一种设备移动检测方法及系统技术方案

本申请提供一种设备移动检测方法及系统，在目标车辆移动运输目标设备时，如果目标车辆的实际行驶路径与规划路径不一致，则提前对目标设备进行检测，从而可以减少追溯流程，提高检测效率，降低检测成本；如果实际行驶路径与规划路径一致时，则直接在目的地位置对目标设备进行检测即可，所以，本申请明确了目标设备的检测条件

【技术实现步骤摘要】
一种设备移动检测方法及系统


[0001]本申请涉及设备检测
，特别是涉及一种设备移动检测方法及系统
。

技术介绍

[0002]目前，在对一些终端设备
(
例如工业终端设备
、
通信终端设备等
)
进行安装或使用时，由于终端设备生产商的地址与实际使用者的地址可能不相同，或者实际使用者想把终端设备从一个地方移动至另外一个地方进行使用，使得这些终端设备需要进行位置移动
。
同时，由于某些终端设备较为庞大，而且造价高昂，因此需要在这些终端设备完成移动后，对其进行移动检测，以提前知晓是否在移动过程中出现损坏
。
并且移动检测也是工业生产中为提高产品质量
、
杜绝产品缺陷
、
而设计的一种随时随地的检测方式，需要随时记录保存检测结果，形成质量追踪与责任落实机制，是现代企业质量管理中的必备机制
。
[0003]但是，现有方式在对终端设备进行移动检测时，并没有明确在何种条件下才对终端设备进行检测，通常只在目的地才开始进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种设备移动检测方法，其特征在于，所述方法包括以下步骤：获取目标设备的当前位置和目的地位置；其中，所述目标设备包括预先或实时确定的终端设备；基于所述当前位置
、
所述目的地位置
、
以及所述当前位置与所述目的地位置之间的道路网络信息，建立路网模型；解析所述目标设备的移动出行计划数据，获取将所述目标设备从当前位置移动至目的地位置的出发时刻和到达时刻；基于所述出发时刻
、
所述到达时刻和所述路网模型，预测在所述出发时刻与所述到达时刻之间的未来时段路网密度，并从所述未来时段路网密度中搜索出最短移动路径；以及，将所述最短移动路径作为目标车辆的规划路径；其中，所述目标车辆用于移动所述目标设备；将所述目标车辆承载所述目标设备出发后的移动路径作为实时行驶路径，并将所述实时行驶路径与所述规划路径进行比对，确定两者是否一致；若所述实时行驶路径与所述规划路径不一致，则发出异常提示信息，提前对所述目标设备进行检测；若所述实时行驶路径与所述规划路径一致，则发出正常提示信息，在目的地位置对所述目标设备进行检测
。2.
根据权利要求1所述的设备移动检测方法，其特征在于，基于所述当前位置
、
所述目的地位置
、
以及所述当前位置与所述目的地位置之间的道路网络信息，建立路网模型的过程包括：
L
＝
(X
，
Y
，
W)
；式中，
L
为路网模型；
X
为所述当前位置与所述目的地位置之间所有交叉口的集合，其中，
X
＝
{1,2,3
，
……
}
；
Y
为所述当前位置与所述目的地位置之间所有路段的集合，其中，
Y
＝
{(i,j)|i,j∈X,i≠j}
；
W
为路段的权重集合，且在路网模型中权值与路段所处的时段有关，其中，
W
＝
{w
ij
(n)|(i,j)∈Y,n∈N}
，
N
为自然数；
i
为路段的前继节点，
j
为路段的后继节点，
(i,j)
表示路段；
w
ij
(n)
为路段
(i,j)
在时段
n
的权重
。3.
根据权利要求2所述的设备移动检测方法，其特征在于，基于所述出发时刻
、
所述到达时刻和所述路网模型，预测在所述出发时刻与所述到达时刻之间的未来时段路网密度的过程包括：获取所述出发时刻在前
T
个自然日的对应时刻，记为第一时刻；以及所述到达时刻在前
T
个自然日的对应时刻，记为第二时刻；其中，所述第一时刻与所述第二时刻的差值，小于或等于所述出发时刻与所述到达时刻的差值；基于所述路网模型在所述第一时刻和所述第二时刻的历史数据，判断在所述第一时刻和所述第二时刻之间的第
n
个时段是否有车辆经过路段
(i,j)
；若有车辆经过，则该路段在该时段的车辆数加1；此时，路段
(i,j)
内的车辆密度为：式中，
k
ij
(n)
为路段
(i,j)
在第
n
个时段的车辆密度；
C
ij
(n)
为在第
n
个时段经过路段
(i,j)
的所有车辆数；
l
ij
为路段
(i,j)
的长度；将所述第一时刻和所述第二时刻之间所有时段的路网密度，作为所述出发时刻与所述到达时刻之间的未来时段路网密度
。4.
根据权利要求1至3中任一所述的设备移动检测方法，其特征在于，对所述目标设备进行检测的过程包括：获取预先或实时拍摄的包含目标设备整体的红外图像，并将所述红外图像作为第一样本训练集；其中，所述红外图像包括目标设备存在缺陷时的红外图像
、
目标设备不存在缺陷时的红外图像；将所述第一样本训练集输入至神经网络中，并利用所述神经网络的卷积层对所述第一样本训练集中的每个红外图像进行特征提取，得到对应的红外图像特征数据；对所述红外图像特征数据进行批归一化处理，并利用线性整流函数对完成批归一化处理后的红外图像特征数据进行非线性激活，得到激活后的红外图像特征数据；对激活后的红外图像特征数据进行池化下采样，并在保持特征数据维度不变的条件下降低特征数据尺寸，得到尺寸下降后的红外图像特征数据；以及，对尺寸下降后的红外图像特征数据进行全局平均池化，得到特征向量集合；基于所述特征向量集合对所述目标设备进行缺陷分类，并在得到所述目标设备的缺陷分类结果时，训练生成目标设备整体检测模型；利用所述目标设备整体检测模型对所述目标设备进行整体识别检测
。5.
根据权利要求4所述的设备移动检测方法，其特征在于，若所述神经网络为粗粒度神经网络，则利用所述目标设备整体检测模型对所述目标设备进行图像识别检测，确定出所述目标设备存在缺陷时，所述方法还包括：从所述目标设备的整体红外图像中，提取出对应缺陷位置未存在缺陷时的正常局部图像
、
对应缺陷位置存在缺陷时的异常局部图像，并将所述正常局部...

【专利技术属性】
技术研发人员：南卫兵，
申请(专利权)人：南卫兵，
类型：发明
国别省市：