CN118552527B - 一种斗齿磨损检测方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供一种斗齿磨损检测方法、装置、设备及存储介质，涉及斗齿监测技术领域，方法包括：根据作业物料类型生成斗齿的磨损曲线，并根据作业环境对磨损曲线进行修正，得到目标磨损曲线；根据目标磨损曲线，预估初始磨损度到达磨损阈值的第一时刻，并根据第一时刻确定开始获取斗齿的作业视频数据的第二时刻；当到达第二时刻，获取斗齿从第二时刻开始时的作业视频数据，从作业视频数据中选取关键帧图像；将关键帧图像输入预设模型，输出斗齿的当前磨损度。本申请具有的技术效果是：确定合理的监测时间，省去了大量无效监测，减少了不必要的数据冗余和资源浪费。

Description

一种斗齿磨损检测方法、装置、设备及存储介质

技术领域

本申请涉及斗齿监测技术领域，具体涉及一种斗齿磨损检测方法、装置、设备及存储介质。

背景技术

在挖掘机的日常作业中，斗齿作为关键的工作部件，其磨损状况直接影响到挖掘机的工作效率。因此，准确检测斗齿的磨损程度对于挖掘机的维护保养至关重要。

现有技术中，通常通过连续采集斗齿的作业视频数据，并利用图像处理技术对视频数据进行分析，以检测斗齿的磨损程度。上述方法在一定程度上提高了检测的及时性和精度。然而，持续采集视频数据会产生大量的数据处理开销和存储需求，增加了系统的复杂性和成本，导致不必要的数据冗余和资源浪费。

发明内容

本申请提供一种斗齿磨损检测方法、装置、设备及存储介质，用于确定合理的监测时间，省去了大量无效监测，减少了不必要的数据冗余和资源浪费。

第一方面，本申请提供了一种斗齿磨损检测方法，方法包括：获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境；根据所述作业物料类型生成所述斗齿的磨损曲线，并根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线；根据所述目标磨损曲线，预估所述初始磨损度到达磨损阈值的第一时刻；根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻；获取所述斗齿从所述第二时刻开始时的作业视频数据，从所述作业视频数据中选取关键帧图像；将所述关键帧图像输入预设模型，输出所述斗齿的当前磨损度。

通过采用上述技术方案，根据作业参数建立反映实际情况的磨损曲线，通过磨损曲线的变化情况，预测斗齿的使用寿命，对于接近使用寿命终点的斗齿做出风险预警，以提醒及时更换避免斗齿意外脱落对后工序造成的不利影响；结合作业量准确预测磨损达到阈值的时间，可以明确监测的必要时段，避免无效监测产生冗余。其次，在预测的合理时间启动视频采集，使用机器学习模型分析识别视频帧，判断磨损度是否达标。这种检测策略按需获取必要视频数据，确定合理的监测时间，省去了大量无效监测，减少了不必要的数据冗余和资源浪费。

可选的，所述根据所述作业物料类型生成所述斗齿的磨损曲线，包括：获取所述作业物料类型对应的磨损影响系数和抗磨损系数；将所述磨损影响系数和所述抗磨损系数代入磨损曲线公式生成所述斗齿的磨损曲线；其中，所述磨损曲线公式为：；式中，为所述磨损曲线，为调整系数，为所述磨损影响系数，为时间，A为所述抗磨损系数，m为所述磨损影响系数的非线性指数，n为所述时间的非线性指数。

通过采用上述技术方案，通过获取作业物料的磨损影响系数和抗磨损系数这两个主要参数，然后，将这两个参数代入公式，构建了表达磨损规律的磨损曲线公式。磨损影响系数和时间的非线性指数表达了磨损量与这两个因素的非线性关系；抗磨损系数表达了材料抗磨损性的影响。这样，通过综合主要影响因素，建立了一个磨损曲线公式。该磨损曲线公式融入了数据分析的实证效果，能够全面而准确地反映斗齿在具体作业条件下的磨损规律，大幅提高磨损演化估计的准确性，为后续确定监测时段提供可靠依据。

可选的，所述作业环境包括作业温度、作业湿度及风速，所述根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线，包括：将所述作业温度、所述作业湿度及所述风速代入修正公式，得到修正指数；其中，所述修正公式为：；式中，为所述修正指数，为所述作业温度的权重系数，为所述作业温度，为所述作业湿度，为所述作业湿度的权重系数，为所述风速的权重系数，N为所述风速；所述目标磨损曲线为：；式中，为所述目标磨损曲线，为所述磨损曲线，为所述修正指数。

通过采用上述技术方案，该环境修正方法通过引入环境参数，使原始磨损曲线公式能够适应不同的实际作业环境。修正公式考虑了温度、湿度和风速三个环境因素的影响，并采用非线性函数表达了这些因素与磨损的复杂关系。其中，各权重系数可以根据实验数据确定，使修正效果符合实际。在得到环境修正指数后，将其与原始磨损曲线相乘，生成反映具体环境的目标磨损曲线。该方法提供了一个可以定量评估环境对磨损影响的手段，使磨损预测更加准确。最后得到的目标磨损曲线，能够准确反映该斗齿组在具体作业环境下的磨损变化趋势。大幅提升磨损预测的精度，为精确判断监测时段提供支持。

可选的，所述根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻，包括：获取所述斗齿的历史磨损数据，根据所述历史磨损数据，预测所述斗齿从所述初始磨损度到达磨损阈值的第三时刻；结合所述第一时刻和所述第三时刻，确定开始获取所述斗齿的作业视频数据的第二时刻。

通过采用上述技术方案，通过结合历史磨损数据，提高了监测开始时间的确定精度。因为预估得到的第一时刻存在一定不确定性，而历史数据可以反映该斗齿组的实际平均磨损情况。根据历史数据预测出的第三时刻，能够对第一时刻进行校正，可以过滤掉明显不合理的时间预估，实现了预估时间的动态校正。

可选的，所述结合所述第一时刻和所述第三时刻，确定开始获取所述斗齿的作业视频数据的第二时刻，包括：计算所述第一时刻和所述第三时刻的时间差；若所述时间差小于预设时间差，则获取预设要求，根据所述预设要求，确定开始获取所述斗齿的作业视频数据的第二时刻，所述第二时刻在所述第一时刻之前；若所述时间差不小于所述预设时间差，则根据所述时间差的大小，确定开始获取所述斗齿的作业视频数据的第二时刻，所述第二时刻在所述第一时刻之前。

通过采用上述技术方案，通过计算时间差，动态调整获取视频数据的时机，从而在磨损接近阈值之前，及时获取作业视频数据。确保了在关键时刻前获取足够的数据以进行准确的分析和判断。此外，通过预设要求或时间差的大小来确定第二时刻，具有较高的灵活性和适应性，能够根据不同的作业条件和磨损进度，优化视频数据获取的时间点。

可选的，所述方法还包括：获取用户标注的训练数据集和验证数据集，所述训练数据集和验证数据集包括所述斗齿在不同磨损程度下的图片；将所述训练数据集输入预设的卷积神经网络进行训练，得到初始训练模型；通过所述验证数据集对所述初始训练模型进行性能评估，根据所述性能评估的结果对所述初始训练模型进行调整，得到预设模型。

通过采用上述技术方案，通过获取用户标注的真实磨损图像样本，采用卷积神经网络进行磨损特征学习和模型训练，并设置验证集评估训练效果，根据评估结果进行多轮优化调整，最终得到一个经过充分验证的斗齿磨损识别预设模型，使模型更好地适应实际斗齿磨损情况的复杂变化。同时，训练验证循环的不断优化迭代，可持续改进模型准确率，确保其泛化性能。最终得到的预设模型，能够准确识别不同磨损级别的图像，为后续基于视频分析判断斗齿实时磨损状态提供了坚实的算法基础和技术保障，达到了增强磨损检测准确性的技术效果。

可选的，所述从所述作业视频数据中选取关键帧图像，包括：对所述作业视频数据中的每一帧视频图像进行清晰度评分，剔除所述视频图像中所述清晰度评分低于预设阈值的模糊帧图像，得到所述视频图像中所述清晰度不低于所述预设阈值的关键帧图像。

通过采用上述技术方案，通过对视频帧进行清晰度评分和筛选，获取清晰的关键帧图像，再利用预设模型进行识别，实现了准确判断斗齿磨损程度的技术效果。视频数据中不可避免存在大量模糊帧，这会对后续识别造成干扰。设置清晰度阈值，可以有效过滤掉质量较差的模糊帧，保留清晰帧。清晰帧作为关键帧，含有完整的斗齿特征信息，适合识别模型处理。输入预训练的磨损识别模型，可以正确判断关键帧中斗齿的磨损等级。最终，通过处理质量参差的视频帧，获取具有代表性的关键帧，再由智能模型进行判别，消除了复杂环境带来的噪声干扰，提高了斗齿磨损状态识别的准确率。

第二方面，本申请提供一种斗齿磨损检测装置，所述装置包括：获取模块、生成模块、结合模块、确定模块、识别模块及发送模块；其中，所述获取模块，用于获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境；所述生成模块，用于根据所述作业物料类型生成所述斗齿的磨损曲线，并根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线；所述结合模块，用于根据所述目标磨损曲线，预估所述初始磨损度到达磨损阈值的第一时刻；所述确定模块，用于根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻；所述识别模块，用于获取所述斗齿从所述第二时刻开始时的作业视频数据，从所述作业视频数据中选取关键帧图像；所述发送模块，用于将所述关键帧图像输入预设模型，输出所述斗齿的当前磨损度。

第三方面，本申请提供一种电子设备，采用如下技术方案：包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如上述任一种斗齿磨损检测方法的计算机程序。

第四方面，本申请提供一种计算机可读存储介质，采用如下技术方案：存储有能够被处理器加载并执行上述任一种斗齿磨损检测方法的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：

1.确定合理的监测时间，省去了大量无效监测，减少了不必要的数据冗余和资源浪费；

2.引入实际磨损数据，有效提高了监测开始时间的预测精度。避免了时间预估偏差带来的监测过早或过迟。达到了精确定位必要监测时段的技术效果，降低了资源浪费。

附图说明

图1是本申请实施例提供的一种斗齿磨损检测方法的流程示意图；

图2是本申请实施例提供的一种斗齿磨损检测装置的结构示意图；

图3是本申请实施例提供的一种电子设备的结构示意图。

附图标记说明：1000、电子设备；1001、处理器；1002、通信总线；1003、用户接口；1004、网络接口；1005、存储器。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

图1是本申请实施例提供的一种斗齿磨损检测方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行；除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行；并且图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请公开了一种斗齿磨损检测方法，如图1所示，该方法包括S101-S106。

S101，获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境。

在一个示例中，为了获取初始磨损度，可以通过使用专业的测量工具（如激光测距仪、3D扫描仪等）对斗齿进行详细测量，记录其形状和尺寸变化。通过这些设备，可以高精度地确定斗齿的磨损程度，并将其作为初始磨损度的数据输入到系统中。

接下来，获取目标作业的作业物料类型及作业环境。这些信息对磨损预测具有重要影响。作业物料类型则涉及到所挖掘或处理的物料（如砂石、矿石、土壤等）的硬度和磨蚀性，不同物料会导致不同的磨损速率。作业环境包括作业温度、作业湿度及风速等因素，这些环境参数会影响物料的物理特性和斗齿的磨损行为。

获取这些信息可以通过以下方式进行：作业物料类型可以通过现场勘查或历史数据分析来确定；作业环境的温度、湿度和风速则可以通过安装在作业现场的环境传感器实时监测。

通过获取并综合分析这些初始数据，可以生成反映斗齿实际工作状态和环境因素的初始磨损度、作业物料类型及作业环境的全面数据集。这些数据将作为后续步骤的基础输入，用于生成更加准确的磨损曲线，并在考虑环境因素后进行修正，得到目标磨损曲线。

S102，根据作业物料类型生成斗齿的磨损曲线，并根据作业环境对磨损曲线进行修正，得到斗齿的目标磨损曲线。

在一个示例中，不同的作业物料具有不同的物理和化学特性，例如砂石的磨蚀性较高，而土壤的磨蚀性相对较低。因此，准确识别作业物料类型，并结合其对应的磨损影响系数和抗磨损系数，可以生成符合实际情况的磨损曲线。

具体来说，首先获取作业物料类型对应的磨损影响系数M和抗磨损系数A。这些系数可以通过实验数据或文献资料获得。然后，将这些系数代入磨损曲线公式；式中，为磨损曲线，为调整系数，为磨损影响系数，为时间，A为抗磨损系数，m为磨损影响系数的非线性指数，n为时间的非线性指数。

用于描述斗齿磨损随时间变化的公式。该公式综合考虑了作业物料的特性、时间因素以及抗磨损性能等多个方面，以便全面、准确地反映斗齿磨损的实际情况。具体来说：

用于表示斗齿在某一特定时间的磨损程度。磨损曲线的形状和变化反映了斗齿磨损的动态过程。在实际应用中，由于复杂的作业环境和多变的外部条件，理论模型与实际磨损情况可能存在差异。通过引入调整系数，可以对这些差异进行校正，提高预测的准确性。调整系数通常基于历史数据和经验进行设定，并在实际应用中不断优化。

不同类型的作业物料具有不同的硬度和磨蚀性，从而对斗齿的磨损产生不同的影响。磨损影响系数是一个经验系数，可以通过实验或文献资料获取。它反映了物料的磨蚀性强度，数值越大，说明该物料对斗齿的磨损作用越显著。通过引入，模型能够区分不同作业物料对磨损的影响。在实际磨损过程中，物料特性对磨损的影响通常不是线性的。例如，某些高磨蚀性的物料对斗齿磨损的影响可能随着其硬度的增加呈现非线性增长的趋势。通过引入非线性指数，可以更准确地反映这种非线性关系，使得模型更符合实际情况。指数可以通过实验数据拟合或根据经验进行设定。

在实际磨损过程中，时间对磨损的影响并不是简单的线性关系。例如，初期磨损速率可能较高，而随着时间的推移，磨损速率可能减缓，甚至趋于稳定。因此，通过引入非线性指数，可以更准确地描述这种复杂的时间效应。

使用倒数形式是为了体现接触面积对磨损速率的反向关系。根据磨损理论，接触面积与磨损速率呈反比关系。即，当接触面积增加时，单位面积上的应力和磨损速率往往会减小。通过使用，能够反映这一反向关系，使得磨损预测更加准确。

接下来，根据作业环境对磨损曲线进行修正，得到斗齿的目标磨损曲线。作业环境包括温度、湿度和风速等因素，这些因素会显著影响斗齿的磨损行为。例如，高温环境可能加速材料的磨损，湿度变化可能影响物料的粘附性，而风速则可能影响作业区域的环境稳定性。因此，必须根据实际作业环境对初始磨损曲线进行修正。

具体的修正方法是将作业温度T、作业湿度H及风速W代入修正公式，式中，为修正指数，为温度的权重系数，为温度，为湿度，为湿度的权重系数，为风速的权重系数，N为风速。

该公式描述了修正指数E与作业温度T、作业湿度H以及风速N之间的关系。公式通过三个部分的乘积来综合反映这些因素的影响。

第一部分：，描述了温度T对E的影响，并考虑了湿度H的调节作用。

温度对磨损率的影响通常是非线性的。高温可能会加剧磨损率。通过除以，湿度H对温度影响进行调节。湿度较高时，温度的作用可能被削弱，因为湿度可能带来额外的冷却或绝缘效果。这样设置避免了分母为零的情况，并使湿度的影响更加平滑。可以调整温度影响的幅度，使公式能够适应不同的温度变化范围。系数确保温度影响在实际应用中是合理的。

第二部分：，湿度增加可能提供润滑效果，减少磨损率，但这种影响逐渐减弱。对数形式表示湿度对磨损率的影响，这种形式能够更自然地反映湿度对磨损率的缓慢增加效应。常数项+1：确保当湿度H=0时，这个部分的贡献为1，即对磨损率没有影响。这保证了公式在低湿度情况下的稳定性和合理性。通过调整β，可以适应不同环境下湿度对能量的 实际影响。

第三部分：，风速对磨损率的影响通常也是非线性的。增加风速可能加剧材料表面的磨损，因为高速气流可能带走材料表面的保护层或带来更多的磨损颗粒。平方项捕捉这种非线性效应。通过除以，调节风速的影响，避免风速为零时公式出现奇异情况，并使风速的影响更加平滑。通过设置以调整风速影响的幅度，确保公式适应不同风速范围内的磨损变化。通过这种方法生成的目标磨损曲线，能够更准确地反映斗齿在实际作业环境下的磨损情况。提高磨损预测的精度，避免因磨损过度导致的设备损坏和停工；其次，可以提供科学的维护和更换计划，延长斗齿的使用寿命，降低运营成本；最后，通过及时预警，保障作业的连续性和安全性。

最后根据修正指数和磨损曲线，计算目标磨损曲线。目标磨损曲线为：，式中，为目标磨损曲线，为磨损曲线，为修正指数，具体实施时，将修正指数与磨损曲线算术相乘即可得到目标磨损曲线。

S103，根据目标磨损曲线，预估初始磨损度到达磨损阈值的第一时刻。

在一个示例中，在设置磨损阈值时，需要考虑挖掘机斗齿在实际作业中的性能要求和安全标准。磨损阈值是一个关键参数，它指示了斗齿在磨损程度达到某一特定值时需要进行维护或更换，以避免影响作业效率或导致设备损坏。

磨损阈值的设置依据：制造商通常会提供斗齿的磨损极限值，基于材料特性和设计寿命。这些建议值可以作为设定磨损阈值的基础。通过分析历史数据和作业经验，可以确定在不同作业条件下的合理磨损极限。例如，在特定的矿山作业中，可能已经积累了大量关于斗齿磨损和更换时间的数据。确保斗齿磨损不会影响挖掘机的安全操作和工作效率。例如，当斗齿磨损到一定程度，会影响挖掘力和作业速度，甚至可能导致斗齿断裂。

假设某种挖掘机斗齿的制造商建议其磨损极限（磨损阈值）为10毫米，即当斗齿的磨损量达到10毫米时，应进行更换。此外，通过历史数据分析和作业经验，发现斗齿在矿山作业中的最佳更换时间通常是磨损量达到8毫米时，以避免接近极限值时的突发状况。

根据目标磨损曲线，预估初始磨损度到达磨损阈值的第一时刻，是确保及时检测和预警斗齿磨损情况的重要环节。通过这一步骤，可以合理安排后续的监测和维护工作，避免因磨损过度导致的设备损坏和停工。

首先，可以直接根据目标磨损曲线预估初始磨损度到达磨损阈值的第一时刻。目标磨损曲线W′(t)已经综合考虑了作业物料类型和作业环境的影响，反映了斗齿在特定条件下的磨损随时间的变化趋势。

具体来说，假设初始磨损度为，磨损阈值为，则需要找到一个时间，使得W'()=-。通过将目标磨损曲线W'()代入上述关系，可以求解出时间。

S104，根据初始磨损度到达磨损阈值的第一时刻，确定开始获取斗齿的作业视频数据的第二时刻。

在一个示例中，确定开始获取斗齿作业视频数据的第二时刻，是为了在斗齿磨损接近阈值时，能够实时监控其磨损状态。视频数据提供了直观的视觉证据，帮助技术人员准确判断斗齿的磨损情况，并做出及时的维护或更换决策。这样的安排可以避免因磨损过度导致的设备故障，提高作业的安全性和效率。首先，通过步骤S103，预估出初始磨损度到达磨损阈值的第一时刻。为了确保能够在磨损接近阈值之前获取足够的监控数据，通常会提前一定的时间开始获取视频数据，假设第一时刻被预估为挖掘机开始作业后的第20小时，可以提前2小时开始记录视频数据，那么，20小时−2小时=18小时，即在挖掘机开始作业后的第18小时，开始获取斗齿的作业视频数据。

在上述实施例的基础上，作为一种可选的实施方式，S104中，根据初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻具体包括以下步骤：

S40，获取斗齿的历史磨损数据，根据历史磨损数据，预测斗齿从初始磨损度到达磨损阈值的第三时刻。

在一个示例中，需要获取斗齿的历史磨损数据。这些数据可以包括斗齿在不同时间点的磨损度记录、作业环境参数、使用时间等。历史磨损数据可以从设备传感器、监控系统记录或手动记录中收集。一旦收集到足够的历史磨损数据，对这些数据进行分析，以了解磨损的趋势和规律。通过分析这些数据，能够预测斗齿的未来磨损情况，并估算斗齿从当前磨损状态到达磨损阈值所需的时间。

假设获取了过去几个月的斗齿磨损数据，这些数据记录了每隔一小时的磨损度变化情况。通过对这些数据进行分析，可以了解磨损的模式和速度。在当前检测到的初始磨损度为6毫米的情况下，分析未来的磨损趋势，结果显示，在当前作业条件下，斗齿将在14小时后达到预设的磨损阈值8毫米。因此，系统预测的第三时刻为挖掘机开始作业后的第14小时。

通过这种方法，能够准确预测斗齿从初始磨损度到达磨损阈值的时间，提供了宝贵的预防性维护信息。维修人员可以提前安排维护工作，避免突发故障和非计划的停机时间。通过准确的磨损预测，可以更合理地计划斗齿的使用和更换，延长其使用寿命。提前知道磨损趋势，有助于调整作业计划，确保挖掘机在最佳状态下运行。

S41，结合第一时刻和第三时刻，确定开始获取斗齿的作业视频数据的第二时刻。

在一个示例中，第一时刻是通过结合作业量和目标磨损曲线，预估斗齿从初始磨损度到达磨损阈值的时间点。第三时刻是根据历史磨损数据预测斗齿从当前初始磨损度到达磨损阈值的时间点。然后结合第一时刻和第三时刻，确定开始获取斗齿的作业视频数据的第二时刻。

在上述实施例的基础上，作为一种可选的实施方式，S41中，结合第一时刻和第三时刻，确定开始获取斗齿的作业视频数据的第二时刻具体包括以下步骤：

S411，计算第一时刻和第三时刻的时间差。

S412，若时间差小于预设时间差，则获取预设要求，根据预设要求，确定开始获取斗齿的作业视频数据的第二时刻，第二时刻在第一时刻之前。

在一个示例中，根据斗齿从初始磨损度到磨损阈值的第一时刻和根据历史数据预测的第三时刻，可以计算出两者的时间差。如果时间差小于预设时间差阈值，说明预计时间和预测时间较为接近，预计时间可以作为磨损达到阈值的较准确估计。为了提前发现磨损，需要尽早开始视频监测。所以如果时间差小于预设时间差阈值，则将第一时刻提前一个预设的时间量，作为开始视频监测的第二时刻。例如预设时间差阈值为10小时，预设提前时间量为5小时，若预计时间为100小时，预测时间为98小时，则时间差为2小时小于阈值10小时，则将预计时间100小时提前5小时，即在95小时时开始视频监测，以便有足够的时间获取整个磨损过程的视频数据。如果时间差大于等于预设时间差阈值，则说明预计时间和预测时间存在一定偏差，此时预计时间不准确，不能简单提前，需要根据时间差的大小，提前不同的时间量作为视频监测的开始时间，这在后续步骤中体现。这种根据时间差的大小调整监测开始时间的方法，可以使监测更准确地覆盖整个磨损过程，获得更完整和准确的视频数据。

S413，若时间差不小于预设时间差，则根据时间差的大小，确定开始获取斗齿的作业视频数据的第二时刻，第二时刻在第一时刻之前。

在一个示例中，如果计算出的第一时刻与第三时刻的时间差不小于预设时间差阈值，则说明两者存在较大的偏差。这时直接将第一时刻提前固定量不合适，需要根据时间差的大小来确定提前的时间段。

时间差越大，说明第一时刻预测的可靠性越低，为了保证监测覆盖整个磨损过程，需要提前更长的时间开始监测。因此，设置预设时间段与时间差大小呈正相关，时间差越大，提前的时间段越长。例如可以设置，时间差在10-20小时范围内，提前5小时；时间差在20-30小时范围内，提前8小时；时间差在30小时以上，提前10小时。则如果第一时刻预测为挖掘机开始作业后的第150小时，第三时刻预测为挖掘机开始作业后的第110小时，时间差为40小时，大于30小时，则将第一时刻提前10小时，即在挖掘机开始作业后的第140小时时开始视频监测。通过这种方式，可以根据时间差的大小动态调整监测开始时间，时间差越大，提前量越大，可以尽可能覆盖整个磨损过程。此方法综合考虑了第一时刻预测的可靠性，可以更好地确定视频监测的开始时间，获取更完整和准确的磨损过程视频数据。

S105，获取斗齿从第二时刻开始时的作业视频数据，从作业视频数据中选取关键帧图像。

在一个示例中，当达到第二时刻，系统开始自动获取斗齿的作业视频数据。视频数据实时记录斗齿的工作状态，并存储在监控系统中。为了高效处理视频数据，从中选取关键帧图像进行分析。

选取关键帧图像的方法可以基于时间间隔或特定的图像特征。例如，每隔10分钟选取一帧，或者基于图像变化检测选取显著变化的帧。选取关键帧图像后，通过预设的图像识别模型对这些图像进行分析。

预设模型是基于机器学习或深度学习技术训练的，能够识别斗齿的磨损情况。输入关键帧图像，输出斗齿的磨损度。通过对多个关键帧图像的识别结果进行综合分析，可以判断当前磨损度是否已经达到预设的磨损阈值。

假设预设模型输出的磨损度结果是一个数值，如果该数值达到或超过8毫米，则系统会发出预警信号，提示操作人员进行维护。

S106，将关键帧图像输入预设模型，输出斗齿的当前磨损度。

在一个示例中，系统通过预设模型识别出从作业视频数据中选取的关键帧图像，判断当前斗齿的磨损度。当识别结果表明初始磨损度已经达到或超过磨损阈值时，系统立即触发预警机制。通过无线通信网络或其他适当的通信方式，系统将预警信息发送到维修人员的终端设备，例如智能手机、平板电脑或专用维修终端。

预警信息的内容应包括详细的磨损状态描述、当前磨损度数值、建议的维修措施和必要的安全提示。例如，预警信息可以描述为：“斗齿磨损度已达到8毫米，请立即安排斗齿维修或更换。”并附加当前磨损度数值和安全操作提示。维修人员收到通知后，能够立刻了解斗齿的磨损情况，并采取相应的维修措施。

方法还包括：获取用户标注的训练数据集和验证数据集，训练数据集和验证数据集包括斗齿在不同磨损程度下的图片；将训练数据集输入预设的卷积神经网络进行训练，得到初始训练模型；通过验证数据集对初始训练模型进行性能评估，根据性能评估的结果对初始训练模型进行调整，得到预设模型。

在一个示例中，为了通过视频图像识别斗齿的磨损程度，需要建立一个识别模型。采用卷积神经网络可以提取图像特征并进行磨损分类。但卷积神经网络需要大量标注数据进行训练。为此，首先需要获取用户手动标注的斗齿磨损图像作为数据集。数据集包含不同磨损级别的斗齿图片，例如轻度磨损、中度磨损、严重磨损等。然后将标注数据集分为训练数据集和验证数据集。将训练数据集输入预设的卷积神经网络结构中进行训练，通过反向传播算法逐步调整网络参数，得到一个初始模型。接着利用验证数据集对训练好的初始模型进行测试，可以获得一组分类性能指标如准确率、召回率等。根据性能指标评估初始模型的效果是否良好。如果效果不佳，则需要调整网络结构、训练参数等，重复训练调整迭代，直到模型达到良好的性能指标为止。最终得到一个满足要求的斗齿磨损识别预设模型。通过用户标注实际样本训练模型，可以提高模型的泛化能力，使其能够准确识别不同环境下斗齿的磨损程度。此过程遵循机器学习的一般流程，可以获得一个可靠的视频识别模型，为后续磨损检测提供支撑。

具体实施时，数据采集和标注：从挖掘机斗齿的实际工作环境中，采集了500张不同磨损程度的斗齿图片。工程师按照磨损程度，将图片标注为三类：轻度磨损200张，中度磨损150张，重度磨损150张。将全部图片随机划分为训练集400张和验证集100张。

模型训练：可以使用TensorFlow框架，TensorFlow是一个用于数据流编程的开源软件库，适用于各种机器学习任务，尤其是深度神经网络的训练和推理。TensorFlow框架，建立包含卷积层和全连接层的卷积神经网络模型，输入层尺寸为224×224×3，输出层为3个节点表示三种磨损程度。将训练集输入模型，设置学习率、迭代次数等参数，通过反向传播算法训练模型。模型评估：在验证集上测试模型的分类性能，计算精确率、召回率等指标。若初次结果为:精确率0.82，召回率0.79。

模型优化：由于召回率较低，对网络结构进行调整，增加卷积层数，以提取更多特征。重复训练和评估，召回率提高到0.88，精度和召回率均达要求，最终确定模型并部署使用。这样通过实际样例说明了模型训练过程，可确保识别准确率，满足磨损检测需求。

从作业视频数据中选取关键帧图像，包括对作业视频数据中的每一帧视频图像进行清晰度评分，剔除视频图像中清晰度评分低于预设阈值的模糊帧图像，得到视频图像中清晰度不低于预设阈值的关键帧图像。

在一个示例中，在进行斗齿磨损识别时，首先需要从采集的整段视频数据中提取关键帧图像。由于连续的视频帧中可能存在大量质量较差的模糊图像，这会对后续识别带来干扰。因此需要对每一帧视频图像进行清晰度评分，可以采用图像清晰度评价算法，计算每个图像的清晰度指标，并根据指标值确定清晰度分数。然后根据分数，剔除低于预设清晰度阈值的模糊帧图像。例如设置分数70为阈值，剔除评分低于70分的模糊帧，保留评分大于70分的清晰关键帧。这可以过滤掉大量对识别无用的模糊图像，不仅减少后续计算量，也有利于提高识别的准确率。接下来，将去除模糊后的清晰关键帧输入预训练好的斗齿磨损识别模型中进行分类。该模型可以判断关键帧的斗齿处于轻度、中度还是重度磨损状态。根据识别结果，如果出现重度磨损的关键帧，则可以判断初始磨损度已经达到了预设的磨损阈值。通过这种清晰度过滤与关键帧识别的处理流程，可以有效识别视频中的斗齿磨损程度，确定是否需要进行维修，避免误报。

此外，采用本申请的方法还可以实现对斗齿脱落进行监测，在挖掘机进行作业过程中，需要实时监测斗齿是否发生脱落，以避免造成作业效率下降甚至事故。为实现该目标，首先采集斗齿正常工作状态下的视频数据，并让使用人员标注出斗齿区域，得到斗齿正常图像样本。同时，通过人工模拟斗齿缺失状态，采集缺失斗齿的图像样本。将两类样本数据集输入卷积神经网络模型，经过训练得到斗齿缺失检测模型。在实际监测中，对工作视频中的每帧图像使用目标检测算法检测出斗齿区域，然后输入预训练模型判断该区域是否存在斗齿缺失现象。当模型判断为存在脱落时，系统会立即发送警报通知相关人员停止作业，以检查更换斗齿。这种集成机器视觉与深度学习的方法，可以实现对斗齿脱落情况的实时智能监测与预警。与人工监测相比，可以大大降低识别错误率，保障作业安全性。如果斗齿发生脱落，可以及时停机维修，避免造成更大故障或事故。

基于上述方法，本申请还公开了一种斗齿磨损检测装置，如图2所示，图2是本申请实施例提供的一种斗齿磨损检测装置的结构示意图，装置包括：获取模块、生成模块、结合模块、确定模块、识别模块及发送模块；其中，获取模块，用于获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境；生成模块，用于根据作业物料类型生成斗齿的磨损曲线，并根据作业环境对磨损曲线进行修正，得到斗齿的目标磨损曲线；结合模块，用于根据目标磨损曲线，预估初始磨损度到达磨损阈值的第一时刻；确定模块，用于根据初始磨损度到达磨损阈值的第一时刻，确定开始获取斗齿的作业视频数据的第二时刻；识别模块，用于获取斗齿从第二时刻开始时的作业视频数据，从作业视频数据中选取关键帧图像；发送模块，用于将关键帧图像输入预设模型，输出斗齿的当前磨损度。

在一个示例中，生成模块还用于获取作业物料类型对应的磨损影响系数和抗磨损系数；将磨损影响系数和抗磨损系数代入磨损曲线公式生成斗齿的磨损曲线；其中，磨损曲线公式为：；式中，为磨损曲线，为调整系数，为磨损影响系数，为时间，A为抗磨损系数，m为磨损影响系数的非线性指数，n为时间的非线性指数。

在一个示例中，生成模块还用于将作业温度、作业湿度及风速代入修正公式，得到修正指数；其中，修正公式为：；式中，为修正指数，为作业温度的权重系数，为作业温度，为作业湿度，为作业湿度的权重系数，为风速的权重系数，为风速；目标磨损曲线为：；式中，为目标磨损曲线，为磨损曲线，为修正指数。

在一个示例中，确定模块还用于获取斗齿的历史磨损数据，根据历史磨损数据，预测斗齿从初始磨损度到达磨损阈值的第三时刻；结合第一时刻和第三时刻，确定开始获取斗齿的作业视频数据的第二时刻。

在一个示例中，确定模块还用于计算第一时刻和第三时刻的时间差；若时间差小于预设时间差，则获取预设要求，根据预设要求，确定开始获取斗齿的作业视频数据的第二时刻，第二时刻在第一时刻之前；若时间差不小于预设时间差，则根据时间差的大小，确定开始获取斗齿的作业视频数据的第二时刻，第二时刻在第一时刻之前。

在一个示例中，上述装置还用于获取用户标注的训练数据集和验证数据集，训练数据集和验证数据集包括斗齿在不同磨损程度下的图片；将训练数据集输入预设的卷积神经网络进行训练，得到初始训练模型；通过验证数据集对初始训练模型进行性能评估，根据性能评估的结果对初始训练模型进行调整，得到预设模型。

在一个示例中，上述装置还用于对作业视频数据中的每一帧视频图像进行清晰度评分，剔除视频图像中清晰度评分低于预设阈值的模糊帧图像，得到视频图像中清晰度不小于预设阈值的关键帧图像。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参见图3，为本申请实施例提供了一种电子设备的结构示意图。如图3所示，所述电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行服务器的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（ProgrammableLogic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及一种斗齿磨损检测方法的应用程序。

在图3所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储一种斗齿磨损检测方法的应用程序，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。

一种电子设备可读存储介质，所述电子设备可读存储介质存储有指令。当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

所述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，作为单元显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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种斗齿磨损检测方法，其特征在于，所述方法包括：

获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境；

根据所述作业物料类型生成所述斗齿的磨损曲线，并根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线；

根据所述目标磨损曲线，预估所述初始磨损度到达磨损阈值的第一时刻；

根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻；

获取所述斗齿从所述第二时刻开始时的作业视频数据，从所述作业视频数据中选取关键帧图像；

将所述关键帧图像输入预设模型，输出所述斗齿的当前磨损度。

2.根据权利要求1所述的斗齿磨损检测方法，其特征在于，所述根据所述作业物料类型生成所述斗齿的磨损曲线，包括：

获取所述作业物料类型对应的磨损影响系数和抗磨损系数；

将所述磨损影响系数和所述抗磨损系数代入磨损曲线公式生成所述斗齿的磨损曲线；其中，

所述磨损曲线公式为：；

式中，为所述磨损曲线，为调整系数，为所述磨损影响系数，为时间，A为所述抗磨损系数，m为所述磨损影响系数的非线性指数，n为所述时间的非线性指数。

3.根据权利要求2所述的斗齿磨损检测方法，其特征在于，所述作业环境包括作业温度、作业湿度及风速，所述根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线，包括：

将所述作业温度、所述作业湿度及所述风速代入修正公式，得到修正指数；其中，

所述修正公式为：；

式中，为所述修正指数，为所述作业温度的权重系数，为所述作业温度，为所述作业湿度，为所述作业湿度的权重系数，为所述风速的权重系数，N为所述风速；

所述目标磨损曲线为：；

式中，为所述目标磨损曲线，为所述磨损曲线，为所述修正指数。

4.根据权利要求1所述的斗齿磨损检测方法，其特征在于，所述根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻，包括：

获取所述斗齿的历史磨损数据，根据所述历史磨损数据，预测所述斗齿从所述初始磨损度到达磨损阈值的第三时刻；

结合所述第一时刻和所述第三时刻，确定开始获取所述斗齿的作业视频数据的第二时刻。

5.根据权利要求4所述的斗齿磨损检测方法，其特征在于，所述结合所述第一时刻和所述第三时刻，确定开始获取所述斗齿的作业视频数据的第二时刻，包括：

计算所述第一时刻和所述第三时刻的时间差；

若所述时间差小于预设时间差，则获取预设要求，根据所述预设要求，确定开始获取所述斗齿的作业视频数据的第二时刻，所述第二时刻在所述第一时刻之前；

若所述时间差不小于所述预设时间差，则根据所述时间差的大小，确定开始获取所述斗齿的作业视频数据的第二时刻，所述第二时刻在所述第一时刻之前。

6.根据权利要求1所述的斗齿磨损检测方法，其特征在于，所述方法还包括：

获取用户标注的训练数据集和验证数据集，所述训练数据集和验证数据集包括所述斗齿在不同磨损程度下的图片；

将所述训练数据集输入预设的卷积神经网络进行训练，得到初始训练模型；

通过所述验证数据集对所述初始训练模型进行性能评估，根据所述性能评估的结果对所述初始训练模型进行调整，得到预设模型。

7.根据权利要求1所述的斗齿磨损检测方法，其特征在于，所述从所述作业视频数据中选取关键帧图像，包括：

对所述作业视频数据中的每一帧视频图像进行清晰度评分，剔除所述视频图像中所述清晰度评分低于预设阈值的模糊帧图像，得到所述视频图像中所述清晰度不低于所述预设阈值的关键帧图像。

8.一种斗齿磨损检测装置，其特征在于，所述装置包括：获取模块、生成模块、结合模块、确定模块、识别模块及发送模块；其中，

所述获取模块，用于获取挖掘机的斗齿在开始目标作业前的初始磨损度、作业物料类型及作业环境；

所述生成模块，用于根据所述作业物料类型生成所述斗齿的磨损曲线，并根据所述作业环境对所述磨损曲线进行修正，得到所述斗齿的目标磨损曲线；

所述结合模块，用于根据所述目标磨损曲线，预估所述初始磨损度到达磨损阈值的第一时刻；

所述确定模块，用于根据所述初始磨损度到达磨损阈值的第一时刻，确定开始获取所述斗齿的作业视频数据的第二时刻；

所述识别模块，用于获取所述斗齿从所述第二时刻开始时的作业视频数据，从所述作业视频数据中选取关键帧图像；

所述发送模块，用于将所述关键帧图像输入预设模型，输出所述斗齿的当前磨损度。

9.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。

10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1-7任意一项所述的方法的计算机程序。