CN106815831B - 一种钢丝绳磨损的检测方法及装置 - Google Patents

一种钢丝绳磨损的检测方法及装置 Download PDF

Info

Publication number
CN106815831B
CN106815831B CN201611186039.2A CN201611186039A CN106815831B CN 106815831 B CN106815831 B CN 106815831B CN 201611186039 A CN201611186039 A CN 201611186039A CN 106815831 B CN106815831 B CN 106815831B
Authority
CN
China
Prior art keywords
steel wire
wire rope
steel
edge detection
slope
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611186039.2A
Other languages
English (en)
Other versions
CN106815831A (zh
Inventor
谢柯
徐泽明
苏波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Motie Technology Co.,Ltd.
Original Assignee
Nanchang Green Orange Vision Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanchang Green Orange Vision Technology Co Ltd filed Critical Nanchang Green Orange Vision Technology Co Ltd
Priority to CN201611186039.2A priority Critical patent/CN106815831B/zh
Publication of CN106815831A publication Critical patent/CN106815831A/zh
Application granted granted Critical
Publication of CN106815831B publication Critical patent/CN106815831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image

Abstract

本发明适用于图像处理技术领域，提供了一种钢丝绳磨损的检测方法及装置，所述方法包括：获取待检测钢丝绳的初始处理图像；对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理；识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；对所述canny边缘检测效果图中所有的钢股线的斜率进行混乱程度进行统计量的计算，生成熵值S；依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；本发明实施例解决了现有钢丝绳检测技术中人工检测劳动强度大，效率低下，精度不高，无损探伤检测设备复杂，成本高昂贵的问题。

Description

一种钢丝绳磨损的检测方法及装置
技术领域
本发明属于图像处理技术领域，尤其涉及一种钢丝绳磨损的检测方法及装置。
背景技术
钢丝绳由若干根钢股螺旋缠绕而成，而每根钢股又是由钢丝缠绕而成，其中对外不可见的钢股又称为内芯。
在工业厂矿或者建筑行业，钢丝绳作为传输或者吊装工具应用广泛，但在使用过程中，钢丝绳会逐渐磨损，为了保证使用的安全性，会对钢丝绳定期的作磨损检测，以便于对钢丝绳进行及时的更换，避免在生产过程中产生安全事故。
现有的钢丝绳的磨损检测包括人工目测和无损探伤检测两大类。人工目测是工作人员定期以肉眼观测钢丝绳是否有损伤。此种方法简便易行，但劳动强度大，效率低下，精度不高；
无损探伤是利用射线、超声波、光学和磁检测法对钢丝绳进行检测，其检测精度和正检率高，但此种方法设备复杂，成本高昂贵。
因此，现有技术还有待发展。
发明内容
本发明实施例提供一种钢丝绳磨损的检测方法，旨在解决现有钢丝绳检测技术中人工检测劳动强度大，效率低下，精度不高，无损探伤检测设备复杂，成本高昂贵的问题。
本发明实施例是这样实现的，一种钢丝绳磨损的检测方法，
其中，所述方法包括下述步骤：
获取待检测钢丝绳的初始处理图像；
对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数W的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]。
进一步的，所述识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线采用K-means聚类算法识别。
进一步的，所述斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
当采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure GDA0002157497220000021
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值。
进一步的，所述钢股线的斜率的获取包括下述步骤：
在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn；
进一步的，所述待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
本发明实施例还提供一种钢丝绳磨损的检测装置，其中，所述装置包括：
初始图像获取模块，用于获取待检测钢丝绳的初始处理图像；
边缘检测模块，用于对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
分类识别模块，用于识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
混乱度统计模块，用于对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
磨损评估数生成模块，用于依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数W的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]。
进一步的，所述分类识别模块采用采用K-means聚类算法识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线。
进一步的，所述混乱度统计模块中斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
当采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure GDA0002157497220000031
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值。
进一步的，所述混乱度统计模块还包括：
直线拟合生成模块，用于在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
斜率生成模块，用于依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn。
进一步的，所述初始图像获取模块中待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
本发明实施例的钢丝绳磨损的检测方法，将摄像装置获取的现场钢丝绳图像经过canny边缘检测、分类识别钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线，并对钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；然后依据熵值S输出描述所述钢丝绳磨损程度的磨损评估数W，磨损评估数W反映了钢丝绳的磨损程度，使得钢丝绳的磨损检测简单快速，精度高，同时不需要复杂的设备，操作简单，成本低。
附图说明
图1为本发明实施例提供的钢丝绳磨损的检测方法的流程图；
图2为本发明实施例提供的钢丝绳的初始处理图像；
图3为本发明实施例提供的图2中钢丝绳经过canny边缘检测算法处理后的图像；
图4为本发明实施例提供的钢股线的斜率的获取的流程图；
图5为本发明实施例提供的钢丝绳磨损的检测装置的结构图；
图6为本发明实施例提供的钢丝绳磨损的检测装置中混乱度统计模块的结构图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1示出了本发明实施例提供的钢丝绳磨损的检测方法的实现流程，
在步骤S101中，获取待检测钢丝绳的初始处理图像；
在本发明实施例中，所述待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成，自动抠图采用抠图软件进行抠图，钢丝绳的原始图像由摄像装置现场拍摄钢丝绳获取，待检测钢丝绳的初始处理图像为后续图像处理提供去除拍摄现场背景的钢丝绳图片，以防对后续的图片处理产生干扰。
在步骤S102中，对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
如图2所示，图中为钢丝绳的初始处理图像，钢丝绳由若干根钢股螺旋缠绕而成，而每根钢股又是由钢丝缠绕而成。
canny边缘检测效果图中，如图3所示，钢丝绳内部有大量细短线条，呈水平方向，为钢丝线的缠绕方向；细长线条呈斜向，为钢股线缠绕方向，其边缘闭合的线为钢丝绳的边缘轮廓线。
在步骤S103中，识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
在本发明实施中，识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线采用的是K-means聚类算法识别，具体是以线段的倾斜角度、长度、以及粗细的不同结合数量的不同进行分类识别。
在步骤S104中，对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
在步骤S105中，依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数w的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]，
钢股线的斜率代表钢丝的排列方向，
熵值S代表钢丝的排列方向混乱程度，熵越大表示越混乱，在没有外在力的影响下自然界都是趋向于熵越来越大，钢丝的磨损将会导致钢丝的边缘的排列规律被破坏，所以熵就会增大，熵值S的变化也将导致其输出的磨损评估数W也不同，具体的，在本发明实施例中，W的不同范围代表钢丝绳的不同磨损程度，如下表：
Figure GDA0002157497220000051
具体的，在本发明实施中，所述斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
当采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure GDA0002157497220000061
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值，
可以理解，在本发明的其他实施例中，所述斜率混乱程度统计量的计算还可以采用其他参数如：方差、极差等。
图4示出了本发明实施例提供的钢股线的斜率的获取的实现流程，
在步骤S401中，在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
每个连通区域都是歪扭的折线，其方向代表了钢股的方向。
在步骤S402中，依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn。
使用连通区域内的像素点拟合出一条直线，代表钢股方向的斜率kn。
若找到了n个连通区域，则拟合出的钢股方向为[kl，k2，…，kn]。
本发明实施例中的钢丝绳磨损的检测方法可以是APP形式或者专用软件形式内嵌于智能设备如手机、计算机、或者专门的钢丝绳检测设备等，摄像装置可以是与智能设备分开的装置，也可以与智能设备集成于一体，摄像装置拍摄获取的钢丝绳原始图像在智能设备上进行自动或者人工抠图生成钢丝绳的初始处理图像。
图5示出了本发明实施例提供的钢丝绳磨损的检测装置的结构，包括：
初始图像获取模块51，用于获取待检测钢丝绳的初始处理图像；
边缘检测模块52,用于对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
分类识别模块53，用于识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
混乱度统计模块54，用于对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
磨损评估数生成模块55,用于依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数W的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]。
在本发明实施例中，所述分类识别模块采用采用K-means聚类算法识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线。
在本发明实施例中，所述混乱度统计模块中斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure GDA0002157497220000071
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值。
图6示出了本发明实施例提供的混乱度统计模块的结构，包括：
直线拟合生成模块541，用于在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
斜率生成模块542，用于依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn。
本发明实施例提供的本发明的钢丝绳磨损的检测方法及装置，将摄像装置获取的现场钢丝绳图像经过canny边缘检测、分类识别钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线，并对钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S，然后依据熵值S输出描述所述钢丝绳磨损程度的磨损评估数W，磨损评估数W反映了钢丝绳的磨损程度，使得钢丝绳的磨损检测简单快速，精度高，同时不需要复杂的设备，操作简单，成本低，在保证检测精度的前提下同时大大提高了检测的效果和降低了检测的成本。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种钢丝绳磨损的检测方法，其特征在于，所述方法包括下述步骤：
获取待检测钢丝绳的初始处理图像；
对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数W的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]。
2.根据权利要求1所述的钢丝绳磨损的检测方法，其特征在于，所述识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线采用K-means聚类算法识别。
3.根据权利要求2所述的钢丝绳磨损的检测方法，其特征在于，所述斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
当采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure FDA0002157497210000011
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值。
4.根据权利要求1所述的钢丝绳磨损的检测方法，其特征在于，所述钢股线的斜率的获取包括下述步骤：
在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn。
5.根据权利要求1所述的钢丝绳磨损的检测方法，其特征在于，所述待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
6.一种钢丝绳磨损的检测装置，其特征在于，所述装置包括：
初始图像获取模块，用于获取待检测钢丝绳的初始处理图像；
边缘检测模块，用于对所述待检测钢丝绳的初始处理图像进行canny边缘检测算法处理，生成canny边缘检测效果图；
分类识别模块，用于识别所述canny边缘检测效果图中的钢丝绳边缘轮廓线、钢股线、及钢股中的钢丝线；
混乱度统计模块，用于对所述canny边缘检测效果图中所有的钢股线的斜率进行斜率混乱程度统计量的计算，生成熵值S；
磨损评估数生成模块，用于依据所述熵值S输出描述所述钢丝绳磨损程度的磨损评估数W；
所述磨损评估数W的计算公式为：
W＝ABS(S-b)/(b-a)*100％；
其中，所述a，b为所述钢股线的斜率混乱程度的最小值和最大值，所述ABS(S-b)为S与b差值的绝对值，所述W的范围为[0，100％]。
7.根据权利要求6所述的钢丝绳磨损的检测装置，其特征在于，所述分类识别模块采用K-means聚类算法识别canny边缘检测效果图中钢丝绳的钢股线、钢丝线、及钢丝绳边缘轮廓线。
8.根据权利要求7所述的钢丝绳磨损的检测装置，其特征在于，所述混乱度统计模块中斜率混乱程度统计量的计算采用所述钢股线斜率的平均值或者标准差统计；
其对应熵值S公式为：
当采用平均值统计时，S＝(K1+K2+K3+…+Kn)/n；
或
当采用标准差统计时，
Figure FDA0002157497210000031
所述Kl，K2，……，Kn为canny边缘检测效果图中所有钢股线的斜率，所述K为钢股线斜率的平均值。
9.根据权利要求6所述的钢丝绳磨损的检测装置，其特征在于，所述混乱度统计模块还包括：
直线拟合生成模块，用于在所述canny边缘检测效果图中使用连通区域分析算法获取每个联通区域内的像素点，所述连通区域分析算法采用Two-Pass算法或Seed-Filling种子填充算法；
斜率生成模块，用于依据所述像素点拟合出每条钢股线的线段，所述线段的斜率即为钢股线的斜率Kn。
10.根据权利要求6所述的钢丝绳磨损的检测装置，其特征在于，所述初始图像获取模块中待检测钢丝绳的初始图像为在待检测钢丝绳原始图像中进行自动或者人工抠图生成。
CN201611186039.2A 2016-12-21 2016-12-21 一种钢丝绳磨损的检测方法及装置 Active CN106815831B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611186039.2A CN106815831B (zh) 2016-12-21 2016-12-21 一种钢丝绳磨损的检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611186039.2A CN106815831B (zh) 2016-12-21 2016-12-21 一种钢丝绳磨损的检测方法及装置

Publications (2)

Publication Number Publication Date
CN106815831A CN106815831A (zh) 2017-06-09
CN106815831B true CN106815831B (zh) 2020-04-10

Family

ID=59110388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611186039.2A Active CN106815831B (zh) 2016-12-21 2016-12-21 一种钢丝绳磨损的检测方法及装置

Country Status (1)

Country Link
CN (1) CN106815831B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11906445B2 (en) 2018-10-10 2024-02-20 Goodrich Corporation Automated defect detection for wire rope using image processing techniques
CN113487612B (zh) * 2021-09-07 2021-11-16 启东市德立神起重运输机械有限公司 一种基于图像处理的起重机卷筒工作异常预警方法
CN115147416B (zh) * 2022-09-02 2022-11-15 山东大山不锈钢制品有限公司 一种倒绳机乱绳检测方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006250229A (ja) * 2005-03-10 2006-09-21 Toyota Motor Corp 車両用ブレーキ装置
CN102930268A (zh) * 2012-08-31 2013-02-13 西北工业大学 一种用于污染及多视角情况下DataMatrix码的精确定位方法
CN105115916A (zh) * 2015-07-20 2015-12-02 北京新联铁科技股份有限公司 动车组运行时的设备磨损监测方法
CN105184792A (zh) * 2015-09-06 2015-12-23 江苏科技大学 一种圆锯片磨损量在线测量方法
CN105382223A (zh) * 2014-07-24 2016-03-09 Posco公司 双辊带铸造方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006250229A (ja) * 2005-03-10 2006-09-21 Toyota Motor Corp 車両用ブレーキ装置
CN102930268A (zh) * 2012-08-31 2013-02-13 西北工业大学 一种用于污染及多视角情况下DataMatrix码的精确定位方法
CN105382223A (zh) * 2014-07-24 2016-03-09 Posco公司 双辊带铸造方法
CN105115916A (zh) * 2015-07-20 2015-12-02 北京新联铁科技股份有限公司 动车组运行时的设备磨损监测方法
CN105184792A (zh) * 2015-09-06 2015-12-23 江苏科技大学 一种圆锯片磨损量在线测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Coastal Cliffs Monitoring and Prediction of Displacements Using Terrestial Laser Scanning;Pawel Tysiac.etc;《 2016 Baltic Geodetic Congress (BGC Geomatics)》;20160823;第61-66页 *
钢丝绳实时在线监测系统研发;李国勇;《中国优秀硕士学位论文全文数据库》;20110315;C030-31 *

Also Published As

Publication number Publication date
CN106815831A (zh) 2017-06-09

Similar Documents

Publication Publication Date Title
CN104535356B (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN107782733B (zh) 金属表面缺陷的图像识别无损检测装置及方法
CN106815831B (zh) 一种钢丝绳磨损的检测方法及装置
CN107764839B (zh) 一种基于机器视觉的钢丝绳表面缺陷在线检测方法及装置
CN110930357B (zh) 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统
CN110458157B (zh) 一种电力电缆生产过程智能监控系统
CN116934740B (zh) 基于图像处理的塑料模具表面缺陷分析检测方法
EP3617124B1 (en) Elevator rope elongation measuring device
CN112396017B (zh) 一种基于图像识别的工程安全隐患识别方法及系统
CN104198497A (zh) 一种基于视觉显著图和支持向量机的表面缺陷检测方法
CN113935666B (zh) 基于图像处理的建筑装饰墙面砖异常评估方法
EP2874100A2 (en) Slow change detection system
CN113075065A (zh) 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统
CN103544524A (zh) 棒材复核计数方法和装置
CN110015553A (zh) 基于视频分析的运输皮带系统异物检测保护方法
CN105528790A (zh) 一种输电线路小型部件识别方法
CN115620192A (zh) 一种高空作业安全绳穿戴检测的方法和装置
CN104424633A (zh) 一种视频对比度异常检测方法及装置
CN107492093B (zh) 基于图像处理的轴承异常检测方法
CN105678741A (zh) 一种矿用输送带纵撕图像检测方法
CN115063739B (zh) 异常行为的检测方法、装置、设备及计算机存储介质
CN111539951A (zh) 一种陶瓷砂轮头轮廓尺寸视觉检测方法
CN109711275A (zh) 一种电厂作业过程安全风险采集辨识系统及方法
CN109087278B (zh) 基于改进Canny算子的安全套正反面识别法
CN114757905A (zh) 一种基于视觉的卷绳缠绕异常检测装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190710

Address after: 330000 Room 1423, 14th Floor, Honggu Chengtou Building, 545 Exhibition Road, Honggutan New District, Nanchang City, Jiangxi Province

Applicant after: Nanchang Green Orange Vision Technology Co.,Ltd.

Address before: 518057 Satellite Building, Keyuan Road, Nanshan High-tech Park, Shenzhen, Guangdong 1705

Applicant before: Shenzhen Augmented Reality Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221130

Address after: No. 1888, Jinsha 3rd Road, Xiaolan Economic and Technological Development Zone, Nanchang County, Nanchang City, Jiangxi Province 330000

Patentee after: Jiangxi Motie Technology Co.,Ltd.

Address before: 330000 room 1423, 14th floor, Honggu Chengtou building, 545 Huizhan Road, Honggutan New District, Nanchang City, Jiangxi Province

Patentee before: Nanchang Green Orange Vision Technology Co.,Ltd.