一种呼吸器寿命检测方法、装置、电子设备及存储介质与流程

1.本技术涉及仪器检测技术领域，尤其涉及一种呼吸器寿命检测方法、装置、电子设备及存储介质。

背景技术：

2.呼吸器应用于升压站，用于清除吸入空气中的杂质和水分，以免变压器污染受潮。一般情况下，呼吸器中的填充物在初始状态下呈蓝，随着吸收的杂质和水分的增加，填充物逐渐变成红，当填充物为红时，可以确定该呼吸器达到使用寿命，此时应当更换呼吸器。
3.在现有技术中，通常是基于深度神经网络算法，构建一个可通过图像识别检测呼吸器填充物颜的机器学习模型。
4.但是，随着图像识别深度神经网络在无人机、机器人等方面的应用越来越广，机器学习模型需要在嵌入式移动端等环境下运行。由于基于图像识别深度神经网络的机器学习模型对运行终端的计算资源需求较高，这就导致该机器学习模型无法应用于计算资源较少的嵌入式移动终端，降低了模型应用的普适性。

技术实现要素：

5.本技术提供一种呼吸器寿命检测方法、装置、电子设备及存储介质，以解决现有技术中机器学习模型无法应用于计算资源较少的嵌入式移动终端，降低了模型应用的普适性等缺陷。
6.本技术第一个方面提供一种呼吸器寿命检测方法，包括：
7.获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜；
8.对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；
9.对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；
10.根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。
11.可选的，所述对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据，包括：
12.根据如下公式，对所述监控图像数据和所述卷积核数据进行傅里叶变换：
[0013][0014]
其中，x(ω)表示所述目标图像数据或目标卷积核数据，所述目标图像数据和目标卷积核数据为频域数据，x(t)表示所述监控图像数据或卷积核数据，所述监控图像数据和
卷积核数据为时域数据，e-jωt
表示预设复变函数。
[0015]
可选的，还包括：
[0016]
根据如下公式，对所述频域检测结果进行傅里叶逆变换，得到所述傅里叶逆变换结果：
[0017][0018]
其中，y(t)表示所述傅里叶逆变换结果，所述傅里叶逆变换结果为时域数据，y(ω)表示所述频域检测结果，所述频域检测结果为频域数据。
[0019]
可选的，在对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据之前，所述方法包括：
[0020]
根据所述卷积核数据表征的卷积核边长，对所述监控图像数据进行空值填充；
[0021]
根据所述监控图像数据的空值填充结果，对所述卷积核数据进行空值填充，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足乘积计算条件。
[0022]
可选的，所述根据所述卷积核数据的表征的卷积核边长，对所述监控图像数据进行空值填充，包括：
[0023]
根据所述卷积核边长，确定所述监控图像数据的填充值数量；
[0024]
根据所述监控图像数据的填充值数量，对所述监控图像数据进行空值填充。
[0025]
可选的，所述获取待测呼吸器的监控图像数据，包括：
[0026]
获取待测呼吸器的原始监控图像；
[0027]
将所述原始监控图像，转换为矩阵形式的监控图像数据。
[0028]
可选的，所述根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果，包括：
[0029]
根据所述频域检测结果的傅里叶逆变换结果，确定待测呼吸器填充物当前颜；
[0030]
根据所述待测呼吸器填充物当前颜与预设目标颜之间的相似程度，确定所述待测呼吸器的寿命检测结果；其中，所述预设目标颜为所述待测呼吸器达到使用寿命时的填充物颜。
[0031]
本技术第二个方面提供一种呼吸器寿命检测装置，包括：
[0032]
获取模块，用于获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜；
[0033]
变换模块，用于对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；
[0034]
计算模块，用于对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；
[0035]
检测模块，用于根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。
[0036]
可选的，所述变换模块，具体用于：
[0037]
根据如下公式，对所述监控图像数据和所述卷积核数据进行傅里叶变换：
[0038][0039]
其中，x(ω)表示所述目标图像数据或目标卷积核数据，所述目标图像数据和目标卷积核数据为频域数据，x(t)表示所述监控图像数据或卷积核数据，所述监控图像数据和卷积核数据为时域数据，e-jωt
表示预设复变函数。
[0040]
可选的，所述变换模块，还用于：
[0041]
根据如下公式，对所述频域检测结果进行傅里叶逆变换，得到所述傅里叶逆变换结果：
[0042][0043]
其中，y(t)表示所述傅里叶逆变换结果，所述傅里叶逆变换结果为时域数据，y(ω)表示所述频域检测结果，所述频域检测结果为频域数据。
[0044]
可选的，所述变换模块，还用于：
[0045]
根据所述卷积核数据表征的卷积核边长，对所述监控图像数据进行空值填充；
[0046]
根据所述监控图像数据的空值填充结果，对所述卷积核数据进行空值填充，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足乘积计算条件。
[0047]
可选的，所述变换模块，具体用于：
[0048]
根据所述卷积核边长，确定所述监控图像数据的填充值数量；
[0049]
根据所述监控图像数据的填充值数量，对所述监控图像数据进行空值填充。
[0050]
可选的，所述获取模块，具体用于：
[0051]
获取待测呼吸器的原始监控图像；
[0052]
将所述原始监控图像，转换为矩阵形式的监控图像数据。
[0053]
可选的，所述检测模块，具体用于：
[0054]
根据所述频域检测结果的傅里叶逆变换结果，确定待测呼吸器填充物当前颜；
[0055]
根据所述待测呼吸器填充物当前颜与预设目标颜之间的相似程度，确定所述待测呼吸器的寿命检测结果；其中，所述预设目标颜为所述待测呼吸器达到使用寿命时的填充物颜。
[0056]
本技术第三个方面提供一种电子设备，包括：至少一个处理器和存储器；
[0057]
所述存储器存储计算机执行指令；
[0058]
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
[0059]
本技术第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
[0060]
本技术技术方案，具有如下优点：
[0061]
本技术提供一种呼吸器寿命检测方法、装置、电子设备及存储介质，该方法包括：获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，预设机器学习模型基于图像识别深度神经网络构建，用于检测监控图像数据表征的待测呼吸器填充物当
前颜；对监控图像数据和卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；对目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；根据频域检测结果的傅里叶逆变换结果，确定待测呼吸器的寿命检测结果。上述方案提供的方法，通过将预设机器学习模型的卷积计算转换为乘积计算，并实现相同效果的图像检测，以使该机器学习模型可以应用于计算资源较少的嵌入式移动终端，提高了模型应用的普适性。
附图说明
[0062]
为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0063]
图1为本技术实施例基于的呼吸器寿命检测系统的结构示意图；
[0064]
图2为本技术实施例提供的呼吸器寿命检测方法的流程示意图；
[0065]
图3为本技术实施例提供的呼吸器寿命检测装置的结构示意图；
[0066]
图4为本技术实施例提供的电子设备的结构示意图。
[0067]
通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
[0068]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0069]
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
[0070]
在现有技术中，通常是基于深度神经网络算法，构建一个可通过图像识别检测呼吸器填充物颜的机器学习模型。但是，随着图像识别深度神经网络在无人机、机器人等方面的应用越来越广，机器学习模型需要在嵌入式移动端等环境下运行。由于基于图像识别深度神经网络的机器学习模型对运行终端的计算资源需求较高，这就导致该机器学习模型无法应用于计算资源较少的嵌入式移动终端，降低了模型应用的普适性。并且，在无人机、机器人上进行图像识别需要计算速度提升，卷积计算过多会导致试别性能较慢。
[0071]
针对上述问题，本技术实施例提供的呼吸器寿命检测方法、装置、电子设备及存储介质，通过获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，预设机器学习模型基于图像识别深度神经网络构建，用于检测监控图像数据表征的待测呼吸器填充物当前颜；对监控图像数据和卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；对目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；根据频域检测结果的傅里叶逆变换结果，确定待测呼吸器的寿命检测结果。上述方案提供的方法，通过将预设机器学习模型的卷积计算转换为乘积计算，并实现相同效果的图像
检测，以使该机器学习模型可以应用于计算资源较少的嵌入式移动终端，提高了模型应用的普适性。
[0072]
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明实施例进行描述。
[0073]
首先，对本技术所基于的呼吸器寿命检测系统的结构进行说明：
[0074]
本技术实施例提供的呼吸器寿命检测方法、装置、电子设备及存储介质，适用于对变压站中的呼吸器填充物颜进行检测，以分析其使用寿命。如图1所示，为本技术实施例基于的呼吸器寿命检测系统的结构示意图，主要包括待测呼吸器、数据采集装置和呼吸器寿命检测装置。具体地，可以基于数据采集装置采集待测呼吸器在运行过程中的监控图像，并将得到的监控图像发送给呼吸器寿命检测装置，该装置根据得到的监控图像，对待测呼吸器进行寿命检测。
[0075]
本技术实施例提供了一种呼吸器寿命检测方法，用于对变压站中的呼吸器填充物颜进行检测，以分析其使用寿命。本技术实施例的执行主体为电子设备，比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于进行图像识别分析的电子设备。
[0076]
如图2所示，为本技术实施例提供的呼吸器寿命检测方法的流程示意图，该方法包括：
[0077]
步骤201，获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据。
[0078]
其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜。
[0079]
需要说明的是，预设机器学习模型是基于呼吸器数据集训练，得到的机器学习模型，预设机器学习模型可以对待测呼吸器的填充物颜进行精确识别。
[0080]
具体地，在一实施例中，针对监控图像数据的获取可以是先获取待测呼吸器的原始监控图像；将所述原始监控图像，转换为矩阵形式的监控图像数据。
[0081]
具体地，可以通过对原始监控图像进行逐像素点的颜特征检测，得到原始监控图像对应颜特征矩阵，该颜特征矩阵即为监控图像数据。
[0082]
步骤202，对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据。
[0083]
需要说明的是，监控图像数据和所述卷积核数据均为矩阵形式的数据，预设机器学习模型通常是基于卷积核数据对监控图像数据进行矩阵卷积计算，得到当前监控图像对应的图像识别结果。
[0084]
具体地，为了将复杂度较高的卷积计算转换为复杂度较低的乘积计算，可以对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据。
[0085]
具体地，在一实施例中，可以根据如下公式，对所述监控图像数据和所述卷积核数据进行傅里叶变换：
[0086][0087]
其中，x(ω)表示所述目标图像数据或目标卷积核数据，所述目标图像数据和目标卷积核数据为频域数据，x(t)表示所述监控图像数据或卷积核数据，所述监控图像数据和
卷积核数据为时域数据，e-jωt
表示预设复变函数。
[0088]
具体地，可以基于该公式，将时域数据(监控图像数据和卷积核数据)转换为频域数据(目标图像数据和目标卷积核数据)。
[0089]
步骤203，对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果。
[0090]
具体地，可以对目标图像数据和目标卷积核数据进行矩阵的乘积计算，得到频域检测结果。其中，目标图像数据和目标卷积核数据均为频域数据。
[0091]
步骤204，根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。
[0092]
具体地，在一实施例中，可以根据所述频域检测结果的傅里叶逆变换结果，确定待测呼吸器填充物当前颜；根据所述待测呼吸器填充物当前颜与预设目标颜之间的相似程度，确定所述待测呼吸器的寿命检测结果。
[0093]
其中，所述预设目标颜为所述待测呼吸器达到使用寿命时的填充物颜。
[0094]
具体地，可以通过对频域检测结果进行傅里叶逆变换，得到对应的傅里叶逆变换结果，傅里叶逆变换结果表征了待测呼吸器的填充物颜识别结果，因此可以根据傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果，以确定待测呼吸器时候需要更换，或分析该待测呼吸器的剩余寿命。
[0095]
具体地，在一实施例中，可以根据如下公式，对所述频域检测结果进行傅里叶逆变换，得到所述傅里叶逆变换结果：
[0096][0097]
其中，y(t)表示所述傅里叶逆变换结果，所述傅里叶逆变换结果为时域数据，y(ω)表示所述频域检测结果，所述频域检测结果为频域数据。
[0098]
具体地，可以基于该公式，将频域数据(频域检测结果)为时域数据(傅里叶逆变换结果)。
[0099]
需要说明的是，傅里叶变换原理是基于正弦序列表示时域中的信号(时域数据)，时域信号f(t)可以用来表示为：
[0100][0101][0102][0103]
[0104]
其中，使用离散傅里叶变换，可以得到一个相同长度等间隔的样本序列，f(t)是由一组等间隔的样本序列组成的。
[0105]
在上述实施例的基础上，作为一种可实施的方式，在一实施例中，在对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据之前，该方法包括：
[0106]
步骤301，根据所述卷积核数据表征的卷积核边长，对所述监控图像数据进行空值填充；
[0107]
步骤302，根据所述监控图像数据的空值填充结果，对所述卷积核数据进行空值填充，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足乘积计算条件。
[0108]
具体地，在一实施例中，可以根据所述卷积核边长，确定所述监控图像数据的填充值数量；根据所述监控图像数据的填充值数量，对所述监控图像数据进行空值填充。
[0109]
示例性的，当确定卷积核边长为f时，可以确定监控图像数据的填充值数量至少为f-1，即使用f-1个0去填充监控图像数据，以取消监控图像数据的包裹值对实际值的干扰，可以循环将包裹值移回位置并裁剪填充值。进一步地，可以用o去填充卷积核数据，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足矩阵的乘积计算条件。其中，矩阵计算条件可以是当目标图像数据的列数等于目标卷积核数据的行数。具体可以利用目标图像数据和目标卷积核数据这两个输入数据的共轭对称性，使用o去填充之前未填充的空值。
[0110]
其中，当出现批量处理多个图像并且并行多个卷积核的情况下，可以用数组广播进行排序执行操作，不会涉及到循环。
[0111]
本技术实施例提供的呼吸器寿命检测方法，通过获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，预设机器学习模型基于图像识别深度神经网络构建，用于检测监控图像数据表征的待测呼吸器填充物当前颜；对监控图像数据和卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；对目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；根据频域检测结果的傅里叶逆变换结果，确定待测呼吸器的寿命检测结果。上述方案提供的方法，通过将预设机器学习模型的卷积计算转换为乘积计算，并实现相同效果的图像检测，以使该机器学习模型可以应用于计算资源较少的嵌入式移动终端，提高了模型应用的普适性。并且，使用离散傅里叶变换实现线性卷积，扩大卷积核过滤器的大小来提升滑动窗口的效率，进而提高了计算效率，减少了检测时间，减少网络的计算量，对于升压站每次巡检任务量大，巡检复杂的情况来说，通过加速寿命检测可以方便升压站后续的运维。
[0112]
本技术实施例提供了一种呼吸器寿命检测装置，用于执行上述实施例提供的呼吸器寿命检测方法。
[0113]
如图3所示，为本技术实施例提供的呼吸器寿命检测装置的结构示意图。该呼吸器寿命检测装置30包括：获取模块301、变换模块302、计算模块303和检测模块304。
[0114]
其中，获取模块，用于获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜；变换模块，用于对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；计算模块，用
于对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；检测模块，用于根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。
[0115]
具体地，在一实施例中，所述变换模块，具体用于：
[0116]
根据如下公式，对所述监控图像数据和所述卷积核数据进行傅里叶变换：
[0117][0118]
其中，x(ω)表示所述目标图像数据或目标卷积核数据，所述目标图像数据和目标卷积核数据为频域数据，x(t)表示所述监控图像数据或卷积核数据，所述监控图像数据和卷积核数据为时域数据，e-jωt
表示预设复变函数。
[0119]
具体地，在一实施例中，所述变换模块，还用于：
[0120]
根据如下公式，对所述频域检测结果进行傅里叶逆变换，得到所述傅里叶逆变换结果：
[0121][0122]
其中，y(t)表示所述傅里叶逆变换结果，所述傅里叶逆变换结果为时域数据，y(ω)表示所述频域检测结果，所述频域检测结果为频域数据。
[0123]
具体地，在一实施例中，所述变换模块，还用于：
[0124]
根据所述卷积核数据表征的卷积核边长，对所述监控图像数据进行空值填充；
[0125]
根据所述监控图像数据的空值填充结果，对所述卷积核数据进行空值填充，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足乘积计算条件。
[0126]
具体地，在一实施例中，所述变换模块，具体用于：
[0127]
根据所述卷积核边长，确定所述监控图像数据的填充值数量；
[0128]
根据所述监控图像数据的填充值数量，对所述监控图像数据进行空值填充。
[0129]
具体地，在一实施例中，所述获取模块，具体用于：
[0130]
获取待测呼吸器的原始监控图像；
[0131]
将所述原始监控图像，转换为矩阵形式的监控图像数据。
[0132]
具体地，在一实施例中，所述检测模块，具体用于：
[0133]
根据所述频域检测结果的傅里叶逆变换结果，确定待测呼吸器填充物当前颜；
[0134]
根据所述待测呼吸器填充物当前颜与预设目标颜之间的相似程度，确定所述待测呼吸器的寿命检测结果；其中，所述预设目标颜为所述待测呼吸器达到使用寿命时的填充物颜。
[0135]
关于本实施例中的呼吸器寿命检测装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0136]
本技术实施例提供的呼吸器寿命检测装置，用于执行上述实施例提供的呼吸器寿命检测方法，其实现方式与原理相同，不再赘述。
[0137]
本技术实施例提供了一种电子设备，用于执行上述实施例提供的呼吸器寿命检测方法。
[0138]
如图4所示，为本技术实施例提供的电子设备的结构示意图。该电子设备40包括：
至少一个处理器41和存储器42。
[0139]
所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上实施例提供的呼吸器寿命检测方法。
[0140]
本技术实施例提供的一种电子设备，用于执行上述实施例提供的呼吸器寿命检测方法，其实现方式与原理相同，不再赘述。
[0141]
本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上任一实施例提供的呼吸器寿命检测方法。
[0142]
本技术实施例的包含计算机可执行指令的存储介质，可用于存储前述实施例中提供的呼吸器寿命检测方法的计算机执行指令，其实现方式与原理相同，不再赘述。
[0143]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。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接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0144]
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。
[0145]
另外，在本技术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，也可以采用硬件加软件功能单元的形式实现。
[0146]
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0147]
本领域技术人员可以清楚地了解到，为描述的方便和简洁，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，即将装置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。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0148]
最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。

技术特征：

1.一种呼吸器寿命检测方法，其特征在于，包括：获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜；对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据，包括：根据如下公式，对所述监控图像数据和所述卷积核数据进行傅里叶变换：其中，x(ω)表示所述目标图像数据或目标卷积核数据，所述目标图像数据和目标卷积核数据为频域数据，x(t)表示所述监控图像数据或卷积核数据，所述监控图像数据和卷积核数据为时域数据，e-jωt
表示预设复变函数。3.根据权利要求2所述的方法，其特征在于，还包括：根据如下公式，对所述频域检测结果进行傅里叶逆变换，得到所述傅里叶逆变换结果：其中，y(t)表示所述傅里叶逆变换结果，所述傅里叶逆变换结果为时域数据，y(ω)表示所述频域检测结果，所述频域检测结果为频域数据。4.根据权利要求1所述的方法，其特征在于，在对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据之前，所述方法包括：根据所述卷积核数据表征的卷积核边长，对所述监控图像数据进行空值填充；根据所述监控图像数据的空值填充结果，对所述卷积核数据进行空值填充，以使经过傅里叶变换得到的目标图像数据和目标卷积核数据之间满足乘积计算条件。5.根据权利要求4所述的方法，其特征在于，所述根据所述卷积核数据的表征的卷积核边长，对所述监控图像数据进行空值填充，包括：根据所述卷积核边长，确定所述监控图像数据的填充值数量；根据所述监控图像数据的填充值数量，对所述监控图像数据进行空值填充。6.根据权利要求1所述的方法，其特征在于，所述获取待测呼吸器的监控图像数据，包括：获取待测呼吸器的原始监控图像；将所述原始监控图像，转换为矩阵形式的监控图像数据。7.根据权利要求1所述的方法，其特征在于，所述根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果，包括：根据所述频域检测结果的傅里叶逆变换结果，确定待测呼吸器填充物当前颜；
根据所述待测呼吸器填充物当前颜与预设目标颜之间的相似程度，确定所述待测呼吸器的寿命检测结果；其中，所述预设目标颜为所述待测呼吸器达到使用寿命时的填充物颜。8.一种呼吸器寿命检测装置，其特征在于，包括：获取模块，用于获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；其中，所述预设机器学习模型基于图像识别深度神经网络构建，用于检测所述监控图像数据表征的待测呼吸器填充物当前颜；变换模块，用于对所述监控图像数据和所述卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；计算模块，用于对所述目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；检测模块，用于根据所述频域检测结果的傅里叶逆变换结果，确定所述待测呼吸器的寿命检测结果。9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至7任一项所述的方法。

技术总结

本申请提供一种呼吸器寿命检测方法、装置、电子设备及存储介质，该方法包括：获取待测呼吸器的监控图像数据和预设机器学习模型的卷积核数据；预设机器学习模型基于图像识别深度神经网络构建，用于检测监控图像数据表征的待测呼吸器填充物当前颜；对监控图像数据和卷积核数据进行傅里叶变换，得到对应的目标图像数据和目标卷积核数据；对目标图像数据和目标卷积核数据进行乘积计算，得到频域检测结果；根据频域检测结果的傅里叶逆变换结果，确定待测呼吸器的寿命检测结果。通过将预设机器学习模型的卷积计算转换为乘积计算，并实现相同效果的图像检测，以使该机器学习模型可以应用于计算资源较少的嵌入式移动终端，提高了模型应用的普适性。型应用的普适性。型应用的普适性。