基于人工智能的终端机故障检测及恢复方法技术

本申请涉及故障检测技术领域，具体公开了基于人工智能的终端机故障检测及恢复方法，其包括S100:获取至少一个故障终端屏幕的图像信息,S200：将图像信息导入故障检测模型中进行故障检测，获得故障原因,S300：将故障原因与系统数据库比对，获得故障恢复方案,S400：在故障终端内执行故障恢复方案。本方案可解决目前采用B/S架构的终端系统故障时，无法自动及时解决故障而需要人为重新启动故障终端并且效率低下的问题。低下的问题。

【技术实现步骤摘要】
基于人工智能的终端机故障检测及恢复方法


[0001]本专利技术涉及故障检测
，具体涉及基于人工智能的终端机故障检测及恢复方法。

技术介绍

[0002]随着智能终端系统的普及，其在不同行业领域内均已应用广泛，如线下零售、餐饮、办事大厅、医院、车站机场等等，在这些领域中，智能终端系统不仅能够辅助用户进行决策，还能帮助用户在无人值守的情况下自行完成不同事务的自主处理。
[0003]目前采用B/S架构的终端系统，通过浏览器与互联网上的服务端进行数据交互。终端系统是否能稳定运行，很大程度取决于网络的运行质量。当网络出现波动或服务端出现故障时，采用B/S架构的浏览器缺点就暴露出来，即界面无响应或出现网络资源无法正常加载(白屏、或界面仅加载一部分图片或内容)的情况，出现上述情况的原因可能有两种：1、当出现网络波动情况(例如网络闪断)，终端机浏览器就会出现网络资源加载不完整或连接服务端超时的情况，主要表现为浏览器界面上的图片及文字内容仅加载一部分或直接白屏，导致终端机功能无法使用；2、当服务端出现故障时，终端机浏览器就会一直停留在故障界面，导致终端机功能无法使用。
[0004]此时，浏览器无法自动恢复正常，需要人为重启浏览器。因此需要工作人员随叫随到，工作人员日常维修压力大。并且若是在事务处理高峰期，多台设备无法及时维修处理，造成办事人员拥挤、办事效率低下等情况，容易给办事人员带来不好的使用体验，不利于门店的形象。故需要一种新的方案解决现有存在的问题。

技术实现思路

[0005]本专利技术在于提供基于人工智能的终端机故障检测及恢复方法，以解决目前采用B/S架构的终端系统故障时，无法自动及时解决故障而需要人为重新启动故障终端并且效率低下的问题。
[0006]为解决上述目的，本专利技术采用的技术方案如下：基于人工智能的终端机故障检测及恢复方法，S100：获取至少一个故障终端屏幕的图像信息；
[0007]S200：将图像信息导入故障检测模型中进行故障检测，获得故障原因；
[0008]S300：将故障原因与系统数据库比对，获得故障恢复方案；
[0009]S400：在故障终端内执行故障恢复方案。
[0010]本方案的基本原理为：采集当前故障终端的屏幕图像信息，将图像信息导入故障检测模型中进行故障分析，得到故障原因，将故障原因与数据库中记载的记录比对，得到相应的故障恢复方案，终端自动运行故障执行方案，从而恢复正常。
[0011]本方案的有益效果为：现有的终端机出现网络故障或服务端故障情况时，界面无法自动恢复正常，需要人为重启浏览器才能恢复使用，本方案对故障界面进行数据采集，通过故障检测模型自动分析故障原因，从而匹配相应的故障恢复方案，使得终端机自动完成
故障检测及恢复等一系列动作，保证办事人员的正常使用，并且节省维护人员的劳动。
[0012]进一步，S100还包括：S101：对获取到的图像信息进行采样，获得640*512的预处理图片信息。对故障页面进行抽取生产对应图像的缩略图，保留有效信息的同时降低运算量。
[0013]进一步，S200还包括：
[0014]S201：对图像信息进行故障特征标注，并生成标注数据；将图像信息进行故障特征标注形成标注数据；
[0015]S202：将图像信息及标注数据划分为训练集、验证集、测试集；
[0016]S203：设置训练参数文件、模型参数文件、训练批次、批次大小以及学习率；
[0017]S204：将所述训练集、验证集、测试集导入故障检测模型中进行模型训练。
[0018]通过对获取到的图像信息进行个特征标注并形成相应的数据集，利用数据集进行故障检测模型的训练，针对不同的领域采用不同的数据集进行训练，能得到与之适配的模型。
[0019]进一步，200还包括：S205：当故障检测模型的识别率低于预设识别率阈值时，对故障检测模型参数调优，再进行训练及测试；
[0020]S206：将测试后的故障检测模型植入故障终端内。
[0021]对故障检测模型的学习训练成果进行评估，到达一定标准后采用该故障检测模型，将模型植入故障终端内。
[0022]进一步，所述故障原因包括网络波动和服务器异常；
[0023]S300还包括：
[0024]S301，分析故障原因，并根据故障原因的类别，执行相应的故障处理方案；
[0025]S301包括：
[0026]S3011，判断所述故障原因的类别是否为服务端异常，若是，则执行S3012；若否，则执行S3013；
[0027]S3012，控制故障终端界面跳转到故障提示页；
[0028]S3013，判断所述故障原因是否为网络波动，若是，则控制故障终端重新尝试连接当前页，并在连接次数达到预设次数且连接失败后，跳转至故障提示页；若否，则生成故障异常提示。根据不同的终端机故障原因，执行具体的解决方案，使得故障终端恢复正常。
[0029]进一步，S101还包括每间隔10S进行一次下采样。每10秒进行一次采样，实时判定当前终端机的状态。
[0030]进一步，S301中的预设检测时间为2min。每两分钟检测一次故障情况，及时刷新终端机页面。
[0031]进一步，S205中预设识别阈值为90％。通过设定识别率检验故障检测模型识别能力的好坏。
[0032]进一步，S3013中的预设次数为5次。
附图说明
[0033]图1为本专利技术实施例的流程示意图；
[0034]图2为本专利技术实施例的流程示意图。
具体实施方式
[0035]下面通过具体实施方式进一步详细说明：
[0036]实施例基本如附图1至附图2所示：
[0037]S100：每隔10s获取一个故障终端屏幕的图像信息。
[0038]S101：对获取到的图像信息进行下采样，获得640*512的预处理图片信息。具体的，对故障页面进行抽取生产对应图像的缩略图，保留有效信息的同时降低运算量，便于之后采用yolo算法进行模型建立。
[0039]S201：将图像信息导入到标注工具Makesense AI，添加标签，通过Rect画矩形框完成故障特征标注，导出yolo格式的label文件。具体的，yolo是一种卷积神经网络结构，yolo(意思是神经网络只需要看一次图片，就能输出结果)，通过给出的物体坐标获取目标的特征信息，然后将信息存储、学习，在目标图像上找到符合的特征信息，确定目标位置。
[0040]对故障特征标注的目的是从一张图片中可以识别出一个故障界面内多个不同种类的图标；并且用一个框将每个图标框出来并得到坐标，也得到物体的尺寸，故障特征包含5个信息：图标的中心位置(x，y)，图标的长和宽(h，w)，以及图标的种类置信度分数(score)
[0041]S202：将图像信息及标注数据划分为训练集、验证集、测试集。新建datasets目录，并创建images、labels两个子目录，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能的终端机故障检测及恢复方法，其特征在于：S100：获取至少一个故障终端屏幕的图像信息；S200：将图像信息导入故障检测模型中进行故障检测，获得故障原因；S300：将故障原因与系统数据库比对，获得故障恢复方案；S400：在故障终端内执行故障恢复方案。2.根据权利要求1所述的基于人工智能的终端机故障检测及恢复方法，其特征在于：所述S100还包括：S101：对获取到的图像信息进行采样，获得640*512的预处理图片信息。3.根据权利要求2所述的基于人工智能的终端机故障检测及恢复方法，其特征在于：所述S200还包括：S201：将图像信息进行故障特征标注形成标注数据；S202：将图像信息及标注数据划分为训练集、验证集、测试集；S203：设置训练参数文件、模型参数文件、训练批次、批次大小以及学习率；S204：将所述训练集、验证集、测试集导入故障检测模型中进行模型训练。4.根据权利要求3所述的基于人工智能的终端机故障检测及恢复方法，其特征在于：所述S200还包括：S205：当故障检测模型的识别率低于预设识别率阈值时，对故障检测模型参数调优，再进行训练及测试；S206：将测试后的故障检测模型植入故...

【专利技术属性】
技术研发人员：朱如海，陈捷，李振满，
申请(专利权)人：贵州爱信诺航天信息有限公司，
类型：发明
国别省市：