēng)機(jī)械儀表故障區(qū)域進(jìn)行定位。得到通風(fēng)機(jī)械儀表故障區(qū)域定位的對比結(jié)果如圖8所示。

圖8 通風(fēng)機(jī)械儀表實(shí)際故障區(qū)域定位結(jié)果

觀察圖8可以發(fā)現(xiàn)，兩種文獻(xiàn)方法的定位坐標(biāo)點(diǎn)與通風(fēng)機(jī)械儀表實(shí)際故障區(qū)域具有一定的偏差，而應(yīng)用本文方法后，故障定位坐標(biāo)點(diǎn)與實(shí)際故障坐標(biāo)點(diǎn)吻合度較高，但定位誤差極小。由此可以表明，本文方法對通風(fēng)機(jī)械儀表的故障區(qū)域定位問題具有可用價(jià)值。

4.5 通風(fēng)機(jī)械儀表故障區(qū)域定位時(shí)間結(jié)果

為進(jìn)一步驗(yàn)證本文方法的故障區(qū)域定位效率，以區(qū)域定位時(shí)間為測試指標(biāo)，將這3種方法進(jìn)行比較和測試，測試結(jié)果如表1。

表1 3種方法故障區(qū)域定位時(shí)間對比表

觀察表1可以發(fā)現(xiàn)，本文方法的通風(fēng)機(jī)械儀表故障區(qū)域定位時(shí)間均低于10 s，最低定位時(shí)間僅為5 s；文獻(xiàn)[3]方法的通風(fēng)機(jī)械儀表故障區(qū)域定位時(shí)間高于本文方法，最低定位時(shí)間達(dá)到30 s；文獻(xiàn)[4]方法的通風(fēng)機(jī)械儀表故障區(qū)域定位時(shí)間高于文獻(xiàn)[3]方法，最低定位時(shí)間達(dá)到36 s；由此可見，本文方法對通風(fēng)機(jī)械儀表的故障區(qū)域定位效率較高，具有實(shí)用性。

5 結(jié)束語

智能機(jī)械是目前工業(yè)制造領(lǐng)域所應(yīng)用的重點(diǎn)智能化技術(shù)之一，焊接機(jī)器人和其他焊接機(jī)械的應(yīng)用使焊接工作成為可能，智能化的發(fā)展不僅降低了體力勞動(dòng)的投入成本，而且具有很高的工作安全性。

為有效實(shí)現(xiàn)焊接機(jī)械對通風(fēng)機(jī)械儀表的定位精度，本文設(shè)計(jì)了基于機(jī)器學(xué)習(xí)優(yōu)化的焊接機(jī)械通風(fēng)機(jī)械儀表高精度視覺定位技術(shù)，對通風(fēng)機(jī)械儀表圖像實(shí)施采集、增強(qiáng)、分割處理，然后利用深度卷積網(wǎng)絡(luò)檢測其中的目標(biāo)信息，再通過計(jì)算焊點(diǎn)質(zhì)心坐標(biāo)實(shí)現(xiàn)高精度視覺定位。從實(shí)驗(yàn)結(jié)果能夠看出：本文方法不僅可以增強(qiáng)通風(fēng)機(jī)械儀表圖像的細(xì)節(jié)特征，還能夠有效提取圖像中通風(fēng)機(jī)械儀表目標(biāo)信息，準(zhǔn)確定位焊點(diǎn)所在位置。