电机状态识别方法、装置、设备以及存储介质制造方法及图纸

本发明专利技术提供一种电机状态识别方法、装置、设备以及存储介质，该方法包括：获取待识别电机图像；将所述待识别电机图像输入至预训练特征提取网络，得到所述待识别电机图像的图像特征；将所述待识别电机图像的图像特征输入至深度学习识别模型，得到所述待识别电机图像的电机状态识别结果。本发明专利技术通过预训练特征提取网络得到待识别电机图像的图像特征，将待识别电机图像的图像特征输入至深度学习识别模型，得到待识别电机图像的电机状态识别结果，实现了电机状态高效率的识别。电机状态高效率的识别。电机状态高效率的识别。

【技术实现步骤摘要】
电机状态识别方法、装置、设备以及存储介质


[0001]本专利技术涉及设备检测
，尤其涉及一种电机状态识别方法、装置、设备以及存储介质。

技术介绍

[0002]在工业环境下，电机的应用越来越频繁，和人类的生产活动越来越密切。电机作为人们生产和生活中不可缺少的重要动力提供者，在使用的过程中很多的电机会出现异常故障现象，从而会对生产造成诸多的影响。
[0003]目前大多数电机故障的检测方法需要获取高精准度的电机图像，检测成本较高，并且检测效率低下，不能适用于现在越来越复杂的使用环境。

技术实现思路

[0004]本专利技术提供一种电机状态识别方法、装置、设备以及存储介质，用以解决现有技术中需要获取高精准度的获取电机图像，检测成本较高，并且检测效率低下的缺陷，实现电机状态高效率的识别。
[0005]第一方面，本专利技术提供一种电机状态识别方法，包括：
[0006]获取待识别电机图像；
[0007]将所述待识别电机图像输入至预训练特征提取网络，得到所述待识别电机图像的图像特征；/>[0008]将所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机状态识别方法，其特征在于，包括：获取待识别电机图像；将所述待识别电机图像输入至预训练特征提取网络，得到所述待识别电机图像的图像特征；将所述待识别电机图像的图像特征输入至深度学习识别模型，得到所述待识别电机图像的电机状态识别结果。2.根据权利要求1所述的电机状态识别方法，其特征在于，所述深度学习识别模型包括分割网络和分类网络，所述深度学习识别模型通过下述步骤训练获取：获取图像特征训练样本和所述图像特征训练样本对应的电机状态；将所述图像特征训练样本输入至所述分割网络，得到第一分支特征图和第二分支特征图；将所述第一分支特征图和所述第二分支特征图进行堆叠，得到第一特征图；将所述第一特征图输入至所述分类网络，得到所述图像特征训练样本的样本电机状态识别结果；根据所述图像特征训练样本对应的电机状态和所述图像特征训练样本的样本电机状态识别结果进行训练验证，获取所述深度学习识别模型。3.根据权利要求2所述的电机状态识别方法，其特征在于，还包括：根据所述分割网络的损失函数和/或所述分类网络的损失函数确定所述深度学习识别模型的损失函数。4.根据权利要求3所述的电机状态识别方法，其特征在于，所述深度学习识别模型的损失函数是：L＝α
·
β
·
L1+(1
‑
α)
·
γ
·
L2α＝1
‑
n/n_epoch其中，L表示所述深度学习识别模型的损失函数，L1表示所述分割网络的损失函数，L2表示所述分类网络的损失函数；其中，β表示第一调整参数，当输入的图像特征训练样本包含像素级别标签的样本时，β为1；当输入的图像特征训练样本不包含像素级别标签的样本时，β为0；其中，γ表示第二调整参数，用于调整L1和...

【专利技术属性】
技术研发人员：彭政睿，宫新一，魏本刚，徐湘忆，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：